Tato bakalářská práce se zaměřuje na detekci správného nasazení roušek nebo respirátorů ve videu v kontextu pandemie Covid-19. Teoretická část zkoumá koncepty a techniky strojo-vého učení a konvolučních neuronových sítí pro detekci objektů. Praktická část zahrnuje výběr, přípravu a trénování detekčních modelů, s důrazem na model YOLOv5. Testování prokázalo účinnost detekce nošení masek s možností zlepšení pro nesprávně nasazené mas-ky. Práce představuje využití strojového učení pro detekci nošení masek ve videu a navrhu-je implementaci v soukromých klinikách a menších zdravotnických zařízeních pro sledování dodržování pravidel nošení roušek nebo respirátorů.
Anotace v angličtině
This bachelor's thesis focuses on the detection of correct mask or respirator usage in videos within the context of the Covid-19 pandemic. The theoretical part explores concepts and techniques of machine learning and convolutional neural networks for object detection. The practical part involves the selection, preparation, and training of detection models, with an emphasis on the YOLOv5 model. Testing has demonstrated the effectiveness of mask-wearing detection with potential improvements for incorrectly worn masks. The thesis showcases the application of machine learning for mask-wearing detection in videos and proposes its implementation in private clinics and smaller healthcare facilities to monitor compliance with mask-wearing rules.
Klíčová slova
detekce roušek, strojové učení, trénování modelů, model YOLOv5
Klíčová slova v angličtině
mask detection, machine learning, model training, YOLOv5
Rozsah průvodní práce
64
Jazyk
CZ
Anotace
Tato bakalářská práce se zaměřuje na detekci správného nasazení roušek nebo respirátorů ve videu v kontextu pandemie Covid-19. Teoretická část zkoumá koncepty a techniky strojo-vého učení a konvolučních neuronových sítí pro detekci objektů. Praktická část zahrnuje výběr, přípravu a trénování detekčních modelů, s důrazem na model YOLOv5. Testování prokázalo účinnost detekce nošení masek s možností zlepšení pro nesprávně nasazené mas-ky. Práce představuje využití strojového učení pro detekci nošení masek ve videu a navrhu-je implementaci v soukromých klinikách a menších zdravotnických zařízeních pro sledování dodržování pravidel nošení roušek nebo respirátorů.
Anotace v angličtině
This bachelor's thesis focuses on the detection of correct mask or respirator usage in videos within the context of the Covid-19 pandemic. The theoretical part explores concepts and techniques of machine learning and convolutional neural networks for object detection. The practical part involves the selection, preparation, and training of detection models, with an emphasis on the YOLOv5 model. Testing has demonstrated the effectiveness of mask-wearing detection with potential improvements for incorrectly worn masks. The thesis showcases the application of machine learning for mask-wearing detection in videos and proposes its implementation in private clinics and smaller healthcare facilities to monitor compliance with mask-wearing rules.
Klíčová slova
detekce roušek, strojové učení, trénování modelů, model YOLOv5
Klíčová slova v angličtině
mask detection, machine learning, model training, YOLOv5
Zásady pro vypracování
1. Vypracujte literární rešerši zabývající se modely strojového učení pro detekci objektů v obraze/videu. 2. Stručně popište proces učení a aplikace hlubokých neuronových sítí. 3. Vyberte několik různých detekčních modelů vhodných pro detekci nasazení roušky/respirátoru. Při výběru modelů se zaměřte na požadavek použití výsledného modelu pro detekci ve videu. 4. Natrénujte vytipované modely na veřejně dostupném datasetu Face Mask Detection. 5. Vyberte nejlepší z natrénovaných modelů a otestujte jeho funkci ve videu.
Zásady pro vypracování
1. Vypracujte literární rešerši zabývající se modely strojového učení pro detekci objektů v obraze/videu. 2. Stručně popište proces učení a aplikace hlubokých neuronových sítí. 3. Vyberte několik různých detekčních modelů vhodných pro detekci nasazení roušky/respirátoru. Při výběru modelů se zaměřte na požadavek použití výsledného modelu pro detekci ve videu. 4. Natrénujte vytipované modely na veřejně dostupném datasetu Face Mask Detection. 5. Vyberte nejlepší z natrénovaných modelů a otestujte jeho funkci ve videu.
Seznam doporučené literatury
[1] ROSEBROCK, Adrian. Deep learning for computer vision with Python: Practitioner Bundle. PyImageSearch, 2017. ISBN 978-1-986723817. [2] ROSEBROCK, Adrian. Deep learning for computer vision with Python: Starter bundle. PyImageSearch, 2017. ISBN 9781986538138. [3] ROSEBROCK, Adrian. Deep learning for computer vision with Python: ImageNet bundle. PyImageSearch, 2017. ISBN 978-1-986723848. [4] GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning: ImageNet bundle. Adaptive computation and machine learning. Cambridge, Massachussetts ; London: The MIT Press, 2016. ISBN 9780262035613. [5] SHAOHUI, Lin, Cai LING, Lin XIANMING a Ji RONGRONG. Masked face detection via a modified LeNet. Volume 218. Neurocomputing, 2016. ISBN 197–202. [6] ADHINATA, F. D., D. P. RAKHMADANI, M. WIBOWO a A. JAYADI. A Deep Learning Using DenseNet201 to Detect Masked or Non-masked Face. 9(1). JUITA Jurnal Informatika, 2021. ISBN 115-121.
Seznam doporučené literatury
[1] ROSEBROCK, Adrian. Deep learning for computer vision with Python: Practitioner Bundle. PyImageSearch, 2017. ISBN 978-1-986723817. [2] ROSEBROCK, Adrian. Deep learning for computer vision with Python: Starter bundle. PyImageSearch, 2017. ISBN 9781986538138. [3] ROSEBROCK, Adrian. Deep learning for computer vision with Python: ImageNet bundle. PyImageSearch, 2017. ISBN 978-1-986723848. [4] GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning: ImageNet bundle. Adaptive computation and machine learning. Cambridge, Massachussetts ; London: The MIT Press, 2016. ISBN 9780262035613. [5] SHAOHUI, Lin, Cai LING, Lin XIANMING a Ji RONGRONG. Masked face detection via a modified LeNet. Volume 218. Neurocomputing, 2016. ISBN 197–202. [6] ADHINATA, F. D., D. P. RAKHMADANI, M. WIBOWO a A. JAYADI. A Deep Learning Using DenseNet201 to Detect Masked or Non-masked Face. 9(1). JUITA Jurnal Informatika, 2021. ISBN 115-121.
Přílohy volně vložené
CD
Přílohy vázané v práci
ilustrace, grafy, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Bakalář odprezentoval před komisí hlavní cíle a výsledky své bakalářské práce. Prezentace jako celek byla zpracována na velmi dobré úrovni, student dokázal vystihnout klíčové body práce. Následně byl student seznámen s posudky vedoucího a oponenta bakalářské práce. Bakalář postupně odpověděl na otázky oponenta práce.
Komise vznesla k obhajobě následující dotazy:
1) doc. Prokopová: Nedávalo by smysl vyzkoušet i jiný typ masky?