Estimation of 3D object pose for packing problem with a deep learning approach
Este paper presenta una aproximación de deep learning a la estimación de pose de cajas en un contexto de empaquetamiento. Dividimos el problema en dos etapas: detección y estimación de pose. Cada etapa es desarrollada por una red neuronal convolucional. La primera red detecta si una imagen en escala...
- Autores:
-
Rodríguez Torres, Andrés David
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/43732
- Acceso en línea:
- http://hdl.handle.net/1992/43732
- Palabra clave:
- Aprendizaje automático (Inteligencia artificial)
Empaquetado y recubrimiento combinatorio
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_dbe3721babf25c4a131e912423f854e9 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/43732 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.es_CO.fl_str_mv |
Estimation of 3D object pose for packing problem with a deep learning approach |
| title |
Estimation of 3D object pose for packing problem with a deep learning approach |
| spellingShingle |
Estimation of 3D object pose for packing problem with a deep learning approach Aprendizaje automático (Inteligencia artificial) Empaquetado y recubrimiento combinatorio Ingeniería |
| title_short |
Estimation of 3D object pose for packing problem with a deep learning approach |
| title_full |
Estimation of 3D object pose for packing problem with a deep learning approach |
| title_fullStr |
Estimation of 3D object pose for packing problem with a deep learning approach |
| title_full_unstemmed |
Estimation of 3D object pose for packing problem with a deep learning approach |
| title_sort |
Estimation of 3D object pose for packing problem with a deep learning approach |
| dc.creator.fl_str_mv |
Rodríguez Torres, Andrés David |
| dc.contributor.advisor.none.fl_str_mv |
Alvarez Martínez, David |
| dc.contributor.author.none.fl_str_mv |
Rodríguez Torres, Andrés David |
| dc.contributor.jury.none.fl_str_mv |
Rodríguez Garavito, Cesar Hernán Martínez Franco, Juan Camilo Abolghasem Ghazvini, Sepideh |
| dc.subject.armarc.es_CO.fl_str_mv |
Aprendizaje automático (Inteligencia artificial) Empaquetado y recubrimiento combinatorio |
| topic |
Aprendizaje automático (Inteligencia artificial) Empaquetado y recubrimiento combinatorio Ingeniería |
| dc.subject.themes.none.fl_str_mv |
Ingeniería |
| description |
Este paper presenta una aproximación de deep learning a la estimación de pose de cajas en un contexto de empaquetamiento. Dividimos el problema en dos etapas: detección y estimación de pose. Cada etapa es desarrollada por una red neuronal convolucional. La primera red detecta si una imagen en escala de grises contiene o no una caja. La segunda red predice la posición de cada vértice del cubo dentro del plano de la imagen. Con esta información, el canal de profundidad y el modelo de cámara estenopeica podemos estimar la posición del centro de masa y la orientación de la caja. Entrenamos y probamos ambas redes con datos sintéticos generados a partir de una escena virtual. Para el problema de detección, obtuvimos una exactitud de 99.5%. Para el problema de estimación obtuvimos un error medio de 17.7 milímetros en distancia y de 21.2 grados en orientación. |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-09-03T14:14:54Z |
| dc.date.available.none.fl_str_mv |
2020-09-03T14:14:54Z |
| dc.date.issued.es_CO.fl_str_mv |
2020 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/43732 |
| dc.identifier.pdf.none.fl_str_mv |
u830776.pdf |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/43732 |
| identifier_str_mv |
u830776.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
eng |
| language |
eng |
| dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
11 hojas |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Uniandes |
| dc.publisher.program.es_CO.fl_str_mv |
Maestría en Ingeniería Industrial |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Industrial |
| dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
| instname_str |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| reponame_str |
Repositorio Institucional Séneca |
| collection |
Repositorio Institucional Séneca |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/326861c7-00f1-4f54-a0ab-eca59c0e291c/download https://repositorio.uniandes.edu.co/bitstreams/ab170475-4614-434d-8fad-591156fd0189/download https://repositorio.uniandes.edu.co/bitstreams/a8684987-fd24-4106-951d-b4d680fb32d1/download |
| bitstream.checksum.fl_str_mv |
1afea7e74b445ba9fd20afa33e3570fd 183d1146ea7e2353135dfef45e8c9a1b b0c6d9a1f21e527aa3246f68f255e226 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1831927806865440768 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Alvarez Martínez, David6fdcb44f-58cf-4b15-bb72-29e1cdf00d5d400Rodríguez Torres, Andrés David7f25959d-8676-4f30-8873-484805d756ee500Rodríguez Garavito, Cesar HernánMartínez Franco, Juan CamiloAbolghasem Ghazvini, Sepideh2020-09-03T14:14:54Z2020-09-03T14:14:54Z2020http://hdl.handle.net/1992/43732u830776.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este paper presenta una aproximación de deep learning a la estimación de pose de cajas en un contexto de empaquetamiento. Dividimos el problema en dos etapas: detección y estimación de pose. Cada etapa es desarrollada por una red neuronal convolucional. La primera red detecta si una imagen en escala de grises contiene o no una caja. La segunda red predice la posición de cada vértice del cubo dentro del plano de la imagen. Con esta información, el canal de profundidad y el modelo de cámara estenopeica podemos estimar la posición del centro de masa y la orientación de la caja. Entrenamos y probamos ambas redes con datos sintéticos generados a partir de una escena virtual. Para el problema de detección, obtuvimos una exactitud de 99.5%. Para el problema de estimación obtuvimos un error medio de 17.7 milímetros en distancia y de 21.2 grados en orientación.This paper presents a deep learning approach to the pose estimation of boxes in a packing problem context. We divided the problem into two steps: detection and pose estimation. Each step is performed with a different convolutional neuronal network configured to complete its task without the excessive complexity that would be required to perform them simultaneously. The first neural network detects if a grayscale image of the working environment as captured by a Microsoft Kinect V2 contains a box or not. The second network predicts the two-dimensional position of each vertex of the box in the image plane from an RGB image. With this information, a depth channel of the image and the pinhole camera model we can estimate the position of the center of mass and the orientation of the box. We train and test both networks with synthetic data from a virtual scene of the workstation. For the detection problem, we achieved an accuracy of 99.5%. For the pose estimation problem, a mean error for center of mass distance of 17.78 millimeters and a mean error for orientation of 21.28 degrees were registered. Testing with real-world data remains pending, as well as the use of other network architectures.Magíster en Ingeniería IndustrialMaestría11 hojasapplication/pdfengUniandesMaestría en Ingeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería Industrialinstname:Universidad de los Andesreponame:Repositorio Institucional SénecaEstimation of 3D object pose for packing problem with a deep learning approachTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMAprendizaje automático (Inteligencia artificial)Empaquetado y recubrimiento combinatorioIngenieríaPublicationORIGINALu830776.pdfapplication/pdf585888https://repositorio.uniandes.edu.co/bitstreams/326861c7-00f1-4f54-a0ab-eca59c0e291c/download1afea7e74b445ba9fd20afa33e3570fdMD51TEXTu830776.pdf.txtu830776.pdf.txtExtracted texttext/plain20350https://repositorio.uniandes.edu.co/bitstreams/ab170475-4614-434d-8fad-591156fd0189/download183d1146ea7e2353135dfef45e8c9a1bMD54THUMBNAILu830776.pdf.jpgu830776.pdf.jpgIM Thumbnailimage/jpeg13737https://repositorio.uniandes.edu.co/bitstreams/a8684987-fd24-4106-951d-b4d680fb32d1/downloadb0c6d9a1f21e527aa3246f68f255e226MD551992/43732oai:repositorio.uniandes.edu.co:1992/437322023-10-10 19:13:28.425https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |