|
| |
|
|
Detekce dráhy a plánování řízení
Brázdil, Jan ; Horák, Karel (oponent) ; Richter, Miloslav (vedoucí práce)
Cílem této práce bylo navrhnout a realizovat sledovač čáry s jednořádkovou kamerou na platformě modelu autíčka do soutěže The Freescale Cup 2013. Výpočetní jednotkou modelu je mikrokontrolér Kinetis K40, který přijímá data z kamery a ostatních senzorů, podle kterých vypočítává ideální dráhu. Tato bakalářská práce vede k odzkoušení několika různých typů řízení v neznámém prostředí – řízení tabulkou, vektory a PSD regulátorem. Dále se zabývá řízením ve známém prostředí – tvorba mapy a jízda s jejím využitím. V práci je popsán všechen použitý hardware modelu, teorie řízení a samotné vytváření a programování všech použitých typů řízení. Závěrem práce je otestování všech algoritmů na reálné dráze a jejich porovnání.
|
|
|
Čtecí zařízení mikroteček
Červinka, Luděk ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Mikrotečky jsou velmi malé prvky, sloužíci k ochraně věcí. Tento projekt se zabývá detekci a analýzou mikroteček. Práce se skládá ze dvou hlavních části. První část popisuje konstrukci hardwaruvého zařízení, volby optiky a osvětlení. Ve druhé části projektu navrženo softvatvarové řešení pro analýzu obrazu.
|
|
|
Identifikace osob pomocí bipedální lokomoce
Krzyžanek, Jakub ; Richter, Miloslav (oponent) ; Horák, Karel (vedoucí práce)
Práce se zabývá metodami pro nalezení člověka při chůzi v sekvenci snímků a následným hledáním důležitých bodů pro porovnání průběhu jejich pohybu a identifikaci osob. Pro vyhledání siluety člověka jsou použity shlukové metody k-means a mean shift. Předtím však je pro nalezení přibližného místa hledaného člověka použita metoda rozdílových snímků, konkrétně estimace modelu prostředí, která nám zmenší pole hledání a zkrátí čas segmentace shlukových metod. Práce se při hledání důležitých bodů soustředí na tři místa: střed hlavy a klouby kotníků obou noh. Následně jsou tyto body znázorněny na původní sekvenci snímků a porovnány se skutečnými místy výskytu středu hlavy a kotníků, které uživatel předem vyznačil. Práce se taky zabývá porovnáním získaných průběhů pohybů těchto bodů a identifikaci osob, kterým patří snímaná chůze. Ke konci jsou zkoumány problematické situace, které se vyskytly v průběhu řešení práce. Výsledkem práce je algoritmus, který v sekvenci snímků (resp. videa) najde pohybujícího se člověka a vyhledá důležité body (střed hlavy a kotníky) pro porovnání a identifikaci osoby, které patří snímaná chůze.
|
|
|
Sledování čáry pro poštovního robota
Juhas, Miroslav ; Horák, Karel (oponent) ; Janáková, Ilona (vedoucí práce)
Práce popisuje základy metod a postupů v počítačovém vidění a také obsahuje návrh praktického uplatnění získaných poznatků na úloze - sledování čáry pro poštovního robota. První část práce obsahuje základní teoretické poznatky z oboru počítačového vidění, které jsou nezbytné pro pochopení následujícího řešení, a je tedy úvodem do samotné podstaty problematiky. V druhé části práce je uveden postup řešení. Je uvedeno samotné řešení jednotlivých kroků, kterými jsou předzpracování obrazu, segmentace, detekce trajektorie a vlastní algoritmus řízení směru pohybu, a zhodnoceny výsledky jednotlivých kroků. V závislosti na dosažených výsledcích jsou zde vybrány metody vhodné pro použití v řešené úloze. V souvislosti s prací jsou uvedeny i zkušenosti aplikace algoritmu na platformě UTAR. V závěru jsou zhodnoceny a shrnuty výsledky dosažené během řešení jednotlivých bodů zadání.
|
|
|
Vliv vibrací na kvalitu snímků elektronového mikroskopu
Šafář, Pavel ; Horák, Karel (oponent) ; Havránek, Zdeněk (vedoucí práce)
Práce se zabývá jedním z parazitních vlivů působících na elektronový mikroskop během pořizování snímků, a to vibracemi. Jejich vliv na kvalitu snímku je zásadní a proto je žádoucí zjistit původ vibrací a způsob, jakým se na zařízení přenášejí, a pokusit se je co nejvíce eliminovat. Součástí práce je měření, jehož účelem je prověření zdrojů vibrací nacházejících se na zařízení i mimo něj.
|
|
| |
|
|
Unární klasifikátor obrazových dat
Beneš, Jiří ; Petyovský, Petr (oponent) ; Horák, Karel (vedoucí práce)
Práce se zabývá úvodem do klasifikačních algoritmů. Následně rozděluje klasifikátory na unární, binární a multi-class a popisuje jednotlivé typy klasifikátorů. Práce srovnává jednotlivé klasifikátory a jejich oblasti použití. Pro unární klasifikátory jsou v práci uvedeny praktické příklady a seznam využívaných architektur. Práce obsahuje kapitolu zaměřenou na srovnání vlivů hyper parametrů na kvalitu unární klasifikace pro jednotlivé architektury. Součástí odevzdání práce je potom praktický příklad reimplementace unárního klasifikátoru.
|
|
|
Zpracování obrazu v systému Android - detekce a rozpoznání SPZ/RZ a využití externí databáze zájmových vozidel
Molčány, Peter ; Horák, Karel (oponent) ; Honec, Peter (vedoucí práce)
Cieľom tejto diplomovej práce je vytvorenie aplikácie postavenej na platforme Android, slúžiacej k rozpoznaniu evidenčných čísel vozidiel s vyhľadávaním v externej databáze. V úvodnej časti rozoberáme možnosti rozpoznania EČV vo všeobecnosti. V druhej kapitole sa zaoberáme popisom platformy Android a využitím potrebných vývojových nástrojov spolu s multiplatformovou knižnicou OpenCV, ktorú aplikácia využíva. V tretej kapitole sú uvedené rôzne typy databáz a synchronizačných postupov. Vo štvrtej kapitole rozoberáme spracovanie obrazu vo všeobecnosti a popis jednotlivých algoritmov potrebných k detekcii. V piatej kapitole definujeme požiadavky na aplikáciu, špeciálne požiadavky na scénu a hardvér. V šiestej kapitole je uvedený popis samotnej realizácie aplikácie a použitých algoritmov. Vyhodnotenie úspešnosti jednotlivých algoritmov je uvedené v siedmej kapitole. V záverečnej časti sú uvedené dosiahnuté výsledky a možnosti pokračovania práce.
|
|
|
Deep Learning Algorithms on Embedded Devices
Hadzima, Jaroslav ; Boštík, Ondřej (oponent) ; Horák, Karel (vedoucí práce)
This paper describes currently widely used Deep Learning architectures and methods for object detection and classification in video, with intention of using them on embedded systems. We will cover steps and reasoning when choosing the most appropriate embedded hardware for our application. Our test application consists of vehicle detection and free parking space detection using Deep learning methods, all wrapped under name Smart car park. This application provides monitoring of vehicle presence in car park and if they occupy parking spot or not. All this is expected to be done using embedded device. Later, there will be covered configuration steps for our embedded device with emphasis on hardware optimization for speed. We will provide comparison of available inference models, which will be rated mostly in categories like speed or F1 score, which have the biggest impact in our application. The best candidate will be selected and used for testing of our application.
|
host ::
RSS.