Refine
Has Fulltext
- yes (4)
Document Type
- Article (2)
- Conference Proceeding (2)
Is part of the Bibliography
- yes (4)
Keywords
- autonom (1)
- damage identification (1)
- dataset (1)
- drohne (1)
- inspection (1)
- künstliche intelligenz (1)
- machine learning (1)
- maintenance (1)
- mikrologistik (1)
- object detection (1)
Institute
Das Verbundvorhaben KI-Inspektionsdrohne, im Rahmen des Luftfahrtforschungsprogramms V [1], hat als Ziel Maintenance-, Repair- und Overhaul-(MRO-)Prozesse in der Luftfahrtindustrie zu beschleunigen, und damit die MRO-Industrie noch wettbewerbsfähiger zu machen. Im Vorhaben wird ein sicheres System zur Schadensdetektion und -bewertung von äußeren Flugzeugstrukturen unter Berücksichtigung aktueller Instandhaltungs-Anforderungen der Luftfahrtbranche entwickelt. Der entwickelte Prototyp integriert vernetzte UAV (Unmanned Aerial Vehicles – Unbemannte Flugsysteme), autonome Navigation und Schadensaufnahme und KI-gestützte Auswertung und stellt ein Decision Support System zur Verfügung bzw. fällt eigenständig Entscheidungen. Forschungsschwerpunkt der FHWS ist, bzw. Forschungsschwerpunkte sind industriespezifische Ende-zu-Ende-Security, KI, Safety, und insbesondere die Absicherung der mobilen, mit Cloud oder Edge verbundenen Einheiten gegen Cyberattacken.
Geprägt durch den Einzug der Digitalisierung in Wirtschaft und Industrie sieht sich die Logistikbranche heute zunehmend damit konfrontiert, immer kleinere Stückmengen und Losgrößen transportieren zu müssen. Heutige, konventionelle Logistiksysteme sind für diese zukünftigen Anforderungen nicht ausgelegt. Deshalb bringt der Transport kleiner Losgrößen hohe Kosten mit sich. Darüber hinaus sind heutige Logistiksysteme nicht flexibel genug. Auch die praktizierte Ansammlung von kleinen Losgrößen zu größeren Einheiten erfüllt die Anforderungen nicht. Der Warentransport wird aus Sicht des steigenden Anspruchs an den Zeitfaktor teuer. Darüber hinaus entstehen zusätzliche Lagerkosten. Neue Technologien wie fahrerlose Transportsysteme und Transportdrohnen können in ihrer aktuellen Entwicklung dem Bedarf der Mikromobilität nur in stark abgegrenzten Bereichen gerecht werden und somit ihr Potenzial noch nicht ganzheitlich entfalten. Im Projekt wird die kollaborative Zusammenarbeit verschiedener Transporteinheiten wie fahrerlose Transportsysteme (FTS), Multicopter- und Flächendrohnen aufbauend auf einem KI-Service entwickelt, was einem heterogenen Netzwerk die Überwindung der einzelnen, technologischen Systemgrenzen und zweckdienlichen Einsatz ermöglicht. Die Auslegung von logistischen Systemen erfolgt immer nach dem Prinzip des minimalsten Aufwandes. Das Projekt FlowPro entwickelt ein auf KI-Verfahren basierendes Logistiknetzwerk, welches sich selbstständig organisiert und in Industrieparks die Intralogistik sowie darüber hinaus unternehmensübergreifend auf dem Land- und Luftweg die Mikromobilität von Waren ermöglicht und optimiert.
Deep Learning models are trained to detect humans, cars, and other large objects which are centered in the images. The same models struggle with detecting small and tiny objects because of architecture design decisions that reduce the entropy of small and tiny objects during training. These small and tiny objects are essential for damage identification and maintenance including inspection and documentation of aeroplanes, constructions, offshore structures, and forests. Our work defines the terms tiny and small in context of deep learning models to evaluate possible approaches to resolve the issue of low accuracy in detecting these objects. We analyse the currently applied common datasets Common Objects in Context, ImageNet and Tiny Object Detection Challenge dataset. In addition we compare these datasets and present the differences in terms of object instance size. The COCO dataset, ImageNet dataset and TinyObjects dataset are analysed regarding size categorization and relative object size. The results show the large differences between the size ratios of the three chosen datasets, with ImageNet having by far the largest object instances, COCO being in the middle and TinyObjects having the smallest objects as its name would indicate. Since the objects themselves are larger in terms of total pixel width and height, they therefore make up a bigger percentage on the superordinate picture. Looking at the size categories of the COCO dataset and our extension of the tiny and very small category, the results confirm the size hierarchy of the datasets. With ImageNet having most of its objects in the large category, COCO respectively in the medium category and TinyObjects in the very small category. By taking these results into account, the reader is able to choose a fitting dataset for their tasks.We expect our analysis to help and improve future research in the area of small and tiny object detection.
Forest management relies on the analysis of satellite
imagery and time intensive physical on-site inspections. Both
methods are costly and time consuming. Satellite based images
are often not updated in a sufficient frequency to react to
infestations or other occurring problems.
Forest management benefits greatly from accurate and recent
information about the local forest areas. In order to react
appropriately and in time to incidents such as areas damaged by
storms, areas infested by bark beetles and decaying ground water
level, this information can be extracted from high resolution
imagery.
In this work, we propose UAVs to meet this demand and
demonstrate that they are fully capable of gathering this information
in a cost efficient way. Our work focuses on the cartography
of trees to optimize forest-operation. We apply deep learning for
image processing as a method to identify and isolate individual trees for GPS tagging and add some additional information such as height and diameter.