diplomová práce

Automatické čtení SPZ s využitím technik hlubokého učení

Text práce 6.01 MB

Autor práce: Ing. Ladislav Dobrovský

Ak. rok: 2017/2018

Vedoucí: doc. Ing. Radomil Matoušek, Ph.D.

Oponent: RNDr. Jiří Dvořák, CSc.

Abstrakt:

Předmětem této práce je rešerše hlubokých konvolučních umělých neuronových sítí a jejich využití na řešení problému automatického rozpoznávání státních poznávacích značek. Po přehledu teorie a současných trendů byl určen další směr vývoje. Práce zkoumá několik typů konvolučních neuronových sítí a komplexní architekturu systému spolupracujících aplikací. V praktické části je popsána implementace a výsledky experimentů se zhodnocením vhodnosti zkoumaných sítí pro praktické využití.

Klíčová slova:

rozpoznávání registračních značek; státní poznávací značky; umělé neuronové sítě; konvoluční neuronové sítě; hluboké učení; detekce objektů

Termín obhajoby

12.6.2018

Výsledek obhajoby

obhájeno (práce byla úspěšně obhájena)

znakmkaAznamka

Klasifikace

A

Průběh obhajoby

Student obeznámil komisi s výsledky své BP. Dotazy oponenta a členu komise byly úspěšně zodpovězeny. Kde proběhlo spouštění? Jak se projeví znečištěni SPZ?

Jazyk práce

čeština

Fakulta

Ústav

Studijní obor

Aplikovaná informatika a řízení (M-AIŘ)

Složení komise

prof. Ing. Dagmar Janáčová, CSc. (předseda)
prof. RNDr. Ing. Miloš Šeda, Ph.D. (místopředseda)
prof. RNDr. Ing. Jiří Šťastný, CSc. (člen)
RNDr. Martin Kuba, Ph.D. (člen)
doc. Ing. Radomil Matoušek, Ph.D. (člen)
doc. Ing. Ivan Švarc, CSc. (člen)

Předložená diplomová práce prezentuje řešení problematiky automatického rozpoznávání SPZ osobních automobilů s využitím technik hlubokého učení. Přes jednoduchou definici zadání, představuje uvedená diplomová práce poměrně komplexní úlohu, jejíž řešení má v důsledku znaky nejen aplikační, ale i netriviální vědecké práce. Doména učení a vybavování neuronové sítě v tomto případě představovala sémantickou segmentaci objektů typu auto a SPZ jak je uvedeno v práci. Pro daný úkol musely být řešeny dílčí, neméně významné části práce typu trénovací množina, zpracování dat z kamery a neurčité vstupy dané povahou dat. Práce je dekomponována na dvě části, v praktické šlo o implementaci hlubokých neuronových sítí s využitím frameworků TenzorFlow a Keras, podpůrně však o tvorbu dalších aplikací typu generátor SPZ aj. Řešení je modulární využívající vhodně implementovanou formu virtualizace s Dckerem (kontejnerová architektura). Teoretická část práce je psána přehledně, i když poněkud intenzivním stylem vyžadujícím jistou znalost dané problematiky. Grafický dojem práce je velmi dobý, práce je přehledná a poskytuje prostor k dalšímu studiu. Realizované experimenty dokumentují funkčnost prezentovaného řešení.
Celkově práci splnila zadání v celém rozsahu, svou povahou je bezesporu v prvním kvartilu náročnosti a dobře prezentuje erudici autora v daném kontextu. Práci přes drobné popisné nedostatky v textové části hodnotím jako výbornou a bezesporu doporučuji k obhajobě.
Kritérium hodnocení Známka
Splnění požadavků a cílů zadání A
Postup a rozsah řešení, adekvátnost použitých metod A
Vlastní přínos a originalita A
Schopnost interpretovat dosažené výsledky a vyvozovat z nich závěry B
Využitelnost výsledků v praxi nebo teorii A
Logické uspořádání práce a formální náležitosti C
Grafická, stylistická úprava a pravopis B
Práce s literaturou včetně citací B
Samostatnost studenta při zpracování tématu A

Známka navržená vedoucím: A

Cílem diplomové práce bylo navrhnout systém pro automatické čtení SPZ s využitím technik hlubokého učení. Toto zadání práce bylo splněno v celém rozsahu. Jedná se o rozsáhlou a složitou problematiku, se kterou se diplomant úspěšně vyrovnal.
V teoretické části práce autor nejprve popsal problematiku SPZ a klasických metod jejich detekce a čtení. V další kapitole se věnoval technikám hlubokého učení včetně popisu řady frameworků usnadňujících učení, nasazení a kooperaci neuronových sítí. V úvodní části této kapitoly postrádám schéma struktury umělého neuronu a vzorec pro výpočet potenciálu neuronu. Dále by bylo vhodné z této kapitoly vyčlenit část zabývající se možnostmi použití technik hlubokého učení pro detekci automobilu a registrační značky jako samostatnou kapitolu. Tato část spolu s návrhem a implementací systému pro řešení tohoto problému představuje těžiště celé práce. Autor zde prokázal dobrý přehled a vysokou programátorskou erudici při výběru softwarových nástrojů a zajištění jejich kooperace. Provedené experimenty dokumentují úspěšnost vytvořeného systému, který může být nasazen do praktické aplikace.
Práce je psána velmi hutným a odborným stylem, který předpokládá poučeného čtenáře. Vyskytuje se zde řada pojmů, které jsou použity před jejich vysvětlením nebo nejsou vysvětleny vůbec. Asi by bylo vhodné do práce doplnit slovník pojmů a zkratek. Práce má dobrou úpravu, nedostatkem je výskyt překlepů, gramatických chyb a stylistických nedostatků. Dalším nedostatkem je umístění čísel stránek u jejich vnitřních okrajů.
Kritérium hodnocení Známka
Splnění požadavků a cílů zadání A
Postup a rozsah řešení, adekvátnost použitých metod A
Vlastní přínos a originalita A
Schopnost interpretovat dosaž. výsledky a vyvozovat z nich závěry B
Využitelnost výsledků v praxi nebo teorii A
Logické uspořádání práce a formální náležitosti B
Grafická, stylistická úprava a pravopis C
Práce s literaturou včetně citací B

Známka navržená oponentem: B