Fulltext available Open Access
Title: Robuste Türerkennung mit Deep Learning in der bildbasierten Roboternavigation
Language: German
Authors: Tran, Justin 
Keywords: Autonom; Husky; Roboter; neuronales Netz; Türerkennung; Deep Learning
Issue Date: 29-Nov-2024
Abstract: 
Um die Robustheit der Erkennung von Türen durch neuronale Netzwerke zu verbessern, werden Bilddatensätze augmentiert. Das Verändern der Helligkeit, der Farbe, des Kontrastes und dem Löschen von Bildausschnitten, sowie das Nutzen eines Greenscreens sind die Image Data Augmentation Methoden, die vorgestellt werden. Im Ergebnis zeigt sich, dass das Verändern des Kontrastes gefolgt von dem Löschen von Bildausschnitten die Methoden mit den höchsten Ergebnissen sind. Das neuronale Netz, welches eine Kombination aller verwendeten Methoden als Trainingsdatensatz erhielt, konnte die höchsten Erkennungsraten unter unterschiedlichen Umgebungsbedingungen erzielen.

To improve the robustness of door detection by neural networks, image data sets are augmented. Changing the brightness, color, contrast and deleting parts of the image, as well as using a green screen are the image data augmentation methods that are used. As a result, it can be seen that changing the contrast followed by deleting parts of the image are the methods with the highest results. The neural network that received a combination of all the used methods as a training dataset was able to achieve the highest recognition rates under different environmental conditions.
URI: https://hdl.handle.net/20.500.12738/16600
Institute: Fakultät Technik und Informatik 
Department Informatik 
Type: Thesis
Thesis type: Bachelor Thesis
Advisor: Pareigis, Stephan  
Referee: Tiedemann, Tim 
Appears in Collections:Theses

Files in This Item:
File Description SizeFormat
BA_Robuste_Türerkennung_mit_Deep_Learning.pdf16.54 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Seitenansichten

131
checked on 10.07.2025

Download(s)

14
checked on 10.07.2025

Google ScholarTM

Prüfe

HAW Katalog

Prüfe

Feedback zu diesem Datensatz


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.