guest ::
| 001 | 856819 | ||
| 005 | 20241114121438.0 | ||
| 020 | _ | _ | |a 978-3-98555-121-7 |
| 024 | 7 | _ | |a HT021679326 |2 HBZ |
| 024 | 7 | _ | |a K10Plus:1828152455 |2 K10Plus |
| 024 | 7 | _ | |a 41839 |2 Laufende Nummer |
| 024 | 7 | _ | |a 10.18154/RWTH-2022-11143 |2 datacite_doi |
| 037 | _ | _ | |a RWTH-2022-11143 |
| 041 | _ | _ | |a German |
| 082 | _ | _ | |a 620 |
| 100 | 1 | _ | |0 P:(DE-82)IDM02949 |a Wenning, Marius Julian |b 0 |u rwth |
| 245 | _ | _ | |a Kontextabhängig Anomaliedetektion zur visuellen Hinderniserkennung für automatisierte PKW im End-of-Line-Bereich |c Marius Wenning |h online, print |
| 246 | _ | 3 | |a Context dependent anomaly detection for visual obstacle detection in automated cars at the end of production line |y English |
| 250 | _ | _ | |a 1. Auflage |
| 260 | _ | _ | |a Aachen |b Apprimus Verlag |c 2022 |
| 260 | _ | _ | |c 2023 |
| 300 | _ | _ | |a XIII, 154 Seiten : Illustrationen, Diagramme |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |0 PUB:(DE-HGF)3 |2 PUB:(DE-HGF) |a Book |m book |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 490 | 0 | _ | |a Ergebnisse aus der Produktionstechnik |v 37/2022 |
| 500 | _ | _ | |a Druckausgabe: 2022. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2023 |
| 502 | _ | _ | |a Dissertation, RWTH Aachen University, 2022 |b Dissertation |c RWTH Aachen University |d 2022 |g Fak04 |o 2022-10-18 |
| 520 | 3 | _ | |a Die automatisierte Fahrt von PKW auf dem Werksgelände des Herstellers erfordert einen Personenschutz auf Basis der Seriensensorik. Verbaute Monokameras können bislang nicht für die Aufgabe der Hinderniserkennung Verwendung finden, da die existierenden Bildverarbeitungsalgorithmen keine zuverlässige Erkennung von Hindernissen erlauben. Durch die Analyse der Bildverarbeitungsmethoden können Anforderungen an eine neuartige Hinderniserkennung formuliert werden. Die Anomaliedetektion stellt eine Algorithmenklasse dar, die verfahrensbedingte Vorteile gegenüber existierenden Methoden aufweist. Der Stand der Wissenschaft beinhaltet vielversprechende Grundlagen, zeigt jedoch auch, dass das Verfahren bislang nicht im Anwendungsfall erprobt wurde. So lautet die Zielstellung der vorliegenden Arbeit eine geeignete Anomaliedetektion zu entwerfen und diese im Anwendungsfall zu erproben. Dazu werden zwei Datensätze entwickelt. Der Simulationsdatensatz wird verwendet, um zunächst eine leistungsfähige Anomaliedetektion zu entwickeln und diese mit ausgewählten Benchmark-Algorithmen in Anwendungsfallspezifischen Testfällen zu vergleichen. Der Realdatensatz ermöglicht die Validierung der Simulationsergebnisse und stellt die Praxistauglichkeit unter Beweis. Durch Analyse des Einflusses entscheidender Designoptionen werden implizite Gestaltungsregeln abgeleitet. Durch das Einbeziehen des räumlichen und zeitlichen Kontextes kann die Klassifikationsgüte verbessert werden. Im Vergleich mit dem Stand der Technik liefert die Anomaliedetektion konkurrenzfähige Ergebnisse bei erheblich reduziertem Trainingsaufwand. In Szenen mit erhöhter Komplexität durch Beleuchtungsunterschiede, Fahrbahnverschmutzungen oder Qualm zeigt sie eine höhere Robustheit als die Semantische Segmentierung und die Tiefenbildprädiktion. Die Testergebnisse auf dem Realdatensatz bestätigen die Simulationsergebnisse und zeigen die praktische Anwendbarkeit. |l ger |
| 520 | _ | _ | |a For automated driving on company premises of car manufacturers, the cars’ protective device needs to be implemented using standard sensor equipment. Built-in mono cameras cannot be used for obstacle detection yet, as existing computer vision algorithms do not provide reliable object detection. The analysis of the computer vision algorithms leads to a specification of requirements for an innovative obstacle detection algorithm. The method of anomaly detection shows inherent advantages compared to existing obstacle detection algorithms. The state of the art includes promising methods. However, anomaly detection has not been tested in the use case of vehicle automation so far. Therefore, the objective of this thesis is to design a suitable anomaly detection algorithm and to test it in the use case of factory-automated cars. To this end, two data sets are developed. Data from a simulated factory environment is used to develop a performant anomaly detection and to test it against state-of-the-art benchmark algorithms in use case-specific test cases. Real data enables validation of the simulation results and proves the algorithm’s practicality. A detailed analysis reveals implicit design rules that should be considered in the development of an anomaly detection for obstacle detection. The classification quality can be improved by taking into account the spacial and temporal context of the processed images. In comparison with state-of-the-art algorithms, the anomaly detection shows a competitive classification quality at only a fraction of required training data. In scenes with high complexity due to illumination, dirt or smoke, the anomaly detection is more robust than the semantic segmentation and the depth estimation. Real world experiments confirm the simulation results and prove practical applicability. |l eng |
| 536 | _ | _ | |0 G:(DE-82)BMBF-01MV19002A |a BMBF-01MV19002A - Verbundprojekt: AIMFREE - Agile Montage von Elektrofahrzeugen durch freie Verkettung; Teilvorhaben: Methoden, Modelle und Technologien zur Umsetzung der agilen, frei verketteten Montage von Elektrofahrzeugen (BMBF-01MV19002A) |c BMBF-01MV19002A |x 0 |
| 588 | _ | _ | |a Dataset connected to K10Plus |
| 591 | _ | _ | |a Germany |
| 653 | _ | 7 | |a automated factory transport |
| 653 | _ | 7 | |a automated transport |
| 653 | _ | 7 | |a autonomous transport |
| 653 | _ | 7 | |a visual obstacle detection |
| 700 | 1 | _ | |0 P:(DE-82)IDM00801 |a Schuh, Günther |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |0 P:(DE-82)IDM00302 |a Burggräf, Peter |b 2 |e Thesis advisor |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/856819/files/856819.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/856819/files/856819_source.zip |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:856819 |p dnbdelivery |p driver |p VDB |p open_access |p openaire |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM02949 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM00801 |a RWTH Aachen |b 1 |k RWTH |
| 914 | 1 | _ | |y 2022 |
| 915 | _ | _ | |a OpenAccess |0 StatID:(DE-HGF)0510 |2 StatID |
| 920 | 1 | _ | |0 I:(DE-82)417210_20140620 |k 417210 |l Lehrstuhl für Produktionssystematik |x 0 |
| 920 | 1 | _ | |0 I:(DE-82)417200_20140620 |k 417200 |l Werkzeugmaschinenlabor WZL der RWTH Aachen |x 1 |
| 980 | _ | _ | |a I:(DE-82)417200_20140620 |
| 980 | _ | _ | |a I:(DE-82)417210_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a book |
| 980 | _ | _ | |a phd |
| 980 | 1 | _ | |a FullTexts |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|