Simulation study and experimental validation of a neural network-based predictive tracking system for sensor-based sorting
| Autor: | Georg Maier, Marcel Reith-Braun, Albert Bauer, Robin Gruna, Florian Pfaff, Harald Kruggel-Emden, Thomas Längle, Uwe D. Hanebeck, Jürgen Beyerer |
|---|---|
| Přispěvatelé: | Publica |
| Rok vydání: | 2023 |
| Předmět: | |
| Zdroj: | tm-Technisches Messen, 90 (7-8), 489–499 |
| ISSN: | 2196-7113 0171-8096 |
| Popis: | Sensor-based sorting offers cutting-edge solutions for separating granular materials. The line-scanning sensors currently in use in such systems only produce a single observation of each object and no data on its movement. According to recent studies, using an area-scan camera has the potential to reduce both characterization and separation error in a sorting process. A predictive tracking approach based on Kalman filters makes it possible to estimate the followed paths and parametrize a unique motion model for each object using a multiobject tracking system. While earlier studies concentrated on physically-motivated motion models, it has been demonstrated that novel machine learning techniques produce predictions that are more accurate. In this paper, we describe the creation of a predictive tracking system based on neural networks. The new algorithm is applied to an experimental sorting system and to a numerical model of the sorter. Although the new approach does not yet fully reach the achieved sorting quality of the existing approaches, it allows the use of the general method without requiring expert knowledge or a fundamental understanding of the parameterization of the particle motion model. Die sensorgestützte Sortierung bietet zukunftsweisende Lösungen für die Trennung von körnigen Materialien. Die derzeit in solchen Systemen verwendeten Zeilensensoren liefern nur eine einzige Beobachtung jedes Objekts und keine Daten über dessen Bewegung. Jüngsten Studien zufolge hat die Verwendung einer Flächenkamera das Potenzial, sowohl den Charakterisierungs- als auch den Trennungsfehler in einem Sortierprozess zu verringern. Ein prädiktiver Tracking-Ansatz auf der Grundlage von Kalman-Filtern ermöglicht die Schätzung der verfolgten Pfade und die Parametrisierung eines individuellen Bewegungsmodells für jedes Objekt in einem Multiobjekt-Tracking-System. Während sich frühere Studien auf physikalisch motivierte Bewegungsmodelle konzentrierten, hat sich gezeigt, dass moderne Ansätze des maschinellen Lernens genauere Vorhersagen ermöglichen. In diesem Beitrag beschreiben wir die Entwicklung eines prädiktiven Trackingsystems auf Basis neuronaler Netze. Der neue Algorithmus wird auf ein experimentelles Sortiersystem und auf ein numerisches Modell des Sortierers angewendet. Zwar erreicht der neue Ansatz noch nicht ganz die Sortierqualität der bestehenden Ansätze, jedoch ermöglicht er die Anwendung von prädiktivem Tracking, ohne dass hierfür Expertenwissen oder ein grundlegendes Verständnis der Parametrisierung des Partikelbewegungsmodells erforderlich sind. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|