Real-time Object Detection in Constrained Systems: A Comparative Study of State-of-the-Art Algorithms and Application in ROS2
| Autor: | Kleissl, Daniel |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2023 |
| Předmět: |
AI-algorithms
rescue robots Mensch-Roboter Kollaboration Convolutional Neural Networks fire safety equipment object detection human-robot collaboration YOLOv7 Rettungsroboter YOLOv5 Brandschutzausrüstung YOLOv8 Objekterkennung Gefahrensymbole hazard symbols AI Algorithmen RoboCup Rescue DeepHAZMAT ROS2 |
| Popis: | Diese Arbeit untersucht die Performance von DeepHAZMAT, einem Modell für Objekterkennung und -segmentierung, und vergleicht es mit aktuellen Modellen wie YOLOv5, YOLOv7 und YOLOv8. Für diese Studie wurde ein Datensatz entwickelt, der eine Fusion der DeepHAZMAT und FireNet Datensätze darstellt. Dieser Datensatz hat das Ziel, ein größeres Set der Anforderungen an die Erstellung eines ROS2-Objekterkennungsmoduls für einen Roboter, der an der RoboCup Rescue League teilnimmt, zu erfüllen. Die Ergebnisse der Studie deuten darauf hin, dass DeepHAZMAT zwar eine neuartige Kombination aus Objekterkennung und -segmentierung bietet, seine Leistung jedoch in stark eingeschränkten Systemen als unzureichend eingestuft wurde. Alternativ lieferten moderne Objekterkennungsmodelle, insbesondere YOLOv7-tiny und YOLOv8n ohne Segmentierung, eine zufriedenstellende Leistung, die für den Einsatz in einem eingeschränkten System geeignet ist. Darüber hinaus stellt die Arbeit ein Proof of Concept für ein ROS2-Objekterkennungsmodul vor, das verarbeitete Bilder von einem Objekterkennungsmodell zu einem ROS2-Topic über einen einfachen Publisher veröffentlicht. Dieses Modul ist ein wichtiger Schritt, um eine bessere Leistung in Roboter-Wettkämpfen wie der RoboCup Rescue League zu ermöglichen. This thesis investigates the performance of DeepHAZMAT, an object detection and segmentation model, benchmarking it against contemporary models such as YOLOv5, YOLOv7, and YOLOv8. A custom dataset, a fusion of the DeepHAZMAT and Firenet datasets, was developed for this study to fulfil better the specific requirements of creating an object detection module in ROS2 for a robot participating in the RoboCup Rescue League. The study's findings suggest that while DeepHAZMAT offers a novel combination of object detection and segmentation, its performance was found to be insufficient in highly constrained systems. Alternatively, utilising modern object detection models, specifically YOLOv7-tiny and YOLOv8n without segmentation, delivered satisfactory performance suitable for deployment within a constrained system. Furthermore, the thesis introduces a proof-of-concept ROS2 object detection module that publishes processed images from an object detection model to a ROS2 topic via a simple publisher, enabling better performance in robot competition scenarios like the RoboCup Rescue League. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|