|
|
Detekce typu a bodového ohodnocení kartiček ve hře Hobiti
Hlinský, Martin ; Kohút, Jan (oponent) ; Vaško, Marek (vedoucí práce)
Cílem této práce je vytvořit detektor karet, který s využitím umělé generace datové sady dokáže natrénovat model, jenž umožňuje zjistit bodové ohodnocení karty a její typ. K samotnému trénování je využit model YOLOv8. Prvním krokem je nafocení karet, které se následně zpracovávají tak, aby neobsahovaly pozadí a byly zarovnány. Tyto předzpracované fotky karet se v kombinaci s obrázky z jiných datových sad spojí v generátoru, který karty náhodně rozmisťuje, otáčí a simuluje fotky reálných případů. Výstupem tohoto generátoru je v případě hry Hobiti ideálně zhruba 50 000 obrázků, avšak v rámci experimentů jsou porovnávány různé velikosti datasetu a předtrénovaných váh. Poslední generace natrénovaných detektorů byla validována na reálné datové sadě za účelem nezaujatého testování a nejpřesnější model trénovaný na čistě syntetických datasetech dosáhl přesnosti až 81,5 % podle metriky 50. Na finálním detektoru je pak možné implementovat například počítadlo bodů, jehož prototyp je v této práci rovněž popsán.
|
|
|
Road Transport Analysis Using Neural Networks
Žárský, Daniel ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
The aim of this bachelor thesis is to simplify the analysis of road traffic using camera recordings by providing a mean for automatic scene annotation. The thesis describes the general technical principles used in a traffic monitoring camera system and proposes a procedure for processing the data obtained by computer vision methods with the aim of automated deployment of the system. The subsequent data processing uses clustering algorithms to identify and locate the main directions of movement of traffic participants. Based on these results, the scene is automatically annotated. The scene annotation can be used as the basis for later real-time detection of traffic anomalies.
|
|
|
Detekce objektů na mikrokontroleru i.MX RT
Kravchuk, Marina ; Rozman, Jaroslav (oponent) ; Janoušek, Vladimír (vedoucí práce)
Tato práce se zaměřuje na využití strojového učení, zejména konvolučních neuronových sítí, v průmyslových aplikacích. Průběh práce zahrnuje zkoumání implementace těchto sítí přímo na vestavěných zařízeních, konkrétně na mikrokontrolérech NXP i.MX RT. Během studia byly prozkoumány materiály týkající se trénování a použití neuronových sítí a jejich optimalizace pro nasazení na zařízeních s nízkým výkonem. Bylo natrénováno a otestováno několik modelů neuronových sítí, z nichž nejlepší byl použit v konečné verzi aplikace. Samotná aplikace je rozdělena do dvou částí: jedna část je napsána v jazyce C/C++ v prostředí MCUXpresso IDE, kde je implementována hlavní funkcionalita programu, zatímco druhá část práce, tj. vytvoření grafického uživatelského rozhraní pro ovládání programu, je provedena v jazyce Python. Výsledkem je funkční aplikace pro mikrokontrolér MIMXRT1170-EVK, která je schopna detekovat a rozpoznávat malé barevné objekty určitých tvarů z předem definované sady dat.
|
|
|
Detekce poškození povrchu materiálu z fotografie
Marek, Radek ; Sakin, Martin (oponent) ; Dyk, Tomáš (vedoucí práce)
Tato práce se zaměřuje na využití několika typů neuronových sítí pro detekci poškození povrchu materiálů z fotografií a hodnotí jejich účinnost. Identifikace různých typů poškození, jako jsou trhliny, škrábance a další defekty, je nezbytná pro posouzení kondice materiálů a může upozornit na potřebu další údržby nebo oprav. Použití pokročilých neuronových sítí umožňuje přesnější detekci a klasifikaci poškození, což je klíčové pro aplikace v oblastech jako stavebnictví, automobilový průmysl a letecké inženýrství, kde rychlá a spolehlivá diagnostika materiálových vad je kritická. Integrace těchto technologií do pravidelných inspekčních procesů může významně zlepšit prevenci havárií a prodloužit životnost konstrukčních komponent. Práce dále diskutuje možnosti zlepšení a adaptace algoritmů na specifické materiály a typy poškození. Tato práce tedy ukazuje, jak mohou pokročilé technologie strojového učení významně přispět k efektivnějšímu a spolehlivějšímu monitorování stavu materiálů, což otevírá cesty pro budoucí inovace v oblasti údržby a bezpečnosti.
|
|
|
Segmentation of logical units in text
Kostelník, Martin ; Kišš, Martin (oponent) ; Beneš, Karel (vedoucí práce)
The goal of this project is the topic segmentation of text into coherent units. It builds on the PERO-OCR software, aiming to improve the processing of Czech historical documents and information retrieval for librarians and scientists. This included the creation and annotation of a custom dataset comprised of 4044 pages from books, dictionaries, and periodicals. I propose an innovative approach treating segmentation as a line clustering problem. The method involves a two-stage process: initial detection of regions of interest containing text lines using the YOLOv8 model, followed by joining them using a graph neural network. This method achieves a V-measure of 77.93 %, 95.79 % and 90.23 % for books, dictionaries and periodicals, respectively.
|
|
|
Detekce semi-strukturovaně rozmístěných polotovarů z plochy pomocí metod umělé inteligence
Zmrzlý, Jan ; Škrabánek, Pavel (oponent) ; Juříček, Martin (vedoucí práce)
Tato práce se zabývá problematikou strojového vidění v kontextu Průmyslu 4.0, s důrazem na detekci semi-strukturovaně rozmístěných objektů z plochy. V první části práce jsou probrány teoretické aspekty úlohy, včetně vybraných algoritmů strojového vidění a využití neuronových sítí v této oblasti. Dále je provedena rešerše dostupných metod pro řešení tohoto problému, jakož i současného stavu robotické buňky EDUset ONE s ohledem na strojové vidění. Na základě analýzy je navrženo hardwarové řešení v podobě kamery, osvětlení a dalších komponent. Následně je proveden návrh a implementace různých metod detekce více druhů objektů, s důrazem na modularitu, efektivitu a přesnost. V závěru práce jsou tyto metody porovnány a je ověřena funkčnost v interakci s reálnou robotickou buňkou.
|
|
|
Neuronové sítě využité v autonomních vozidlech
Ryšavý, Jan ; Píštěk, Václav (oponent) ; Kučera, Pavel (vedoucí práce)
Bakalářská práce se zabývá využitím neuronových sítí v autonomních vozidlech. První část práce představuje základní principy neuronových sítí a metody učení, které jsou využívány v autonomních vozidlech. Dále práce popisuje architekturu a funkce neuronových sítí. V druhé části práce jsou také popsány různé typy autonomních vozidel, jejich dělení a přehled senzorů, které autonomní vozidla využívají. Poslední část práce se zabývá implementací neuronových sítí do ECU pomocí programových jazyků a knihoven a dále aplikacemi, jako jsou například detekce objektů nebo rozpoznávání značek.
|
|
|
Visualization of Detected Objects from Drone in Microsoft HoloLens 2
Osvald, Filip ; Materna, Zdeněk (oponent) ; Bambušek, Daniel (vedoucí práce)
Drones have become increasingly valuable in various fields, such as surveillance, disaster management and search and rescue operations. However, transmitting the data and geographic information captured by drones to ground personnel presents a significant challenge. The task becomes even more complex when multiple drones are used, making the processing of information by a single drone operator highly inefficient. The objective of this thesis is to develop a system capable of displaying objects detected by a drone in Augmented Reality. The thesis assesses the usability of such a system for information conveying and identifies suitable devices and technologies that can be incorporated into the system.
|
|
|
Detektor objektů pro robotické pracoviště
Kneslík, Martin ; Bambušek, Daniel (oponent) ; Materna, Zdeněk (vedoucí práce)
Hlavním cílem této práce bylo vytvoření algoritmu umožňujícího detekci a sledování barevných kostiček pomocí hloubkové kamery Kinect Azure a integrování tohoto algoritmu do systému ARCOR2. Řešení používá filtrování vstupního obrazu podle barev, algoritmus DBSCAN pro hledání shluků v mračně bodů a RANSAC pro detekci rovin. Detekce je vyhodnocena na vlastním datasetu, přičemž byla dosažena přesnost 91%. Uživatel systému ARCOR2 může výsledky této práce používat na demonstračním pracovišti v robotické laboratoři, kde budou roboti manipulovat s barevnými kostičkami, které algoritmus detekuje.
|
|
|
Detekce QR kódů pomocí hlubokého učení
Černohous, Matěj ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato bakalářská práce se zabývá návrhem algoritmu pro detekci a dekódování QR kódů v obrazech využitím technik hlubokého učení. V rámci práce byly zhotoveny 2 datové sady, model neuronové sítě YOLOv7 pro detekci QR kódu v obraze, model neuronové sítě YOLOv4-tiny pro detekci pozičních bodů QR kódu a program v jazyce Python využívající těchto modelů pro čtení QR kódů v obrazech. Pro vyhodnocení byl algoritmus porovnán s jinými řešeními čtení QR kódů.
|
host ::
RSS.