?

Details
Table Card RUSMARC
Title: Разработка системы классификации и обнаружения транспортных средств в режиме реального времени на основе Jetson Nano: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_15 «Технологии проектирования системного и прикладного программного обеспечения»
Creators: Комаров Александр
Scientific adviser: Болсуновская Марина Владимировна; Лексашов Александр Викторович
Other creators: Новопашенный Андрей Гелиевич
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2020
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: it-технологии; машинное обучение; встраиваемые системы; покадровая обработка; обнаружение объектов; обнаружение транспортных средств; детектор; it-technologies; machine learning; embedded systems; per-frame processing; object detection; vehicle detection; detector
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Level of education: Master
Speciality code (FGOS): 09.04.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-753
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key: ru\spstu\vkr\6128

Allowed Actions: –

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

В данной работе описана разработка программы обнаружения и классификации транспортных средств. Проведен обзор существующих подходов к обнаружению. На основе существующей модели нейронной сети произведено дообучение. Проведены эксперименты с использованием полученной модели и измерены показатели точности и скорости работы системы.

This paper discribes the development of a program for detection and classification of vehicles. Presented overview of existing approaches for object detection. Transfer learning is conducted using one of the existing deep learning models. Conducted experiments on the developed sysytem using the trained model. Precision and speed of the sysytem are measured.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users SPbPU Read Print Download
-> Internet Anonymous

Table of Contents

  • 794c1ffdd59f730238331c015c784d593cf4500618bea3c7727691fe90138204.pdf
    • 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
        • СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
        • ВВЕДЕНИЕ
        • 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
          • 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
          • 1.2. Обнаружение транспортных средств методами машинного обучения
            • 1.2.1. Способы извлечения признаков
            • 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
            • 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
          • 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
            • 1.3.1. YOLOv3 детектор
            • 1.3.2. SSD детектор
            • 1.3.3. Faster R-CNN детектор
            • 1.3.4. Mask R-CNN сегментатор
            • 1.3.5. Сравнительные характеристики представленных моделей
          • 1.4. Анализ используемых при разработке средств, инструментов и методов
            • 1.4.1. Анализ и выбор среды и языка разработки
            • 1.4.2. Анализ инструментов системы обучения
            • 1.4.3. Анализ инструментов встраиваемой системы
          • 1.5. Выводы по разделу
        • 2. Разработка детектора транспортных средств в режиме реального времени
          • 2.1. Программа дообучения модели
          • 2.2. Процесс создания устойчивой модели для обнаружения объектов
            • 2.2.1. Составление обучающей выборки
            • 2.2.2. Дообучение модели обнаружения транспортных средств
          • 2.3. Программа покадрового обнаружения объектов
            • 2.3.1. Парсер графа модели из формата UFF
            • 2.3.2. Получение кадра из потока камеры
            • 2.3.3. Пост-обработка результатов выполнения модели
            • 2.3.4. Дополнительная классификация меток с типом «автобус»
          • 2.4. Выводы по разделу
        • 3. Экспериментальные исследования разработанной системы на Jetson Nano
          • 3.1. Планирование экспериментальных исследований
          • 3.2. Метрики точности обнаружения и классификации
          • 3.3. Экспериментальные исследования системы с исходной моделью
          • 3.4. Экспериментальные исследования системы с дообученной моделью
          • 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
          • 3.6. Выводы по разделу
        • 4. Анализ полученных результатов
        • ЗАКЛЮЧЕНИЕ
        • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
    • Untitled
    • 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
        • СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
        • ВВЕДЕНИЕ
        • 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
          • 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
          • 1.2. Обнаружение транспортных средств методами машинного обучения
            • 1.2.1. Способы извлечения признаков
            • 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
            • 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
          • 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
            • 1.3.1. YOLOv3 детектор
            • 1.3.2. SSD детектор
            • 1.3.3. Faster R-CNN детектор
            • 1.3.4. Mask R-CNN сегментатор
            • 1.3.5. Сравнительные характеристики представленных моделей
          • 1.4. Анализ используемых при разработке средств, инструментов и методов
            • 1.4.1. Анализ и выбор среды и языка разработки
            • 1.4.2. Анализ инструментов системы обучения
            • 1.4.3. Анализ инструментов встраиваемой системы
          • 1.5. Выводы по разделу
        • 2. Разработка детектора транспортных средств в режиме реального времени
          • 2.1. Программа дообучения модели
          • 2.2. Процесс создания устойчивой модели для обнаружения объектов
            • 2.2.1. Составление обучающей выборки
            • 2.2.2. Дообучение модели обнаружения транспортных средств
          • 2.3. Программа покадрового обнаружения объектов
            • 2.3.1. Парсер графа модели из формата UFF
            • 2.3.2. Получение кадра из потока камеры
            • 2.3.3. Пост-обработка результатов выполнения модели
            • 2.3.4. Дополнительная классификация меток с типом «автобус»
          • 2.4. Выводы по разделу
        • 3. Экспериментальные исследования разработанной системы на Jetson Nano
          • 3.1. Планирование экспериментальных исследований
          • 3.2. Метрики точности обнаружения и классификации
          • 3.3. Экспериментальные исследования системы с исходной моделью
          • 3.4. Экспериментальные исследования системы с дообученной моделью
          • 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
          • 3.6. Выводы по разделу
        • 4. Анализ полученных результатов
        • ЗАКЛЮЧЕНИЕ
        • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
  • 794c1ffdd59f730238331c015c784d593cf4500618bea3c7727691fe90138204.pdf
    • 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
        • СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
        • ВВЕДЕНИЕ
        • 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
          • 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
          • 1.2. Обнаружение транспортных средств методами машинного обучения
            • 1.2.1. Способы извлечения признаков
            • 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
            • 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
          • 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
            • 1.3.1. YOLOv3 детектор
            • 1.3.2. SSD детектор
            • 1.3.3. Faster R-CNN детектор
            • 1.3.4. Mask R-CNN сегментатор
            • 1.3.5. Сравнительные характеристики представленных моделей
          • 1.4. Анализ используемых при разработке средств, инструментов и методов
            • 1.4.1. Анализ и выбор среды и языка разработки
            • 1.4.2. Анализ инструментов системы обучения
            • 1.4.3. Анализ инструментов встраиваемой системы
          • 1.5. Выводы по разделу
        • 2. Разработка детектора транспортных средств в режиме реального времени
          • 2.1. Программа дообучения модели
          • 2.2. Процесс создания устойчивой модели для обнаружения объектов
            • 2.2.1. Составление обучающей выборки
            • 2.2.2. Дообучение модели обнаружения транспортных средств
          • 2.3. Программа покадрового обнаружения объектов
            • 2.3.1. Парсер графа модели из формата UFF
            • 2.3.2. Получение кадра из потока камеры
            • 2.3.3. Пост-обработка результатов выполнения модели
            • 2.3.4. Дополнительная классификация меток с типом «автобус»
          • 2.4. Выводы по разделу
        • 3. Экспериментальные исследования разработанной системы на Jetson Nano
          • 3.1. Планирование экспериментальных исследований
          • 3.2. Метрики точности обнаружения и классификации
          • 3.3. Экспериментальные исследования системы с исходной моделью
          • 3.4. Экспериментальные исследования системы с дообученной моделью
          • 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
          • 3.6. Выводы по разделу
        • 4. Анализ полученных результатов
        • ЗАКЛЮЧЕНИЕ
        • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
    • Untitled
    • 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
        • СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
        • ВВЕДЕНИЕ
        • 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
          • 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
          • 1.2. Обнаружение транспортных средств методами машинного обучения
            • 1.2.1. Способы извлечения признаков
            • 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
            • 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
          • 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
            • 1.3.1. YOLOv3 детектор
            • 1.3.2. SSD детектор
            • 1.3.3. Faster R-CNN детектор
            • 1.3.4. Mask R-CNN сегментатор
            • 1.3.5. Сравнительные характеристики представленных моделей
          • 1.4. Анализ используемых при разработке средств, инструментов и методов
            • 1.4.1. Анализ и выбор среды и языка разработки
            • 1.4.2. Анализ инструментов системы обучения
            • 1.4.3. Анализ инструментов встраиваемой системы
          • 1.5. Выводы по разделу
        • 2. Разработка детектора транспортных средств в режиме реального времени
          • 2.1. Программа дообучения модели
          • 2.2. Процесс создания устойчивой модели для обнаружения объектов
            • 2.2.1. Составление обучающей выборки
            • 2.2.2. Дообучение модели обнаружения транспортных средств
          • 2.3. Программа покадрового обнаружения объектов
            • 2.3.1. Парсер графа модели из формата UFF
            • 2.3.2. Получение кадра из потока камеры
            • 2.3.3. Пост-обработка результатов выполнения модели
            • 2.3.4. Дополнительная классификация меток с типом «автобус»
          • 2.4. Выводы по разделу
        • 3. Экспериментальные исследования разработанной системы на Jetson Nano
          • 3.1. Планирование экспериментальных исследований
          • 3.2. Метрики точности обнаружения и классификации
          • 3.3. Экспериментальные исследования системы с исходной моделью
          • 3.4. Экспериментальные исследования системы с дообученной моделью
          • 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
          • 3.6. Выводы по разделу
        • 4. Анализ полученных результатов
        • ЗАКЛЮЧЕНИЕ
        • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
      • 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf

Usage statistics

stat Access count: 29
Last 30 days: 0
Detailed usage statistics