prikaz prve stranice dokumenta Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake
  Download
PDF 4.49 MB
master's thesis
Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake
Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. urn:nbn:hr:200:120482
Križanac, Rea
Josip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
Department of Communications
Chair of Multimedia Systems and Digital Television

Institutional repository: Faculty of Electrical Engineering, Computer Science and Information Technology Osijek

Cite this document

Križanac, R. (2024). Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake (Master's thesis). Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek. Retrieved from https://urn.nsk.hr/urn:nbn:hr:200:120482

Križanac, Rea. "Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:120482

Križanac, Rea. "Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:120482

Križanac, R. (2024). 'Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake', Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, accessed 25 December 2024, https://urn.nsk.hr/urn:nbn:hr:200:120482

Križanac R. Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake [Master's thesis]. Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek; 2024 [cited 2024 December 25] Available at: https://urn.nsk.hr/urn:nbn:hr:200:120482

R. Križanac, "Alat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake", Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, Osijek, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:200:120482

Metadata
TitleAlat za označavanje linija vozne trake i usporedba modela zasnovanih na strojnom učenju za detekciju linija vozne trake
Title (english)Lane marking tool and comparison of machine learning based models for lane lines detection
AuthorRea Križanac
MentorMario Vranješ (mentor)
MentorDenis Vranješ (sumentor)
Committee memberMario Vranješ (predsjednik povjerenstva)
Committee memberMarijan Herceg (član povjerenstva)
Committee memberRatko Grbić (član povjerenstva)
GranterJosip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
(Department of Communications)
(Chair of Multimedia Systems and Digital Television)
Osijek
Defense date and country2024-12-18, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Data Processing
Abstract
U ovom diplomskom radu izrađen je vlastiti alat za označavanje linija vozne trake, kao i usporedba različitih modela strojnog učenja za detekciju linija vozne trake. Cilj rada je omogućiti precizno i intuitivno označavanje linija voznih taka na slikama u svrhu generiranja kvalitetnog skupa podataka koji se koristi za treniranje i evaluaciju modela zasnovanih na dubokom učenju. Razvijeni alat omogućuje kreiranje i upravljanje projektima, intuitivno rukovanje galerijom slika, ručno označavanje linija i spremanje podataka u formate pogodne za daljnju analizu. Nakon definiranja i testiranja funkcionalnosti aplikacije, fokus je usmjeren na izradu vlastitog skupa podataka koji uključuje slike snimljene u različitim vremenskim i prometnim uvjetima. Na temelju prikupljenog skupa podataka evaluirani su modeli trenirani na trima različitim skupovima podataka (CULane, TuSimple i LLAMAS), kao i modeli dotrenirani na vlastitom skupu. Analiza je uključivala mjerenje ključnih metrika poput F1 mjere, preciznosti i odziva, što je omogućilo objektivnu usporedbu performansi između modela u različitim scenarijima, uključujući dan, noć, kišu, tunel i sumrak. Rezultati pokazuju značajna poboljšanja modela nakon dotreniravanja na novokreiranom skupu podataka, što potvrđuje važnost prilagodbe modela specifičnim uvjetima primjene. ključne riječi (hrvatski ): Detekcija linija, Strojno učenje, SCNN (Prostorna CNN), Podatkovni skupovi, Označavanje
Abstract (english)
In this work, a custom tool for lane marking has been developed, along with a comparison of various machine learning models for lane detection. The objective of this work is to enable precise and intuitive annotation of lane lines on images in order to generate a high-quality dataset used for the training and evaluation of deep learning-based models. The developed tool supports project creation and management, intuitive handling of image galleries, manual lane marking, and data saving in formats suitable for further analysis. After defining and testing the application’s functionality, the focus was directed towards creating a custom dataset that includes images captured under various weather and traffic conditions. Based on the collected dataset, models trained on three different datasets (CULane, TuSimple, and LLAMAS) were evaluated, as well as models further fine-tuned to the custom dataset. The analysis included measuring key metrics such as F1 score, precision, and recall, allowing an objective comparison of the models' performance across different scenarios, including day, night, rain, tunnel, and twilight. The results demonstrate significant improvements in the models after fine-tuning to the newly created dataset, confirming the importance of adapting models to specific application conditions.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:200:120482
Study programmeTitle: Graduate university study programme in Electrical Engineering (branches: Power Engineering and Communications and Informatics; specializations in: Engineering, Power Engineering and Communications, Communications and Informatics
Course: Engineering
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni/a magistar/magistra inženjer/inženjerka elektrotehnike (sveučilišni/a magistar/magistra inženjer/inženjerka elektrotehnike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-12-20 12:25:50