20.500.12556/RUL-161906 Zaznavanje oblakov na letalskih posnetkih z globokim učenjem diplomska naloga Cloud detection on aerial photography using deep learning graduation thesis Namen diplomskega dela je z metodami globokega učenja izdelati model, ki bi na letalskih posnetkih samodejno zaznaval oblake. Glavni razlog za nalogo je bil projekt cikličnega laserskega skeniranja Slovenije, kjer se sočasno zajema tudi DOF, zato je trebna obdelati velike količine posnetkov. Z vsako avtomatizacijo se izognemo ročnemu pregledovanju posnetkov za namen izdelave ortofota. V nalogi smo preizkusili različne arhitekture. Na koncu smo se odločili za Faster R-CNN, učenje pa smo izvajali s prosto dostopno knjižnico Detectron2. Model je bil pred učen na slikah iz Microsoftove zbirke COCO. Zaradi variabilnosti terena je bilo pomembno, da je model generaliziran. To smo dosegli z umetno razširitvijo učne množice. Uporabili smo tehnike naključnega zrcaljenja, rotacije, spremembe kontrasta in spremembe svetlosti. Da smo dobili čim boljši model, smo le tega med učenjem sprotno preverjali na validacijski množici in shranjevali vmesne iteracije. Na koncu smo ga preverili še na testni množici, ki vsebuje 90 slik z in brez oblakov. The thesis aims to train a model that would automatically detect clouds on aerial photographs using deep learning. The main reason for the task was the project of cyclic laser scanning of Slovenia, which includes capturing photographs to create an orthophoto. Because of this it is necessary to process large amounts of images. With any automatization, one avoids manual inspection of images, which is needed to create an orthophoto. In the thesis we tried different architectures. Ultimately, we decided on Faster R-CNN and performed the learning within the open-source Detectron2 library. The model was pretrained on images from Microsoft's COCO collection from 2017. Due to the variability of the terrain the model needed to be generalized. We achieved this by using data augmentation. We used the techniques of flipping, rotation, contrast change and brightness change. To obtain the best possible model, we periodically evaluated it on the validation dataset during learning and saved intermediate iterations. Finally, we ran it on the test set, which contains 90 images with and without clouds. diplomske naloge gradbeništvo geodezija globoko učenje ortofoto CLSS prepoznavanje objektov Faster R-CNN graduation thesis geodesy deep learning orthophoto CLSS object detection Faster R-CNN true false false [J. Bogataj] Slovenski jezik Angleški jezik Diplomsko delo/naloga 2024-09-15 08:45:03 2024-09-15 08:45:07 2025-08-08 13:41:40 0000-00-00 00:00:00 2024 0 Ljubljana 2024 Ljubljana 1 spletni vir (1 datoteka PDF (X, 33 str.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.896:528.7/.8(497.4)(043.2) 164676 210732547 16116.pdf 16116.pdf 1 AE9D055DB1D920052C0DC68CB6451292 b54ed3706b3a309d3626352374b6a80196f65dabaf001d6631810edb9cc8b8a2 f656a01a-732d-11ef-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=190899 Fakulteta za gradbeništvo in geodezijo 0 0 0