Cílem této práce je tvorba aplikace detekce objektů v obraze implementovaná na platformě Nvidia Jetson Nano. Je vypracován potřebný teoretický základ potřebný porozumění problematice konvolučních neuronových sítí a na příkladech popsán postup jejich učení. Na závěr je vypracováno srovnání vytvořeného řešení na platformě Nvidia Jetson Nano s komerčním systémem od firmy Cognex pro zpracování obrazu na principu neuronových sítí.
Anotace v angličtině
This work focuses on creation visual object detection application implemented on Nvidia Jetson Nano. There is given necessary theoretical basis for understanding the problem of convolutional neural networks and described procedure of their learning is described on examples. Finally, a comparison of the developed solution on the Nvidia Jetson Nano platform with a commercial vision system from Cognex company is made.
Cílem této práce je tvorba aplikace detekce objektů v obraze implementovaná na platformě Nvidia Jetson Nano. Je vypracován potřebný teoretický základ potřebný porozumění problematice konvolučních neuronových sítí a na příkladech popsán postup jejich učení. Na závěr je vypracováno srovnání vytvořeného řešení na platformě Nvidia Jetson Nano s komerčním systémem od firmy Cognex pro zpracování obrazu na principu neuronových sítí.
Anotace v angličtině
This work focuses on creation visual object detection application implemented on Nvidia Jetson Nano. There is given necessary theoretical basis for understanding the problem of convolutional neural networks and described procedure of their learning is described on examples. Finally, a comparison of the developed solution on the Nvidia Jetson Nano platform with a commercial vision system from Cognex company is made.
Proveďte rešerši metod detekce objektů pro strojové vidění.
Seznamte se s embedded platformou nVidia Jetson Nano a jejími možnostmi pro detekci objektů v obraze.
Vytvořte aplikaci s využitím hlubokého učení na platformě Jetson Nano pro detekci objektů.
Ověřte funkci aplikace pro detekci vad výrobku.
Porovnejte s průmyslovým systémem pro detekci vad.
Zásady pro vypracování
Proveďte rešerši metod detekce objektů pro strojové vidění.
Seznamte se s embedded platformou nVidia Jetson Nano a jejími možnostmi pro detekci objektů v obraze.
Vytvořte aplikaci s využitím hlubokého učení na platformě Jetson Nano pro detekci objektů.
Ověřte funkci aplikace pro detekci vad výrobku.
Porovnejte s průmyslovým systémem pro detekci vad.
Seznam doporučené literatury
CHOLLET, Francois, 2019. Deep learning v jazyku Python. Praha: Grada. ISBN 978-8024731001.
SOLEM, Jan Erik, 2012. Programming Computer Vision with Python: Tools and algorithms for analyzing images. Massachusetts: O'Reilly Media. ISBN 978-1449316549.
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE, 2016. Deep learning. Cambridge: MIT Press. Adaptive computation and machine learning (MIT Press). ISBN 978-0262035613.
ROSENBROCK, Adrian, 2017. Deep learning for computer vision with Python. Místo není známé: PyimageSearch. ISBN 978-1986538138.
FORSYTH, David a Jean PONCE, 2011. Computer Vision: A Modern Approach. 2nd Edition. London: Pearson. ISBN 9780273764144.
DAVIES, E.R., 2012. Computer and machine vision: Theory, algorithms, practicalities. 4th Edition. Boston: Elsevier. ISBN ISBN 978-01-2386-908-1.
Seznam doporučené literatury
CHOLLET, Francois, 2019. Deep learning v jazyku Python. Praha: Grada. ISBN 978-8024731001.
SOLEM, Jan Erik, 2012. Programming Computer Vision with Python: Tools and algorithms for analyzing images. Massachusetts: O'Reilly Media. ISBN 978-1449316549.
GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE, 2016. Deep learning. Cambridge: MIT Press. Adaptive computation and machine learning (MIT Press). ISBN 978-0262035613.
ROSENBROCK, Adrian, 2017. Deep learning for computer vision with Python. Místo není známé: PyimageSearch. ISBN 978-1986538138.
FORSYTH, David a Jean PONCE, 2011. Computer Vision: A Modern Approach. 2nd Edition. London: Pearson. ISBN 9780273764144.
DAVIES, E.R., 2012. Computer and machine vision: Theory, algorithms, practicalities. 4th Edition. Boston: Elsevier. ISBN ISBN 978-01-2386-908-1.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Diplomant prezentoval před komisí hlavní cíle a výsledky své diplomové práce.
Prezentace jako celek působila vyváženě.
Následně byl student seznámen s posudky vedoucího a oponenta diplomové práce.
Komise vznesla k obhajobě následující dotazy:
Prof. Farana: Proč je tak velký rozdíl v přesnosti detekce?
Prof. Farana: Je skutečně dosažená přesnost téměř 100%?
Dr. Dulík: Jaký rozdíl je ve vaší práci mezi klasifikací a detekcí?
Dr. Dulík: Jsou šroubky použité v práci reálná aplikace nebo jen příklad?
Prof. Piteĺ: Jakou technologii využíval Cognex Vidi?