Studentská vědecká konference

Termální kamery jsou využívány v celé škále odvětví. Svoje uplatnění nacházejí například při kontrolách teplot různých mechanických částí, při detekci úniků tepla v domech nebo se také využívají jako senzory pro detekci gest. V této práci za pomoci cenově dostupné termální kamery Grid-EYE od Panasonic navrhuji, vytvářím a testuji systém pro analýzu a zpracování obrazových dat. Celý systém je navržen na Raspberry Pi a napsán v jazyce Python. Zvolená termální kamera Panasonic Grid-EYE má rozlišitelnost 8x8 pixelu. Právě z důvodu malého rozlišení kamery, které neumožňuje snadnou identifikaci zkoumaného objektu, se v práci také věnuji interpolaci dat pro zjemnění výsledného obrazu. Zpracované a upravené pole dat z termální kamery je následně zobrazováno pomocí knihovny matplotlib do obrázkového formátu png. V závěru práce porovnávám získaná data z Grid-EYE kamery s daty z komerčně dostupných termálních kamer. Dále by se dalo pokračovat zakomponováním neuronové sítě pro rozlišení předem naučených scén, například odlišit hořící oheň a horkou ploténku na sporáku.

Dobrá interpretace termografického videa je důležitá pro správné stanovení fyziologických funkcí člověka. Cílem této práce je strojové rozpoznávání číslic na barevných termogramech naměřených termokamerou Seek Thermal FF pro zařízení Android, jejich následný převod na teplotní matici a spolu s daty z pulsmetru a oxymetru vyvinout metodiku pro sledování fyziologických funkcí člověka zatěžovaného na rotopedu s respirátorem a bez něj. Klasifikace pomocí dvouvrstvé neuronové sítě zahrnuje sestavení matice příznaků, trénování a validaci výsledků.  

The ESP32 is an inexpensive embedded platform with enough processing power for light machine learning tasks. The ESP32-Cam development board combines an ESP32-S module with an OmniVision OV2640 camera module. This combination allows high resolution image data acquisition, along with light image analysis and wireless communications. More involved calculations can be carried out by an AI accelerator like the EDGE TPU or a cloud platform by utilizing the wireless capabilities of the ESP32.   This work aims to assess the possibilities of the ESP32 platform by designing a machine learning model capable of identifying whether a license plate is present in the current camera feed. Transfer learning is utilized in order to simplify dataset acquisition and reduce compute time required to train a viable machine learning model.  

Detekce novosti je ve zpracování signálů poměrně důležitou metodou se značným potenciálem využití. Jedním z míst, kde leží její využití je například zdravotnictví nebo internetová bezpečnost (detekce demence z EEG, detekce podvodného přihlášení). Jejím cílem je hledání abnormalit ve velkém množství dat. Jedním z možných přístupů k detekci novosti je využití tzv. adaptivních metod. Adaptivní metody detekce novosti jsou implementovány v knihovně PADASIP. Pro její využití bylo ale doposud potřeba mít alespoň elementární znalosti programování v jazyce Python, což s aplikací, o které pojednává tento příspěvek, už nebude potřeba. V rámci projektu bylo vytvořeno grafické uživatelské rozhraní k této knihovně vhodné pro použití neodbornou veřejností. Uživateli je umožněno načíst soubor s daty, vybrat danou časovou řadu, typ adaptivního filtru a jeho parametry a zobrazit si v interaktivní formě výsledek několika metod detekce novosti a porovnávat různé přístupy. Uživatel si může výsledky svého zpracování ukládat ve formě obrázků a textových souborů, ve kterých jsou uložena potřebná nastavení programu.

Cílem práce je sestavit testovací stand na měření charakteristik elektrických motorů, navrhnout a implementovat nadřazený řídicí kontrolér, který bude posílat požadavky do řídicích jednotek dílčích částí a monitorovat stav systému přes síť zabudovaných senzorů.

Hydrogeloví roboti jsou malé objekty s rozměrem v řádu stovek mikrometrů, které lze ovládat pomocí laserového paprsku. Roboty je možné spojovat do větších komplexnějších celků, které pak mohou poskytovat nové funkce. K manipulaci s roboty slouží automatická platforma, na níž jsou roboti lokalizováni pomocí kamery a následně jsou automaticky zaměřování a ozařováni laserovým paprskem. Experimenty jsou však časově náročné a proto by bylo vhodné vytvořit digitální dvojče této platformy pro ověření funkcionality nových robotů, testování algoritmů pro jejich lokalizaci, plánování tras atp., což by umožnilo testovat celou řadu problémů spjatých s touto problematikou in sillico, včetně fotorealistické vizualizace. Cílem této práce je ověřit, zda lze generovat fotorealistické obrazy mikrorobotů pomocí kompetitivních neuronových sítí (GAN), aby mohly být použity jako fotorealistický výstup simulace a případně tuto síť navrhnout, natrénovat a optimalizovat.  

V práci sa venujeme rozpoznávaniu statických gest rúk v reálnom čase. Využitím polohy ruky na obrazovke v kombinácií s rozpoznaným gestom sa nám podarilo plne nahradiť myšku zariadenia. Vytvorený program je naprogramovaný v jazyku Python. Venovali sme sa úlohám ako rozpoznávanie ruky od pozadia, tréning a testovanie rozpoznávacieho algoritmu a ovládanie zariadenia v reálnom čase. V prvej časti je potrebné pomocou web kamery zachytiť práve ruku užívateľa. Nasnímame samostatne pozadie a odfiltrujeme ho aby sme dostali obraz našej ruky. Pomocou takéhoto spôsobu si vytvoríme databázu obrázkov. Ruka bude znázorňovať rozličné gestá v rôznych polohách a vzdialenostiach od kamery. Pre rozoznávanie gest použijeme konvolučné neurónové siete (CNN). CNN sú známe ako trieda neurónových sietí používaných na rozpoznávanie obrazu a klasifikácia. Budeme porovnávať jednotlivé siete, ktoré sme natrénovali. Pozrieme sa aj na to, ako vplýva zmena svetelnej jasnosti gesta na presnosť predikcie. V poslednej časti sa pokúsime predikciu z CNN previesť na akčný zásah do zariadenia. Akonáhle CNN dané gesto rozozná, vyšle príkaz do systému. Okrem gest, snímame aj polohu ruky, čím vieme zabezpečiť pohyb kurzora po obrazovke.

V posledných desaťročiach priťahuje pozornosť všesmerový mobilný robot, ktorý má širokospektrálne využitie. Pri robotoch využívame všesmerové kolesá, ktoré sa môžu pohybovať do všetkých smerov. V práci sa zaoberáme zhotovením a ovládaním dvoch robotických vozidiel. Pri prvom robotovi využívame riadiacu jednotku EV3 z rady LEGO MINDSTORMS a v druhom robotovi je zavedený modul WEMOS ESP32. Oba roboty sú skonštruované tak, aby bolo umožnené ich vzdialené ovládanie. Využitý je infračervený senzor pri prvom vozidle, ktorý zachytáva signál z infračerveného ovládača. Vozidlo s modulom ESP32 je ovládané pomocou mobilnej aplikácie, ktorá spočíva v Bluetooth komunikácii medzi zariadením a vozidlom. Pomocou senzorov pre meranie vzdialenosti sme u vozidiel naprogramovali autonómne parkovacie manévre. Tieto manévre spočívali v hľadaní parkovacieho miesta do ktorého by vozidlo zaparkovalo a následné zaparkovanie podľa senzorov a vyparkovanie na pôvodné pozície. Pri prvom vozidle sme taktiež navrhli program pre vyhýbanie sa nehybnej prekážke.