Перечень сокращений и обозначений 5
Введение 6
1 Обзор предметной области 7
1.1 Анализ темы 7
1.2 Анализ технологий 8
1.2.1 Обнаружение объекта 9
1.2.2 Измерение расстояния 11
1.3 Постановка задачи 17
2 Выбор технологий разработки 18
2.1 Выбор языка программирования 18
2.1.1 Язык программирования Python 18
2.1.2 Язык программирования C++ 19
2.1.3 Язык программирования C# 19
2.2 Выбор фреймворка 20
2.2.1 PyTorch 20
2.2.2 TensorFlow 21
2.2.3 Keras 22
2.3 Выбор IDE 24
2.3.1 PyCharm 24
2.3.2 Spyder 25
2.3.3 VS Code 26
3 Проектирование ПО 27
3.1 YOLOv8 28
3.2 UniDepth 31
3.3 Архитектура разрабатываемой системы 33
4 Программная реализация 37
4.1 Настройка окружения 37
4.2 Описание модулей 38
5 Тестирование 46
5.1 Формирование тестового набора данных 46
5.2 Тестирование работы ПО 48
6 Безопасность жизнедеятельности 53
6.1 Вред здоровью при работе с компьютером 53
6.2 Снижение вредного воздействия на здоровье при работе с ПК 53
6.3 Техника безопасности при работе с компьютером 54
Заключение 55
Список использованных источников 56
Приложение А - UML-диаграммы 58
Приложение A.1 - Диаграмма классов 59
Приложение A.2 - Диаграмма прецедентов 60
Приложение A.3 - Диаграмма последовательностей 61
Приложение A.4 - Диаграмма компонентов 62
Приложение Б - Листинг программы 63
Приложение В - Презентация 80
С развитием технологий нейронные сети становятся всё более важным инструментом в различных областях науки и техники. Модели глубокого обучения решают очень много задач в области обработки изображений. Одной из таких задач является измерение расстояния от объектов на изображении до модуля камеры. Использование нейронных сетей для этой цели открывает новые перспективы в обработке данных и повышении точности измерений.
Традиционные методы измерения расстояния, такие как использование лазерных дальномеров или стереозрение, имеют определенные ограничения в точности и применимости. В то время как нейронные сети, благодаря своей способности к обучению на больших объемах данных и адаптации к сложным условиям, могут предложить новые подходы к решению проблемы измерения расстояния [1].
Целью данной дипломной работы является исследование возможностей применения нейронных сетей для измерения расстояния. В работе будут рассмотрены основные принципы работы нейронных сетей, а также методы их применения в задачах измерения расстояния. Также будет проведен анализ результатов экспериментов с различными архитектурами нейронных сетей для измерения расстояния с использованием различных типов входных данных.
Данный дипломный проект внедряет перспективные подходы к усовершенствованию методов измерения расстояния, что представляет значительный потенциал для инноваций в различных сферах применения. Полученные результаты и разработанные технологии могут содействовать созданию более точных и эффективных средств измерения, что способствует развитию областей робототехники, медицинской диагностики, автомобильной навигации и т.д.
В ходе выполнения данной квалификационной работы были получены навыки использования моделей глубокого обучения для решения задачи измерения расстояния от объекта на изображении до модуля камеры. Также был выбран стек технологий для написания собственного программного обеспечения, которое позволяет решить поставленную задачу. Результатом работы является пакет модулей, который написан на языке программирования Python, а также отчёт, котором представлены результаты тестирования разработанного программного обеспечения, описание разработки и подробный разбор всех его функциональных особенностей.
Разработанное программное обеспечение позволяет пользователю выбрать входные данные (изображение, видео, видеопоток с камеры) для дальнейшей обработки через модели глубокого обучения. После проверки работоспособности разработанного продукта было выяснено, что созданное программное обеспечение соответствует всем требованиям, которые были поставлены в начале работы.
На основе полученного опыта при работе с нейронными сетями, разработанный пакет можно улучшить, спроектировав собственную архитектуру модели глубокого обучения.
