| Abstract |
Mūsdienu datorredze ir viena no modernākām tehnoloģijām, kura pastāvīgi attīstās. Ar katru gadu datorredze tiek izmantota arvien vairākas jomās. Pateicoties datorredzes attīstībai, transportlīdzekļu īpašību klasifikācija uzrāda lielu potenciālu, kas savukārt ļauj modernizēt dažādas sistēmas, kas ir saistītas ar transportlīdzekļa jomu, piemēram, satiksmes kontrole un bezpilota transportlīdzekļu kustība. Līdz ar to, maģistra darba mērķis ir izstrādāt datorredzes pielietojumu, kas automātiski detektē un atpazīst automašīnas īpašības attēlos.
Maģistra darba ietvaros tika apskatīti galvenie neironu tīklu pamatjēdzieni un arhitektūras. Arī tika izpētītas un salīdzinātas dažādas pamata tīklu arhitektūras (AlexNet, GoogLeNet, VGGNet, ResNet un Darknet). Un pamatojoties uz šo salīdzzināšanas analīzi tika izpētītas un salīdzinātas konvolūciju neironu tīklu arhitektūras, kas pamata var izmantot Darknet un ResNet (YOLO un R-CNN arhitektūras saime). Turklāt šī darba ietvaros tika apskatītas neironu tīklu apmācības veidi un novērtēšanas metrikas, kas visbiežāk tiek izmantoti, lai novērtētu konvolūciju neironu tīklus.
Pamatojoties uz teorētiskās daļas analīzi, praktiskajā daļā tiek izveidots risinājums, kas ir balstīts uz YOLOv4 konvolūciju neironu tīkla arhitektūru. Risinājums spēj automātiski detektēt un atpazīst automašīnas īpašības ar 96% precizitāti. Arī darba praktiskajā daļā tika apskatīti veidi, kā var uzlabot neironu tīkla precizitātes rezultātus.
Lai pārbaudīt un salīdzināt izstrādāto risinājumu, bija apmācīta Detectron 2 arhitektūra, izmantojot to pašu datu kopu. Tika atrasti vel divi komerciālie risinājumi, kuri tika pārbaudīti. Lai salīdzinātu visas minētas sistēmas, bija veikti vairāki eksperimenti.
Pēc eksperimenta rezultātiem kļuva iespējams pateikt, ka izstrādātais risinājums ir konkurētspējīgs un to var izmantot reālos apstākļos. Līdz ar to var secināt, ka maģistra darba mērķis tika veiksmīgi sasniegts un izstrādātais risinājums spēj atpazīt automašīnas īpašības.
Maģistra darbs sastāv no 100 lappusēm, 55 attēliem, 25 tabulām un 96 literatūras avotiem. |
