Chytrá kamera pro sledování zájmových objektů

Abstract

Naše diplomová práce se zaměřuje na systémy hlubokého učení s nízkou spotřebou pracující v reálném čase, které využívají kvantizované neuronové sítě. Konkrétně implementujeme vícestupňovou aplikaci počítačového vidění, která provádí detekci vozidel, detekci registračních značek a jejich rozpoznávání. Celá aplikace je rozdělena mezi desku \emph{Raspberry Pi 5} kombinovanou s akcelerátory strojového učení \emph{Hailo-8 AI Accelerator} a \emph{Raspberry Pi AI Camera}. Uvedený hardware je umístěn v pouzdře vybaveném dobíjecími lithium-iontovými bateriemi, což umožňuje jeho ruční užívání. Dále se zaměřujeme na správnou konfiguraci zpracování obrazového signálu v kombinaci s vylepšením obrazu pomocí hlubokého učení pro nízké osvětlení a malé rozlišení za účelem zlepšení výsledků detekce a rozpoznání registračních značek. Naše aplikace dosahuje průměrné přesnosti rozpoznání 0.978, přesnosti detekce 0.965 a citlivosti detekce 0.983 v různých scénářích použití a světelných podmínkách, včetně nočního pouličního osvětlení.Our thesis focuses on low-powered real-time deep learning inference systems utilizing quantized neural networks. Specifically, we implement a multi-stage computer vision application that performs vehicle detection, registration plate detection, and registration plate recognition. The whole application is decomposed between a \emph{Raspberry Pi 5} board combined with \emph{Hailo-8 AI Accelerator} and \emph{Raspberry Pi AI Camera} deep learning accelerators. We enclose the named hardware in a case equipped with lithium-ion rechargeable batteries, enabling the system to be operated hand-held. Furthermore, we focus on the correct image signal processing configuration combined with low-light and super-resolution deep learning image enhancements for improving the detection and reading results. Our application, on average, achieves 0.978 recognition accuracy, 0.965 detection precision, and 0.983 detection recall under multiple use cases and in various lighting conditions, including street lighting at night.