Systém sledování stavu povrchu vozovky

Abstract

Cieľom tejto diplomovej práce je preskúmať použitie techník počítačového videnia pre detekciu stavu povrchu vozovky v reálnom čase. Porovnávané boli dve architektúry konvolučných neurónových sietí, MobileNet a EfficientNet, z hľadiska ich výkonnosti a rýchlosti pri klasifikácii stavov povrchu na mokré, suché a snehom pokryté cesty. Modely boli trénované a porovnávané na verejne dostupnom datasete (RoadSaW) obsahujúcom presné anotácie z monitorovacieho senzoru výšky vodnej hladiny na vozovke, upraveného na klasifikáciu požadovaných stavov a na datasete vytvorenom z reálnych scén zachytených kamerou testovacieho vozidla, ktorý obsahuje takmer 55 000 obrázkov. V práci boli preskúmané rôzne trénovacie hyperparametre a techniky regularizácie na trénovanie modelov a následne boli vyhodnotené ich schopnosti generalizácie na predošle nepozorovaných dátach. Oba modely sa ukázali ako efektívne pre túto úlohu, pričom výsledky ukazujú, že MobileNet prekonal EfficientNet z hľadiska presnosti a rýchlosti spracovania, čo naznačuje potenciál pre jeho reálne aplikácie.

This thesis aims to investigate the application of computer vision techniques for real-time road surface condition (RSC) detection. Two convolutional neural network architectures, MobileNet and EfficientNet, were evaluated for their performance and inference speed in classifying surface conditions into wet, dry, and snow covered roads. The models were trained and evaluated on a public dataset (RoadSaW) containing precise annotations from a sensor monitoring the water film height, with modifications to fit the specific RSC classification task defined in this thesis and a created dataset of real-world driving scenarios recorded from the test vehicle camera consisting of almost 55 000 images. This work explored several training parameters and regularization techniques to optimize model performance and evaluated generalization capabilities on unseen data. Both models were shown to be effective in this task, with the results indicating that MobileNet outperformed EfficientNet in accuracy and processing speed, demonstrating potential for real-world applications.