Συλλογές
Τίτλος Image recognition and obstacle detection with drones
Εναλλακτικός τίτλος Αναγνώριση εικόνας και ανίχνευση εμποδίου με μη επανδρωμένα αεροσκάφη
Δημιουργός Φουράκης, Σπυρίδων
Συντελεστής Κουτσόπουλος, Ιορδάνης
Αργυρόπουλος, Σάββας
Τουμπής, Σταύρος
Τύπος Text
Φυσική περιγραφή 64σ.
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=6914
Περίληψη Το θέμα της εργασίας αφορά τις λειτουργίες ενός συστήματος Υπολογιστικής όρασης που έχει ως σκοπό το object recognition, detection και tracking, και στο δεύτερο μέρος της εργασίας γίνεται υλοποίηση μίας προσέγγισης συνελικτικών νευρωνικών δικτύων για την ανίχνευση και παρακολούθηση γραμμών τρένου και γραμμών με εμπόδια. Αρχικά θα αποσαφηνιστούν κάποιες βασικές αρχές, οι οποίες σχετίζονται με τις παραπάνω λειτουργίες. Αυτές οι αρχές αφορούν την ταξινόμηση, τον ταξινομητής αντικειμένου, την ανίχνευση αντικειμένου, την επεξεργασία των εικόνων, τη συλλογή δεδομένων και τη δημιουργία ενός μοντέλου το οποίο συνδυάζει τα χρήσιμα χαρακτηριστικά που εξάγονται με κάποιους αλγορίθμους από κάποιο dataset. Στόχος είναι η χρήση των παραπάνω στην εξαγωγή αποφάσεων, αναγνώρισης αντικειμένων.Στη συνέχεια θα αναφερθούμε στους παράγοντες που δυσκολεύουν την αναγνώριση αντικειμένου αλλά και στις προσεγγίσεις αναγνώρισης του αντικειμένου. Κατόπιν γίνεται αναφορά στους ανιχνευτές υψηλής τεχνολογίας CNN (Faster R-CNN, YOLO, SSD) και ειδικότερα στο μοντέλο Faster R-CNN. Τέλος γίνεται αναφορά στα εργαλεία που χρησιμοποιήθηκαν (python, OpenCV, το Tensorflow, το CUDA και την βιβλιοθήκη Nvidia Cudnn). Για την υλοποίηση του δεύτερου μέρους θα εκπαιδευτεί ένας ταξινομητής ανίχνευσης αντικειμένων σε συνελικτίκο νευρωνικό δίκτυο, με σκοπό την αναγνώριση γραμμών και γραμμών με εμπόδια. Το εργαλείο που χρησιμοποιείεται είναι το Tensorflow GPU 1.8 CUDA v10.0 και το cuDNN 7.4, που είναι συμβατά με το tensorflow gpu Python 3.6 και το Anaconda environment. Στην συνέχεια θα αναφερθούν συνοπτικά τα βήματα της υλοποίησης. Κατόπιν, περιγράφονται αναλυτικά τα βήματα που ακολουθήθηκαν ενώ παρατίθενται και εικόνες επεξήγησης του κάθε βήματος.Συμπερασματικά, στην παρούσα εργασία περιγράψαμε διάφορους αλγόριθμους οπτικής ανίχνευσης αντικειμένων συμπεριλαμβανομένων μερικών από τους state of the art ανιχνευτών CNN που θα μπορούσαν να χρησιμοποιηθούν για ανίχνευση σιδηροδρομικών γραμμών και γραμμών με εμπόδια σε πραγματικό χρόνο. Από αυτούς τους ανιχνευτές, χρησιμοποιήσαμε το faster r cnn σύστημα, το οποίο αποδείχθηκε αποτελεσματικό και εύκολο να τροποποιηθεί για εφαρμογή. Παράλληλα, δίνονται και κατευθύνσεις για μελλοντικές βελτιώσεις για την συγκεκριμένη υλοποίηση.
In this thesis we will deal with the functions of a Computer Vision system and more specifically with a system for object recognition, detection and tracking, while in the second part of the thesis we implement an approach of convolutional neural networks for the detection and tracking of train rails and rails with obstacle.Initially, some basic principles related to the above functions will be clarified. These principles relate to classification, object classifier, object detection, image processing, object detection, data set, models that combines useful features extracted with some algorithms from a dataset for their use export of decisions, recognition of objects.We will then refer to the factors that make it difficult to identify an object but also to the object recognition approaches. Reference is then made state of the art CNN detectors (Faster R-CNN, YOLO, SSD), and particular to the faster R-CNN models. Finally, reference is made to the tools used (python, openCV, Tensorflow, CUDA and the Nvidia Cudnn library).For the implementation of the second part an object detector classifier will be trained on a neuronal network to identify oblique lines and lines using Tensorflow-GPU 1.8 CUDA v10.0 and cuDNN 7.4 that are compatible with tensorflow-gpu Python 3.6 and Anaconda environment. Below is a brief summary of the implementation steps. In the second part, the following steps are described in detail, and illustrative illustrations of each step are presented.In conclusion, we have described various optical object detection algorithms, including some of the state-of-the-art CNN detectors that could be used to track rail tracks and real-time barriers. From these detectors, we used the faster r-cnn system, which proved to be effective and easy to modify for application. At the same time, directions are given for future improvements for this implementation.
Λέξη κλειδί Ανίχνευση εικόνας
βαθία μάθηση
μη επανδρωμένα αεροσκάφοι
CNN
FASTER R-CNN
TENSORFLOW
CUDA
cuDNN
Διαθέσιμο από 2019-02-28 03:10:35
Ημερομηνία έκδοσης 2019
Ημερομηνία κατάθεσης 2019-02-28 03:10:35
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/