• Medientyp: Elektronische Hochschulschrift; E-Book; Masterarbeit
  • Titel: Konzeption und Entwicklung eines Deep Learning basierten Embedded Vision Systems zur Analyse von Laufwegen
  • Beteiligte: Czarnetzki, Christopher [VerfasserIn]
  • Erschienen: REPOSIT HAW Hamburg, 2023-11-14
  • Sprache: Deutsch
  • DOI: https://doi.org/20.500.12738/14340
  • Schlagwörter: Development-Board ; intelligent video analytics ; Embedded Vision System ; maschinelles Sehen ; YOLOv3 ; Deep Learning ; Objekterkennung ; object detection ; YOLO-Tiny ; computer vision ; intelligente Videoanalyse ; Edge-Computing
  • Entstehung:
  • Anmerkungen: Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
  • Beschreibung: In dieser Arbeit werden die Entwicklung, Konzeption und die Realisierung eines Embedded Vision Systems beschrieben. Die Aufgabe dieses Systems ist die Laufweganalyse von Personen. Ein für den Einsatz von Machine Learning Anwendungen entworfenes Development-Board bildet die Basis des Systems. Die Laufweganalyse erfolgt über eine Deep Learning basierte Personenerkennung, für die das neuronale Netz YOLOv3-Tiny eingesetzt wird. Auf Grundlage der durch die Personenerkennung akquirierten Daten wird ermittelt, wie häufig bestimmte Teilbereiche eines überwachten Bereichs von Personen als Laufwege genutzt werden. Zur Veranschaulichung der Ergebnisse wird eine entsprechende Visualisierung erzeugt. ; This thesis describes the development, conception and realization of an embedded vision system. The system task is to analyse the walking path of persons. A development board designed for the use of machine learning applications forms the basis of the system. The walking path analysis is achieved by a Deep Learning based person detection performed by the neural network YOLOv3-Tiny. Based on the data acquired by the person detection it is determined how often certain sub-areas of a monitored area are used by people as walking paths. A corresponding visualization is generated to illustrate the results.
  • Zugangsstatus: Freier Zugang