Vodena super-resolucija termalnih slik z RGB referencamiŠINKOVEC, ROK (Avtor) Štruc, Vitomir (Mentor) Perš, Janez (Komentor) vodena super-resolucijakonvolucijske nevronske mrežestrojno učenjesenzorski sistemLWIRmere kakovostiSSIMPNSRV našem delu predstavljamo metodo s katero rešujemo problematiko vodene super-resolucije termalnih slik. Metoda temelji na pristopih strojnega učenja z uporabo konvolucijskih nevronskih mrež, ki so učene v enovitnem načinu. Model si za pomoč pri rekonstrukciji visokofrekvenčnih detajlov izhodnih visokoresolucijskih termalnih slik pomaga z visokofrekvenčnimi RGB referencami. Kot izvorne slike pa prejme realne termalne slike, zajete z nizko resolucijsko termalno kamero. Model ima preprosto pet-slojno strukturo, z dvema ločenima vhodoma konvolucijskih slojev. Za zajem zbirke slik smo sestavili senzorski sistem treh kamer, s katerim smo zajemali slike v LWIR in RGB spektru. Za evaluacijo modela sta bili zbrani dve zbirki slik, od katerih prva predstavlja omejeno svetlobno okolje, druga pa predstavlja nenadzorovano svetlobno okolje. Zbirki je bilo potrebno pred učenjem urediti z oceno homografije. Modelom smo v fazi testiranja spreminjali velikosti in število filtrov v konvolucijskih slojih, ter učne podatke. Rezultate učenja pa smo ovrednotili z merami kakovosti slik SSIM in PNSR, ki sta danes široko uporabljeni. Model je po koncu učenja prve zbirke rekonstruiral slike z vrednostjo povprečne SSIM 0.84 in vrednosti povprečnega PNSR 22.67 dB. Pri vrednotenju rekonstrukcij pri drugi podatkovni zbirki pa je model dosegel povprečno vrednosti SSIM 0.62, vrednost povprečnega PNSR pa je dosegala 17.713 dB.20202020-09-29 14:40:01Magistrsko delo/naloga121072sl