Mit der zunehmenden Leistungsfähigkeit von Objekterkennungsmodellen streben Unternehmen danach, solche Systeme in ihre Produktionsumgebungen zu integrieren. Die effektive Implementierung dieser Modelle hängt jedoch entscheidend von der Verfügbarkeit hochwertiger Trainingsdaten ab. Dies stellt insbesondere in industriellen Anwendungen eine Herausforderung dar, in denen individuell gestaltete Bauteile verwendet werden, die nicht in gängigen Datensätzen enthalten sind. Infolgedessen müssen spezialisierte Datensätze erstellt werden, was oft unpraktisch oder zeitaufwendig ist. Um dieses Problem zu adressieren, werden drei Ansätze in dieser Masterarbeit untersucht, die den Bedarf an spezialisierten Datensätzen mit realen Bildern eliminieren. Der erste Ansatz, SDGP, erzeugt einen synthetischen Datensatz, indem Bilder aus den CAD-Modellen der Zielobjekte gerendert werden und anschließend ein YOLOv8-Modell auf diesen Daten trainiert wird.Die zweiten und dritten Ansätze sind Zero-Shot Object Detection-Methoden. Während CNOS gerenderte CAD-basierte Referenzvorlagen zur Definition der Klassen verwendet, nutzt Grounded-SAM-2 textuelle Beschreibungen. Alle Ansätze werden auf einem Datensatz mit realen Bildern evaluiert, der in einer automatisierten Produktionslinie der Siemens AG aufgenommen wurde und vier Objekttypen umfasst: Metallgehäuse, Frontplatten, Isolierplatten und PCBs. Die Ergebnisse zeigen, dass die Methoden SDGP, CNOS und Grounded-SAM-2 maximale mAP50-95-Werte von 0.756, 0.697 bzw. 0.58 erreichen. Obwohlweiterhin Herausforderungen bestehen, insbesondere bei den Isolierplatten und PCBs, könnten Optimierungsschritte wie Bildvorverarbeitung, Parameteranpassung und Prompt-Feinabstimmung die Leistung verbessern und diese Methoden zu praktikablen Alternativen zu Modellen machen, die direkt auf realen Bildern trainiert wurden.
Harald Anton Straßgürtl (Mon,) studied this question.