| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Datorredzes modeļa izstrāde autoceļu bedru identificēšanai |
| Nosaukums angļu valodā |
Development of a Computer Vision Model for Road Pothole Detection |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Krišjānis Pinka |
| Recenzents |
Pēteris Grabusts |
| Anotācija |
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. |
| Atslēgas vārdi |
Datorredze, objektu detektēšana, dziļā mācīšanās, yolo, ceļa seguma defektu detektēšana |
| Atslēgas vārdi angļu valodā |
Computer vision, object detection, deep learning, yolo, road surface defect detection |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
24.05.2026 12:21:26 |
