Rozpoznávání objektů při snížené viditelnosti pomocí AI

Abstract

Tato práce se zabývá vývojem systému pro detekci osob v podmínkách snížené viditelnosti pomocí neuronových sítí. Po prozkoumání funkce neuronových sítí byl vytvořen systém, který využívá model YOLOv5s, který byl dotrénován na datasetu obsahujícím především osoby za horších viditelnostních podmínek. Pro zpracování obrazu bylo zvoleno zařízení OAK-1 s čipem RVC2 a Raspberry Pi 5 pro zobrazení výsledků. Natrénovaný model dosahuje přesnosti detekce mAP50 77, 4 %. Model byl testován jak v evaluačním prostředí Google Colab tak i v reálném prostředí s umělou mlhou, kde kamera instalovaná ve výšce 3 metrů a prokázala uspokojivé výsledky detekce při rychlosti zpracování 70 80 ms na snímek. Výsledné řešení nabízí systém pro detekci osob v reálném čase s vizualizací detekovaných objektů a jejich jistotou detekce, přístupný přes webové rozhraní postavené na frameworku Flask.

This thesis deals with the development of a system for detecting people in low visibility conditions using neural networks. After investigating the function of neural networks, a system has been developed using the YOLOv5s model, which has been retrained on a dataset containing mainly people under low visibility conditions. An OAK-1 device with an RVC2 chip was chosen for image processing and a Raspberry Pi 5 was used to display the results. The trained model achieves a mAP50 detection accuracy of 77.4 %. The model was tested both in the Google Colab evaluation environment and in a real artificial fog environment, where the camera was installed at a height of 3 meters and showed satisfactory detection results at a processing speed of 70 80 ms per frame. The resulting solution offers a real-time person detection system with visualization of detected objects and their detection confidence, accessible through a web interface built on the Flask framework.