Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 10

Automatyczne rozpoznawanie elementów polskich pojazdów hi storycznych

Automatic recognition of elements of Polish historical vehicles

10.15199/48.2024.10.43

nr katalogowy: 150769
10.15199/48.2024.10.43

Streszczenie

W niniejszym artykule zaprezentowano system do automatycznego rozpoznawania elementów polskich pojazdów historycznych. Sys tem dokonuje analizy obrazów za pomocą sztucznych sieci neuronowych. Do przeprowadzenia testów skuteczności klasyfikacji wybranych zbiorów klas obiektów przygotowano bazę obrazów, z uwzględnieniem pochodzenia, modułu, modelu, nadwozia, silnika i wnętrza. Dla sieci wytrenowanych na pojedynczych modułach pojazdów w dwóch przypadkach osiągnięto stuprocentową dokładność klasyfikacji.

Abstract

This article presents a system for automatic recognition of elements of Polish historical vehicles. The system uses artificial neural net works for image analysis. A database of images was prepared to carry out the classification tests of selected sets of object classes, taking into ac count the origin, module, model, engine, body, and interior. For networks trained on single vehicle module, even 100% classification accuracy was achieved in two cases.

Słowa kluczowe

Keywords

Bibliografia

[1] Kumar A, Vehicle part detection using AI for vehicle damage and repair estimation, Inspektlabs, 12.07.2022, https://inspektlabs.com/blog/vehicle-part-detection-using-ai-forvehicle- damage-and-repair-estimation/ (dostęp: 03.03.2024).
[2] Pasupa K., Kittiworapanya P., Hongngern N., Woraratpanya K., Evaluation of deep learning algorithms for semantic segmentation of car parts, Complex & Intelligent Systems, 8, pp. 3613– 3625, 2022, doi: 10.1007/s40747-021-00397-8.
[3] Parhizkar M., Amirfakhrian M., Recognizing the Damaged Surface Parts of Cars in the Real Scene Using a Deep Learning Framework, Mathematical Problems in Engineering, vol. 2022, Article ID 5004129, 7 pages, 2022, doi: 10.1155/2022/5004129.
[4] Balcerek J., Hinc M., Jalowski Ł., Michalak J., Rabiza M., Konieczka A., Vision-based mobile application for supporting the user in the vehicle operation, 2019 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), Poznan, Poland, pp. 250-255, 2019, doi: 10.23919/SPA.2019.8936754.
[5] Jugroop G., Seegolum P., Chiniah A., Humaïra B. B., Computer Vision based Automated Spare Part Finder App, 2022 International Conference on Applied Artificial Intelligence and Computing (ICAAIC), Salem, India, pp. 1101-1106, 2022, doi: 10.1109/ICAAIC53929.2022.9792778.
[6] Huang Y., Wu R., Sun Y., Wang W, Ding X., Vehicle Logo Recognition System Based on Convolutional Neural Networks With a Pretraining Strategy, IEEE Transactions on Intelligent Transportation Systems, vol. 16, no. 4, pp. 1951-1960, Aug. 2015, doi: 10.1109/TITS.2014.2387069.
[7] Sadeq J. M., Qadir B. A., Abbas H. H., Cars logo recognition by using of backpropagation neural networks, Measurement: Sensors, vol. 26, April 2023, doi: 10.1016/j.measen.2023.100702.
[8] Mazurek A., Ochrona zabytkowych pojazdów w polskim systemie prawnym, Ochrona zabytków, str. 217-238, nr 1, 2021.
[9] Muzeum Narodowe Rolnictwa i Przemysłu Rolno-Spożywczego w Szreniawie, https://muzeum-szreniawa.pl (dostęp: 03.03.2024).
[10] Muzeum Narodowe Rolnictwa i Przemysłu Rolno-Spożywczego w Szreniawie, Spotkanie poświęcone Jubileuszom 50-lecia uruchomienia produkcji Tarpanów oraz rekordów Polskiego Fiata 125p, https://muzeum-szreniawa.pl/50-lat-rekordowpolskiego- fiata-i-produkcji-tarpana-i-niecodzienne-odwiedzinymuzeum/ (dostęp: 03.03.2024).
[11] Creative Commons, https://creativecommons.org (dostęp: 09.07.2023).
[12] Anaconda Inc., Anaconda, https://www.anaconda.com (dostęp: 09.07.2023).
[13] Python Software Foundation, Python, https://www.python.org (dostęp: 09.07.2023).
[14] JetBrains s.r.o., PyCharm, The Python IDE for Professional Developers, https://www.jetbrains.com/pycharm/ (dostęp: 09.07.2023).
[15] Project Jupyter, Jupyter, https://jupyter.org (dostęp: 09.07.2023).
[16] Abadi M. et al., TensorFlow: Large-scale machine learning on heterogeneous systems, 2015, software available from tensorflow. org.
[17] Keras, Simple. Flexible. Powerful., https://keras.io (dostęp:09.07.2023).
[18] Scikit-learn, Machine Learning in Python, https://scikitlearn. org/stable/ (dostęp: 09.07.2023).
[19] NumPy team, NumpPy, The fundamental package for scientific computing with Python, https://numpy.org (dostęp: 03.03.2024).
[20] Raj B, Data Augmentation | How to use Deep Learning when you have Limited Data — Part 2, Medium, 11 April 2018, https://medium.com/nanonets/how-to-use-deep-learning-whenyou- have-limited-datapart-2-data-augmentation-c26971dc8ced (dostęp: 09.07.2023).
[21] Tensorflow, tf.keras.preprocessing.image.ImageDataGenera tor, https://www.tensorflow.org/api_docs/python/tf/keras/prepro cessing/image/ImageDataGenerator (dostęp: 09.07.2023).

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 74392 "Adaptive neural speed con..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2013-2a licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-10

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma