|
|
Detection and Recognition of Drone Movement in Video
Lapšanský, Simon ; Sakin, Martin (referee) ; Drahanský, Martin (advisor)
S nárastom dostupnosti dronov, narástlo aj riziko ich využívania na nelegálne aktivity. Na základe týchto rizík bola navrhnutá metóda na ich detekciu a následnú klasifikáciu aplikovateľnú v reálnom čase. Navrhovaný prístup využíva metódu odčítania pozadia, slúžiacu na detekciu objektov, zatiaľ čo klasifikácia je dosiahnutá pomocou hlbokého učenia. MOG2 využíva metódu zmiešaného Gaussovho modelu, ktorý slúži na odčítanie pozadia, za účelom detekcie objektov. YOLOv5 model pracujúci s neurónovými sieťami je využitý na následnú klasifikáciu detegovaných objektov. Implementácia vytvára spôsob detekcie a klasifikácie dronov s využitím procesora dosahujúca výsledky postačujúce na aplikovanie detekcie a klasifikácie dronov v reálnom čase. Metóda vyhodnocujúca záznam v rozlíšení 1080p, využívajúca procesor Intel i5-7600K dosahovala v priemere 16 snímiek za sekundu, počas detekcie jedného objektu v snímke.
|
|
|
Drone technology for hobby or recreational purposes
Šibor, Vojtěch ; Jašková, Jana (referee) ; Rujbrová, Šárka (advisor)
Tato bakalářská práce nabízí přehled všech dronů používaných v současnosti, hlavním cílem je ovšem představit drony pro volnočasové aktivity. První kapitola dělí letouny podle jejich konstrukce, velikosti a typu pohonu. Dále se práce zaměřuje na drony hobby a rekreační, konkrétně na stroje technologické společnosti DJI, FPV letouny a na zábavní průmysl. Následně jsou zmíněny oblasti, ve kterých jsou drony využívány, například armáda, zemědělství nebo revize budov. Poté pojednává o evropské legislativě související s drony a práci uzavírá kapitola o nehodách dronů a možnostech, jak jim předejít.
|
|
|
Detection and Recognition of Drone Movement in Video
Lapšanský, Simon ; Sakin, Martin (referee) ; Drahanský, Martin (advisor)
S nárastom dostupnosti dronov, narástlo aj riziko ich využívania na nelegálne aktivity. Na základe týchto rizík bola navrhnutá metóda na ich detekciu a následnú klasifikáciu aplikovateľnú v reálnom čase. Navrhovaný prístup využíva metódu odčítania pozadia, slúžiacu na detekciu objektov, zatiaľ čo klasifikácia je dosiahnutá pomocou hlbokého učenia. MOG2 využíva metódu zmiešaného Gaussovho modelu, ktorý slúži na odčítanie pozadia, za účelom detekcie objektov. YOLOv5 model pracujúci s neurónovými sieťami je využitý na následnú klasifikáciu detegovaných objektov. Implementácia vytvára spôsob detekcie a klasifikácie dronov s využitím procesora dosahujúca výsledky postačujúce na aplikovanie detekcie a klasifikácie dronov v reálnom čase. Metóda vyhodnocujúca záznam v rozlíšení 1080p, využívajúca procesor Intel i5-7600K dosahovala v priemere 16 snímiek za sekundu, počas detekcie jedného objektu v snímke.
|
guest ::
