prikaz prve stranice dokumenta Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža
  Preuzmi
PDF 2.85 MB
diplomski rad
Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža
2020. urn:nbn:hr:200:723809
Matoš, Ivona
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za programsko inženjerstvo
Katedra za programske jezike i sustave

Citirajte ovaj rad

Matoš, I. (2020). Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:723809

Matoš, Ivona. "Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2020. https://urn.nsk.hr/urn:nbn:hr:200:723809

Matoš, Ivona. "Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2020. https://urn.nsk.hr/urn:nbn:hr:200:723809

Matoš, I. (2020). 'Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 18.04.2024., https://urn.nsk.hr/urn:nbn:hr:200:723809

Matoš I. Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2020 [pristupljeno 18.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:723809

I. Matoš, "Klasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:723809

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:723809
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovKlasifikacija prometnih znakova korištenjem konvolucijskih neuronskih mreža
Naslov (engleski)Traffic sign classification using convolutional neural networks
AutorIvona Matoš
MentorZdravko Krpić (mentor)
Član povjerenstvaZdravko Krpić (predsjednik povjerenstva)
Član povjerenstvaRatko Grbić (član povjerenstva)
Član povjerenstvaBruno Zorić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
(Zavod za programsko inženjerstvo)
(Katedra za programske jezike i sustave)
Osijek
Datum i država obrane2020-09-30, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Obradba informacija
Sažetak
Prepoznavanje prometnih znakova jedna je od ključnih odrednica potrebnih za realizaciju autonomnih vozila. U ovom radu evaluiran je rad konvolucijske neuronske mreže na problemu lokalizacije i klasifikacije prometnih znakova korištenjem prilagođene baze podataka. Kako bi se navedeni problem uspješno riješio, implementirana je RetinaNat konvolucijska neuronska mreža. Prometni znakovi koji se trebaju prepoznati podijeljeni su u 33 klase, a za automatsku augmentaciju slika i prilagodbu graničnih okvira unutar istih korištena je ImgAug biblioteka. Model RetinaNet mreže implementiran je u python skriptnom jeziku korištenjem Keras API-ja. Algoritam je testiran na posebnoj bazi slika te se, uzimajući u obzir složenost baze podataka, utvrdilo kako predloženi model mreže dobro prepoznaje prometne znakove postižući mAp u iznosu 71,70 %. Pritom ističu se prometni znakovi poput obaveznog zaustavljanja koji postižu gotovo 90 % mAp. Nasuprot tome, pojavljuju se prometni znakovi sa značajno nižom mAp. Uspješnost prepoznavanja prometnih znakova potencijalno bi se mogla poboljšati dodatnim balansiranjem pojedinih klasa baze podataka te korištenjem dubljih konvolucijskih neuronskih mreža kao okosnica za RetinaNet model.
Sažetak (engleski)
Traffic sign recognition is one of the key joints needed for realization of autonomous driving. This master's thesis evaluates the problems of localization and classification of traffic signs using convolutional neural network and custom made traffic sign database. As a part of this thesis, a RetinaNet convolutional neural network was implemented. There are 33 classes of traffic signs that need to be recognized. Also, an automatic augmentation was performed over the database using ImgAug library, whereas RetinaNet model was implemented using Python and Keras API. The algorithm was tested on separated test database. Considering complexity of the created database, it was established, that in most cases traffic signs are correctly recognized. The overall mAP of 71,70 % was achieved. There were traffic sign classes, such as stop, that achieved mAp of almost 90 %. On the contrary, there were classes that achieved signifficatly low mAp. However, the used model could reach better performance by balancing data in several classes of existing database with new images, as well as, using deeper backbones.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:200:723809
Studijski programNaziv: Automobilsko računarstvo i komunikacije
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka automobilskog računarstva i komunikacija (mag. ing. comp. et comm. techn)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2020-11-30 14:30:33