Browsing by Author "Novák, Zbyněk"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
- ItemInternet věcíNovák, Zbyněk; Martinec Tomáš, Ing. Ph.D. : 54776; Ševců Alena, RNDr. Ph.D. Skolitel : 61225; Krčmařík David, Ing. Ph.D. Konzultant : 64301; Svrček Ján, Ing. Konzultant2 : 66454Cílem této bakalářské práce je seznámení se s počítačem Raspberry Pi a prozkoumání možností jeho využití v rámci aplikací Internetu věcí. Poté seznámení se s možnostmi a limity fungování Mesh sítí a nalezení či navržení protokolu pro vytvoření aplikace Mesh sítě. Na základě těchto poznatků bude vytvořena reálná aplikace Mesh sítě, která bude komunikovat s centrálním databázovým systémem, ze kterého bude ovládána. Pomocí desky NodeMcu V3 byla vytvořena funkční WiFi Mesh síť. Část připojení Mesh sítě k MQTT serveru řeší řídící aplikace, která přeposílá do Mesh sítě nastavení z MQTT serveru. Nakonec byla vytvořena klientská aplikace, která odesílá požadované nastavení na MQTT server. Cíle práce byly splněny. Bylo vytvořeno funkční řešení Mesh sítě ovládané přes MQTT server pomocí klientské aplikace. Pro realizaci byl použit hardware s nízkou pořizovací cenou, výsledné řešení je tudíž ekonomicky výhodné. Přínosem této bakalářské práce je zhodnocení aktuálního stavu Mesh sítí v oblasti Internetu věcí a možností jejich ovládání.
- ItemInternet věcíNovák, Zbyněk; Martinec Tomáš, Ing. Ph.D.; Skolitel : 55394 Mašín Ivan, doc. Dr. Ing.; Konzultant : 64301 Krčmařík David, Ing. Ph.D.; Konzultant2 : 65794 Bolechová Lada, Bc.Cílem této bakalářské práce je seznámení se s počítačem Raspberry Pi a prozkoumání možností jeho využití v rámci aplikací Internetu věcí. Poté seznámení se s možnostmi a limity fungování Mesh sítí a nalezení či navržení protokolu pro vytvoření aplikace Mesh sítě. Na základě těchto poznatků bude vytvořena reálná aplikace Mesh sítě, která bude komunikovat s centrálním databázovým systémem, ze kterého bude ovládána. Pomocí desky NodeMcu V3 byla vytvořena funkční WiFi Mesh síť. Část připojení Mesh sítě k MQTT serveru řeší řídící aplikace, která přeposílá do Mesh sítě nastavení z MQTT serveru. Nakonec byla vytvořena klientská aplikace, která odesílá požadované nastavení na MQTT server. Cíle práce byly splněny. Bylo vytvořeno funkční řešení Mesh sítě ovládané přes MQTT server pomocí klientské aplikace. Pro realizaci byl použit hardware s nízkou pořizovací cenou, výsledné řešení je tudíž ekonomicky výhodné. Přínosem této bakalářské práce je zhodnocení aktuálního stavu Mesh sítí v oblasti Internetu věcí a možností jejich ovládání.
- ItemNeuronové sítě pro automatickou detekci log v obrazeNovák, Zbyněk; Paleček Karel, Ing. Ph.D. : 61120; Matějů Lukáš, Ing. Konzultant : 64645Tato práce se zabývá problematikou hlubokého učení a neuronových sítí v rámci detekce log v obraze. Cílem je vytvoření rešerše v oblasti aplikace neuronových sítí pro detekci objektů a log v obraze a otestování vybraných modelů pro detekci log v obraze na vybraných testovacích databázích.V rešeršní části je vysvětlen pojem hluboké učení a uvedeny příklady jeho konkrétního využití v praxi v rámci detekce objektů v obraze. Jsou popsány neuronové sítě, architektura dopředné neuronové sítě a typ učení s učitelem, které se využívají pro detekci objektů v obraze. Dále je popsána klasifikace objektů pomocí konvolučních neuronových sítí. Jsou představeny stávající systémy, používané pro detekci log v obraze, a trénovací databáze log.Pro otestování byly vybrány dva modely, a to YOLOv3, implementovaný pomocí frameworku PyTorch, a Faster R-CNN, implementovaný pomocí frameworku Tensorflow. V rešeršní části jsou tyto modely a použité frameworky popsány a navzájem porovnány. Pro testování byly vybrány dva datasety, a to dataset FlickrLogos-32 a dataset TopLogo-10.Detektor YOLOv3 byl testován ve dvou variantách - ve verzi YOLOv3-tiny, která je rychlejší a méně výpočetně náročná, a v plnohodnotné verzi YOLOv3. Tento detektor dosáhl ve verzi YOLOv3 nejvyšší přesnosti 45 % v čase 22 hodin na datasetu FlickrLogos-32 a přesnosti 59 % v čase 11 hodin na datasetu TopLogo-10. Verze YOLOv3-tiny byla čtyřikrát rychlejší, ale oproti plnohodnotné verzi měla na obou datasetech třetinovou přesnost.Detektor Faster R-CNN dosáhl nejvyšší přesnosti 60 % na datasetu FlickrLogos-32 a 67 % na datasetu TopLogo-10. V obou případech trvalo trénování 7 hodin. Z výsledků testování vyplývá, že ačkoli měl být detektor YOLOv3 rychlejší než detektor Faster R-CNN a měl dosahovat obdobné přesnosti, byl pomalejší a dosahoval menších přesností na obou datasetech. To mohlo být způsobeno implementací detektoru YOLOv3, která obsahovala implementační chyby. Detektor Faster R-CNN je tak v tomto případě lepší volbou pro detekci log v obraze.