Estimacija lokacije i orijentacije metalnih objekata iz linijskih odziva impulsnog detektora metala primjenom konvolucijskih neuronskih mreža

diplomski rad

• Naslov (engleski): Estimation of Location and Orientation of Metal Objects From Line Responses of Pulse Metal Detector Using Convolutional Neural Networks
• Autor: Ivan Barać
• Mentor: Vedran Bilas (mentor)
• Član povjerenstva: Vedran Bilas (predsjednik povjerenstva)
• Član povjerenstva: Darko Vasić (član povjerenstva)
• Član povjerenstva: Stjepan Begušić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-07-07, Hrvatska

Sažetak

U ovom diplomskom radu kreirano je nekoliko 1D konvolucijskih neuronskih mreža kojima je cilj estimacija lokacije i orijentacije metalnog objekta pod zemljom. Opisano je kako su kreirani primjeri za treniranje mreže. Za svaku od kreiranih konvolucijskih neuronskih mreža dan je prikaz arhitekture te je provedeno pretraživanje po rešetki kojim se određuju optimalni hiperparametri. Nakon određivanja optimalnih hiperparametara, svaka mreža se trenirala i evaluirala. U laboratoriju su napravljena mjerenja koja su poslužila za testiranje treniranih modela konvolucijske neuronske mreže. Opisano je kako su se mjerenja izvodila i kako su obrađeni primjeri prije samog testiranja. Najbolji rezultati estimacije x i y i z koordinate mete dobiveni su za mete na dubinama manjima od 5 cm gdje medijan pogreške estimacije iznosi oko 1 cm za svaku metu. Estimacija x koordinate mete najveći medijan pogreške ima za metak na dubinama preko 10 cm i on iznosi 2,8 cm. Detonator PMA 2 mine pokazao je najveću pogrešku estimacije y koordinate mete i ona iznosi 1,9 cm. Kao i kod estimacije x koordinate mete, za estimaciju z koordinatu mete najveći medijan pogreške dobiven je za metak na dubinama preko 10 cm i on iznosi 3 cm.

Sažetak (engleski)

Several 1D convolutional neural networks were created in this thesis to estimate the location and orientation of an underground metal object. The process of generating training examples for the networks was described. For each created convolutional neural network, its architecture was presented, and a grid search was performed to determine the optimal hyperparameters. After determining the optimal hyperparameters, each network was trained and evaluated. Measurements were conducted in the laboratory to test the trained models of the convolutional neural networks. The process of conducting the measurements and preprocessing the examples before testing was described. The best results for estimating the target's x, y, and z coordinates were obtained for targets at depths less than 5 cm, with a median estimation error of approximately 1 cm for each target. The estimation of the x coordinate showed the highest median error for bullets at depths greater than 10 cm, with an error of 2,8 cm. The detonator of the PMA 2 mine exhibited the highest estimation error for the y coordinate, which was 1,9 cm. Similar to the estimation of the x coordinate, the estimation of the z coordinate had the highest median error for bullets at depths greater than 10 cm, with an error of 3 cm.

• Ključne riječi: mine; humanitarno razminiranje; estimacija dubine; duboko učenje
• Ključne riječi (engleski): landmines; humanitarian demining; depth estimation; deep learning
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:985865
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-10-11 08:22:09