Pretražite po imenu i prezimenu autora, mentora, urednika, prevoditelja

Napredna pretraga

Pregled bibliografske jedinice broj: 1130062

Sustav za automatsko prepoznavanje i klasifikaciju automobila u prometu


Bralić, Niko
Sustav za automatsko prepoznavanje i klasifikaciju automobila u prometu, 2021., diplomski rad, diplomski, Fakultet elektrotehnike, strojarstva i brodogradnje, Split


CROSBI ID: 1130062 Za ispravke kontaktirajte CROSBI podršku putem web obrasca

Naslov
Sustav za automatsko prepoznavanje i klasifikaciju automobila u prometu
(System for automatic recognition and classification of cars in traffic)

Autori
Bralić, Niko

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Fakultet elektrotehnike, strojarstva i brodogradnje

Mjesto
Split

Datum
01.06

Godina
2021

Stranica
61

Mentor
Musić, Josip

Ključne riječi
detekcija objekata, CNN, YOLO, SSD, KNN, Raspberry Pi
(CNN, YOLO, SSD, KNN, Raspberry Pi)

Sažetak
Sustav za automatsko prepoznavanje i klasifikaciju automobila u prometu je uređaj čiji je zadatak samostalno u realnom vremenu iz dostupnog video signala detektirati automobil, prepoznati registarsku pločicu, odrediti boju te model i marku automobila. U radu je detaljno opisan princip rada konvolucijskih neuronskih mreža koji su temelj realizacije praktičnog dijela rada. Opisane su tradicionalne metode poput Viola-Jones algoritma, a nakon toga i moderne metode detekcije objekata. Korišteni su jednostupanjski detektori čiji se rad temelji na konvolucijskim neuronskim mrežama. Automobili se detektiraju pomoću YOLOv4 detektora. Potom izlaz iz YOLO-a prosljeđuje se za daljnju klasifikaciju. Boja se određuje pomoću KNN algoritma, a model i marka automobila pomoću SSD detektora. Posljednje je detekcija registarske tablice pomoću OpenCV metode pa se znakovi s tablice čitaju pomoću Tesseract-a. Upravo zbog jednostavnosti i brzine rada ovih podsustava, izabrani su za rad na Raspberry Pi ugradbenom računalu. Informacije o automobilu ispisuju se na monitoru. Cijeli sustav testiran je na slikama i na videozapisu. Točnost detekcije automobila iznosi 88, 5%, a klasifikacija modela iznosi 78, 5%. Točnosti boje iznosi 71, 5%, a 51, 5% je točnost tablice. Sustav radi brzinom od 1 slike u sekundi (1fps). Nedostatci i prednosti cijelog sustava su opisani te dana su moguća poboljšanja sustava za daljnji razvoj.

Izvorni jezik
Hrvatski

Znanstvena područja
Elektrotehnika, Računarstvo, Temeljne tehničke znanosti



POVEZANOST RADA


Ustanove:
Fakultet elektrotehnike, strojarstva i brodogradnje, Split

Profili:

Avatar Url Josip Musić (mentor)


Citiraj ovu publikaciju:

Bralić, Niko
Sustav za automatsko prepoznavanje i klasifikaciju automobila u prometu, 2021., diplomski rad, diplomski, Fakultet elektrotehnike, strojarstva i brodogradnje, Split
Bralić, N. (2021) 'Sustav za automatsko prepoznavanje i klasifikaciju automobila u prometu', diplomski rad, diplomski, Fakultet elektrotehnike, strojarstva i brodogradnje, Split.
@phdthesis{phdthesis, author = {Brali\'{c}, N.}, year = {2021}, pages = {61}, keywords = {detekcija objekata, CNN, YOLO, SSD, KNN, Raspberry Pi}, title = {Sustav za automatsko prepoznavanje i klasifikaciju automobila u prometu}, keyword = {detekcija objekata, CNN, YOLO, SSD, KNN, Raspberry Pi}, publisherplace = {Split} }
@phdthesis{phdthesis, author = {Brali\'{c}, N.}, year = {2021}, pages = {61}, keywords = {CNN, YOLO, SSD, KNN, Raspberry Pi}, title = {System for automatic recognition and classification of cars in traffic}, keyword = {CNN, YOLO, SSD, KNN, Raspberry Pi}, publisherplace = {Split} }




Contrast
Increase Font
Decrease Font
Dyslexic Font