Αυτόματη αναγνώριση θέσης στάθμευσης με την χρήση μηχανικής μάθησης
Free parking spot detection using computer vision
Λέξεις-κλειδιά
Μηχανική όραση ; Raspberry Pi ; Python ; OpenCV ; YOLOv5 ; Συσκευές ανίχνευσης κενών θέσεων στάθμευσης ; Node-RED ; Machine visionΠερίληψη
Το επιστημονικό πεδίο της μηχανικής όρασης, είναι ένας από τους πιο δημοφιλείς και ταχέως αναπτυσσόμενους υπό-κλάδους της Τεχνητής νοημοσύνης. Χάρη σε αυτό τα υπολογιστικά συστήματα αποκτούν την ικανότητα όραση, επιτρέποντας τους να
αντιλαμβάνονται και να ερμηνεύουν διάφορα γεγονότα και καταστάσεις στο πραγματικό κόσμο. Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη ενός συστήματος, αυτόματης αναγνώρισης ελεύθερων θέσεων στάθμευσης. Αρχικά, πραγματοποιείται μία εισαγωγή στο πεδίο της Τεχνητής νοημοσύνης και σε σχετικούς, με το αντικείμενο της εργασίας, υπό-κλάδους της. Ακολουθεί σχολιασμός σχετικών δημοσιεύσεων, ενώ στη συνέχεια παρουσιάζονται οι απαιτήσεις του συστήματος, καθώς και το επιλεγμένο υλικό και λογισμικό. Στο επόμενο στάδιο, πραγματοποιείται η εκπαίδευση μοντέλων βασισμένων σε τρεις από τις εκδόσεις του αλγορίθμου YOLO. Στόχος της εκπαίδευσης είναι η επιλογή του μοντέλου που παρουσιάζει τις καλύτερες επιδόσεις στην
αναγνώριση των θέσεων στάθμευσης. Τέλος, το επιλεγμένο μοντέλο εφαρμόζεται στην τελική συσκευή, η οποία αποτελείται
από έναν μικροϋπολογιστή Raspberry Pi 4 και μία κάμερα. Η συσκευή πραγματοποιεί αναγνώριση και καταμέτρηση των ελεύθερων θέσεων στάθμευσης από ζωντανή ροή και οι πληροφορίες σχετικά με την διαθεσιμότητα των χώρων στάθμευσης παρουσιάζονται σε ένα Dashboard Node-Red.
Περίληψη
The scientific field of machine vision is one of the most popular and rapidly growing sub-fields of Artificial Intelligence. Thanks to this, computing systems acquire the ability to see, allowing them to perceive and interpret various events and situations in the real world. This thesis focuses on the development of an automatic parking space recognition system. Initially, an introduction is made to the field of Artificial Intelligence and its subfields that are relevant to the subject of this thesis. Followed by the review of related publications and then the requirements of the system, as well as the selected hardware and software. In the next step, models based on three versions of the YOLO algorithm are trained. The goal of the training is to compare the trained models and select the one that performs best in recognizing parking spaces. Finally, the selected model is applied to the final device, which consists of a Raspberry Pi 4 and a camera. The device recognizes and counts both the occupied and unoccupied parking spaces from a live stream. Using a Node-Red Dashboard the information about the availability of the parking spaces is displayed.
Αριθμός σελίδων
128Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών ΜηχανικώνΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές