You are here: Home Proceedings
Document Actions

Proceedings

Using Deep Neural Networks to Measure Puffer Levels in Real-time with Edge-Computing

Verwendung von tiefen neuronalen Netzen zur Messung von Pufferpegeln in Echtzeit mit Edge-Computing

  1. M.Sc. Matthias Elia Klos Institute for Materials Handling and Logistics (IFL) Karlsruhe Institute of Technology (KIT)
  2. M.Sc. Paolo Pagani Institute for Materials Handling and Logistics (IFL) Karlsruhe Institute of Technology (KIT)

Abstracts

Technological advances and increasing data traffic in the IoT environment lead to the relocation of sophisticated data processing to the edge of networks. At the same time, powerful object detection approaches based on deep neural networks have been developed in recent years. In this paper, an intelligent camera based on deep learning algorithms and consisting of low-cost hardware with limited computational and storage capacity is presented. The developed object detection solution enables real-time monitoring of the inventory of filled and empty small load carriers in a buffer zone.

Der technologische Fortschritt und zunehmende Datenströme im IoT-Umfeld führen dazu, dass anspruchsvolle Datenverarbeitungsprozesse an den Rand von Netzwerken verlagert werden. Gleichzeitig wurden in den letzten Jahren leistungsfähige Objekterkennungsansätze entwickelt, die auf tiefen neuronalen Netzen basieren. Im Rahmen dieser Arbeit wird eine intelligente Kamera vorgestellt, welche auf Deep-Learning-Algorithmen basiert und aus kostengünstiger Hardware mit beschränkter Rechen- und Speicherkapazität besteht. Die entwickelte Objekterkennungslösung ermöglicht die Überwachung des Bestands von gefüllten und leeren Kleinladungsträgern in einer Pufferzone in Echtzeit.

Keywords

Fulltext

License

Any party may pass on this Work by electronic means and make it available for download under the terms and conditions of the free Digital Peer Publishing License. The text of the license may be accessed and retrieved at http://www.dipp.nrw.de/lizenzen/dppl/fdppl/f-DPPL_v1_de_11-2004.html.

Number of citations

Visit Google Scholar to find out, how often this paper is cited.