|
|
Detekce jízdních pruhů pro autonomní vozidla
Holík, Štěpán ; Píštěk, Václav (oponent) ; Kučera, Pavel (vedoucí práce)
Tato diplomová práce se zaměřuje na návrh a experimentální ověření systému pro detekci jízdních pruhů, určování trajektorie a polohy vozidla. Cílem bylo vyvinout systém složený z algoritmů pro dílčí části systému. K tomuto účelu bylo využito dat nashromážděných kamerou ZED 2, modelu neuronové sítě U-Net a prvků počítačového vidění ke snížení falešně pozitivních detekcí pomocí časového okna. K určení polohy vozidla vůči trajektorii byly využity trigonometrické výpočty a parametry kamery. Součástí práce bylo také rozšíření datové sady TuSimple o data nashromážděná kamerou. Experimentální ověření prokázalo funkčnost systému s vysokou spolehlivostí detekce v jednoduchých modelových situacích typu jízda po rovném úseku silnice. S náročností modelových situací spolehlivost systému klesá. Navzdory těmto nedostatkům experimenty ukázaly, že systém je schopen detekovat hranice jízdních pruhů a navrhovat optimální trajektorii vozidla. Algoritmy pro určení trajektorie a polohy vozidla závisí na úvodní predikci hranic jízdního pruhu, jsou ale funkční a účinné.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Zařízení varovného systému pro udržení vozidla v jízdním pruhu
Fendrich, Vítězslav ; Říha, Kamil (oponent) ; Poměnková, Jitka (vedoucí práce)
Tato práce se zabývá návrhem zařízení, které detekuje vybočení vozidla z jízdního pruhu, a to prostřednictvím obrazového signálu kamery. Zařízení je navrženo tak, aby bylo umístitelné na čelní sklo vozidla. Úvodní část práce je věnována zmapování způsobů detekce jízdních pruhů z obrazového signálu. Následně je proveden výběr vhodného zařízení, konkrétně nejnovějšího modelu Raspberry Pi včetně kamerového modulu. Pro zařízení byla navržena a následně prostřednictvím technologie 3D tisku vytvořena vhodná krabička. V další části práce je vybrán, navržen a implementován vhodný algoritmus a dále zvolen rozsah a parametry testovací databáze. Závěrečná část práce obsahuje vyhodnocení úspěšnosti detekce, prostřednictvím pořízené testovací databáze.
|
|
|
Předzpracování obrazu 1D gelové elektroforézy
Hlavatý, Matej ; Harabiš, Vratislav (oponent) ; Vítek, Martin (vedoucí práce)
Projekt sa zaoberá automatickým spracovaním výsledkov 1D gélovej elektroforézy. Študuje základné princípy elektroforézy a druhy šumu a chýb ovplyvňujúcich výsledok. Navrhovaný program slúži na automatickú detekciu stĺpcov v obraze. Z čiernobielych digitálnych snímkov elektroforézy vytvára sumačnú projekciu na vodorovnú os. Po vyhladení profilu hľadá lokálne minimá pomocou derivácie projekcie. V týchto miestach určuje hranice medzi stĺpcami dát.
|
|
|
Autonomní řízení vozidla pomocí zpracování obrazu
Fronc, Leoš ; Píštěk, Václav (oponent) ; Kučera, Pavel (vedoucí práce)
Tato diplomová práce se zabývá tématem autonomních vozidel a především detekce jízdních pruhů. V práci jsou popsány a porovnány dva hlavní přístupy pro detekci jízdních pruhů – pomocí tradičních metod počítačového vidění a pomocí konvolučních neuronových sítí. Cílem práce bylo vytvořit systém, který by byl schopný rozpoznávat jízdní pruhy v reálném čase. Navržený systém byl sestaven z počítače Jetson Nano, ze stereo kamery ZED a z naprogramovaného algoritmu. Celkem byly vytvořeny dva algoritmy, které využívají zcela odlišných přístupů. Závěrem byl celý systém otestován z hlediska funkčnosti a schopnosti rozpoznávání jízdních pruhů.
|
|
|
Computer Vision for Autonomous Vehicles
Lečbych, Michal ; Škrabánek, Pavel (oponent) ; Shehadeh, Mhd Ali (vedoucí práce)
Perceptive systems in autonomous cars are a heavily researched topic these days and an essential part of making fully autonomous vehicles possible. First, we make a short summary of the development of such a system, then we explain different approaches to make these systems possible, and we focus on object detection, as this will be the main part of our own created perceptive system. A new model for object detection is implemented, and some additional parts like distance estimation and lane detection are added.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Autonomní řízení vozidla pomocí zpracování obrazu
Fronc, Leoš ; Píštěk, Václav (oponent) ; Kučera, Pavel (vedoucí práce)
Tato diplomová práce se zabývá tématem autonomních vozidel a především detekce jízdních pruhů. V práci jsou popsány a porovnány dva hlavní přístupy pro detekci jízdních pruhů – pomocí tradičních metod počítačového vidění a pomocí konvolučních neuronových sítí. Cílem práce bylo vytvořit systém, který by byl schopný rozpoznávat jízdní pruhy v reálném čase. Navržený systém byl sestaven z počítače Jetson Nano, ze stereo kamery ZED a z naprogramovaného algoritmu. Celkem byly vytvořeny dva algoritmy, které využívají zcela odlišných přístupů. Závěrem byl celý systém otestován z hlediska funkčnosti a schopnosti rozpoznávání jízdních pruhů.
|
|
|
Zařízení varovného systému pro udržení vozidla v jízdním pruhu
Fendrich, Vítězslav ; Říha, Kamil (oponent) ; Poměnková, Jitka (vedoucí práce)
Tato práce se zabývá návrhem zařízení, které detekuje vybočení vozidla z jízdního pruhu, a to prostřednictvím obrazového signálu kamery. Zařízení je navrženo tak, aby bylo umístitelné na čelní sklo vozidla. Úvodní část práce je věnována zmapování způsobů detekce jízdních pruhů z obrazového signálu. Následně je proveden výběr vhodného zařízení, konkrétně nejnovějšího modelu Raspberry Pi včetně kamerového modulu. Pro zařízení byla navržena a následně prostřednictvím technologie 3D tisku vytvořena vhodná krabička. V další části práce je vybrán, navržen a implementován vhodný algoritmus a dále zvolen rozsah a parametry testovací databáze. Závěrečná část práce obsahuje vyhodnocení úspěšnosti detekce, prostřednictvím pořízené testovací databáze.
|
|
|
Předzpracování obrazu 1D gelové elektroforézy
Hlavatý, Matej ; Harabiš, Vratislav (oponent) ; Vítek, Martin (vedoucí práce)
Projekt sa zaoberá automatickým spracovaním výsledkov 1D gélovej elektroforézy. Študuje základné princípy elektroforézy a druhy šumu a chýb ovplyvňujúcich výsledok. Navrhovaný program slúži na automatickú detekciu stĺpcov v obraze. Z čiernobielych digitálnych snímkov elektroforézy vytvára sumačnú projekciu na vodorovnú os. Po vyhladení profilu hľadá lokálne minimá pomocou derivácie projekcie. V týchto miestach určuje hranice medzi stĺpcami dát.
|
host ::
RSS.