Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/35429| Назва: | Комп'ютерна система на основі нейромережі для виявлення зіткнення автомобілів |
| Інші назви: | Neuronet-based computer-aided system of cars collisions detection based on face video analysis |
| Автори: | Головатий, Ігор Богданович Holovatiy, Ihor |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя |
| Бібліографічний опис: | Головатий І. Б. Комп'ютерна система на основі нейромережі для виявлення зіткнення автомобілів : кваліфікаційна робота бакалавра за спеціальністю „123 — Комп’ютерна інженерія“ / Головатий Ігор Богданович. — Тернопіль : ТНТУ, 2021. – 56 c. |
| Дата публікації: | чер-2021 |
| Дата подання: | чер-2021 |
| Дата внесення: | 23-чер-2021 |
| Видавництво: | Тернопільський національний технічний університет імені Івана Пулюя |
| Країна (код): | UA |
| Місце видання, проведення: | Тернопільський національний технічний університет імені Івана Пулюя |
| Науковий керівник: | Гащин, Надія Богданівна Hashtchyn, Nadia |
| Члени комітету: | Крамар, Олександр Іванович Kramar, Oleksandr |
| УДК: | 004.9 |
| Теми: | відеоряд дескриптор детектування дтп метрики якості yolo video series descriptor accident detection quality metrics yolo |
| Кількість сторінок: | 56 |
| Короткий огляд (реферат): | Кваліфікаційна робота присвячена розробці системи, що дозволяє визначати серйозні автомобільні зіткнення на відеоряді, записаному камерами дорожнього спостереження. Проведено огляд існуючих систем детектування дорожньо-транспортних пригод. Запропоновано спосіб вирішення проблеми за допомогою нейромережі, Наведено опис алгоритму детектування автокатастроф, здійснено пошук і підготовка вибірки. Проаналізовано алгоритми детектування об'єктів. Для детектування автомобіля на відео вибрано YOLOv3-детектор.
Здійснено порівняння детекторів об'єктів для з'ясування впливу на кінцеву ефективність роботи системи в цілому. Реалізовано алгоритм детектування зіткнення автомобілів в режимі реального часу. Розроблювана система була протестована на реальних даних для визначення зіткнень автомобілів. Отримані практичні результати дозволяють стверджувати про ефективність використання розробки.. The qualification work deals with the development of a system that allows you to identify serious car collisions on a video recorded by surveillance cameras. A review of existing road accident detection systems was conducted. The way of the decision of a problem by means of a neural network is offered, the description of algorithm of detection of car accidents is given, search and preparation of sampling is carried out. Object detection algorithms are analyzed. A YOLOv3 detector is selected to detect the car on video. The object detectors are compared to determine the impact on the final efficiency of the system as a whole. The algorithm of car collision detection in real time is implemented. The developed system was tested on real data to determine car collisions. The obtained practical results allow us to assert the effectiveness of the development. |
| Зміст: | Вступ. 1. Аналіз технічного завдання. 1.1 Огляд систем детектування ДТП. 1.2. Поняття ДТП. 2. Проектна частина. 2.1. Згорткові нейронні мережі. 2.2. Спосіб вирішення проблеми. за допомогою згорткових нейронних мереж. 2.3. Опис алгоритму детектування автокатастроф. 2.4. Пошук і підготовка вибірки. 2.5. Аналіз алгоритмів детектування об'єктів. 3. Практична частина. 3.1. Порівняння детекторів об'єктів для з'ясування впливу на кінцеву ефективність роботи системи в цілому. 3.2. Реалізація алгоритму детектування зіткнення автомобілів в режимі реального часу. 3.3. Отримані результати експериментів. 4. Безпека життєдіяльності, основи хорони праці. Висновки. Список використаних джерел |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/35429 |
| Власник авторського права: | ©Головатий Ігор Богданович, 2021 |
| Перелік літератури: | 1. Julia Lahn, Heiko Peter, Peter Braun, Car crash detection on smartphones. ACM International Conference Proceeding Series. URL: https://www.researchgate.net/publication/299855987_Car_crash_detection_on_smart phones (дата звернення: 15.05.2021). 2. Pasquale Foggia, Alessia Saggese, Nicola Strisciuglio, Mario Vento, Nicolai Petkov, Car crashes detection by audio analysis in crowded roads. 12th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), 2015. URL: https://ieeexplore.ieee.org/abstract/document/ 7301731 (дата звернення: 9.05.2021). 3. Parag Parmar, Ashok M. Sapkal, Real time detection and reporting of vehicle collision. International Conference on Trends in Electronics and Informatics (ICEI), 2017. URL: https://ieeexplore.ieee.org/abstract/ document/8300863 (дата звернення: 9.05.2021). 4. Дорожно-транспортные травмы. Офіційний сайт ВООЗ. URL: https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries (дата звернення: 19.04.2021). 5. Романов А.А., Сверточные нейронные сети // Cборник научных трудов по материалам XXI Международной научно–практической конференции "Научные исследования: ключевые проблемы III тысячелетия" Москва, 09–10 января 2018 г. – C. 1–4. 6. Machaca Arceda V., Laura Riveros E., Fast car crash detection in video. IEEE International Conference on Electronics, 2018. URL: http://cleilaclo2018.mackenzie.br/docs/SLCGRVPI/182916.pdf (дата звернення: 02.04.2021). 7. Tal Hassner, Yossi Itcher, Orit Kliper-Gross, Violent Flows: Real-Time Detection of Violent Crowd Behavior. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2012. URL: http://cleilaclo2018.mackenzie.br/docs/SLCGRVPI/182916.pdf (дата звернення: 07.06.2021). 8. Chandan G., Ayush Jain, Harsh Jain, Mohana India, Real Time Object Detection and Tracking Using Deep Learning and OpenCV. International Conference on Inventive Research in Computing Applications (ICIRCA), 2018. URL: https://ieeexplore.ieee.org/document/8597266/ (дата звернення: 14.05.2021). 9. Asha C.S., Narasimhadhan A.V. Vehicle Counting for Traffic Management System using YOLO and Correlation Filter. IEEE International Conference on Electronics, 2018. URL: https://ieeexplore.ieee.org/abstract/document/8482380 (дата звернення: 14.05.2021). 10. Arceda V. M., Fabián K. F., and Gutiérrez J. Real time violence detection in video. IET Conference Proceedings, 2016. URL: http://digital-library.theiet.org/content/conferences/10.1049/ic.2016.0030 (дата звернення: 05.06.2021). 11. Метрики в задачах машинного обучения. Habr blog, 2017. URL: https://habr.com/ru/company/ods/blog/328372/ (дата звернення: 05.06.2021). 12. Picard R. W. Affective computing // MIT Press, 2000. – 292 р. 13. Методы оценки ошибок классификации. URL: https://poisk-ru.ru/s11757t5.html (дата звернення: 02.06.2021). 14. Соколов Е. Выбор моделей и критерии качества. URL: http://www.machinelearning.ru/wiki/images/1/1c/Sem06_metrics.pdf (дата звернення: 20.05.2021). 15. Мавлетова А. Машинное обучение с учителем. URL: https://www.hse.ru/data/2016/09/24/1123730671/Mavletova_2016_Krysht_Co nf.pdf (дата звернення: 16.05.2021)/ 16. Стеблюк М.І. Цивільна оборона: Підручник. – Знання, 2006. – 487 с. 17. Толок А.О. Крюковська О.А. Безпека життєдіяльності: Навч. посібник. – 2011. – 215 с. 18. Агєєв Є .Я. Основи охорони праці: Навчально-методичний посібник для самостійної роботи по вивченню дисципліни – Львів: «Новий Світ – 2000», 2009. – 404 с. 19. Основи охорони праці: Підручник.; 3-те видання, доповнене та перероблене / За ред. К. Н Ткачука. – К.: Основа, 2011. – 480 с. |
| Тип вмісту: | Bachelor Thesis |
| Розташовується у зібраннях: | 123 — Комп’ютерна інженерія (бакалаври) |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Головатий_SIs44.pdf | 1,77 MB | Adobe PDF | Переглянути/відкрити | |
| Авторська_довідка_Головатий.doc | 27,5 kB | Microsoft Word | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора