📄Работа №215320
Тема: Обнаружение электросамокатов в режиме реального времени
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
52 листов
Год:
2022
Просмотров:
19
4355
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 7
1 МЕТОДЫ ДЕТЕКТИРОВАНИЯ И ТРЕКИНГА ЭЛЕКТРОСАМОКАТОВ В
РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ 9
1.1 Существующие сервисы по обнаружению электросамокатов 9
1.2 Глубокие нейронные сети 11
1.2.1 Архитектуры на основе RCNN 11
1.2.2 Алгоритм SSD 14
1.2.3 Архитектуры на основе YOLO 15
1.3 Методы трекинга объектов 18
1.4 Выводы по главе 1 22
2 ДЕТЕКЦИЯ ЭЛЕКТРОСАМОКАТОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ YOLOV4 24
2.1 Архитектура нейронной сети и подготовка данных 24
2.2 Постановка задачи детекции электросамокатов 32
2.3 Метрики качества распознавания 34
2.4 Обучение сверточной нейронной сети 36
2.4.1 Функции активации и функция потерь 36
2.4.2 Операции свертки и субдискретизации. Кодировщик. Нейронная
сеть CSPDarknet53. Декодировщик 40
2.4.3 Метод оптимизации функции потерь и метод обратного
распространения ошибки 44
2.5 Выводы по главе 2 49
3 РЕЗУЛЬТАТЫ ДЕТЕКТИРОВАНИЯ И ТРЕКИНГА
ЭЛЕКТРОСАМОКАТОВ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ СЕТЬЮ YOLOV4 51
3.1 Конфигурация нейронной сети 51
3.2 Алгоритмы обучения и тестирования нейронной сети YOLOv4 53
3.3 Результаты обучения, полученные метрики 56
3.4 Выводы по главе 3 59
ЗАКЛЮЧЕНИЕ 60
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 62
Приложения должны быть в работе, но в данный момент отсутствуют
1 МЕТОДЫ ДЕТЕКТИРОВАНИЯ И ТРЕКИНГА ЭЛЕКТРОСАМОКАТОВ В
РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ 9
1.1 Существующие сервисы по обнаружению электросамокатов 9
1.2 Глубокие нейронные сети 11
1.2.1 Архитектуры на основе RCNN 11
1.2.2 Алгоритм SSD 14
1.2.3 Архитектуры на основе YOLO 15
1.3 Методы трекинга объектов 18
1.4 Выводы по главе 1 22
2 ДЕТЕКЦИЯ ЭЛЕКТРОСАМОКАТОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ YOLOV4 24
2.1 Архитектура нейронной сети и подготовка данных 24
2.2 Постановка задачи детекции электросамокатов 32
2.3 Метрики качества распознавания 34
2.4 Обучение сверточной нейронной сети 36
2.4.1 Функции активации и функция потерь 36
2.4.2 Операции свертки и субдискретизации. Кодировщик. Нейронная
сеть CSPDarknet53. Декодировщик 40
2.4.3 Метод оптимизации функции потерь и метод обратного
распространения ошибки 44
2.5 Выводы по главе 2 49
3 РЕЗУЛЬТАТЫ ДЕТЕКТИРОВАНИЯ И ТРЕКИНГА
ЭЛЕКТРОСАМОКАТОВ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ СЕТЬЮ YOLOV4 51
3.1 Конфигурация нейронной сети 51
3.2 Алгоритмы обучения и тестирования нейронной сети YOLOv4 53
3.3 Результаты обучения, полученные метрики 56
3.4 Выводы по главе 3 59
ЗАКЛЮЧЕНИЕ 60
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 62
Приложения должны быть в работе, но в данный момент отсутствуют
📖 Введение
С приходом тепла в крупных городах появляются электросамокаты, открываются сервисы проката и возникает необходимость отслеживать передвижение микромобильного транспорта.
В России сервисы по прокату электросамокатов появились в 2018 году. Уже в первый месяц в них зарегистрировались более 70 тысяч пользователей. Электросамокаты стали популярны благодаря их небольшому весу (до 12 кг) и высокой скорости передвижения (40-50 км/час). Это достаточно для того, чтобы двигаться вместе с автомобильным потоком, объезжать пробки и заезжать в пешеходные зоны. В отличие от другого микромобильного транспорта, к примеру, велосипедов, самокаты не требуют дополнительной экипировки, что также является большим плюсом для пользователей.
К сожалению, электросамокаты обладают не только достоинствами, но и недостатками. Многие не ответственно относятся к передвижению на данном виде транспорта, допускают себе поездку в состоянии алкогольного опьянения или же просто не справляются с управлением.
Согласно статистике, в прошлом году в России зарегистрировано 672 ДТП с участием электросамокатов. В авариях с самокатами погибли 20 человек. Ранены 704 человека, в том числе, 133 ребёнка до 16 лет. Ежегодно численные показатели увеличиваются.
Но не смотря на все это многие все так же предпочитают различные сервисы по прокату данного вида транспорта, так как они быстрые, удобные и нет необходимости в водительских правах. Данные виды передвижения используют по нескольким направлениям: для поездок по городу, развлечения или спорта. Первый случай применим либо в качестве самостоятельного транспорта, либо комбинируют с городским транспортом. Например, из дальнего района доезжают до центра на автобусе, а для «последней мили» арендуют микротранспорт.
К сожалению, из-за отсутствия нужной инфраструктуры, многие ездят по пешеходным улицам, тротуарам и обочинам дорог. Это тоже неминуемо приводит к различным конфликтам и ДТП с пешеходами, а также с автомобилистами. Поэтому возникает необходимость вести наблюдение за людьми, катающимися на электросамокатах, чтобы выявить наиболее загруженные участки дорог, предотвратить возможные нарушения. Развитие компьютерного зрения дает возможность решить поставленную задачу. Хорошо в решении данной задачи зарекомендовали себя искусственные нейронные сети (ИНС).
Целью данной работы является разработка модели ИНС, которая в режиме реального времени детектирует людей на электросамокатах.
Для достижения данной цели необходимо решить следующие задачи.
1. Проанализировать существующие подходы к решению задачи распознавания объектов.
2. Разработать математическую модель ИНС.
3. Проанализировать, собрать и подготовить данные для обучения ИНС.
4. Проверить работу ИНС в режиме реального времени.
В России сервисы по прокату электросамокатов появились в 2018 году. Уже в первый месяц в них зарегистрировались более 70 тысяч пользователей. Электросамокаты стали популярны благодаря их небольшому весу (до 12 кг) и высокой скорости передвижения (40-50 км/час). Это достаточно для того, чтобы двигаться вместе с автомобильным потоком, объезжать пробки и заезжать в пешеходные зоны. В отличие от другого микромобильного транспорта, к примеру, велосипедов, самокаты не требуют дополнительной экипировки, что также является большим плюсом для пользователей.
К сожалению, электросамокаты обладают не только достоинствами, но и недостатками. Многие не ответственно относятся к передвижению на данном виде транспорта, допускают себе поездку в состоянии алкогольного опьянения или же просто не справляются с управлением.
Согласно статистике, в прошлом году в России зарегистрировано 672 ДТП с участием электросамокатов. В авариях с самокатами погибли 20 человек. Ранены 704 человека, в том числе, 133 ребёнка до 16 лет. Ежегодно численные показатели увеличиваются.
Но не смотря на все это многие все так же предпочитают различные сервисы по прокату данного вида транспорта, так как они быстрые, удобные и нет необходимости в водительских правах. Данные виды передвижения используют по нескольким направлениям: для поездок по городу, развлечения или спорта. Первый случай применим либо в качестве самостоятельного транспорта, либо комбинируют с городским транспортом. Например, из дальнего района доезжают до центра на автобусе, а для «последней мили» арендуют микротранспорт.
К сожалению, из-за отсутствия нужной инфраструктуры, многие ездят по пешеходным улицам, тротуарам и обочинам дорог. Это тоже неминуемо приводит к различным конфликтам и ДТП с пешеходами, а также с автомобилистами. Поэтому возникает необходимость вести наблюдение за людьми, катающимися на электросамокатах, чтобы выявить наиболее загруженные участки дорог, предотвратить возможные нарушения. Развитие компьютерного зрения дает возможность решить поставленную задачу. Хорошо в решении данной задачи зарекомендовали себя искусственные нейронные сети (ИНС).
Целью данной работы является разработка модели ИНС, которая в режиме реального времени детектирует людей на электросамокатах.
Для достижения данной цели необходимо решить следующие задачи.
1. Проанализировать существующие подходы к решению задачи распознавания объектов.
2. Разработать математическую модель ИНС.
3. Проанализировать, собрать и подготовить данные для обучения ИНС.
4. Проверить работу ИНС в режиме реального времени.
✅ Заключение
Цель данной работы заключалась в разработке модели искусственной нейронной сети, которая в режиме реального времени обнаруживает и людей на электросамокатах.
В ходе работы задача обнаружения людей на электросамокатах была сформулирована, как задача детекции объектов (людей на электросамокатах) на изображении, рассмотрены существующие решения в области обнаружения электросамокатов и глубокие нейронные сети для возможного решения задачи. Была выбрана нейронная сеть YOLOv4 для решения поставленной задачи.
Также была составлена математическая модель и разработана архитектура для решения задачи детекции людей на электросамокатах. Были приведены метрики качества и функция потерь, которые позволяют определить точность работы YOLOv4. В качестве алгоритма обучения выбран метод обратного распространения ошибки с применением оптимизации функции потерь методом ускоренного градиента Нестерова.
Для сбора данных для обучения за внимание были взяты различные камеры города Челябинска. С них было собрано и размечено 11 233 изображения. Также был сгенерирован искусственный набор данных. В результате генерации было получено 5 744 изображений. Таким образом для обучения нейронной сети было получено 16 977 изображений.
В качестве фреймворка для обучения использовался DarkNet. Это фреймворк с открытым исходным кодом, написанный на языке Си. В качестве среды разработки использовался PyCharm c применением языка программирования Python 3.6.
Для проведения анализа точности работы нейронной сети были использованы метрики качества, такие как - точность (precision), полнота (recall)и метрика точности mAP.
Разработанное решение опиралось на статью [1]:
«Алиева, А. А. Обнаружение и классификация транспортных средств в режиме реального времени с помощью сверточной нейронной сети yolov5 / А. А. Алиева, Т. В. Карпета // Южно-Уральская молодежная школа по математическому моделированию: сб. тр. IV Всеросс. студ. науч.-практ. конф. – Челябинск: Издательский центр ЮУрГУ, 2021. – С. 13–20.».
Таким образом, цель достигнута, а поставленные задачи – полностью решены. Разработанная архитектура нейронной сети успешно внедрена и используется в проекте «Умный город» (подразделение «Умный транспорт») для обнаружения людей на электросамокатах.
В связи со стремительным развитием области нейронных сетей и появлением новых современных решений целью дальнейшей работы может стать исследование новых архитектур и подходов к решению задачи детекции людей на электросамокатах.
В ходе работы задача обнаружения людей на электросамокатах была сформулирована, как задача детекции объектов (людей на электросамокатах) на изображении, рассмотрены существующие решения в области обнаружения электросамокатов и глубокие нейронные сети для возможного решения задачи. Была выбрана нейронная сеть YOLOv4 для решения поставленной задачи.
Также была составлена математическая модель и разработана архитектура для решения задачи детекции людей на электросамокатах. Были приведены метрики качества и функция потерь, которые позволяют определить точность работы YOLOv4. В качестве алгоритма обучения выбран метод обратного распространения ошибки с применением оптимизации функции потерь методом ускоренного градиента Нестерова.
Для сбора данных для обучения за внимание были взяты различные камеры города Челябинска. С них было собрано и размечено 11 233 изображения. Также был сгенерирован искусственный набор данных. В результате генерации было получено 5 744 изображений. Таким образом для обучения нейронной сети было получено 16 977 изображений.
В качестве фреймворка для обучения использовался DarkNet. Это фреймворк с открытым исходным кодом, написанный на языке Си. В качестве среды разработки использовался PyCharm c применением языка программирования Python 3.6.
Для проведения анализа точности работы нейронной сети были использованы метрики качества, такие как - точность (precision), полнота (recall)и метрика точности mAP.
Разработанное решение опиралось на статью [1]:
«Алиева, А. А. Обнаружение и классификация транспортных средств в режиме реального времени с помощью сверточной нейронной сети yolov5 / А. А. Алиева, Т. В. Карпета // Южно-Уральская молодежная школа по математическому моделированию: сб. тр. IV Всеросс. студ. науч.-практ. конф. – Челябинск: Издательский центр ЮУрГУ, 2021. – С. 13–20.».
Таким образом, цель достигнута, а поставленные задачи – полностью решены. Разработанная архитектура нейронной сети успешно внедрена и используется в проекте «Умный город» (подразделение «Умный транспорт») для обнаружения людей на электросамокатах.
В связи со стремительным развитием области нейронных сетей и появлением новых современных решений целью дальнейшей работы может стать исследование новых архитектур и подходов к решению задачи детекции людей на электросамокатах.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.