Graduate papers
  
Description of the graduate paper
Form of studies Bachelor
Title of the study programm Telecommunications
Title in original language Uz konvolucionālo tīklu bāzēta datorredzes sistēma cilvēka detektēšanai uz robežierīces
Title in English Convolutional network based computer vision system for human detection on the edge
Department 13100 Institute of Telecommunications
Scientific advisor A.Elsts
Reviewer I.Lavrinoviča
Abstract Objektu atpazīšana un lokalizēšana, kopā saukta par objektu detektēšanu, ir populāra datorredzes problēma. Tās pielietojumi ietver robotiku, video novērošanu, autonomo braukšanu un jebkuru citu uzdevumu, kas ietver objektu skaitīšanu vai lokalizāciju telpā. Cilvēku skaitīšana un lokalizācija telpā ir galvenās apakšproblēmas fiziskās distances novērošanai, kas ir kļuvusi aktuāla COVID-19 pandēmijas laikā. Šajā darbā ir izstrādāta uz konvolucionālajiem tīkliem balstīta datorredzes sistēma cilvēka detektēšanai ar platleņķa kameru. Ierīce apstrādā video lokāli tādējādi saglabājot anonimitāti. Ierīces izstrādē izpētītas gan klasiskās mašīnmācīšanās, gan dziļo neironu tīklu metodes objektu detektēšanai. Testēta kvantēšanas, neironu tīklu arhitektūras un izšķirtspējas, kā arī ārējo apstākļu ietekme uz inferenci. Ierīces eksperimentāli pārbaudītas gan laboratorijas apstākļos, gan 4 reālās vidēs: 2 slimnīcās, Latvijas Nacionālajā Operā un vannu ražotnē. Radītā sistēma strādā ar 4,55 kadru sekundē lielu ātrumu uz Jeston Nano un uzrāda 45 % vidējo svērto precizitāti pie 75 % pārklājuma un apkopojuma dalījuma metrikas. Sistēma strādā ar 200 grādu platleņķa attēlu un ir spējīga reģistrēt ietvaru 20 metru attālumā kā arī turpināt darbību, kad attēlā ir redzami 48 detektējamie objekti.
Keywords objektu detektēšana, dziļie neironu tīkli, konvolucionālie neironu tīkli, robežierīce, kvantēšana, inference.
Keywords in English object detection, deep neural networks, convolutional neural networks, edge device, quantization, inference
Language lv
Year 2021
Date and time of uploading 05.06.2021 13:00:43