Učení pro vizuální rozpoznávání vlastností povrchu

Abstract

Tato práce se zabývá automatickým vytvorením anotovaných dat a následne predikcí hrubosti povrchu pred autem ješte dríve než na nej auto vjede. Manuální anotace dat je velmi zdlouhavá a muže dojít k chybe zpusobené lidským faktorem. Proto se zde z nasbíraných dat automaticky vypocetla velicina pro popis hrubosti povrchu a ta se následne asociovala s vyfocenou fotografií z jízdy. Takto anotovaná data byla následne použita pro naucení a validaci konvolucní síte architektury ResNet-50, využité pro predikci hrubosti povrchu pred autem. Pro experimenty bylo využito RC modelu auta, které bylo již dríve na CVUT obohaceno mnoha senzory a výpocetní elektronikou. S tímto modelem bylo nasbíráno velké množství dat volnou jízdou. V této práci bylo využito dat z akcelerometru z osy z, která odpovídají hrubosti prejetého povrchu, a fotografií nasbíraných z kamery primontované ke streše modelu auta. Provedené experimenty ukázaly schopnost síte naucit se na automaticky anotovaných datech predikovat hrubost povrchu na trénovací množine. Predikce na validacních množinách pak témer držela trend, jako tomu bylo u trénovacích dat, avšak je potreba ješte dalších experimentu pro možnost plného využití této metody v praxi pro predikci hrubosti povrchu.

This work deals with the automatic creation of annotated data and the subsequent prediction of the surface roughness in front of the car before the car even enters the surface. Manual data annotation is very lengthy and human can make mistakes. Therefore, the quantity for the description of the surface roughness was automatically calculated from the collected data and this was subsequently associated with the photograph taken from the ride. The annotated data were used then to learn and validate the convolutional network of the ResNet-50 architecture used to predict the surface roughness in front of the car. The RC model of the car was used for the experiments, which was previously enriched with many sensors and computer electronics at CTU. With this model, a large amount of data were collected on a free ride. In this work, data from the accelerometer from the z-axis were used, which correspond to the roughness of the traversed surface and photographs collected from a camera mounted on the roof of a car model. The performed experiments showed the ability of the network to learn and predict the surface roughness on a training set on automatically annotated data. The prediction on the validation sets then almost followed the trend as in the case of the training data, but further experiments are needed for the possibility of full use of this method in practice for the prediction of surface roughness.