Browsing by Author "Root, Martin"

Now showing 1 - 2 of 2

Open Access
A-CAST: Entwicklung eines Plugin-basierten Tools zur Unfallanalyse mit CAST (Causal Accident Analysis)
(2015) Root, Martin
Unfälle sind auch in der heutigen Zeit keine Seltenheit. Bei sicherheitskritischen Systemen kann ein Unfall viele Menschenleben kosten. Deshalb sollte aus bereits geschehenen Unfällen gelernt werden. Durch eine Analyse solcher lassen sich mögliche zukünftige Unfälle vermeiden. Eine neue Methode für die Unfallanalyse ist der CAST-Ansatz, welcher auf dem STAMP-Modell basiert. Im Zuge dieser Arbeit wird ein Tool entwickelt, dass die Funktionen der CAST Analyse implementiert und so eine Unterstützung für die Analyse von Unfällen bieten soll.
Open Access
Vergleich und Implementierung mehrerer Handerkennungsalgorithmen mit maschinellem Lernen auf Basis von 2D- und 3D-Bilddaten
(2018) Root, Martin
Handerkennungsalgorithmen mit 2D/3D-Sensorik sind mit der Einführung des Kinect-Sensors im Jahr 2010 in vielen Forschungsarbeiten entwickelt und untersucht worden. Inzwischen gibt es eine Vielzahl verschiedener Ansätze und Methoden für die Handerkennung. Sie können die 3D-Gelenkpunktkoordinaten in der Hand ableiten und erlauben somit Rückschlüsse über die ausgeführte Handpose zu ziehen. Die besten Ergebnisse erzielen die Verfahren mit dem Einsatz von maschinellem Lernen. Hierzu werden die Handerkennungsalgorithmen mithilfe eines Handposendatensatzes trainiert. Diese Arbeit gibt einen Überblick über den aktuellen Stand der Handerkennungsalgorithmen. Es werden verschiedene Verfahren miteinander verglichen und gegenübergestellt. Neben einer selbst entwickelten Methode, werden drei weitere Handerkennungsalgorithmen implementiert und auf einem Handposendatensatz und einem Testszenario in der manuellen Montage ausgewertet. Mithilfe des Testszenarios wurde bewertet, ob die Handerkennungsalgorithmen auch in dem Anwendungsgebiet der manuellen Montage zuverlässig eingesetzt werden können. Die Evaluation hat aufgezeigt, dass die Handerkennungsalgorithmen auf dem Testdatensatz durchaus genaue Resultate erzielen konnten. Mit der selbst entwickelten Methode ist im Testdatensatz auf der x- und y-Ebene die höchste Genauigkeit erreicht worden. Bei der Auswertung des Testszenarios in der manuellen Montage ergab sich, dass alle der verglichenen Handerkennungsalgorithmen zu ungenaue Resultate erzielten um sinnvolle Rückschlüsse auf die Handpose zu ziehen. Aktuell öffentlich verfügbare Handposendatensätze unterscheiden sich deutlich von den Handposen im Testszenario. Die Interaktion beider Hände mit Bauteilen und Werkzeug führt zu wesentlich komplexeren Posen. Diese Diskrepanz zwischen Trainingsdatensatz und Testszenario stellt die größte Problematik für die Handerkennungsalgorithmen dar.