Suche nach Personen

plus im Publikationsserver
plus bei Google Scholar

Bibliografische Daten exportieren
 

Designing a computer-vision-based artifact for automated quality control : a case study in the food industry

DOI zum Zitieren der Version auf EPub Bayreuth: https://doi.org/10.15495/EPub_UBT_00007548
URN zum Zitieren der Version auf EPub Bayreuth: urn:nbn:de:bvb:703-epub-7548-0

Titelangaben

Xiong, Felix ; Kühl, Niklas ; Stauder, Maximilian:
Designing a computer-vision-based artifact for automated quality control : a case study in the food industry.
In: Flexible Services and Manufacturing Journal. (4 Januar 2024) .
ISSN 1936-6590
DOI der Verlagsversion: https://doi.org/10.1007/s10696-023-09523-9

Volltext

[thumbnail of s10696-023-09523-9.pdf]
Format: PDF
Name: s10696-023-09523-9.pdf
Version: Veröffentlichte Version
Verfügbar mit der Lizenz Creative Commons BY 4.0: Namensnennung
Download (1MB)

Abstract

Reducing waste through automated quality control (AQC) has both positive economical and ecological effects. In order to incorporate AQC in packaging, multiple quality factor types (visual, informational, etc.) of a packaged artifact need to be evaluated. Thus, this work proposes an end-to-end quality control framework evaluating multiple quality control factors of packaged artifacts (visual, informational, etc.) to enable future industrial and scientific use cases. The framework includes an AQC architecture blueprint as well as a computer vision-based model training pipeline. The framework is designed generically, and then implemented based on a real use case from the packaging industry. As an innovate approach to quality control solution development, the data-centric artificial intelligence (DCAI) paradigm is incorporated in the framework. The implemented use case solution is finally tested on actual data. As a result, it is shown that the framework's implementation through a real industry use case works seamlessly and achieves superior results. The majority of packaged artifacts are correctly classified with rapid prediction speed. Deep-learning-based and traditional computer vision approaches are both integrated and benchmarked against each other. Through the measurement of a variety of performance metrics, valuable insights and key learnings for future adoptions of the framework are derived.

Weitere Angaben

Publikationsform: Artikel in einer Zeitschrift
Keywords: Computer vision; Quality control; DCAI; Deep learning; Packaging
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
300 Sozialwissenschaften > 330 Wirtschaft
Institutionen der Universität: Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz > Lehrstuhl Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz - Univ.-Prof. Dr.-Ing. Niklas Kühl
Fakultäten
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Wirtschaftsinformatik und humanzentrische Künstliche Intelligenz
Sprache: Englisch
Titel an der UBT entstanden: Ja
URN: urn:nbn:de:bvb:703-epub-7548-0
Eingestellt am: 14 Mrz 2024 06:19
Letzte Änderung: 14 Mrz 2024 06:29
URI: https://epub.uni-bayreuth.de/id/eprint/7548

Downloads

Downloads pro Monat im letzten Jahr