Details

Бакалаврская дипломная работа посвящена разработке системы управления роботом на основе изображений, получаемых с камеры в режиме реального времени и обработанных при помощи модели сверточной нейронной сети для автоматизации процесса зарядки электромобилей. Нейронная сеть определяет координаты зарядных коннекторов и классифицирует их. В ходе работы удалось достигнуть точности выделения объекта равной 96.41% и точности классификации равной 91.59% с объемом обучающей выборки в 6000 изображений. Также был составлен набор данных для тренировки нейронной сети на основе трех типов наиболее популярных 3D-моделей зарядных коннекторов на различных фонах, приближенных к реальным условиям использования роботов, обслуживающих зарядочные станции. Приведен сравнительный анализ оптимизаторов и выбран наилучший алгоритм для повышения точности классификации и определения координат зарядочных коннекторов.

The bachelor's thesis is devoted to the development of an automated robot control system based on images obtained from a camera in real time and processed using a convolutional neural network model to automate the charging process of electric vehicles. The neural network determines the coordinates of the charging connectors and classifies them. In the course of the work, was achieved an object's coordinates detection accuracy of 96.41% and classification accuracy of 91.59% with a training sample volume of 6000 images. A data set was also compiled for training a neural network based on three types of the most popular 3D models of charging connectors on various backgrounds, close to the real conditions of robots servicing charging stations’ use. A comparative analysis of optimizers is given, and the best algorithm is selected to improve the accuracy of classification and determination of the coordinates of charging connectors.