Využití strojového učení k rozpoznání pohybu feederového prutu
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem této diplomové práce je vytvořit zařízení, které využívá metody strojového učení k rozpoznávání pohybů feederového rybářského prutu na základě dat z inerciální měřící jednotky. Úvodní část je věnována rybolovné technice feeder, výběru důležitých pohybů a možnostem upevnění detekčního zařízení na prut. Následuje vytvoření teoretického základu v oblasti strojového učení, seznámení s inerciální měřicí jednotkou a problematikou klasifikace. Obdržené znalosti jsou použity k výběru vhodných technik pro řešení úlohy rozpoznávání pohybů prutu. V praktické části je navrženo a vytvořeno detekční zařízení založené na platformě ESP32. To je nejprve používáno jako snímač pohybu, který v kombinaci se zpracováním naměřených hodnot slouží jako generátor trénovací datové sady. Práce pokračuje implementací konvoluční neuronové sítě, procesem učení na vytvořené datové sadě a integrací nejúspěšnějšího modelu do detekčního zařízení. Závěr je věnován testování v praxi, vyhodnocení a možnostem budoucího vývoje. Výsledkem je malé, bateriově napájené zařízení, které po připevnění na libovolný feederový prut poskytuje vysoce úspěšnou detekci všech klíčových pohybů během lovu. Navíc díky bezdrátové komunikaci přes ESP-NOW umožňuje odesílat výsledky na různá zařízení.
The aim of this diploma thesis is to create a device that uses machine learning methods to recognize the movements of a feeder fishing rod based on data from an inertial measurement unit. The introductory part is devoted to the feeder fishing technique, the selection of important movements and the possibilities of attaching the detection device to the rod. This is followed by the creation of a theoretical basis in the field of machine learning, familiarization with the inertial measurement unit and the issue of classification. The acquired knowledge is used to select appropriate techniques for solving the task of recognizing the movements of the rod. In the practical part, a detection device based on the ESP32 platform is designed and created. This is initially used as a motion sensor, which, in combination with the processing of the measured values, serves as a generator of a training data set. The work continues with the implementation of the convolutional neural network, the learning process on the created dataset and the integration of the most successful model into the detection device. The conclusion is devoted to testing in practice, evaluation and possibilities of future development. The result is a small, battery-powered device that, when attached to any feeder rod, provides highly successful detection of all key movements during the hunt. In addition, thanks to wireless communication via ESP-NOW, it is possible to send the results to various devices.
The aim of this diploma thesis is to create a device that uses machine learning methods to recognize the movements of a feeder fishing rod based on data from an inertial measurement unit. The introductory part is devoted to the feeder fishing technique, the selection of important movements and the possibilities of attaching the detection device to the rod. This is followed by the creation of a theoretical basis in the field of machine learning, familiarization with the inertial measurement unit and the issue of classification. The acquired knowledge is used to select appropriate techniques for solving the task of recognizing the movements of the rod. In the practical part, a detection device based on the ESP32 platform is designed and created. This is initially used as a motion sensor, which, in combination with the processing of the measured values, serves as a generator of a training data set. The work continues with the implementation of the convolutional neural network, the learning process on the created dataset and the integration of the most successful model into the detection device. The conclusion is devoted to testing in practice, evaluation and possibilities of future development. The result is a small, battery-powered device that, when attached to any feeder rod, provides highly successful detection of all key movements during the hunt. In addition, thanks to wireless communication via ESP-NOW, it is possible to send the results to various devices.
Description
Keywords
Feeder, detekce pohybu, strojové učení, Tiny Machine Learning, konvoluční neuronová síť, vestavěný systém, ESP32, datová sada, ESP-NOW, TensorFlow Lite, Google Colaboratory, PlatformIO., Feeder, movement detection, machine learning, Tiny Machine Learning, convolution neural network, embedded system, ESP32, dataset, ESP-NOW, TensorFlow Lite, Google Colaboratory, PlatformIO.
Citation
VELE, P. Využití strojového učení k rozpoznání pohybu feederového prutu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Počítačové a vestavěné systémy
Comittee
doc. Ing. Jan Kořenek, Ph.D. (předseda)
doc. Ing. Vladimír Drábek, CSc. (místopředseda)
doc. Ing. Jiří Jaroš, Ph.D. (člen)
Ing. Ondřej Lengál, Ph.D. (člen)
Ing. Tomáš Martínek, Ph.D. (člen)
Ing. Josef Strnadel, Ph.D. (člen)
Date of acceptance
2022-06-17
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Jak si vysvětlujete, že úspěšnost klasifikace Vám vyšla 100%? Došlo k přetrénování nebo je řešená úloha triviální? Proč vstupuje do neuronové sítě okno pevné velikosti, které je kratší, než-li maximální délka trvání detekované události? Vysvětlete, co je cílem filtrace v kapitole 10 a proč byly parametry voleny tak, jak je uvedeno v kapitole 10. Jak velká byla testovací sada? Zvažoval jste jiné techniky než konvoluční neuronové sítě? Jak vaše zařízení svojí hmotností ovlivní dynamiku prutu?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení