このアイテムの引用には次の識別子を使用してください:
http://elartu.tntu.edu.ua/handle/lib/52650| タイトル: | Розробка програмної частини системи запобігання зіткненню для великогабаритної техніки |
| その他のタイトル: | Development of the software part of the collision avoidance system for large-sized equipment |
| 著者: | Стойко, Денис Ігорович Stoiko, Denys |
| Affiliation: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра програмної інженерії, м. Тернопіль, Україна |
| Bibliographic reference (2015): | Стойко Д.І. Розробка програмної частини системи запобігання зіткненню для великогабаритної техніки: кваліфікаційна робота бакалавра за спеціальністю 121 «Інженерія програмного забезпечення» / Д. І. Стойко – Тернопільський національний технічний університет імені Івана Пулюя – Тернопіль, ТНТУ, 2026. – 51 с. |
| 発行日: | 6月-2026 |
| Date of entry: | 24-6月-2026 |
| 出版者: | Тернопільський національний технічний університет імені Івана Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопільський національний технічний університет імені Івана Пулюя, факультет ФІС |
| Supervisor: | Пастух, Олег Анатолійович |
| Committee members: | Осухівська, Галина Михайлівна |
| UDC: | 004.89 |
| キーワード: | бібліотека давач інтерфейс обмін даними CAN-шина Python YOLO library sensor interface data exchange CAN-bus |
| Number of pages: | 51 |
| 抄録: | У першому розділі досліджено предметну область, розглянуто наявні на даний момент аналогічні системи запобігання зіткнень, виконано огляд доступних технологій їх втілення.
У другому розділі були визначені вимоги, котрі необхідні для розробки кожного із програмних компонентів системи (графічного інтерфейсу, обміну даними через CAN-шину, нейромережі YOLO). Створені діаграми варіантів використання. Реалізований графічний інтерфейс користувача, котрий забезпечує під’єднання до апаратної частини системи по мережі. Втілено опрацювання помилок при допомозі спливаючих вікон, реалізовано методи для спрощення процесу застосування застосунку. Забезпечено ефективний обмін даними із найменшими часовими затримками та обробкою помилок. Навчена нейронна мережа, котра забезпечує високу точність і швидкість виявлення ймовірного зіткнення.
Третій розділ присвячено тестуванню компонентів системи за допомогою розроблених функціональних тестів. Усі створені тести пройшли успішне виконання.
Четвертий розділ висвітлює важливі питання безпеки життєдіяльності та основ охорони праці. The first section explores the subject area, considers the currently available similar collision avoidance systems, and reviews available technologies for their implementation. The second section identifies the requirements necessary for the development of each of the system's software components (graphical interface, data exchange via CAN bus, YOLO neural network). Use case diagrams are created. A graphical user interface is implemented that provides connection to the system hardware over the network. Error handling using pop-up windows is implemented, methods are implemented to simplify the application application process. Effective data exchange with the lowest time delays and error handling is provided. A neural network is trained that provides high accuracy and speed of detecting a potential collision. The third deals with the testing system components using the developed functional tests. All created tests were successfully completed. The fourth section highlights important issues of life safety and the basics of labor protection. |
| Content: | ВСТУП 9 1 ОГЛЯД ПРЕДМЕТНОЇ ОБЛАСТІ 10 1.1 ОГЛЯД АНАЛОГІВ 10 1.1.1 SICK SAFETY COLLISION PREVENTION SYSTEM 10 1.1.2 CATERPILLAR CAT DETECT SAFETY SYSTEM 11 1.1.3 KOMATSU INTELLIGENT MACHINE CONTROL 12 1.1.4 JOHN DEERE ACTIVECOLLISION AVOIDANCE SYSTEM 13 1.2 ОГЛЯД ІСНУЮЧИХ ТЕХНОЛОГІЙ РЕАЛІЗАЦІЇ 14 1.3 ВИСНОВКИ ДО ПЕРШОГО РОЗДІЛУ 16 2 ПРОЄКТУВАННЯ ТА РЕАЛІЗАЦІЯ 17 2.1 ВИМОГИ ДО СИСТЕМИ 17 2.1.1 ВИМОГИ ДО ЗАСТОСУНКУ 17 2.1.2 ВИМОГИ ДО КОМПОНЕНТУ ОБМІНУ ДАНИМИ 18 2.1.3 ВИМОГИ ДО НЕЙРОННОЇ МЕРЕЖІ 18 2.2 АРХІТЕКТУРА СИСТЕМИ 18 2.3 ПРОЕКТУВАННЯ ПРОГРАМИ ДЛЯ НАЛАШТУВАННЯ ПАРАМЕТРІВ 19 2.4 ПРОЕКТУВАННЯ КОМПОНЕНТУ ОБМІНУ ДАНИХ 22 2.5 ПРОЕКТУВАННЯ КОМПОНЕНТА НЕЙРОННОЇ МЕРЕЖІ 23 2.6 РЕАЛІЗАЦІЯ 24 2.6.1 ПРОГРАМНІ ЗАСОБИ РЕАЛІЗАЦІЇ 24 2.6.2 РЕАЛІЗАЦІЯ ЗАСТОСУНКУ 25 2.6.3 РЕАЛІЗАЦІЯ КОМПОНЕНТУ ОБМІНУ ДАНИМИ 30 2.6.4 РЕАЛІЗАЦІЯ НЕЙРОННОЇ МЕРЕЖІ 34 2.7 ВИСНОВКИ ДО ДРУГОГО РОЗДІЛУ 36 3 ТЕСТУВАННЯ 38 3.1 ТЕСТУВАННЯ ЗАСТОСУНКУ 38 3.2 ТЕСТУВАННЯ КОМПОНЕНТА ОБМІНУ ДАНИМИ 40 3.3 ТЕСТУВАННЯ НЕЙРОННОЇ МЕРЕЖІ 40 3.4 ВИСНОВКИ ДО ТРЕТЬОГО РОЗДІЛУ 41 4 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 42 4.1 КЛАСИФІКАЦІЯ ШКІДЛИВИХ ТА НЕБЕЗПЕЧНИХ ВИРОБНИЧИХ ФАКТОРІВ 42 4.2 ВПЛИВ ВІБРАЦІЇ НА ЛЮДИНУ 44 4.3 ВИСНОВКИ ДО ЧЕТВЕРТОГО РОЗДІЛУ 47 ВИСНОВКИ 48 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 49 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/52650 |
| Copyright owner: | © Стойко Денис Ігорович, 2026 |
| References (Ukraine): | 1. Amato F., Nardone R., Santone A. CAN-Bus AttackDetection With Deep Learning. // Transactions on Intelligent Transportation Systems, IEEE 2021. 5081–5090 pp. 2. SICK Safety Collision Prevention. URL: https://www.sick.com/ag/en/catalog/archive/s3000-anti-collision/c/g329351 (дата звернення: 25.04.2026). 3. Caterpillar Cat Detect Safety System. URL: https://www.cat.com/en_US/support/operations/technology/product-link-owners-manuals/cat-object-detection-manuals.html (дата звернення: 25.04.2026). 4. Komatsu Intelligent Machine Control. URL: https://www.komatsu.eu/en/komatsu-intelligent-machine-control (дата звернення: 25.04.2026). 5. John Deere ActiveCollision Avoidance System. URL: https://www.deere.com/en/technology-products/precision-ag-technology/guidance/auto-trac/ (дата звернення: 25.04.2026). 6. Kumar P., Narasimha Swamy S., Purohit G., Raju K. S., Real-time, yolo-based intelligent surveillance and monitoring system using jetson tx2. // Data Analytics and Management Proceedings of ICDAM, Springer 2021. 461– 471 pp. 7. Jetson Software Documentation. URL: https://docs.nvidia.com/jetson/tation (дата звернення: 29.04.2026). 8. Donmez T. C. M. Anomaly Detection in Vehicular CAN Bus UsingMessage Identifier Sequences. // IEEE Access, 2021. 105–108 pp. 9. Marchetti M., Stabili D. Anomaly detection of can bus messagesthrough analysis of id sequences. // IEEE Intelligent VehiclesSymposium (IV), 2017. 1577–1583 pp. 10. Taylor A., Japkowicz N., Leblanc S. Frequency-based anomaly detection for the automotive can bus. // 2015 World Congress on IndustrialControl Systems Security (WCICSS), 2015. 45–49 pp. 11. Müter M., Asaj N. Entropy-based anomaly detection for in-vehiclenetworks. // 2011 IEEE Intelligent Vehicles Symposium (IV), 2011. 1110– 1115 pp. 12. Diwan, T., Anirudh, G., & Tembhurne, J. V. (2023). Object detection using YOLO: Challenges, architectural successors, datasets and applications. Multimedia Tools and Applications, 82(6), 9243–9275. https://doi.org/10.1007/s11042- 022-13644-y 13. Redmon J., Divvala S., Girshik R. You Only Look Once: Unified, Real-Time Object Detection.//IEEE Conference on Computer Vision and Pattern Recognition Conference, 2016. 45–49 pp. 14. Python 3.7. URL: https://www.python.org/downloads/release/python-373/ (дата звернення: 30.04.2026). 15. Pycharm. URL: https://www.jetbrains.com/pycharm/ (дата звернення: 30.04.2026). |
| Content type: | Bachelor Thesis |
| 出現コレクション: | 121 — Інженерія програмного забезпечення, F2 Інженерія програмного забезпечення (бакалаври) |
このアイテムのファイル:
| ファイル | 記述 | サイズ | フォーマット | |
|---|---|---|---|---|
| dyplom_Stoiko_D_2026.pdf | 1,02 MB | Adobe PDF | 見る/開く |
このリポジトリに保管されているアイテムはすべて著作権により保護されています。
管理ツール