Original title: Chytrá kamera pro sledování zájmových objektů
Translated title: Smart camera for tracking objects of interest
Authors: Mihola, David ; Zemčík, Pavel (referee) ; Fučík, Otto (advisor)
Document type: Master’s theses
Year: 2025
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Naše diplomová práce se zaměřuje na systémy hlubokého učení s nízkou spotřebou pracující v reálném čase, které využívají kvantizované neuronové sítě. Konkrétně implementujeme vícestupňovou aplikaci počítačového vidění, která provádí detekci vozidel, detekci registračních značek a jejich rozpoznávání. Celá aplikace je rozdělena mezi desku \emph{Raspberry Pi 5} kombinovanou s akcelerátory strojového učení \emph{Hailo-8 AI Accelerator} a \emph{Raspberry Pi AI Camera}. Uvedený hardware je umístěn v pouzdře vybaveném dobíjecími lithium-iontovými bateriemi, což umožňuje jeho ruční užívání. Dále se zaměřujeme na správnou konfiguraci zpracování obrazového signálu v kombinaci s vylepšením obrazu pomocí hlubokého učení pro nízké osvětlení a malé rozlišení za účelem zlepšení výsledků detekce a rozpoznání registračních značek. Naše aplikace dosahuje průměrné přesnosti rozpoznání 0.978, přesnosti detekce 0.965 a citlivosti detekce 0.983 v různých scénářích použití a světelných podmínkách, včetně nočního pouličního osvětlení. Our thesis focuses on low-powered real-time deep learning inference systems utilizing quantized neural networks. Specifically, we implement a multi-stage computer vision application that performs vehicle detection, registration plate detection, and registration plate recognition. The whole application is decomposed between a \emph{Raspberry Pi 5} board combined with \emph{Hailo-8 AI Accelerator} and \emph{Raspberry Pi AI Camera} deep learning accelerators. We enclose the named hardware in a case equipped with lithium-ion rechargeable batteries, enabling the system to be operated hand-held. Furthermore, we focus on the correct image signal processing configuration combined with low-light and super-resolution deep learning image enhancements for improving the detection and reading results. Our application, on average, achieves 0.978 recognition accuracy, 0.965 detection precision, and 0.983 detection recall under multiple use cases and in various lighting conditions, including street lighting at night.
Keywords: adaptace scény; chytrá kamera; detekce objektů; Hailo-15; Hailo-8; nízkoenergetické zpracování; optické rozpoznávání znaků; quantizace neuronových sítí; Raspberry Pi 5; Raspberry Pi AI Camera; sledování objektů; strojové učení; UP Squared Pro; Videology SCAiLX; vylepšení obrazu; zpracování obrazu; zpracování v reálném čase; Hailo-15; Hailo-8; image enhancement; image processing; low power processing; machine learning; neural network quantization; object detection; object tracking; optical character recognition; Raspberry Pi 5; Raspberry Pi AI Camera; real-time processing; scene adaptation; smart camera; UP Squared Pro; Videology SCAiLX

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/254886

Permalink: http://www.nusl.cz/ntk/nusl-685031


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses