Автоматизована система для розпізнавання об'єктів

Скорочена інформація про документ
dc.contributor.advisorНечай, Сергій Олексійович
dc.contributor.authorГапонов, Дмитро Олександрович
dc.date.accessioned2025-01-14T12:56:05Z
dc.date.available2025-01-14T12:56:05Z
dc.date.issued2024
dc.description.abstractУ дипломній роботі досліджено та реалізовано систему автоматизованого розпізнавання об'єктів у реальному часі на базі платформи NVIDIA Jetson Nano. Метою роботи є розробка продуктивної та енергоефективної системи розпізнавання об'єктів, яка відповідає вимогам реального часу та обмеженим апаратним ресурсам. У роботі проаналізовано сучасні методи та алгоритми комп'ютерного зору, зокрема YOLOv8, Faster R-CNN, SSD. Проведено огляд і порівняння апаратних платформ, таких як Raspberry Pi, Jetson Nano та Google Coral. Для навчання моделі використано аугментацію даних, нейронну мережу оптимізовано за допомогою ONNX і TensorRT. Розроблено програмний комплекс для розпізнавання об'єктів із високою точністю (mAP 95%) та швидкістю 20 кадрів на секунду. Практичне значення роботи полягає у створенні системи, яка може бути впроваджена в галузях безпеки, транспорту, промислового контролю якості та навчання штучного інтелекту. Розроблені рішення також можуть бути використані для подальших досліджень у сфері комп'ютерного зору та оптимізації алгоритмів. Результати роботи підтвердили ефективність сучасних підходів до розпізнавання об'єктів, оптимізації нейронних мереж і інтеграції систем на вбудованих платформах.
dc.description.abstractotherThe thesis explores and implements an automated real-time object recognition system based on the NVIDIA Jetson Nano platform. The purpose of this study is to develop a high-performance and energy-efficient object recognition system that meets real-time requirements while operating under limited hardware resources. The research analyzes modern methods and algorithms of computer vision, including YOLOv8, Faster R-CNN, and SSD. A review and comparison of hardware platforms such as Raspberry Pi, Jetson Nano, and Google Coral have been conducted. Data augmentation was applied for model training, and the neural network was optimized using ONNX and TensorRT. A software suite was developed for object recognition, achieving high accuracy (mAP 95%) and a processing speed of 15 frames per second. The practical significance of this work lies in creating a system applicable in security, transportation, industrial quality control, and AI training. The solutions developed can also serve as a foundation for further research in computer vision and algorithm optimization. The results confirm the effectiveness of modern approaches to object recognition, neural network optimization, and system integration on embedded platforms
dc.format.extent105 с.
dc.identifier.citationГапонов, Д. О. Автоматизована система для розпізнавання об'єктів : магістерська дис. : 174 Автоматизація, комп'ютерно-інтегровані технології та робототехніка / Гапонов Дмитро Олександрович. – Київ, 2024. – 105 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/71879
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectавтоматизоване розпізнавання
dc.subjectнейронні мережі
dc.subjectYOLOv8
dc.subjectJetson Nano
dc.subjectобробка зображень
dc.subjectTensorRT
dc.subjectоптимізація моделі
dc.subjectautomated recognition
dc.subjectneural networks
dc.subjectimage processing
dc.subjectmodel optimization
dc.titleАвтоматизована система для розпізнавання об'єктів
dc.title.alternativeAutomated system for object recognition
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Haponov_magistr.pdf
Розмір:
2.09 MB
Формат:
Adobe Portable Document Format
Завантажити

Зібрання

Магістерські роботи (АСНК)
Магістерські роботи