Medical Catheters Grasping Point Detection with Quality Control
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25530%2F21%3A39918553" target="_blank" >RIV/00216275:25530/21:39918553 - isvavai.cz</a>
Výsledek na webu
<a href="http://2021.sococonference.eu/" target="_blank" >http://2021.sococonference.eu/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-87869-6_39" target="_blank" >10.1007/978-3-030-87869-6_39</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Medical Catheters Grasping Point Detection with Quality Control
Popis výsledku v původním jazyce
The ability to grasp objects is one of the basic functions of modern industrial robots. The emphasis of this paper is placed on the visual perception system, and in particular, on the data processing method leading to grasp point detection. The solution involved the design of a perceptual system in which it was necessary to use a SWIR sensor that can see through plastic bags and thus provide sufficient image information for possible processing by a neural network. The grasping point detection was tested with three convolutional neural network architectures. The method was evaluated by a generalized intersection over union (gIoU). The superior architecture was Attention U-Net, where gIoU reached 0.8522 in the case of the best model.
Název v anglickém jazyce
Medical Catheters Grasping Point Detection with Quality Control
Popis výsledku anglicky
The ability to grasp objects is one of the basic functions of modern industrial robots. The emphasis of this paper is placed on the visual perception system, and in particular, on the data processing method leading to grasp point detection. The solution involved the design of a perceptual system in which it was necessary to use a SWIR sensor that can see through plastic bags and thus provide sufficient image information for possible processing by a neural network. The grasping point detection was tested with three convolutional neural network architectures. The method was evaluated by a generalized intersection over union (gIoU). The superior architecture was Attention U-Net, where gIoU reached 0.8522 in the case of the best model.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20204 - Robotics and automatic control
Návaznosti výsledku
Projekt
<a href="/cs/project/EF17_049%2F0008394" target="_blank" >EF17_049/0008394: Spolupráce Univerzity Pardubice a aplikační sféry v aplikačně orientovaném výzkumu lokačních, detekčních a simulačních systémů pro dopravní a přepravní procesy (PosiTrans)</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
16TH INTERNATIONAL CONFERENCE ON SOFT COMPUTING MODELS IN INDUSTRIAL AND ENVIRONMENTAL APPLICATIONS (SOCO 2021)
ISBN
978-3-030-87869-6
ISSN
2194-5357
e-ISSN
2194-5365
Počet stran výsledku
11
Strana od-do
408-418
Název nakladatele
SPRINGER INTERNATIONAL PUBLISHING AG
Místo vydání
CHAM
Místo konání akce
Bilbao
Datum konání akce
22. 9. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000719656700039