Sustav za raspoznavanje prometnih znakova

završni rad

• Naslov (engleski): System for traffic sign recognition
• Autor: Matija Pavlović
• Mentor: Tomislav Hrkać (mentor)
• Član povjerenstva: Tomislav Hrkać (predsjednik povjerenstva)
• Član povjerenstva: Eda Jovičić (član povjerenstva)
• Član povjerenstva: Vjeko Kužina (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-07-03, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Rad opisuje jednu moguću implementaciju sustava za klasifikaciju prometnih zna-
kova u stvarnom vremenu. Razrađuju se primjene i zahtjevi sustava, opisuju se ranija
ostvarenja u tom području i definira se pristup rješenju problema klasifikacije. Sustav
klasificira prometne znakove uporabom jedne konvolucijske neronske mreže koja se
sastoji od 12 slojeva. Za potrebe treniranja neuronske mreže korišteni su razni pristupi
pretprocesiranja fotografija iz skupa podataka za učenje kako bi se povećao broj ulaz-
nih podataka koje model ima na raspolaganju za učenje ali i učinio model otpornijim
na poremečaje u osvjetljenju i kontrastu do kojih može doći na ulazu. Istrenirani model
se koristi u testnoj aplikaciji koja konstantno uzima slike s web-kamere prijenosnog računala, zatim te slike pokušava klasificirati te ukoliko s određenom sigurnošću uspije
klasificirati fotografiju ispisuje rezultat na zaslon prijensnog računala.

Sažetak (engleski)

The paper describes a possible implementation of a real-time traffic sign classification system. The applications and requirements of the system are discussed, previous
achievements in the field are described, and an approach to solving the classification
problem is defined. Created system classifies traffic signs using a single convolutional
neural network consisting of 12 layers. Various preprocessing approaches were used
to augment the training dataset, increasing the number of input data available for the
model to learn from and making the model more robust to disturbances in lighting and
contrast that may occur at the input. The trained model is used in a test application
that continuously captures images from a laptop’s webcam, attempts to classify those
images, and if successful with a certain confidence, displays the result on the laptop’s
screen.

• Ključne riječi: Klasifikacija; računalni vid; strojno učenje; duboko učenje; duboke neuronske mreže; konvolucijske neuronske mreže; prometni znakovi; promet; DNN; CNN; CV; ML
• Ključne riječi (engleski): Classification; Computer Vision; Machine Learning; Deep Learning; Deep Neural Networks; Convolutional Neural Networks; Traffic Signs; Traffic; DNN; CNN; CV; ML
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:406343
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-10-11 10:04:22