| Form of studies |
Bachelor |
| Title of the study programm |
Information Technology |
| Title in original language |
Datorredzes modeļa izstrāde autoceļu bedru identificēšanai |
| Title in English |
Development of a Computer Vision Model for Road Pothole Detection |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Krišjānis Pinka |
| Reviewer |
Pēteris Grabusts |
| Abstract |
Ceļu infrastruktūras seguma bojājumi, īpaši bedres, būtiski ietekmē satiksmes drošību, transportlīdzekļu ekspluatācijas izmaksas un ceļu uzturēšanas efektivitāti. Savlaicīga šo bojājumu identificēšana var uzlabot ceļu kvalitāti un samazināt ar tiem saistītos riskus, tādēļ darba mērķis ir izstrādāt datorredzes modeļa prototipu ceļu seguma bedru automatizētai detektēšanai. Darba ietvaros tika veikts literatūras apskats par datorredzi un objektu detektēšanas metodēm, izvērtējot gan tradicionālās pieejas, gan dziļās mašīnmācīšanās risinājumus. Analīzes rezultātā tika secināts, ka uzdevuma risināšanai vispiemērotākās ir dziļās mašīnmācīšanās metodes, un turpmākai izpētei tika izvēlētas reprezentatīvas arhitektūras: Faster R-CNN, RetinaNet un YOLO varianti (v8, 11, 26). Modeļu apmācībai tika izveidota datu kopa ar 1020 attēliem un 2736 anotētiem objektiem. Eksperimentu rezultātā tika apmācīti pieci modeļi, no kuriem vislabāko veiktspēju sasniedza YOLO26 modelis, kas tika izvēlēts turpmākai uzlabošanai. Veicot hiperparametru pielāgošanu, tika iegūts galīgais modelis, kas sasniedz mAP@0.5 = 85.6%, mAP@0.5:0.95 = 58.78% un AR@100 = 79.81%, kur šīs metrikas raksturo attiecīgi detektēšanas precizitāti, lokalizācijas kvalitāti un modeļa spēju identificēt visus attēlā esošos objektus, tādējādi demonstrējot augstu detektēšanas veiktspēju un salīdzinoši labus rezultātus attiecīgajā uzdevumā.
Darba apjoms - 52 lpp., 26 attēli, 11 tabulas, 1 pielikums, 43 informācijas avoti. |
| Keywords |
Datorredze, objektu detektēšana, dziļā mācīšanās, yolo, ceļa seguma defektu detektēšana |
| Keywords in English |
Computer vision, object detection, deep learning, yolo, road surface defect detection |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
24.05.2026 12:21:26 |
