|
|
Využití neuronové sítě při identifikaci znaku v obraze
Pavlík, Daniel ; Burget, Radim (oponent) ; Kohoutek, Michal (vedoucí práce)
Tato práce pojednává o využití neuronové sítě při identifikaci písmen abecedy a číslic 0 - 9. V první části je teoreticky rozebrána podstata neuronových sítí a konkrétněji rozebrán princip metody učení vícevrstvé sítě se zpětným šířením chyby (jinak taky Backpropagation). Dále je zde rozebrána základní problematika zpracování obrazu a odolnost sítě proti zatížení vstupního obrazu šumem a degradaci kompresí JPEG. Druhá část je směřována k praktické realizaci dopředné vícevrstvé sítě rozenávající binární obrazy písmen abecedy a číslic 0 - 9, která byla vypracována v prostředí Matlab a Simulink. Další a poslední část je věnována praktické realizaci dopředné vícevrstvé sítě rozpoznávající šedotónové obrazce znaků písmen abecedy a číslic 0 - 9, která byla opět vypracována v prostředí Matlab a Simulink.
|
|
|
Detekce objektů
Šenkýř, Ivo ; Richter, Miloslav (oponent) ; Jirsík, Václav (vedoucí práce)
Diplomová práce řeší problém rozpoznávání spor strupovitosti jabloní. Tyto spory jsou zachytávány na speciální pásku a tato páska je následně vyhodnocována pod mikroskopem. Páska může být vyhodnocena laborantem anebo lze využít program Sporedetect v3, který poskytuje funkce pro kompletní zpracování obrazu a rozpoznávání objektů v obraze. V práci jsou také popsány možnosti automatického řízení posuvného stolku mikroskopu pomocí motorizovaných stolků a lineárních akčních členů. Informace o automatickém řízení posuvného stolku mikroskopu byly získány z katalogů firem Standa a Edmundoptics.
|
|
|
Rozpoznávání řeči (číslice)
Kantar, Martin ; Minář, Petr (oponent) ; Matoušek, Radomil (vedoucí práce)
V bakalářské práci vysvětluji, jak samotná řeč vypadá a co jí ovlivňuje. Zmiňuji zde nejčastěji používané metody, kterými si řečové signály můžeme připravit pro rozpoznávání. Na názorných příkladech ukazuji, na jakých principech dnešní rozpoznávače řeči pracují, jaké mají výhody a nevýhody. Pro metodu založenou na učení neuronových sítí jsem vytvořil v prostředí Matlabu řečový rozpoznávač číslovek 0-9.
|
|
| |
|
|
Biometric Fingerprint Liveness Detection
Váňa, T.
This paper deals with biometric fingerprint liveness detection. A software-based liveness detection approach using neural network is proposed. To distinguish between live and fake samples, three image quality features extracted from one image are used. The algorithm is tested on LivDet database comprising real and fake images acquired with three sensors.
|
|
|
Prediktivní analýza - postup a tvorba prediktivních modelů
Praus, Ondřej ; Pour, Jan (vedoucí práce) ; Mrázek, Luboš (oponent)
Řešenou oblastí diplomové práce je prediktivní analýza. Tento typ analýzy využívá historická data a prediktivní modely k předpovědi určitého jevu. Hlavním cílem práce je popsání prediktivní analýzy a jejího procesu z teoretického i praktického hlediska. Dílčí cíle jsou praktická realizace projektu prediktivní analýzy ve významné pojišťovně působící na českém trhu a zlepšení současného stavu predikce podvodných pojistných událostí. Práce je rozdělená na teoretickou a praktickou část. V teoretické části je popsán proces prediktivní analýzy a několik typů prediktivních modelů. Praktická část, na kterou je kladen důraz, popisuje realizaci projektu prediktivní analýzy ve firmě. V praktické části jsou nejprve přiblíženy techniky skladby dat při tvorbě datamartu. Nad připraveným datamartem jsou pak vyvíjeny různé typy prediktivních modelů. Pro názornost práce zahrnuje praktické příklady a řešené problémy. Hlavním přínosem práce je detailní popis řešení projektu, díky kterému je oblast prediktivní analýzy lépe pochopitelná. Přínosem úspěšně provedené prediktivní analýzy je zlepšení současného stavu detekce podvodných událostí v podniku.
|
|
|
Automatické rozpoznávání stavu elektroměru z fotografie
HANZLÍK, Ondřej
Práce se zabývá problematikou rozpoznávání stavu elektroměru ze snímaného obrazu. Konkrétně jde o snímání elektroměru fotoaparátem mobilního telefonu. Na snímaném obraze je detekována plocha s číselníkem elektroměru a na té jsou následně detekována jednotlivá čísla. Ta jsou rozpoznávána za pomoci neuronové sítě. Pro získání informací z obrazu elektroměru, díky kterým dokážeme jeho stav rozpoznat, je využito technik segmentace obrazu. Pro klasifikaci výstupů segmentace je využito klasifikačních nástrojů, konkrétně vektorového stroje (SVM) a neuronové sítě. Pro řešení problematiky segmentace obrazu je použita knihovna OpenCV, stejně tak jako k implementaci vektorového stroje. Číslice na číselníku elektroměru jsou klasifikovány pomocí neuronové sítě, která byla vlastnoručně implementována. Celá aplikace pro rozpoznání je na platformě Android. Součástí práce je i vytvoření desktopové aplikace, která slouží pro testování neuronové sítě a vytváření jejích modelů. Práce současně popisuje, jak ukládat potřebná data získávaná v průběhu rozpoznávání, která jsou využívaná pro práci s neuronovou sítí. Součástí práce je spuštěný web, který bude rozvíjen pro možnost zapojení se do dalšího vývoje systému. Na webu je dostupný veřejný repozitář se zdrojovými kódy vytvořenými při implementaci.
|
|
|
Hyperspectral image segmentation for estimation of biomass at reclaimed heaps
Pikl, Miroslav ; Zemek, František
This paper presents the preliminary results from a study that aims at estimation of above ground biomass and soil carbon content at reclaimed mining heaps in the Sokolov region. Two image segmentation methods are presented. We applied maximal likelihood (ML) and neural network (NN) classifi ers on airborne hyperspectral data. Th e objective of this part of the study was to prepare a land cover classifi cation of the region. Th e main focus was paid to discrimination of six classes with prevailing forest species cover. Th e classifi cation accuracy of the training sites was 93.75 % for NN and 79.12 % for ML respectively. But ML outperformed NN in overall classifi cation accuracy with 61.54 % compared to 40.9 % of NN. Th e more accurate results of the ML classifi er are probably infl uenced by properties of the training samples. Th e larger size of the training samples derived for ML enabled better representation of class histograms. Th e lower overall NN accuracy could result from high spatial resolution of HS data.
|
|
| |
|
| |
host ::
RSS.