?

Детальная информация
Таблица Карточка RUSMARC
Название: 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»
Авторы: Комаров Александр
Научный руководитель: Болсуновская Марина Владимировна; Лексашов Александр Викторович
Другие авторы: Новопашенный Андрей Гелиевич
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2020
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: 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
Тип документа: Выпускная квалификационная работа магистра
Тип файла: PDF
Язык: Русский
Уровень высшего образования: Магистратура
Код специальности ФГОС: 09.04.01
Группа специальностей ФГОС: 090000 - Информатика и вычислительная техника
Ссылки: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-753
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Ключ записи: ru\spstu\vkr\6128

Разрешенные действия: –

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

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.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Интернет Авторизованные пользователи СПбПУ Прочитать Печать Загрузить
-> Интернет Анонимные пользователи

Оглавление

  • 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

Статистика использования

stat Количество обращений: 29
За последние 30 дней: 0
Подробная статистика