Improving Pallet Detection Using Synthetic Data

要約

機械学習で合成データを使用すると、効果的な物体検出器を実装する際に大幅な時間が節約されます。
ただし、この分野での研究は限られています。
この研究は、倉庫環境におけるパレットのインスタンスのセグメント化のタスクで以前に適用された実装を改善することを目的としています。
この研究では、これを達成するために、合成的に生成されたドメインランダム化データと Unity を通じて生成されたデータを使用することを提案しています。
この研究では、実際のデータで評価した場合、積み重ねパレットおよびラック積みパレット カテゴリで、mAP50 がそれぞれ 69% および 50% のパフォーマンス向上を達成しました。
さらに、暗い環境で画像に対して評価するとモデルのパフォーマンスに大きな影響があり、明るさを 80% 低減した画像で評価すると mAP50 が 3% まで低下することがわかりました。
この研究では、YOLOv8 と SAM を使用する 2 段階の検出器も作成しましたが、これはパフォーマンスが不安定であることが判明しました。
ドメインでランダム化されたデータを使用すると、Unity で生成されたデータと比較した場合、パフォーマンスの向上はごくわずかであることが判明しました。

要約(オリジナル)

The use of synthetic data in machine learning saves a significant amount of time when implementing an effective object detector. However, there is limited research in this domain. This study aims to improve upon previously applied implementations in the task of instance segmentation of pallets in a warehouse environment. This study proposes using synthetically generated domain-randomised data as well as data generated through Unity to achieve this. This study achieved performance improvements on the stacked and racked pallet categories by 69% and 50% mAP50, respectively when being evaluated on real data. Additionally, it was found that there was a considerable impact on the performance of a model when it was evaluated against images in a darker environment, dropping as low as 3% mAP50 when being evaluated on images with an 80% brightness reduction. This study also created a two-stage detector that used YOLOv8 and SAM, but this proved to have unstable performance. The use of domain-randomised data proved to have negligible performance improvements when compared to the Unity-generated data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google