Tato diplomová práce řeší detekci škůdců pomocí neuronové sítě, při použití algoritmu YOLO. Cíl byl natrénovat síť pro přesnou a rychlou detekci škůdců. Hodnocení se usku-tečnilo na základě výsledných obrázků, kde bylo vidět, jak je síť úspěšná. Dále bylo při-hlíženo na ukazatele Precision, Recall, mAP50(B) a AP50-95(B) . Byly testovány tři dru-hy škůdců. V diplomové práci zhodnocena kvalita datasetu. Bylo provedeno vyhodnocení procesu učení.
Anotace v angličtině
This diploma thesis deals with the detection of pests using a neural network, using the YOLO algorithm. The goal was to train the network for accurate and fast pest detection. The evaluation was carried out on the basis of the resulting images, which showed how successful the network was. The Precision, Recall, mAP50(B) and AP50-95(B) indicators were also taken into account. Three types of pests were tested. The quality of the dataset was evaluated in the thesis. An evaluation of the learning process was carried out.
deep learning, computer vision, object detection, pest detection, YOLO, Scaled -YOLO
Rozsah průvodní práce
64
Jazyk
CZ
Anotace
Tato diplomová práce řeší detekci škůdců pomocí neuronové sítě, při použití algoritmu YOLO. Cíl byl natrénovat síť pro přesnou a rychlou detekci škůdců. Hodnocení se usku-tečnilo na základě výsledných obrázků, kde bylo vidět, jak je síť úspěšná. Dále bylo při-hlíženo na ukazatele Precision, Recall, mAP50(B) a AP50-95(B) . Byly testovány tři dru-hy škůdců. V diplomové práci zhodnocena kvalita datasetu. Bylo provedeno vyhodnocení procesu učení.
Anotace v angličtině
This diploma thesis deals with the detection of pests using a neural network, using the YOLO algorithm. The goal was to train the network for accurate and fast pest detection. The evaluation was carried out on the basis of the resulting images, which showed how successful the network was. The Precision, Recall, mAP50(B) and AP50-95(B) indicators were also taken into account. Three types of pests were tested. The quality of the dataset was evaluated in the thesis. An evaluation of the learning process was carried out.
deep learning, computer vision, object detection, pest detection, YOLO, Scaled -YOLO
Zásady pro vypracování
Vypracujte literární rešerši zabývající se modely pro detekci objektů v obraze.
Seznamte se s možnostmi automatické diagnostiky zdraví rostlin se zaměřením na detekci škůdců.
Připravte dataset a proveďte jeho anotaci.
Natrénujte vhodné modely konvolučních sítí na připravených datech.
Proveďte kvantitativní a kvalitativní srovnání výsledků realizovaných modelů
Zásady pro vypracování
Vypracujte literární rešerši zabývající se modely pro detekci objektů v obraze.
Seznamte se s možnostmi automatické diagnostiky zdraví rostlin se zaměřením na detekci škůdců.
Připravte dataset a proveďte jeho anotaci.
Natrénujte vhodné modely konvolučních sítí na připravených datech.
Proveďte kvantitativní a kvalitativní srovnání výsledků realizovaných modelů
Seznam doporučené literatury
GOODFELLOW, Ian, BENGIO, Yoshua a Aaron COURVILLE. Machine learning basics. Deep learning. MIT Press. 2016. ISBN 9780262035613.
RAMSUNDAR, Bharath a Reza Bosagh ZADEH. TensorFlow for deep learning: from linear regression to reinforcement learning. Beijing: O'Reilly Media. 2018. ISBN 9781491980422.
ROSEBROCK, Adrian. Starter Bundle. In: Deep Learning for Computer Vision with Python. 2017.
ROSEBROCK, Adrian. Practitioner Bundle. In: Deep Learning for Computer Vision with Python. 2017.
LIU, L. et al. PestNet : an end-to-end deep learning approach for large-scale multi-class pest detection and classification. IEEE Access. 2019. 7. pp. 45301-45312, ISSN: 2169-3536.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
Seznam doporučené literatury
GOODFELLOW, Ian, BENGIO, Yoshua a Aaron COURVILLE. Machine learning basics. Deep learning. MIT Press. 2016. ISBN 9780262035613.
RAMSUNDAR, Bharath a Reza Bosagh ZADEH. TensorFlow for deep learning: from linear regression to reinforcement learning. Beijing: O'Reilly Media. 2018. ISBN 9781491980422.
ROSEBROCK, Adrian. Starter Bundle. In: Deep Learning for Computer Vision with Python. 2017.
ROSEBROCK, Adrian. Practitioner Bundle. In: Deep Learning for Computer Vision with Python. 2017.
LIU, L. et al. PestNet : an end-to-end deep learning approach for large-scale multi-class pest detection and classification. IEEE Access. 2019. 7. pp. 45301-45312, ISSN: 2169-3536.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
Přílohy volně vložené
-
Přílohy vázané v práci
ilustrace, grafy, schémata, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student seznámil komisi s výsledky své diplomové práce. Poté byly přečteny posudky vedoucí a oponentky a následně byla vedena rozprava, během které byly položeny následující dotazy a komentáře.
Student byl na diplomovou práci zapsaný 2 roky. Praktickou část práce začal řešit až ke konci
období na práci určeném (sporadicky konec června, července a hlavně srpen 2023). Ač jsem
studentovi radila, většina věcí v textu diplomové práce zapracována nebyla.
Teoretická část obsahuje spoustu textu, který není relevantní k tématu diplomové práce, např.
využití počítačového vidění ve zdravotnictví či v řízení automobilů, ale text k automatické
diagnostice zdraví rostlin chybí, případně další metody detekce škůdců také. (prof. Komínková Oplatková)
1. Mohl byste shrnout, které metody popsané v teoretické části jste použil při řešení diplomové práce.
2. V práci postrádám analýzu současného stavu metod používaných k řešení zadané problematiky. Porovnejte metody používané pro řešení zadaného problému, které byly publikovány jinými autory. (prof. Volná)
Proč jste vybral yolo verze 5 na vyhodnocení? (prof. Komínková Oplatková)
Vysvětlete proč u učení máte velkou molici a pak použijete na malé molice? Bod 4 zadání je formulován pro více modelů, použil jste jen jeden? Vysvětlete. Jak vypadá kvantitativní a kvalitativní srovnání? (dr. Janků)
Prezentoval jste úspěšnost rozpoznání škůdce. Je někde zahrnuto ve výpočtu, kolik škůdců nejde rozpoznat? Jak často jste konzultoval práci? (dr. Sysala)
Komise konstatuje, že student nesplnil body zadání. Komise většinou hlasů rozhodla, že student neprospěl.