Rozpoznávání typu odpadu dle recyklačního symbolu

Horák, Jan

Rozpoznávání typu odpadu dle recyklačního symbolu

DSpace Repository

Language: English čeština

Rozpoznávání typu odpadu dle recyklačního symbolu

dc.contributor.advisor	Novák, Jakub
dc.contributor.author	Horák, Jan
dc.date.accessioned	2025-06-02T07:19:31Z
dc.date.available	2025-06-02T07:19:31Z
dc.date.issued	2024-10-27
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/56867
dc.description.abstract	Tato diplomová práce se zabývá problematikou nasazení detekčních neuronových sítí na embedded zařízení s omezeným výpočetním výkonem, konkrétně na platformu Raspberry Pi. Hlavním cílem bylo navrhnout, implementovat a vyhodnotit systémy pro detekci recyklačních symbolů pomocí moderních metod strojového vidění a hlubokého učení. V rámci řešení byly porovnány tři modely: SSD MobileNet V2 FPNLite, EfficientDet D0 (oba v TensorFlow) a SSDLite320 MobileNet V3 (v PyTorch). Práce analyzuje výhody a nevýhody jednotlivých přístupů z hlediska přesnosti detekce (mAP, AR), výpočetní efektivity (FPS) a vhodnosti pro embedded nasazení. Nejlepších výsledků z hlediska přesnosti dosáhl model EfficientDet D0, zatímco model SSD MobileNet V2 FPNLite se ukázal jako nejefektivnější z hlediska rychlosti a jednoduchosti nasazení. PyTorch model potvrdil svou funkčnost, avšak s omezeným výkonem. Výsledky ukazují klasický kompromis mezi přesností a výpočetní náročností a poskytují doporučení pro volbu vhodného modelu dle specifických požadavků embedded aplikací.
dc.format	100 s. (134 024 znaků)
dc.language.iso	cs
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	strojové vidění	cs
dc.subject	hluboké učení	cs
dc.subject	detekce objektů	cs
dc.subject	embedded zařízení	cs
dc.subject	Raspberry Pi	cs
dc.subject	TensorFlow	cs
dc.subject	PyTorch	cs
dc.subject	computer vision	en
dc.subject	deep learning	en
dc.subject	object detection	en
dc.subject	embedded devices	en
dc.subject	Raspberry Pi	en
dc.subject	TensorFlow	en
dc.subject	PyTorch	en
dc.title	Rozpoznávání typu odpadu dle recyklačního symbolu
dc.title.alternative	Waste Type Recognition Based on the Recycling Symbol
dc.type	diplomová práce	cs
dc.contributor.referee	Volná, Eva
dc.description.abstract-translated	This thesis focuses on the deployment of object detection neural networks on embedded devices with limited computational power, specifically on the Raspberry Pi platform. The main objective was to design, implement, and evaluate systems for detecting recycling symbols using modern computer vision and deep learning techniques. Three models were compared: SSD MobileNet V2 FPNLite and EfficientDet D0 (both in TensorFlow), and SSDLite320 MobileNet V3 (in PyTorch). The work analyzes the advantages and disadvantages of each approach in terms of detection accuracy (mAP, AR), computational efficiency (FPS), and suitability for embedded deployment. EfficientDet D0 achieved the highest accuracy, while SSD MobileNet V2 FPNLite proved to be the most efficient in terms of speed and ease of deployment. The PyTorch model confirmed its functionality but showed limited performance. The results highlight the classic trade-off between accuracy and computational demand and provide recommendations for selecting a suitable model according to specific embedded application requirements.
dc.description.department	Ústav informatiky a umělé inteligence
dc.thesis.degree-discipline	Softwarové inženýrství	cs
dc.thesis.degree-discipline	Software Engineering	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Applied Informatics	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Informační technologie	cs
dc.thesis.degree-program	Information Technologies	en
dc.identifier.stag	70093
dc.date.submitted	2025-05-29