| Summary: | Sammanfattning Detta examensarbete har utförts på uppdrag av Stanley Security Sverige AB. Företaget Stanley tillhandahåller en produkt för att beräkna antalet personer i en kö. Produkten detekterar antal personer i en kö med hjälp av en övervakningskamera och djup maskininlärning. Företaget upplever att den befintliga lösningen inte presterar tillräcklig nog för att driftsättas och dessutom inte detekterar med hög noggrannhet. I detta arbete har olika kända objektigenkänningsmodeller undersökts och jämförts, dessutom utfördes undersökning av tidigare arbeten och tester inom området. Resultatet blev en omkonfigurerad modellprototyp som endast detekterar ansikten gentemot de kända modellerna You Only Look Once V3 (YOLOV3) och Single Shot MultiBox Detector (SSD) som detekterar hela kroppen, inklusive andra objekt. Den föreslagna modellen presterade betydligt bättre än de kända modellerna i avseendet att räkna människor i en kö. Resultatet pekar mot att den förslagna modellprototypen kan driftsättas i realtid och användas av Stanelys kunder för att effektivt fördela resurser inom deras företag. Nyckelord maskininlärning, bildbehandling, Python, Darknet, neurala nätverk, djup maskininlärning, YOLOV3, Single Shot MultiBox Detector. === AbstractThis thesis has been carried out on behalf of Stanley Security Sverige AB. The company Stanley provides a product to calculate the number of people in a queue. The product detects the number of people in a queue with the help of a surveillance camera and deep machine learning. They find that the existing solution does not perform well enough to be deployed and does not detect with high accuracy. In this work, various known object recognition models have been examined and compared, as well as examination of previous work and tests in the field.The result was a reconfigured model prototype that only detected faces in comparison to known models You Only Look Once V3 (YOLOV3) and Single Shot MultiBox Detector (SSD) that detect the entire human body, in addition to other objects. The proposed model performed significantly better than the known models and had higher accuracy. The results indicate that the proposed model prototype can be deployed in real time and be used by Stanely's customers to efficiently allocate resources within their companies.Keywordsmachine learning, image analysis, Python, Darknet, neural network, deep learning, YOLOV3, Single Shot MultiBox Detector.
|
|---|
