Inom datavetenskapen har detektering av objekt varit ett område med stort intresse under flera årtionden. Det senaste årtiondet har det här området fått ökad utveckling på grund utav den ökade beräkningskraft som har blivit tillgänglig. Det har lett till att forskare kan träna och utvärdera algoritmer baserade på djupt inlärande nätverk snabbare vilket har gjort att de optimeras snabbare. Svårigheten i det här projektet grundas i att objekten som ska detekteras är cylindriska behållare med reflektiva egenskaper. Objekten i fråga kan på grund utav det här visualiseras på många olika sätt beroende av ljuset i dess miljö. I den här avhandlingen kommer en algoritm för detektering av objekt som heter YOLO integreras. Målet med projektet var att upptäcka oljefilter på en lastbil för att i framtiden kunna automatisera utbytet av filtren under underhållsarbetet av en lastbil. YOLO används för att upptäcka filtren i 2D-utrymme för att i framtiden ge en point cloud registrerings algoritm en första gissning var den ska försöka passa en filtermodell med en modell som en 3D-sensor har skapat från den verkliga världen. Träningen av YOLO uppnådde inte tillräcklig prestanda för att fortsätta med extraheringen av 3D-koordinaterna. Även fast tränings datan blev utökad med hjälp av att modifiera färgerna på bilderna, så att nätverket ska generalisera bättre, så hade nätverket problem att detektera objekten i olika ljus i miljön.
Object detection has been an area of interest in computer science over several decades and has been evolving in the last decade due to the increased amount of computational power that is accessible. This has enabled deep learning algorithms to be trained and evaluated much faster than before, which have given researchers the ability to optimize them faster. The difficulty in this project is that the objects of interest are cylindrical containers with reflective properties. These objects can be displayed in different ways depending on the lighting of the environment. In this thesis an integration of the object detection algorithm called YOLO will be covered. The goal of the project was to detect oil filters on a truck to in the future be able to automate the exchange of the filters while performing a maintenance of a truck. YOLO is used to detect the filters in 2D space to in the future give a point cloud registration algorithm an initial guess where it should try to fit a filter model with a model that a 3D-sensor have created from the real world. The training of YOLO did not achieve sufficient performance during this project to proceed with the 3D-coordinate extraction. Even though data augmentation was used to alter the colors of images during training, to let the algorithm generalize objects better, the network still had problems detecting the objects in different lightings in the environment.