Tato diplomová práce řeší detekci škůdců pomocí modelů hlubokého učení. Cílem bylo natrénovat sítě hlubokého učení pro přesnou a rychlou detekci škůdců. Vyhodnocení probíhalo na základě ukazatelů Precision, Recall a rychlosti sítě. Výsledky ukazují, že nejrychlejší z testovaných síťí je Scaled YOLOv4 CSP Large a nejpřesnejší Faster R-CNN s Resnet152. Základní augmentace sítí zlepšili přesnost o 10%. V závěru je zformu-lováno zhodnocení quality datasetu, vyhodnocení modelů a zlepšení, které mohou pomoc zlepšit predikci škůdců v budoucnu
Anotace v angličtině
This diploma thesis addresses the detection of pests using deep learning models. The aim was to train deep learning networks for accurate and fast pest detection. The evaluation was based on Precision, Recall, and network speed indicator. The results show that the fastest of the tested networks is Scaled YOLOv4 CSP Large and the most accurate is Faster R-CNN with Resnet152. Basic network augmentations improved accuracy by 10%. In the final part, an evaluation of the quality of the dataset, evaluation of models, and further possible improvements are formulated
deep learning, computer vision, object detection, pest detection, Faster R-CNN, YOLO, Scaled -YOLO
Rozsah průvodní práce
65
Jazyk
CZ
Anotace
Tato diplomová práce řeší detekci škůdců pomocí modelů hlubokého učení. Cílem bylo natrénovat sítě hlubokého učení pro přesnou a rychlou detekci škůdců. Vyhodnocení probíhalo na základě ukazatelů Precision, Recall a rychlosti sítě. Výsledky ukazují, že nejrychlejší z testovaných síťí je Scaled YOLOv4 CSP Large a nejpřesnejší Faster R-CNN s Resnet152. Základní augmentace sítí zlepšili přesnost o 10%. V závěru je zformu-lováno zhodnocení quality datasetu, vyhodnocení modelů a zlepšení, které mohou pomoc zlepšit predikci škůdců v budoucnu
Anotace v angličtině
This diploma thesis addresses the detection of pests using deep learning models. The aim was to train deep learning networks for accurate and fast pest detection. The evaluation was based on Precision, Recall, and network speed indicator. The results show that the fastest of the tested networks is Scaled YOLOv4 CSP Large and the most accurate is Faster R-CNN with Resnet152. Basic network augmentations improved accuracy by 10%. In the final part, an evaluation of the quality of the dataset, evaluation of models, and further possible improvements are formulated
deep learning, computer vision, object detection, pest detection, Faster R-CNN, YOLO, Scaled -YOLO
Zásady pro vypracování
Vypracujte literární rešerši zabývající se modely pro detekci objektů v obraze.
Seznamte se s možnostmi automatické diagnostiky zdraví rostlin se zaměřením na detekci škůdců.
Vyberte několik modelů hlubokého učení vhodných pro detekci škůdců v hydroponickém skleníku.
Natrénujte vybrané modely na unikátních datech pořízených v hydroponickém skleníku.
Proveďte kvantitativní a kvalitativní srovnání výsledků realizovaných modelů.
Zásady pro vypracování
Vypracujte literární rešerši zabývající se modely pro detekci objektů v obraze.
Seznamte se s možnostmi automatické diagnostiky zdraví rostlin se zaměřením na detekci škůdců.
Vyberte několik modelů hlubokého učení vhodných pro detekci škůdců v hydroponickém skleníku.
Natrénujte vybrané modely na unikátních datech pořízených v hydroponickém skleníku.
Proveďte kvantitativní a kvalitativní srovnání výsledků realizovaných modelů.
Seznam doporučené literatury
GOODFELLOW, Ian, BENGIO, Yoshua, & COURVILLE, Aaron (2016). Machine learning basics. Deep learning [online]. MIT Press. 2016. Dostupné také z: https://www.deeplearningbook.org/.
RAMSUNDAR, Bharath a Reza Bosagh ZADEH. TensorFlow for deep learning: from linear regression to reinforcement learning [online]. Beijing: O'Reilly Media. 2018. ISBN 9781491980422. Dostupné také z: http://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1720096
ROSEBROCK, Adrian. Starter Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
ROSEBROCK, Adrian. Practitioner Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
LIU, L. et al. PestNet : an end-to-end deep learning approach for large-scale multi-class pest detection and classification. IEEE Access. 2019. 7. pp. 45301-45312.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
Seznam doporučené literatury
GOODFELLOW, Ian, BENGIO, Yoshua, & COURVILLE, Aaron (2016). Machine learning basics. Deep learning [online]. MIT Press. 2016. Dostupné také z: https://www.deeplearningbook.org/.
RAMSUNDAR, Bharath a Reza Bosagh ZADEH. TensorFlow for deep learning: from linear regression to reinforcement learning [online]. Beijing: O'Reilly Media. 2018. ISBN 9781491980422. Dostupné také z: http://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1720096
ROSEBROCK, Adrian. Starter Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
ROSEBROCK, Adrian. Practitioner Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
LIU, L. et al. PestNet : an end-to-end deep learning approach for large-scale multi-class pest detection and classification. IEEE Access. 2019. 7. pp. 45301-45312.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
Přílohy volně vložené
-
Přílohy vázané v práci
grafy, schémata, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student nejprve seznámil komisi s výsledky své diplomové práce. Poté byly prezentovány posudky vedoucí a oponentky.
Následně byla vedena rozprava, během které byly položeny následující otázky a komentáře:
Student musel provést úpravy datasetu,
jelikož některé molice nebyly označeny vůbec a jiné měly mnohem větší bounding box, než bylo
třeba a přesnosti / nepřesnosti modelů byly tedy zavádějící. V některých případech byly modelem
správně detekovány objekty, které ale nebyly v trénovací sadě zaznačeny, čili model "vykazoval"
chybu neoprávněně. Doporučený model neuronových sítí bude využitý ve výzkumném projektu. (doc. Komínková Oplatková)
1. Mohl byste prezentovat závěry z rešerše metod pro detekci objektů v obraze - tj.
výhody a nevýhody každé metody a doporučenou oblast jejího použití.
2. Podle jakých kritérií jste vybíral modely pro praktickou část diplomové práce?
Pokud jste dělal rešerši, tak prezentujte její závěry.
3. Bod 4 v Zásadách pro vypracování zní: Natrénujte vybrané modely na unikátních
datech pořízených v hydroponickém skleníku. Mohl byste objasnit, jak jste tato
data získal? (doc. Volná)
Student na všechny dotazy reagoval a všechny dotazy správně zodpověděl. Komisi se líbila praktická implentace výstupů práce.