Automatyczne rozpoznawanie elementów polskich pojazdów hi storycznych

• Autorzy: Balcerek Julian , Dąbrowski Adam , Pawłowski Paweł , Tokarski Piotr

Identyfikatory

DOI

10.15199/48.2024.10.43

Warianty tytułu

EN

Automatic recognition of elements of Polish historical vehicles

• Języki publikacji: PL

Abstrakty

PL

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.

EN

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

PL

polski pojazd historyczny; system wizyjny; analiza obrazu; sztuczna sieć neuronowa

EN

polish historical vehicle; vision system; image analysis; artificial neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 10
• Strony: 212--215
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Balcerek Julian

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0003-1317-9866

autor

Dąbrowski Adam

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0002-9385-6080

autor

Pawłowski Paweł

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0001-5373-5148

autor

Tokarski Piotr

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

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).

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).