Tato práce se věnuje vytvoření detektoru přesné polohy objektů v reálném čase, jehož výstupy jsou dostatečně přesné pro následnou robotickou manipulaci s těmito objekty. Nejprve jsou představeny základní úlohy počítačového vidění a architektura konvolučních neuronových sítí. Následuje rešerše moderních metod pro detekci a klasifikaci objektů založených na hlubokých neuronových sítích. Praktická část se věnuje návrhu a implementaci samotného systému, který propojuje detekční model YOLOv5 a klasifikační EfficientNet.
Anotace v angličtině
The present thesis focuses on the creation of a detector of precise location of objects in real time. The outputs of this detector are precise enough for the subsequent robotic manipulation with these objects. First, the text presents the basic tasks of the computer vision and the architecture of the convolutional neuron networks. Second, it researched modern methods for detection and classification of objects that are based on deep neuron networks. The practical part is devoted to the design and implementation of the system itself, which links the YOLOv5 detection model and EfficientNet classification model.
Tato práce se věnuje vytvoření detektoru přesné polohy objektů v reálném čase, jehož výstupy jsou dostatečně přesné pro následnou robotickou manipulaci s těmito objekty. Nejprve jsou představeny základní úlohy počítačového vidění a architektura konvolučních neuronových sítí. Následuje rešerše moderních metod pro detekci a klasifikaci objektů založených na hlubokých neuronových sítích. Praktická část se věnuje návrhu a implementaci samotného systému, který propojuje detekční model YOLOv5 a klasifikační EfficientNet.
Anotace v angličtině
The present thesis focuses on the creation of a detector of precise location of objects in real time. The outputs of this detector are precise enough for the subsequent robotic manipulation with these objects. First, the text presents the basic tasks of the computer vision and the architecture of the convolutional neuron networks. Second, it researched modern methods for detection and classification of objects that are based on deep neuron networks. The practical part is devoted to the design and implementation of the system itself, which links the YOLOv5 detection model and EfficientNet classification model.
Postup: Cílem práce je návrh a implementace systému pro detekci objektů v obrazových datech pomocí hlubokých neuronových sítí. Student v rámci práce vytvoří zařízení pro snímání a vyhodnocování obrazových dat a toto zařízení vybaví softwarem zajištění požadovaných funkcionalit. Zařízení bude minimálně umožňovat detekci a lokalizaci jednoho typu objektů ve statických obrazových datech.
Teoretická část: Stručná rešerše existujících nástrojů pro detekci a lokalizaci objektů v obrazových datech založených na metodách umělé inteligence. Popis senzorové techniky pro sběr dat. Metodika sběru dat. Popis softwarových nástrojů použitých pro řešení praktické části.
Praktická část: Návrh a implementace zařízení pro sběr a vyhodnocování dat. Sběr a analýza dat. Návrh a implementace softwarového nástroje pro zařízení založeného na vybraném paradigmatu umělých neuronových sítí. Komplexní testování aplikace. Dokumentace k aplikaci včetně testovacího scénáře demonstrujícího použití.
Zásady pro vypracování
Postup: Cílem práce je návrh a implementace systému pro detekci objektů v obrazových datech pomocí hlubokých neuronových sítí. Student v rámci práce vytvoří zařízení pro snímání a vyhodnocování obrazových dat a toto zařízení vybaví softwarem zajištění požadovaných funkcionalit. Zařízení bude minimálně umožňovat detekci a lokalizaci jednoho typu objektů ve statických obrazových datech.
Teoretická část: Stručná rešerše existujících nástrojů pro detekci a lokalizaci objektů v obrazových datech založených na metodách umělé inteligence. Popis senzorové techniky pro sběr dat. Metodika sběru dat. Popis softwarových nástrojů použitých pro řešení praktické části.
Praktická část: Návrh a implementace zařízení pro sběr a vyhodnocování dat. Sběr a analýza dat. Návrh a implementace softwarového nástroje pro zařízení založeného na vybraném paradigmatu umělých neuronových sítí. Komplexní testování aplikace. Dokumentace k aplikaci včetně testovacího scénáře demonstrujícího použití.
Seznam doporučené literatury
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Praha: Grada Publishing, 2019. Knihovna programátora (Grada). ISBN 978-80-247-3100-1.
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning. Cambridge, Massachusetts: The MIT Press, [2016]. ISBN 978-02-620-3561-3.
Seznam doporučené literatury
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Praha: Grada Publishing, 2019. Knihovna programátora (Grada). ISBN 978-80-247-3100-1.
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning. Cambridge, Massachusetts: The MIT Press, [2016]. ISBN 978-02-620-3561-3.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Cílem práce bylo navrhnout a implementovat systém pro detekci objektů v obrazových datech pomocí hlubokých neuronových sítí. V praktické části bylo navrženo a implementováno zařízení pro sběr a vyhodnocování dat. Dle vedoucího diplomové práce použil autor znalosti a dovednosti spadající do několika předmětů navazujícího magisterského studijního programu Informační technologie, zejména předmětů Základy umělé inteligence a Pokročitlé techniky programování. Autor práce postupoval při návrhu řešení zcela v souladu se zvyklosti v oboru a korektně definoval metriky pro vyhodnocení správnosti řešení. Dle vedoucího diplomové práce je předložená VŠKP v nadstandardní kvalitě. Dle oponenta splnil autor zadání v plném rozsahu. Práce je velmi komplexní a obsahuje úplný popis navrženého řešení. Komise hodnotila práci jako velice vydařenou. Student při obhajobě předvedl názorné ukázky a výborně prezentoval výsledky své práce.