| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mašīnmācīšanās un neironu tīklu lietojums anomāliju atklāšanai uz autoceļiem |
| Nosaukums angļu valodā |
Application of Machine Learning and Neural Networks for Anomaly Detection on Highways |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Jānis Grabis |
| Recenzents |
Jevgenijs Raģiņa |
| Anotācija |
Bakalaura darba mērķis ir izstrādāt mašīnmācīšanās modeli ceļu satiksmes drošības uzlabošanai, identificējot anomālijas uz autoceļiem, piemēram, bedres un plaisas, izmantojot YOLO (You only look once) algoritmu. Darbā tika veikta literatūras analīze par dažādiem mākslīgā intelekta modeļiem, kas spēj attēlos detektēt dažādus objektus vai anomālijas. Tika sagatavota RDD2020 datu kopa ar 21000 attēliem, izveidots un apmācīts neironu tīkla modelis, kā arī veikti eksperimenti šī modeļa veiktspējas novērtēšanai. Labākais modelis (YOLOv8x, 20 epohas, 640x640 pikeļu rezolūcija) sasniedza 56% precizitāti validācijas datos un 57% precizitāti testa datos. Rezultāti liecina par anotāciju kvalitātes un aparatūras ierobežojumu ietekmi. Darbs apstiprina YOLO algoritma potenciālu ceļu anomāliju detekcijā, bet precizitātes uzlabošanai ir nepieciešamas kvalitatīvākas anotācijas un jaudīgāka aparatūra. |
| Atslēgas vārdi |
Mašīnmācīšanās, YOLO, neironu tīkli, ceļu anomālijas. |
| Atslēgas vārdi angļu valodā |
Machine learning, YOLO, neural networks, road anomalies |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
28.05.2025 10:17:08 |
