Розроблення та дослідження інтелектуальної системи розпізнавання дорожніх знаків
Автор: Лещук Максим Русланович
Кваліфікаційний рівень: магістр
Спеціальність: Системне проєктування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Лещук М. Р., Мельник М. Р., Розроблення та дослідження інтелектуальної системи розпізнавання дорожніх знаків. – Національний університет «Львівська політехніка», Львів, 2025 р. Розширена анотація Розпізнавання дорожніх знаків є одним із ключових компонентів сучасних систем допомоги водієві (ADAS) та автономних транспортних платформ. Попри значні досягнення у сфері глибокого навчання, застосування великих нейронних мереж у вбудованих системах часто обмежене їхньою високою обчислювальною складністю та ресурсомісткістю. Тому актуальною є задача розроблення оптимізованих підходів, які забезпечують високу точність та швидкодію за умов обмежених апаратних ресурсів. У цьому контексті важливими є гібридні методи, що поєднують класичні алгоритми комп’ютерного зору з легковаговими моделями глибокого навчання. Метою магістерської кваліфікаційної роботи є розроблення та дослідження інтелектуальної системи розпізнавання дорожніх знаків, яка використовує гібридний підхід, заснований на сегментації зображень, контурному аналізі та легковаговій згортковій нейронній мережі, з метою підвищення ефективності обробки та точності класифікації. У ході дослідження здійснено аналіз сучасних методів обробки зображень і розпізнавання дорожніх знаків, визначено їхні переваги та недоліки при використанні у малопотужних вбудованих системах. Розроблено алгоритм попередньої обробки, що включає сегментацію у HSV-просторі (), виявлення контурів та формування регіонів інтересу з метою зменшення обсягу даних, які подаються на вхід нейромережі. Створено полегшену згорткову нейронну мережу, навчання якої проведено на наборі даних German Traffic Sign Recognition Benchmark (GTSRB). Експериментальні дослідження засвідчили, що гібридний підхід забезпечує високу точність класифікації, стійкість до змін освітлення та середній час обробки кадру близько 35 мс на процесорі загального призначення. Об’єктом дослідження є процеси автоматизованого розпізнавання дорожніх знаків. Предметом дослідження є методи та засоби гібридної обробки зображень і класифікації ознак у системах комп’ютерного зору. Наукова новизна роботи полягає у розробленні комбінованого підходу до розпізнавання дорожніх знаків, який поєднує класичні методи сегментації зображень із легковаговою CNN-моделлю, що дозволяє суттєво підвищити швидкодію без втрати точності. На відміну від традиційних рішень, зорієнтованих виключно на глибокі моделі, запропонована система виконує попередню локалізацію дорожніх знаків, що зменшує обсяг обробки та підвищує ефективність. Практичне значення одержаних результатів дослідження полягає у створенні системи, придатної для використання на малопотужних вбудованих пристроях без графічних прискорювачів. Розроблене рішення може бути застосоване в бюджетних системах моніторингу дорожніх знаків, автономних робототехнічних платформах, навчальних та експериментальних комплексах, а також як основа для подальшої інтеграції в системи ADAS. Ключові слова: розпізнавання дорожніх знаків, комп’ютерний зір, сегментація зображень, згорткова нейронна мережа, вбудовані системи, ADAS. Перелік використаних джерел: Ardianto, S., Nugroho, S. M. S., & Arifin, A. Z. (2017). Real-Time Traffic Sign Recognition Using Color Segmentation and SVM. International Conference on Information Technology Systems and Innovation (ICITSI), 1–6. doi: 10.1109/ICITSI.2017.8267957 Bahlmann, C., Zhu, Y., Ramesh, V., Pellkofer, M., & Koehler, T. (2005). A System for Traffic Sign Detection, Tracking, and Recognition Using Color, Shape, and Motion Information. Proceedings of the IEEE Intelligent Vehicles Symposium, 255–260. doi: 10.1109/IVS.2005.1505115 Bay, H., Tuytelaars, T., & Van Gool, L. (2006). SURF: Speeded Up Robust Features. European Conference on Computer Vision (ECCV), 404–417. doi: 10.1007/11744023_32 Belaroussi, R., Foucher, P., Tarel, J.-P., Soheilian, B., Charbonnier, P., & Paparoditis, N. (2010). Road Sign Detection in Images: A Case Study. Signal Processing: Image Communication, 25(4), 282–299. doi: 10.1016/j.image.2010.02.002 Dalal, N., & Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 886–893. doi: 10.1109/CVPR.2005.177 Leshchuk, M., Melnyk, M., & Zabierowski, W. (2025). Hybrid approach to traffic sign recognition based on color segmentation and convolutional neural networks. Комп’ютерні системи проектування. Теорія і практика, 7(2), 85–94. doi: 10.23939/cds2025.02.085 Maldonado-Bascon, S., Lafuente-Arroyo, S., Gil-Jimenez, P., Gomez-Moreno, H., & Lopez-Ferreras, F. (2007). Road-Sign Detection and Recognition Based on Support Vector Machines. IEEE Transactions on Intelligent Transportation Systems, 8(2), 264–278. doi: 10.1109/TITS.2007.895311 Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An Efficient Alternative to SIFT or SURF. IEEE International Conference on Computer Vision (ICCV), 2564–2571. doi: 10.1109/ICCV.2011.6126544 Yang, G. (2021). Research on Traffic Sign Detection and Recognition Algorithm Based on Convolutional Neural Network. Proceedings of the 3rd International Conference on Computer Science and Application Engineering (CSAE), 1–5. doi: 10.1145/3487664.3487708