紙箱のデパレタイジング・パレタイジングのプロジェクト¶
紙箱のデパレタイジング・パレタイジングのプロジェクトでは、通常、 インスタンスセグメンテーション を使用して画像内の各紙箱を認識し、それぞれの位置情報を表示します。
Mech-Mind株式会社は、紙箱のデパレタイジング・パレタイジン向けに 「スーパーモデル」 を提供しています。それをMech-Visionに直接に応用して、ほとんどの紙箱をトレーニングせずに正確な分割を実行できます。
1.スーパーモデルを使用し、要件を満たすかどうかを確認する
注意
スーパーモデルの効果を問わず、後のテストのためにすべてのテストデータを保留してください。
2.スーパーモデルで分割が誤った紙箱データを取得して、トレニンーグに使用する
通常、スーパーモデルではほとんどの紙箱を認識できます。紙箱が密に詰め込まれたり、表面に複雑なパターンがついたりするなど、誤った分割や不完全なマスクが発生する可能性があります。ユーザーは、正確に認識できない箱に対してモデルを反復すればいいです。
たとえば、20種類の紙箱を認識するとします。その内に18種類は正確に分割できますが、2種類は分割できません。それでその2種類の紙箱のデータを取得すればいいです。また、個別に配置されれば正確に分割できますが、密に置かれれば正確に分割できない場合、密に置かれた紙箱のデータを取得すればいいです。
取得枚数:紙箱の種類(または配置方法)ごとに20枚の画像を取得します。
データの要件:①異なるパレットパターンの各層(高層、中層、最下層)に密に配置された紙箱の画像を10枚取得します。②異なるパレットパターンの各層(高層、中層、最下層)のフルパレット、ハーフパレット、少量の紙箱の画像を10枚取得します。
3.データの背景を除去する
紙箱のデパレタイジング・パレタイジングのシーンでは、紙箱は全てパレットに積み上げられるので、背景除去により干渉を回避し、モデルの効果を大幅に改善できます。Mech-Visionでは、背景除去のステップの組合せにより背景除去データを取得します。
4.データをラベリングする
5.モデルをトレニンーグする
6.新しいモデルを使用して予測する
詳しくは、 インスタンスセグメンテーション:モデルを使用して予測 をご参照ください。
7.必要に応じて、ステップ2-6を繰り返してモデルを再更新する
多種類の紙箱がある場合、プロジェクトの初期段階では各種類の紙箱を取得してテストすることはできません。この場合、モデルを使用して既存の種類の紙箱をテストします。新しい種類の紙箱を正確に分割できない場合は、ステップ2-6を繰り返して、モデルを再更新します。
注釈
スーパーモデル :大規模なデータトレーニングに基づく特定の種類の物体(紙箱、麻袋、宅配便小包など)に適した一般的なディープラーニングモデルを指します。