Automatické rozpoznání hracích karet

Abstract

Tato práce popisuje systém rozpoznávání hracích karet, který využívá dvou přístupů. První přístup využívá počítačového vidění pro klasifikaci hracích karet v kontrolovaném prostředí, za-tímco druhý přístup zahrnuje vytvoření komplexní datové sady s různými vizuálními úpravami a trénink modelu hlubokého učení. První přístup využívá technik zpracování obrazu ke rozpoznání líce karty a jeho barvy (červená-černá) na jednom obrázku s použitím několika metod. Ne-jlepší metoda dosahuje přesnosti 100% pro identifikaci líce karty a 78,16% pro identifikaci barvy v souboru dat obsahujícím 728 hracích karet. Druhý přístup spočívá v tvorbě komplexní sady dat hracích karet s použitím vizuálních úprav a technik. Soubor dat obsahuje původně 30 000 obrázků hracích karet, které jsou označeny svým lícem a barvou a mírně upraveny. Model YOLOv8 je nejprve natrénován na této počáteční sadě dat a poté je vyladěn na větší sadě obsahující 80 000 obrázků, které se více podobají reálným podmínkám, jako jsou různé úhly pohledu a světelné podmínky. Během trénování je model validován, aby byla zajištěna optimální výkonnost. Jak-mile je model natrénován, je testován na sadě 30 000 snímků, které zachovávají rozmanitost a složitost prostředí v reálném světě. Model YOLOv8 dosahuje na této testovací sadě přesnosti 99,98%, což dokazuje jeho účinnost při rozpoznávání hracích karet v různých prostředích

This thesis presents a playing card recognition system that uses two approaches. The first approach is based on computer vision techniques to classify playing cards in a controlled environment. The second approach involves creating a comprehensive dataset with augmentation and training a deep-learning model. The first approach uses image processing techniques to detect the rank, suit, and color of a single playing card in the image with multiple methods. The best method achieves an accuracy of 100% for rank and suit identification and 78.16% for color identification on a dataset of 728 playing cards. The second approach involves creating a comprehensive dataset of playing cards with augmentation techniques. Initially, the dataset contains 30,000 images of playing cards labeled with their rank and suit, and these images are subjected to slight augmentations. The YOLOv8 model is pre-trained on this initial dataset in the first phase of the training process. In the second phase, the model is fine-tuned on a larger dataset of 80,000 images, which includes multiple cards in each image and more closely resembles real-world conditions, such as different points of view and varying lighting conditions. The model is also validated during the fine-tuning process to ensure optimal performance. Once the model is trained, it is tested on a set of 30,000 images that maintain the diversity and complexity found in real-world environments. The YOLOv8 model achieves an accuracy of 99.98% on this test set, demonstrating its effectiveness in recognizing playing cards in a wide range of environments.