Detecting previously unseen objects without human intervention using neural networks.

Abstract

Automation entails many previously unforeseen problems. As the unfathomable processing power of the human mind creates the illusion that detecting and picking up objects is,in some way, an easy task. Distinguishing objects from other identical objects, often only in one color, is not as easy as one might think.The task at hand is to reduce the time it takes to train a neural network to recognize each object in large warehouses, and annotate thousands of images to do so.Going through the process of finding a good dataset to use in a series of experiments, this thesis aims to answer the question if it is possible to use a minimal dataset to train a neural network that can detect a more comprehensive array of objects. Through incremental and batch learning procedure, experiments are done with different methods of training and detecting objects. From the results of these experiments, it can be concluded that there is a possibility that a network can be made to detect a large variety of objects by only training the network on a portion of the catalog at hand.

Sjálfvirkni hefur í för með sér ýmis ófyrirséð vandamál. Á meðan að því er virðist óendanlegt vinnsluminni mannshugans skapar þá tálsýn að það að taka hluti upp sé á einhvern hátt auðvelt verkefni að leysa. Að skilja á milli einsleitra hluta og oft á tíðum einlitra er ekki eins auðvelt og það lítur út fyrir að vera. Verkefnið sem verið er að takast á við í þessari ritgerð er það að takmarka þann tíma sem það tekur að merkja myndir og þjálfa tauganet til þess að þekkja þúsundir hluta í stórum vöruhúsum. Með því að gera röð tilrauna bæði til þess að finna gott gagnasett og á ýmsum þjálfunaraðferðum fyrir tauganet. Er mögulega hægt að svara spurningunni hvort hægt sé að þjálfa á lágmarks gagnasettum til þess að greina mikið stærra framboð af vörum. Af niðurstöðum þessarar rannsóknar er hægt að ætla að það sé góður möguleiki á því að það sé hægt að greina fjölbreytt safn hluta þó að aðeins sé þjálfað á hluta þeirra.