Using computer vision and neural networks for object detection

Abstract

In this thesis, the focus is on evaluating object detection technologies with a specific application in small and medium-sized enterprises (SMEs). The research conducts a comparative analysis of various object detection methods, notably Haar Cascades, Faster RCNN, and YOLOv8, within the context of detecting objects from electrical diagrams. The study aims to determine the balance between technological performance and the practical considerations of resource management for SMEs. By assessing the capabilities and limitations of each method, the thesis presents a structured approach to selecting appropriate object detection technologies that align with the operational and financial constraints of SMEs.

The outcomes of this research clarify that YOLOv8, among the methods analysed, provides an optimal balance of accuracy and processing efficiency suitable for SMEs. This finding enables SMEs to make informed decisions on adopting object detection technologies that are not only technologically advanced but also feasible within their operational and financial constraints. By demonstrating YOLOv8's superiority in terms of both performance and resource efficiency, the study lays the groundwork for SMEs to leverage object detection technology effectively, thus potentially enhancing their operational efficiency and competitive position in the market. This contribution is significant to the ongoing discourse on digital transformation within SMEs, offering a clear direction for the strategic implementation of object detection technologies based on empirical evidence.

Tässä tutkielmassa keskitytään objektien tunnistusteknologioiden arviointiin keskittyen erityisesti pieniin sekä keskisuuriin yrityksiin (pk-yrityksiin). Tutkimuksessa suoritetaan vertaileva analyysi eri objektien tunnistusmenetelmistä, erityisesti Haar Cascades, Faster RCNN ja YOLOv8, sähköpiirustusten komponenttien tunnistamisen kontekstissa. Tutkimuksen tavoitteena on määrittää teknologisen suorituskyvyn ja pk-yritysten resurssienhallinnan käytännön näkökohtien välinen tasapaino. Arvioimalla kunkin menetelmän kyvykkyyksiä ja rajoituksia, tutkielma esittää lähestymistavan sopivien objektien tunnistusteknologioiden valitsemiseksi, jotka vastaavat pk-yritysten toiminnallisia ja taloudellisia rajoitteita.

Tutkimuksen tulokset osoittavat, että YOLOv8 tarjoaa parhaimman tasapainon tarkkuuden ja prosessointikyvyn välillä pk-yritysten käyttöön soveltuvien menetelmien joukossa. Tämä tulos mahdollistaa pk-yritysten tehdä tietoon perustuvia päätöksiä objektientunnistusteknologioiden omaksumiseen liittyen. Nämä teknologiat eivät ole ainoastaan teknisesti edistyneitä, vaan myös toteutuskelpoisia pk-yritysten toiminnallisten ja taloudellisten rajoitteiden puitteissa. YOLOv8:n ylivoimaisuuden osoittaminen sekä suorituskyvyn että resurssitehokkuuden näkökulmista luo vankan perustan pk-yrityksille objektientunnistusteknologian tehokkaaseen hyödyntämiseen. Tämä voi potentiaalisesti parantaa niiden operatiivista tehokkuutta sekä vahvistaa yritysten kilpailuasemaa markkinoilla. Tämä kontribuutio on merkittävä lisä pk-yrityksissä käytävään digitaalisen transformaation keskusteluun, tarjoten selvän suunnan objektien tunnistusteknologioiden strategiseen käyttöönottoon empiirisen todistusaineiston pohjalta.