Open Access

Nasser Mallouli

• Diese Masterarbeit untersucht maschinelles Lernen für die Objekterkennung in technischen Zeichnungen, mit Schwerpunkt auf der Identifizierung von Tabellen, Bildern, Geräten und regulären Boxen. Verschiedene Algorithmen wurden betrachtet, darunter TensorFlow, Keras- OCR, OpenCV und YOLO. Die Studie ergab, dass die Kombination von FCN, Spatial Transformer Network, Canny Edge Detection, FCN, Faster R-CNN, Template Matching und YOLO mit STN signifikante Verbesserungen bei der Objekterkennung im Vergleich zur alleinigen Verwendung von FCN erzielte. Darüber hinaus führte das Training von YOLOv5 als erstes Modell und seine Verfeinerung mit einem gelabelten Datensatz zu noch besseren Leistungen. Die Erkenntnisse aus dieser Forschung können Branchen zugutekommen, die stark auf technische Zeichnungen für ihre Geschäftsabläufe angewiesen sind.
• This master thesis investigates machine-learning algorithms for object detection in technical drawings, focusing on identifying tables, images, devices, and regular boxes. Various algorithms were considered, including TensorFlow, Keras-OCR, OpenCV, Spatial Transformer Network, Canny Edge Detection, FCN, Faster R-CNN, Template Matching, and YOLO. The study found that combining FCN and YOLO with STN yielded significant improvements in object detection compared to using FCN alone. Furthermore, training YOLOv5 as the first model and refining it with a labelled dataset led to even better performance. The insights from this research can benefit industries relying heavily on technical drawings for their operation.