Модуль класифікації об‘єктів на зображенні в інфрачервоному спектрі

Скорочена інформація про документ
dc.contributor.advisorАлєнін, Олег Ігорович
dc.contributor.authorЖелепа, Валентин Валерійович
dc.date.accessioned2023-08-25T12:44:52Z
dc.date.available2023-08-25T12:44:52Z
dc.date.issued2023
dc.description.abstractУ цьому бакалаврському дипломному проєкті досліджується, як глибинні згорткові нейронні мережі (DCNN) можна використовувати для виявлення об’єктів на зображеннях в інфрачервоному спектрі. Оскільки інфрачервоне світло пропускається краще ніж видиме за певних конкретних погодних умов, на-приклад, у слабкому тумані, такий підхід можна використовувати для наземних і повітряних засобів для коригування маршрутів та збільшення безпеки перевезень. Для створення моделі та її тренування використовувалися зображення з датасету FLIR. Початковий набір теплових даних FLIR дозволяє розробникам розпочати навчання згорткових нейронних мереж (CNN), для створення ефективніших систем безпілотних транспортних засобів. Створена модель дозволяє розпізнати на інфрачервоних зображеннях такі об’єкти: автомобіль, автобус, вантажівка, людей та велосипеди. Програмна частина була написана на мові Python3 використовуючи відповідні модулі для створення та навчання нейронних мереж. Для візуалізації результату роботи моделі використовуються обробленні зображення з обведенням розпізнаних об’єктів на них і позначенням їх класу.uk
dc.description.abstractotherThis bachelor's degree project investigates the utilization of deep convolutional neural networks (DCNNs) for object detection in infrared images. As infrared light passes through certain weather conditions, such as weak fog, more effectively than visible light, this approach can be employed in the ground and aerial vehicles to ad-just routes and enhance transportation safety. The model development and training utilized images from the FLIR dataset. The initial FLIR thermal dataset enables developers to commence training convolutional neural networks (CNNs) for the creation of more efficient unmanned transportation systems. The developed model enables the recognition of objects, such as cars, buses, trucks, pedestrians, and bicycles, in infrared images. The software component was implemented in Python3, utilizing relevant modules for neural network creation and training. To visualize the model's output, processed images are utilized, highlighting the detected objects and indicating their.uk
dc.format.extent114 с.uk
dc.identifier.citationЖелепа, В. В. Модуль класифікації об‘єктів на зображенні в інфрачервоному спектрі : дипломний проект … бакалавра : 123 Комп’ютерна інженерія / Желепа Валентин Валерійович. – Київ, 2023. – 114 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/59496
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectconvolutional neural networkuk
dc.subjectнабір данихuk
dc.subjectdatasetuk
dc.subjectкласифікаціяuk
dc.subjectclassificationuk
dc.subjectефективністьuk
dc.subjectefficiencyuk
dc.subjectінфрачервоні зображенняuk
dc.subjectthermal imagesuk
dc.subjectархітектураuk
dc.subjectarchitectureuk
dc.titleМодуль класифікації об‘єктів на зображенні в інфрачервоному спектріuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Zhelepa_bakalavr.pdf
Розмір:
4.2 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ОТ)
Бакалаврські роботи