Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža

Matoš, Ivona

diplomski rad

Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža

Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2020. urn:nbn:hr:200:723809

Matoš, Ivona

Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za programsko inženjerstvo
Katedra za programske jezike i sustave

Institucijski repozitorij: Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek

Citirajte ovaj rad

APA 6th Edition

Matoš, I. (2020). Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:723809

MLA 8th Edition

Matoš, Ivona. "Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2020. https://urn.nsk.hr/urn:nbn:hr:200:723809

Chicago 17th Edition

Harvard

Matoš, I. (2020). 'Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 04.11.2024., https://urn.nsk.hr/urn:nbn:hr:200:723809

Vancouver

Matoš I. Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2020 [pristupljeno 04.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:723809

IEEE

I. Matoš, "Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:723809

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:723809

Podaci o radu

Naslov	Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža
Naslov (engleski)	Traffic sign classification using convolutional neural networks
Autor	Ivona Matoš
Mentor	Zdravko Krpić (mentor)
Član povjerenstva	Zdravko Krpić (predsjednik povjerenstva)
Član povjerenstva	Ratko Grbić (član povjerenstva)
Član povjerenstva	Bruno Zorić (član povjerenstva)
Ustanova koja je dodijelila akademski / stručni stupanj	Sveučilište Josipa Jurja Strossmayera u Osijeku Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek (Zavod za programsko inženjerstvo) (Katedra za programske jezike i sustave) Osijek
Datum i država obrane	2020-09-30, Hrvatska
Znanstveno / umjetničko područje, polje i grana	TEHNIČKE ZNANOSTI Računarstvo Obradba informacija
Sažetak	Prepoznavanje prometnih znakova jedna je od ključnih odrednica potrebnih za realizaciju autonomnih vozila. U ovom radu evaluiran je rad konvolucijske neuronske mreže na problemu lokalizacije i klasifikacije prometnih znakova korištenjem prilagođene baze podataka. Kako bi se navedeni problem uspješno riješio, implementirana je RetinaNat konvolucijska neuronska mreža. Prometni znakovi koji se trebaju prepoznati podijeljeni su u 33 klase, a za automatsku augmentaciju slika i prilagodbu graničnih okvira unutar istih korištena je ImgAug biblioteka. Model RetinaNet mreže implementiran je u python skriptnom jeziku korištenjem Keras API-ja. Algoritam je testiran na posebnoj bazi slika te se, uzimajući u obzir složenost baze podataka, utvrdilo kako predloženi model mreže dobro prepoznaje prometne znakove postižući mAp u iznosu 71,70 %. Pritom ističu se prometni znakovi poput obaveznog zaustavljanja koji postižu gotovo 90 % mAp. Nasuprot tome, pojavljuju se prometni znakovi sa značajno nižom mAp. Uspješnost prepoznavanja prometnih znakova potencijalno bi se mogla poboljšati dodatnim balansiranjem pojedinih klasa baze podataka te korištenjem dubljih konvolucijskih neuronskih mreža kao okosnica za RetinaNet model.
Sažetak (engleski)	Traffic sign recognition is one of the key joints needed for realization of autonomous driving. This master's thesis evaluates the problems of localization and classification of traffic signs using convolutional neural network and custom made traffic sign database. As a part of this thesis, a RetinaNet convolutional neural network was implemented. There are 33 classes of traffic signs that need to be recognized. Also, an automatic augmentation was performed over the database using ImgAug library, whereas RetinaNet model was implemented using Python and Keras API. The algorithm was tested on separated test database. Considering complexity of the created database, it was established, that in most cases traffic signs are correctly recognized. The overall mAP of 71,70 % was achieved. There were traffic sign classes, such as stop, that achieved mAp of almost 90 %. On the contrary, there were classes that achieved signifficatly low mAp. However, the used model could reach better performance by balancing data in several classes of existing database with new images, as well as, using deeper backbones.
Ključne riječi
Ključne riječi (engleski)
Jezik	hrvatski
URN:NBN	urn:nbn:hr:200:723809
Studijski program	Naziv: Automobilsko računarstvo i komunikacije Vrsta studija: sveučilišni Stupanj studija: diplomski Akademski / stručni naziv: magistar/magistra inženjer/inženjerka automobilskog računarstva i komunikacija (mag. ing. comp. et comm. techn)
Vrsta resursa	Tekst
Način izrade datoteke	Izvorno digitalna
Prava pristupa	Otvoreni pristup
Uvjeti korištenja
Datum i vrijeme pohrane	2020-11-30 14:30:33

Search form