Система комп'ютерного зору на платформі Raspberry Pi

Євтушенко, Тетяна Сергіївна

Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/8268

Title:	Система комп'ютерного зору на платформі Raspberry Pi
Authors:	Філіпов, Віталій Вікторович Євтушенко, Тетяна Сергіївна
Keywords:	платформа Raspberry Pi;cистема комп'ютерного зору;compoter vision;інтернет речей;мережа
Issue Date:	2020
Abstract:	В даній роботі розроблено систему комп'ютерного зору на платформі Raspberry Pi. Перевагою системи є можливість її масштабування, модернізації та контролю через Інтернет. Запропонована розробка здатна вирішити актуальні проблеми, адже може використовуватися в приватних будинках та квартирах для відеоспостереження та охорони.
URI:	https://er.chdtu.edu.ua/handle/ChSTU/8268
Appears in Collections:	172 Електронні комунікації та радіотехніка (Телекомунікації)

Files in This Item:

File	Description	Size	Format
Б_172_Євтушенко_Філіпов.pdf Restricted Access		1.97 MB	Adobe PDF	View/Open Request a copy

Show full item record

Extracted text

Форма № Н-9.02
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ
(повне найменування вищого навчального закладу)
факультет електронних технологій і робототехніки
(назва факультету)
кафедра радіотехніки, телекомунікаційних і робототехнічних систем
(повна назва кафедри)

До захисту допущенко
Завідувач кафедри
д.т.н., професор _________ В.В. Палагін
«___» __________________ 2020 року

Пояснювальна записка
до дипломної роботи
бакалавр
(освітній рівень)

на тему: “ Система комп’ютерного зору на платформі Raspberry Pi ”

Виконала: студентка 4 курсу, групи ТК-65
Спеціальності: 172 – Телекомунікації та
радіотехніка
Освітня програма: «Телекомунікації»

Євтушенко Т.С.
(прізвище та ініціали)
Керівник Філіпов В.В.
(прізвище та ініціали)
Рецензент Стась С.В.
(прізвище та ініціали)

Черкаси – 2020 року
Форма № Н-9.01

ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ
Факультет електронних технологій і робототехніки
Кафедра радіотехніки, телекомунікаційних і робототехнічних систем
Освітній рівень бакалавр
Спеціальність 172 Телекомунікації та радіотехніка
(шифр і назва)
Освітня програма: «Телекомунікації»

(шифр і назва)

ЗАТВЕРДЖУЮ
Завідувач кафедри В.В. Палагін
“_____” ___________________ 2020 року

З А В Д А Н Н Я
НА ДИПЛОМНИЙ ПРОЕКТ (РОБОТУ) СТУДЕНТУ

Євтушенко Тетяні Сергіївні
(прізвище, ім’я, по батькові)
1. Тема проекту (роботи) Система комп’ютерного зору на платформі
Raspberry Pi

керівник проекту (роботи) Філіпов Віталій Вікторович, к.т.н.
(прізвище, ім’я, по батькові, науковий ступінь, вчене звання)
затверджені наказом вищого навчального закладу від “24” лютого 2020 року № 76/01
2. Строк подання студентом проекту: 12.06.2020 р.
3. Вихідні дані до проекту (роботи) Rasspberry Pi, Python, OpenCV,
система Face Recognition на платформі Raspberry Pi.
4. Зміст розрахунково-пояснювальної записки (перелік питань, які потрібно
розробити) Загальні відомості системи комп’ютерного зору, їх структура..
Платформа Raspberry Pi для реалізації системи комп’ютерного зору.
Реалізація системи Face recognition. Висновок.

5. Перелік графічного матеріалу (з точним зазначенням обов’язкових креслень,
плакатів) Піксельна діаграма даних. Масив значень пікселів. Процес зберігання
пікселів в пам’яті. Зберігання кольорового зображення. Традиційна система
комп’ютерного зору. Загальна архітектура системи «computer vision».
Архітектура системи «розпізнавання облич». Завдання комп’ютерного зору.
Вейвлет Хаара. Інтегральне значення пікселя. Сумування «слабких»
класифікаторів. Послідовність фільтрів. ASM. Угасання стабілізованих
образів. Етапи Face Recognition. Структурна схема проекту. Встановлення
бібліотеки OpenCV. Interfacing Options, VNC – enable, VNC – client, Raspbian
PIXEL, інсталяція ПЗ motion, відеопотік.
.VNC
6. Консультанти розділів проекту (роботи)
Підпис, дата
Прізвище, ініціали та посада
Розділ завдання завдання
консультанта
видав прийняв

7. Дата видачі завдання 15.02.2020 р.

КАЛЕНДАРНИЙ ПЛАН

№ Назва етапів дипломного Строк виконання Примітка
з/п проекту (роботи) етапів проекту
(роботи)

Інформаційно-технічний пошук та 20.02.20–
1.
огляд літератури 15.03.20
Загальні відомості про системи
комп’ютерного зору. Структура, 16.03.20 –
2.
інструменти для реалізації, задачі, що 30.03.20
виконує комп’ютерний зір.
Аналіз методів реалізації системи 01.04.20 –
3.
комп’ютерного зору. 07.04.20
Платформа Raspberry Pi для реалізації 12.04.20 –
4.
системи комп’ютерного зору. 20.04.20
Реалізація системи Face recognition на 21.04.20–
5.
платформі Raspberry Pi. 30.04.20

6. Оформлення пояснювальної записки 30.04.20 –
10.05.20
Оформлення графічного матеріалу 25.05.20 –
7.
10.06.20

Студент Євтушенко Т.С.
( підпис ) (прізвище та ініціали)

Керівник проекту (роботи) Філіпов В.В.
( підпис ) (прізвище та ініціали)

ЗМІСТ
ЗМІСТ Арк.
ВСТУП 4
РОЗДІЛ 1. СИСТЕМИ КОМП’ЮТЕРНОГО ЗОРУ
1.1 Комп’ютерний зір (КЗ) – основні поняття 5
1.2 Структура систем КЗ, основні види архітектур систем 7
1.3 Основні інструменти реалізації систем КЗ 9
1.4 Задачі, які виконує КЗ 11
1.5 Приклади 13
РОЗДІЛ 2. ПЛАТФОРМА RASPBERRY PI ДЛЯ РЕАЛІЗАЦІЇ СИСТЕМИ КЗ
2.1 Платформа Raspberry Pi. Основні налаштування 16
2.2 OpenCV – бібліотека «комп’ютерного зору» 19
2.3 Особливості реалізації Face Recognition на базі OpenCV 21
РОЗДІЛ 3. РЕАЛІЗАЦІЯ СИСТЕМИ КЗ НА ПЛАТФОРМІ RASPBERRY PI
3.1 Технологія розпізнавання обличчя 26
3.1.2 Виділення обличчя та його особливості 29
3.1.3 Порівняння з обличчями в базі даних 31
3.2 Структурна схема системи КЗ для Face recognition 34
3.3 Програмна реалізація та структура програми для Face recognition 35
3.4 Реалізація на Raspberry Pi 38
РОЗДІЛ 4. ОХОРОНА ПРАЦІ
4.1. Аналіз небезпек та шкідливостей, що впливають на інженера з
телекомунікацій при виконанні досліджень в приміщенні інформаційно-
технічної лабораторії 44
4.2 Розрахунок системи звукопоглинання в приміщенні лабораторії 49
ВИСНОВОК 60
СПИСОК ВИКОРИСТАНИХ ІНФОРМАЦІЙНИХ ДЖЕРЕЛ 61
ТК65.020.005.001 ПЗ
Змн. Арк. № докум. Підпис Дата
Розроб. Євтушенко Т.С. Система комп’ютерного Літ. Арк. Аркушів
Перевір. Філіпов В.В. 4 62
зору на платформі
Реценз.
.
Н. Контр. Raspberry Pi
ЧДТУ 2020
Затверд.

Вступ
Проблема розвитку комп’ютерного зору вивчається з 50-х років 20 ст. Саме
в той період комп’ютери стали загальнодоступним засобом обробки та аналізу
інформації. Однак, слід зазначити, що перші системи цифрування візуальної
інформації були досить примітивними, а зображення – малоформатними. В історії
розвитку комп’ютерного зору можна виділити 1958 рік, коли вчений Френк
Розенблатт з університету Корнеля створив комп’ютерну реалізацію перцептрона.
Цей пристрій модулював схему розпізнавання образів людським мозком. Проте,
розгляд завдань «машинного» зору носило скоріше абстрактний характер, так як
ні техніки, ні математичного забезпечення для вирішення таких складних проблем
ще не було.
Комп’ютерний зір – необхідний компонент сучасних технологій. Цей
елемент являє собою один з найбільш перспективних методів автоматизації дій із
застосуванням комп’ютерних технологій і робототехніки. Системи «машинного»
зору передбачають перетворення даних, що надходять з пристроїв захоплення
зображення, з виконанням подальших операцій на основі цих даних.
Нині, комп’ютений зір найбільш затребуваний в медицині, робототехніці,
автомобільній промисловості, військовій галузі та біотехнологіях. Це пов’язано з
тим, що в цих галузях вже є чітко сформовані задачі для комп’ютерного зору,
рішенням яких займаються провідні дослідницькі центри та компанії. При цьому,
можливе поле застосування комп’ютерного зору, насправді, величезне – ці
технології можуть бути задіяні практично в усіх сферах життєдіяльності. За
рахунок зросту складності науково-технічних завдань, автоматична обробка і
аналіз візуальної інформації стають все більш актуальними питаннями.

Арк.
ТК65.020.005.001 ПЗ 4
Змн. Арк. № докум. Підпис Дата

РОЗДІЛ 1. Системи комп’ютерного зору

1.1 Комп’ютерний зір (КЗ) – основні поняття

Один з найпотужніших та найпереконливіших типів ШІ - це комп’ютерний
зір, який переслідує людину скрізь. Комп'ютерний зір - це сфера інформатики, яка
фокусується на реплікації системи зору людини та надає можливість комп'ютерам
ідентифікувати та обробляти об'єкти в зображеннях та відео так, як це робить
людина.
До недавнього часу комп'ютерний зір працював з обмеженою потужністю.
За рахунок прогресу в галузі ШІ, останнім часом, технологія «computer vision»
змогла перевершити людське око в деяких завданнях, пов’язаних з виявленням та
маркуванням об’єктів. Поряд з величезною кількістю візуальних даних (щодня в
Інтернеті генерується близько 3 мільярдів зображень), тепер доступна достатня
обчислювальна потужність для аналізу даних. Це дало змогу підняти рівень
точності ідентифікації об’єктів.
За останнє десятиліття системи досягли 99-ти відсоткової точності з 50%,
що робить їх більш точними, ніж людська система зору, швидко реагуючи на
візуальні дані.
Ранні експерименти з комп’ютерним зором розпочалися в 50-х роках, і його
вперше застосували на комерційній основі для розмежування друкованого та
рукописного тексту до 1970-х, сьогодні програми для комп’ютерного зору зросли
експоненціально . До 2022 року очікується, що ринок комп'ютерного зору та
апаратних засобів складе 48,6 мільярда доларів.
Зараз, одне з найважливіших відкритих питань стосуються периферичної
нервової системи та ШІ: як працює людський мозок та як реалізувати це
алгоритмами? Існує дуже мало робочих теорій роботи мозку. Тому, незважаючи
на те, що нейронні мережі повинні «імітувати спосіб роботи мозку», ніхто не
Арк.
ТК65.020.005.001 ПЗ 5
Змн. Арк. № докум. Підпис Дата

впевнений, що це насправді так. На певному рівні КЗ стосується розпізнавання
образів.
Отже, один зі способів «навчити» комп’ютер розуміти візуальні дані –
завантажити велику кількість зображень з мітками, щоб потім піддавати їх
алгоритмам, які дозволяють комп’ютеру шукати риси у всіх елементах, схожих з
мітками. До прикладу, наведемо просту ілюстрацію буфера зображень у сірих
відтінках. Яскравість кожного представлена одним 8-бітним числом, діапазон
якого становить від 0 (чорний) до 255 (білий):

Рисунок 1.1.1 Піксельна діаграма даних
Насправді значення пікселів майже універсально зберігаються на
апаратному рівні в одновимірному масиві. Наприклад, дані із зображення,
наведеного вище, зберігаються таким чином:

Рисунок 1.1.2 Масив значень пікселів
Арк.
ТК65.020.005.001 ПЗ 6
Змн. Арк. № докум. Підпис Дата

В пам’яті такий масив зберігається як лінійність:

Рисунок 1.1.3 Процес зберігання значень пікселів в пам’яті
Комп’ютер розпізнає кольори як серію з 3-х значень – червоного, зеленого
та синього (RGB) – за тією ж шкалою 0-255 (рис.1.1.4). Тепер, кожен піксель
насправді має 3 значення для зберігання. Якби рис.1.1.1 був кольоровим, то він
мав би таке значення – 12х16х3 або 576 цифр.

Рисунок 1.1.4 Зберігання кольорового зображення

1.2 Структура систем КЗ, основні види архітектур систем

Система комп’ютерного зору базується на захопленні та обробці
зображення, з якого добувається інформація. Структура системи включає в себе
камеру (в нашому випадку веб-камера Logitec C170 з USB виводом),
Арк.
ТК65.020.005.001 ПЗ 7
Змн. Арк. № докум. Підпис Дата

автоматизований візуальний огляд та збереження інформації щодо того чи іншого
зображення. Традиційні системи комп'ютерного зору складаються з камери,
підключеної до комп'ютера, на якому працює програма. Результат обробки може
активувати додаткові приводи або перейти до пристрою виводу (рис. 1.2.1). Всю
систему можна інтегрувати в одному компоненті - смарт-камері, яка включає
зображення захоплення, обробку та вивід.

Рисунок 1.2.1 Традиційна система комп’ютерного зору
Репрезентація зображення вимагає великої кількості пам’яті. Для обробки
зображення треба висока потужність процесора. В традиційній системі «computer
vision» процес передачі інформації з зображення камерою та комп’ютером може
зайняти багато часу.

Рисунок 1.2.2 Загальна архітектура системи «computer vision»
Аналізуючи застосування комп’ютерного зору, можна прийти до висновку,
що різні завдання вимагають різних зусиль. Одна архітектура системи не виконує
ефективно всі операції ефективно. Для виконання конкретних завдань,
застосовуються конкретні архітектури систем комп’ютерного зору. Незважаючи
Арк.
ТК65.020.005.001 ПЗ 8
Змн. Арк. № докум. Підпис Дата

на це, можна привести узагальнений вигляд архітектури «комп’ютерного зору»
(рис.1.2.2).
В даній роботі нас цікавить архітектура системи «розпізнавання облич»
(рис.1.2.3). Система «face detection» складається з наступних основних кроків:
• Попередня обробка даних;
• Виявлення особливостей;
• Класифікація.
Попередня обробка даних включає такі кроки, як: виявлення обличчя,
зміна розміру зображення, масштабування . Виявлення особливостей
передбачає вилучення даних із зображень, які мають відношення до
розпізнавання обличчя та видалення зайвих даних, що призводить до зменшення
розміру набору даних. Класифікація включає визначення класу вхідних
тестових даних на основі даних, витягнутих із набору навчальних.

Рисунок 1.2.3. Архітектура системи «розпізнавання облич»

1.3 Основні інструменти реалізації систем КЗ

Останнім часом питання розвитку систем КЗ стоїть на першому місці в
різних напрямках науки. Застосування в різних цілях вимагає можливості вибору
між інструментами реалізації систем. Перед визначенням інструментів для
реалізації «computer vision», слід розглянути їх типи за методом обробки
зображень. Існує три основні типи систем CV:
Арк.
ТК65.020.005.001 ПЗ 9
Змн. Арк. № докум. Підпис Дата

• Одновимірні;
• Двовимірні;
• Тривимірні.
Для початку вивчення комп’ютерного зору достатньо розібратись з мовою
програмування Python (інтерпретована, об’єктно орієнтована мова програмування
високого рівня зі строгою динамічною типізацією). Python застосовується в
проекті через його простоту та широке застосування.
В залежності від типу системи CV, застосовують різні бібліотеки.
Базові бібліотеки для вирішення задач з Data Science і комп’ютерного зору:
1. NumPy; бібліотека з відкритим вихідним кодом для мови програмування
Python. Можливості: підтримка багатовимірних масивів (включаючи
матриці); підтримка високорівневих математичних функцій,
призначених для роботи з багатовимірними масивами.
2. Matplotlib - бібліотека на мові програмування Python для візуалізації
даних двовимірної (2D) графікою (3D графіка також підтримується).
Одержувані зображення можуть бути використані в якості ілюстрацій в
публікаціях.
Просунуті:
1. OpenCV. Бібліотека алгоритмів комп'ютерного зору, обробки зображень
та чисельних алгоритмів загального призначення з відкритим кодом.
2. SciPy - бібліотека для мови програмування Python, призначена для
виконання наукових і інженерних розрахунків.
3. Scikit-learn - дана бібліотека містить різні реалізації методів
кластеризації, класифікації та інших.
Для виконання завдання з розпізнавання облич в проекті використовується
відкрита бібліотека OpenCV.
Основні підходи до вирішення завдань СV:
• Контурний аналіз;
• Пошук за шаблоном;
Арк.
ТК65.020.005.001 ПЗ 10
Змн. Арк. № докум. Підпис Дата

• Пошук поза шаблонів, зіставлення по ключових точках;
• Поєднання даних.
Комп'ютерний зір не обмежується тільки цими основними методами,
наприклад, можна виділити так звані генетичні алгоритми, що застосовуються,
зокрема, для розпізнавання осіб.

1.4 Задачі, які виконує КЗ

Областю інтересу машинного зору, як інженерного напрямку, є цифрові
пристрої введення/виводу і комп'ютерні мережі, призначені для контролю
виробничого обладнання, таких як роботи-маніпулятори або апарати для
вилучення бракованої продукції.
В даний час існує чітка межа між так званим монокулярним і бінокулярним
комп'ютерним зором. До першої області відносяться дослідження і розробки в
області комп'ютерного зору, пов'язані з інформацією, що надходить від однієї
камери або від кожної камери окремо. До другої області відносяться дослідження
і розробки, що мають справу з інформацією, яка одночасно надходить від двох і
більше камер. Кілька камер в таких системах використовуються для вимірювання
глибини спостереження. Ці системи називаються стереосистемами.
До теперішнього моменту теорія комп'ютерного зору повністю склалася як
самостійний розділ кібернетики, що спирається на наукову і практичну базу
знань. Щорічно з даної тематики видаються сотні книг і монографій, проводяться
десятки конференцій і симпозіумів, випускається різне програмне та апаратно-
програмне забезпечення. Існує ряд науково-громадських організацій, що
підтримують і висвітлюють дослідження в області сучасних технологій, в тому
числі технології комп'ютерного зору.
Завдання CV полягають, головним чином, в отриманні корисної інформації
(insight) з фото- чи відеозображень. Найбільш вживаними завданнями CV можуть
бути:
Арк.
ТК65.020.005.001 ПЗ 11
Змн. Арк. № докум. Підпис Дата

• Завдання калібрування камер і оптичних систем;
• Завдання визначення руху по зображеннях;
• Завдання визначення перешкод по ходу руху;
• Завдання розпізнавання об'єктів на сцені;
• Завдання просторової реконструкції сцени;
• Завдання локалізації зображення в заздалегідь відомій сцені;
• Завдання аналізу відмінності в наборі зображень.
Отже, машинний зір дозволяє вирішувати безліч завдань, які умовно можна
розділити на чотири групи:

Рисунок 1.4.1 Завдання комп’ютерного зору
• Розпізнавання положення; мета машинного зору в даному застосуванні -
визначення просторового розташування (розташування об'єкта щодо
зовнішньої системи координат) або статичного положення об'єкта (в
якому становищі знаходиться об'єкт щодо системи координат з
початком відліку в межах самого об'єкту) і передача інформації про стан
і орієнтації об'єкта в систему управління або контролер. Прикладом
такого додатка може служити вантажно-розвантажувальний робот,
перед яким стоїть завдання переміщення об'єктів різної форми з
бункера. Інтелектуальна задача машинного зору полягає, наприклад, у
визначенні оптимальної базової системи координат і її центру для
Арк.
ТК65.020.005.001 ПЗ 12
Змн. Арк. № докум. Підпис Дата

локалізації центру ваги деталі. Отримана інформація дозволяє роботу
захопити деталь належним чином і перемістити її в належне місце.
• Вимірювання; у додатках даного типу основне завдання відеокамери
полягає в вимірі різних фізичних параметрів об'єкта. Прикладом
фізичних параметрів може служити лінійний розмір, діаметр, кривизна,
площа, висота і кількість. Приклад реалізації даного завдання - вимір
різних діаметрів горлечка скляної пляшки.
• Інспекція; у додатках, пов'язаних з інспекцією, мета машинного зору -
підтвердити певні властивості, наприклад, наявність або відсутність
етикетки на пляшці, болтів для проведення операції зборки, або
наявність різних дефектів.
• Ідентифікація; в задачах ідентифікації основне призначення відеокамери
- зчитування різних кодів (штрих-кодів, 2D-кодів і т.д.) З метою їх
розпізнавання засобами камери або системним контролером, а також
визначення різних буквено-цифрових позначень. Крім того до завдань
даної групи можна віднести системи, які виконують завдання безпеки,
такі як ідентифікація особистості і техніки, детектори руху.
Виходячи із завдань, які вирішує комп’ютерний зір, можна виділити безліч
областей застосування машинного зору. Однак варто зазначити, що сьогоднішня
структура попиту визначається поки що обмеженими можливостями сучасних
систем машинного зору.

1.5 Приклади

Комп'ютерний зір і розпізнавання зображень є невід'ємною частиною
штучного інтелекту (ШІ), який за минулі роки знайшов величезну популярність.
У січні 2017 відбулася виставка CES 2017, де можна було подивитися на останні
досягнення в цій сфері.
Арк.
ТК65.020.005.001 ПЗ 13
Змн. Арк. № докум. Підпис Дата

• Безпілотні автомобілі. Найбільші складні стенди з комп'ютерним зором
належать автомобільнії промисловості. Зрештою, технології безпілотних
і напівавтономних автомобілів працюють, багато в чому, завдяки
комп'ютерному зору. Продукти компанії NVIDIA, яка вже зробила
великі кроки в області глибинного навчання, використовуються в
багатьох безпілотних автомобілях. Наприклад, суперкомп'ютер NVIDIA
Drive PX 2 вже служить базовою платформою для безпілотників Tesla,
Volvo, Audi, BMW і Mercedes-Benz. Технологія штучного сприйняття
DriveNet від NVIDIA – технологія комп'ютерного зору, яка працює на
основі нейронних мереж. З її допомогою радари, камери і ультразвукові
датчики здатні розпізнавати оточення, дорожню розмітку, транспорт і
багато іншого. NVIDIA і Audi планували в 2020 році випустити на трасу
першу повністю автономну машину, яка б використовувати новий
суперкомп'ютер Xavier AI.
NVIDIA також представила штучний інтелект Co Pilot, який здатний
розпізнавати обличчя, рухи губ, напрям погляду і мову - через що водити
автомобіль стане зручніше. Так, наприклад, завдяки розпізнаванню руху губ,
комп'ютер буде краще розуміти вимовлені слова, а здатність вловлювати
напрямок погляду (аналіз очей, обличчя і положення голови) допоможе не тільки
визначити, чи не заснув водій, але і врятувати у небезпечних ситуаціях, коли
людина не помічає небезпеку - наприклад, коли наближається ззаду по центру
дороги мотоцикліст. Що стосується зчитування руху губ, то зараз мережі, що
використовують глибинне навчання, здатні розпізнавати мову з точністю до 95%,
в той час як людина розпізнає її з точністю в 3%. Зараз ця неймовірна здатність
використовується для поліпшення розпізнавання мови в автомобілі, а саме - в
шумних ситуаціях.
• Персоналізація. В майбутньому, завдяки технології розпізнавання
облич, індивідуальні налаштування автомобіля стануть значно краще. В
концепті Chrysler Portal є спеціальні камери, розташовані за кермом. За
Арк.
ТК65.020.005.001 ПЗ 14
Змн. Арк. № докум. Підпис Дата

допомогою комп'ютерного зору автомобіль може миттєво визначати
особу водія ще до того, як той сяде в машину
• Інтерфейси. Технології відстеження руху очей за допомогою
комп'ютерного зору використовується не тільки в ігрових ноутбуках, але
і в звичайних, і корпоративних комп'ютерах, для того щоб ними могли
керувати люди, які не можуть скористатися руками. Tobii Dynavox
PCEye Mini являє собою пристрій розміром з кулькову ручку, який стане
ідеальним і непомітним аксесуаром для планшетів і ноутбуків. Також ця
технологія відстеження руху очей використовується в нових ігрових і
звичайних ноутбуках Asus і смартфонах Huawei. Тим часом продовжує
розвиватися жестове управління (технологія комп'ютерного зору, яке
може розпізнавати особливі рухи руками). Тепер воно буде
використовуватися в компаніях BMW і Volkswagen.
• Роботи. Навіть Alexa від Amazon, Google Home і інші цифрові
помічники і роботи, доступні на ринку, на кшталт LG Hub і Kuri від
Mayfield Robotics, мають базові навички комп'ютерного зору і можуть
визначити, хто з ними розмовляє. Компанія ITRI розробила систему
Intelligent Vision System, яка використовує глибинне навчання і
комп'ютерний зір, щоб роботи могли розрізняти об'єкти різного розміру
(фігурки, чашки) і визначати їх положення. Розпізнавши об'єкт, робот
зможе взяти його і принести в потрібне місце.
Арк.
ТК65.020.005.001 ПЗ 15
Змн. Арк. № докум. Підпис Дата

РОЗДІЛ 2. Платформа Raspberry Pi для реалізації системи КЗ

2.1 Платформа Raspberry Pi. Основні налаштування

Rasberry Pi – це мініатюрний, розміром з кредитну картку, комп’ютер
вартістю порядку 25$ за базову модель і 35$ за більш удосконалену, що отримала
велику популярність в світі.
Однією з основних переваг Rasberry Pi є співвідношення якості продукту та
його вартості. Цей міні- ПК не наскільки потужний, як сучасні комп’ютери, але
він підходить для вирішення багатьох практичних завдань, для інтернет-серфінгу,
а також для відтворення відео- та аудіофайлів.
Rasberry Pi – ідеальний комп’ютер для постановки різних експерементів. А
стосовно статистичного управління процесами (SPC) – методу моніторингу
виробничих процесів з метою управління якістю продукції безпосередньо в
процесі виробництва, яке можна застосовувати повсюди для програмування на
багатьох мовах і в якості мікроконтролерів для управління роботизованими
пристроями.
Одна з головних особливостей Rasberry Pi – наявність на платі апаратних
портів ввід/вивід GPIO ( General Purpose Input/Output, інтерфейс ввід/вивід
загального призначення), що надає перспективи використання його в
робототехнічних проектах та пристроях «розумного будинку».
Перші версії Rasberry Pi: моделі «А», «В», «А+» і «В+» - оснащені
процесором Broadcom ВСМ2835 архітектури ARM11 с тактовою частотою
700МГц і модулем оперативної пам’яті на 256(або 512) Мбайт, розміщеною за
технологією package-on-package безпосередньо на процесорі. Модель «А»
оснащена одним портом USB 2.0, модель «В» - двома такими портами, модель
«В+» - чотирма. У моделей «В» і «В+» також є порт Ethernet. Окрім основного
ядра, процесор ВСМ2835 має графічне ядро з підтримкою OpenGL ES 2.0,
Арк.
ТК65.020.005.001 ПЗ 16
Змн. Арк. № докум. Підпис Дата

апаратного прискорення і відео Full HD, а також ядро DSP (Digital Signal
Processor, цифровий сигнальний процесор).
Живлення комп’ютера відбувається через роз’єм MicroUSB, при цьому
сила струму має складати мінімум 0,5-0,7 А. При меншому значенні комп’ютер
все ще може включитись, але буде йти в перезавантаження при запуску
ресурсозатратних завдань. Звідси, підключати плату краще не через хаб, а
напряму до USB-порту комп’ютера чи в розетку через спеціальний перехідник.
Ніяких кнопок включення/виключення на платі Raspberry Pi немає. Якщо
необхідно запустити пристрій – достатньо підключити USB – живлення, для
виключення –витягти шнур. Залишається надіятись, що в майбутніх ревізіях
Raspberry Pi, можливо, додадуть живлення через Ethernet, оскільки це один із
самих частих запитів від користувачів.
Версії «А» і «В» пристрою обладнані слотом для карт пам’яті формату SD,
версії «А+» і «В+» - слотом для карт формату MicroSD. Без карти пам’яті
Raspberry Pi не вмикається, оскільки саме на ній повинна бути записана
операційна система, - це однаково що намагатися запустити комп’ютер без
жорсткого диску. Оскільки власної ОС у внутрішній пам’яті ( як, наприклад, в
телефоні) у Raspberry Pi немає, то із цього витікає один позитивний момент –
прилад практично неможливо перетворити в «цеглину»: після будь якого
невдалого експерименту достатньо перезаписати дистрибутив на карті пам’яті, й
Rasberry Pi знову запрацює.
Для підключення дисплею на платі Rasberry Pi є два інтерфейси: RCA
Video(композитний) і HDMI. Використовуючи відповідні перехідники, можна
вийти і на традиційні VGA I DVI. HDMI підтримує передачу як відео так і звуку,
але коли потрібен окремий аудіоканал, то і він присутній на платі у вигляді
стандартного міні-джека 3,5мм. Підключення мікрофону також можливе, але для
цього знадобиться USB – пристрій, сумісний з Rasberry Pi.
Існуючі зараз моделі Rasberry Pi не мають модуля WI-Fi, і для роботи з
ними в Інтернеті знадобиться задіяти порт Ethernet. Оскільки фізично на платі він
Арк.
ТК65.020.005.001 ПЗ 17
Змн. Арк. № докум. Підпис Дата

зкомутований через USB 2.0, то забезпечує не гігабітну, а всього лише 100-
мегабітну швидкість.
Чіпи процесора і графічного прискорювача не оснащені навіть
найпростішими радіаторами, і після кількох годин роботи комп’ютера стає
очевидним, чому його розробники зупинились саме на цьому вирішенні: плата
нагрівається при роботі не сильно – вона скоріше тепла, ніж гаряча.
Частота процесора, як вже згадувалось, складає 700 МГц, і, в залежності від
дистрибютера, його можна розігнати до 1000 МГц без втрати гарантії. Чіп пам’яті
виробництва Samsung or Hynix напаяний поверх основного чіпсету, так що
збільшити RAM самостійно не вийде. При виборі варто звернути увагу на
маркіровку цієї SoC (System-on-a-Chip – ситеми на кристалі): номер партії для
«старих» версій моделі «В» з 256 Мбайт RAM починається з K4P2G, у випуску з
512 Мбайт пам’яті – з K4P4G.
Відеоприскорювач Broadcom VideoCore 4 дозволяє навіть при такому
слабому процесорі декодувати відео 1080p h.264 з бітрейтом до 40 Мбіт/с. Для
апаратного прискорення MPEG-2 i VC-1 ліцензії треба докупляти окремо.
На платі розміщено 5 індикаторів: три з них показують активність та режим
роботи Ethernet, ще 2 сигналізують про наявність живлення і роботу з SD-картою.
Низькорівневі інтерфейси, які дозволяють підключити до Rasberry Pi плати
розширення, зовнішні контролери, датчики та інші аксесуари. По-перше, на платі
є 15-штикових слотів CSI-2 – для підключення камери й DSI – для підключення
дисплею. По-друге, присутня колодка на 26 (40 – для версії «В+») ліній
вводу/виводу загального призначення GPIO. НА них реалізовано інтерфейси
UART, консольний порт, шина SPI (Serial Peripheral Interface – послідовний
періферійний інтерфейс), I2C (Inter-Intergrated Circuit, послідовна шина даних для
зв’язку інтегральних схем) та I2S (Intergrated Inter-chip Sound, послідовна шина
даних, що слугує для зв’язку цифрових аудіопристроїв). Використання GPIO – це
якраз найцікавіше й творче застосування Rasberry Pi.

Арк.
ТК65.020.005.001 ПЗ 18
Змн. Арк. № докум. Підпис Дата

2.2 OpenCV - бібліотека «комп’ютерного зору»

OpenCV (open source computer vision library) – бібліотека комп’ютерного
зору з відкритим вихідним кодом. Вона існує для різних мов програмування,
наприклад, для Java, Python. Включає в себе алгоритми комп’ютерного зору,
розпізнавання зображень і багато іншого, працюючого в реальному режимі часу.
Доступ до бібліотек OpenCV безкоштовний, ним можна користуватись як в
навчальних, так і в комерційних цілях.
Бібліотека OpenCV включає наступні алгоритми:
• розпізнавання об’єктів у відеопотоці;
• розпізнавання друкованого і рукописного тексту;
• виправлення спотворень картинки;
• виявлення подібності та форми об’єктів;
• стеження за переміщенням об’єкта;
• розпізнавання рухів, жестів
На сьогоднішній день розпізнавання об’єктів в мультимедійному
відеопотоці стає особливо актуальним. Ведеться багато досліджень в цій області.
Наприклад, німецькі вчені розробили програмне забезпечення, котре розпізнає
фігури людей, і в залежності від того, куди рухається особа, програма
автоматично рухає камерою та слідкує за нею.
Більшість вчених та програмістів-практиків знають про деякі аспекти
комп’ютерного зору, але мало хто знає про всі області, в яких застосовується
computer vision. Технологія стала «звичною справою» на виробництві: практично
все, що випускається серійно перевіряється з використанням комп’ютерного зору.
Відкрита ліцензія для OpenCV була складена таким чином, щоб було
можливо створювати комерційні пропозиції, використовуючи будь-які
можливості OpenCV. Це означає, що створений проект не обов’язково повинен
бути відкритим. Завдяки таким ліберальним умовам існує велика спільнота
користувачів, що включає в себе такі великі компанії як IBM, Microsoft, Intel,
Арк.
ТК65.020.005.001 ПЗ 19
Змн. Арк. № докум. Підпис Дата

Sony, Siemens, Google, а також науково-дослідницькі центри - Стенфорд,
Массачусетський технологічний інститут, CMU, Кембридж, і INRIA. З моменту
свого альфа-релізу в січні 1999 року, OpenCV була використана в багатьох
проектах і науково-дослідних роботах, в тому числі: накладення звичайних карт і
фотографій з супутника, вирівнювання документів при скануванні, видалення
шуму з медичних зображень, аналіз об'єктів, системи безпеки, автоматичне
спостереження, системи контролю якості на виробництві, калібрування камер, а
також безпілотні літальні, наземні і підводні апарати. Вона навіть була
використана для розпізнавання звуку і музики, де методи розпізнавання образів
були застосовані до зображень спектрограм звуку. Бібліотека стала ключовою
частиною системи зору робота "Stanley" зі Стенфорда, який виграв 2.000.000 $ на
Великих Пустельних Гонках Роботів DARPA.
Функціонал OpenCV включає наступні складові:
• ядро cxcore, також частково використовується в Intel Open Source
Probabilistic Network Library:
1. Базові операції над багатовимірними числовими масивами;
2. Матрична алгебра, математичні функції, генератори випадкових
чисел;
3. Базові функції 2D графіки;
4. Підтримка більш складних структур даних: масиви, динамічно
зростаючі послідовності, графи;
• Модуль обробки зображень і комп'ютерного зору CV:
1. Базові операції над зображеннями (фільтрація, геометричні
перетворення, перетворення колірних просторів і т.д.);
2. Аналіз зображень (вибір відмінних ознак, морфологія, пошук
контурів, гістограми);
3. Структурний аналіз (опис форм, плоскі розбиття і т.д.);
4. Аналіз руху, стеження за об'єктами;
5. Виявлення об'єктів, зокрема облич;
Арк.
ТК65.020.005.001 ПЗ 20
Змн. Арк. № докум. Підпис Дата

6. Калібрування камер, елементи відновлення просторової структури;
• Модуль для вводу/виводу зображень та відео, користувацького
інтерфейсу highgui:
1. Захоплення відео з камер і з відео файлів, читання / запис статичних
зображень;
• Експериментальні та застарілі cvaux:
1. Просторовий зір: стерео калібрації, саме калібрації;
2. Пошук стерео-відповідності, кліки в графах;
3. Знаходження і опис рис обличчя;
4. Порівняння форм, побудова скелетон.

2.3 Особливості реалізації Face Recognition на базі Open CV

Базовий процес розпізнавання обличчя:
• виявлення обличчя на зображенні;
• виділення особливостей на обличчі;
• перетворення для порівняння з обличчями в базі даних;
• висновок (визначення відповідності між особами).
Для виявлення осіб, як правило, використовується метод Віоли-Джонса.
Цей підхід до детектування об'єктів на зображенні комбінує чотири ключові
концепції:
1. Прості прямокутні функції-ознаки, названі функціями Хаара.
2. Інтегральне зображення для швидкого виявлення функції.
3. Метод машинного навчання AdaBoost.
4. Каскадний класифікатор для ефективного поєднання множинних
функцій.
Функції Хаара
Особливості, які використовували Віола і Джонс, базуються на вейвлет
Хаара. Вейвлети Хаара є прямокутні хвилі однакової довжини (один високий
інтервал і один низький інтервал). У двох вимірах, прямокутна хвиля являє собою
Арк.
ТК65.020.005.001 ПЗ 21
Змн. Арк. № докум. Підпис Дата

пару сусідніх прямокутників - один світлий і один темний. Фактично прямокутні
комбінації, які використовуються для візуального виявлення об'єкта, не є
справжніми вейвлетами Хаара. Замість цього, вони містять прямокутні комбінації,
які краще підходять для візуальних завдань розпізнавання.

Рисунок 2.3.1 Вейвлет Хаара

Наявність функції Хаара визначається за допомогою вирахування
середнього значення області світлих пікселів з середнього значення області
темних пікселів.
Fhaar=Rwhite-Rblack
Якщо різниця перевищує поріг (визначається в процесі розрахунку), тоді
говорять, що функція існує.
Інтегральне зображення
Щоб ефективно визначити наявність і відсутність сотень функцій Хаара на
кожній локації зображення і в декількох масштабах, Віола і Джонс
використовували технологію інтегрального зображення. Інтегральне значення для
кожного пікселя – це сума значень всіх пікселів над ним і зліва від нього.
Арк.
ТК65.020.005.001 ПЗ 22
Змн. Арк. № докум. Підпис Дата

Рисунок 2.3.2 Інтегральне значення пікселя

Метод машинного навчання AdaBoost
Для вибору конкретних використовуваних функцій Хаара і встановлення
граничних рівнів, Віола і Джонс використовують метод машинного навчання під
назвою AdaBoost. AdaBoost комбінує багато «слабких» класифікаторів з метою
створення одного «сильного» класифікатора. «Слабкий» означає такий
класифікатор, який отримує правильну відповідь не частіше, ніж випадкове
вгадування. Якщо є безліч таких слабких класифікаторів, і кожен з них «висунув»
остаточну відповідь в правильному напрямку, можна отримати серйозну,
комбіновану силу для досягнення коректного рішення. AdaBoost вибирає набір
слабких класифікаторів для об'єднання і присвоює кожному з них свою вагу. Ця
зважена комбінація і є сильним класифікатором.

Рисунок 2.3.3 Процес сумування «слабких» класифікаторів

Арк.
ТК65.020.005.001 ПЗ 23
Змн. Арк. № докум. Підпис Дата

Каскадний класифікатор
Віола і Джонс об'єднали серії класифікаторів AdaBoost як послідовність
фільтрів. Кожен фільтр є окремим класифікатором AdaBoost з досить невеликим
числом слабких класифікаторів.

Рисунок 2.3.4 Послідовність фільтрів

Області зображення, які пройшли через весь каскад класифікуються як
«обличчя». Решта класифікуються як «не обличчя». Поріг на кожному рівні
встановлюється досить низьким, щоб пройти всі (або майже всі) зразки обличчя в
тренувальному наборі. Фільтри на кожному рівні навчені класифікувати
тренувальні зображення, пройшли всі попередні етапи (навчальна вибірка
представляє собою велику базу облич, може бути, близько тисячі). Під час
роботи, якщо будь-який з цих фільтрів не пропускає область зображення, то тоді
область відразу ж класифікується як «не обличчя». Коли фільтр пропускає
область зображення, вона переходить до наступного фільтра в послідовності.
Область зображення, що пройшла через всі фільтри, класифікуються як
«обличчя». Віола і Джонс називали це фільтрацією ланцюга каскаду.
Арк.
ТК65.020.005.001 ПЗ 24
Змн. Арк. № докум. Підпис Дата

Для ідентифікації осіб використовується модель ASM (Active Shape Models)
(рис.2.3.5). Основна ідея полягає в обліку статистичних зв'язків між
розташуванням антропометричних точок обличчя. На кожному зображенні
обличчя точки пронумеровані в однаковому порядку. За їх взаємного
розташування здійснюється порівняння осіб.

Рисунок 2.3.5 ASM

Для порівняння осіб можна використовувати точковий 2D-каркас одного і
того ж положення обличчя щодо камери. Переважно для цього, точковий 3D-
каркас.
Арк.
ТК65.020.005.001 ПЗ 25
Змн. Арк. № докум. Підпис Дата

РОЗДІЛ 3. Реалізації системи КЗ на платформі Raspberry Pi

3.1 Технологія розпізнавання обличчя

Інтерес до процесів впізнавання і розпізнавання осіб, завжди був значним,
особливо в зв'язку зі зростаючими практичними потребами: системи охорони,
верифікація кредитних карток, криміналістична експертиза, телеконференції і т.д.
Незважаючи на ясність того життєвого факту, що людина добре ідентифікує
обличчя людей, зовсім не очевидно, як навчити цьому комп'ютер, в тому числі як
декодувати і зберігати цифрові зображення осіб.
Завдання оптимального пошуку та ідентифікації слабоконтрастних об'єктів,
яким по праву вважається людське обличчя, на основі систем кібернетичного зору
можна розглядати як в світлі класичної проблеми сприйняття, так і в світлі нових
підходів. Перш за все розглянемо вкрай цікаві психофізичні аспекти сприйняття
особи, зокрема, питання про те, а як взагалі людина сприймає або розпізнає
обличчя.
Тут нам допоможуть класичні експерименти А.Л.Ярбуса, основна
особливість яких - незалежність вирішення питання про роль рухів очей в
зоровому сприйнятті від вирішення питання про регулювання самих рухів очей і
їх детермінації. Відомо, що рухи ока мають вкрай складну картину його
активності і складаються, як мінімум, з декількох форм рухів: синусоїдальні
коливання низької частоти (0,25-0,8 Гц, М = 0,45 Гц) і великий амплітуди (до 50-
60 °; М = 39,2 °, б = 2,9); повільні апериодичні повороти очей і інші форми руху,
які при довільній зміні об'єкта фіксації виражені найбільш яскраво. Форми
рухів очей орієнтовані уздовж осі інверсії ретинального образу, а порядок
чергування типів рухової активності ока виглядає випадковим. Причому
переміщення зображення грає величезну роль в сенсорної функції зорової
системи. Якщо зображення на сітківці тим чи іншим способом стабілізовано,
видимий образ блідне і зникає. Причини цього ще до кінця не з'ясовані. Однак
Арк.
ТК65.020.005.001 ПЗ 26
Змн. Арк. № докум. Підпис Дата

виявляється, що через деякий час людина знову починає бачити ціле або окремі
частини стабілізованого зображення. При тривалому спостереженні весь образ
або його фрагменти по черзі то згасають, то з'являються знову. Така фрагментація
образу (почергове згасання і відновлення його окремих частин) залежить від
характеру і змісту зображення (рис.3.1.1).

Рисунок 3.1.1 Угасання стабілізованих образів.

Певною мірою ці спостереження підкріплюють теорію нейронних
ансамблів, згідно з якою для реалізації здатності до сприйняття необхідний
досвід: той чи інший образ сприймається в результаті комбінацій окремих слідів в
мозку, що утворилися там раніше засвоєним елементам. Ці дані узгоджуються і з
іншими, здавалося б, протилежними теоріями сприйняття (наприклад, теорія
Гештальта), згідно з якими образ відразу, без будь-якого попереднього досвіду
сприймається як ціле, без будь-якого синтезу з окремих частин, завдяки здатності
сприймати «форму», « цілісність »і« організацію ».
З цього і інших експериментальних даних випливає важливий висновок: при
сприйнятті зображення на перший план виступає незалежна поведінка окремих
частин фігури, тобто виділення груп структурних елементів або організованих
структур.
Отже, рухи очей призводять до дестабілізації зображення на сітківці. Однак
ми, тим не менш, сприймаємо зображення стабільним, постійним, незважаючи на
рух очей, тіла і аналізованих об'єктів. У тому, як це реалізується мозком,
складається так звана проблема просторової константності зорового сприйняття,
яка поділяється на дві: проблема константності, стабільності зорового поля і
проблема інваріантного сприйняття об'єктів.
Арк.
ТК65.020.005.001 ПЗ 27
Змн. Арк. № докум. Підпис Дата

Просторова константна сприйняття формується в результаті спеціальної
діяльності зорової системи, яка може поділятися на п'ять основних етапів:
• формування сітчастих зображень;
• локальний аналіз збудження фоторецепторного шару (рецепторний
аналіз);
• непредметні механізми інваріантності;
• інваріантний синтез образу об'єкта;
• аналіз предметного оточення (прецепторний аналіз).
Основна роль руху очей полягає в переміщенні осі зору так, щоб
зображення, яке пильно розглядають, (або частини об'єкта) завжди виявлялося в
центральній частині сітківки, в зоні найкращого зору (фовеа). Саме в цій зоні є
найбільша щільність кольорочутливих рецепторів (колб). Тут же розташовуються
рецептивні поля тонічних коркових нейронів, що аналізують форму і т.п.
Один і той самий об'єкт спочатку виявляється, первинно обробляється
периферією з передачею отриманої інформації в мозок по «швидкому» каналу, а
потім, після стрибка, він досліджується більш детально (якщо це необхідно)
шляхом розміщення зображення в зоні фовеа. Детальна інформація в цьому
випадку передається в мозок вже по «повільному» каналу. При фіксації якої-
небудь ділянки зображення зорової системою обробляється не тільки ця ділянка
(проектується на фовеа), але і отримується з периферії інформація, необхідна для
розрахунку наступного стрибка.
Особливості сприйняття слабоконтрастних зображень зоровим трактом
людини полягають також в тому, що в процесі пізнавання мозок виступає як
активна розпізнавальна система (з перевіркою правильності рішень). Етапами
розпізнавання при цьому можуть бути: виділення ознак, попередній аналіз,
висування гіпотези, перевірка гіпотези - звірення зображень з еталоном, узятим з
пам'яті. Тому принцип активного розпізнавання, повинен закладатися на етапі
первинного проектування систем кібернетичного зору слабоконтрастних об'єктів,
зокрема при розпізнаванні людських облич.
Арк.
ТК65.020.005.001 ПЗ 28
Змн. Арк. № докум. Підпис Дата

Технологія Face recognition реалізується на платформі Raspberry Pi На
рис.3.1.2 зображено основні етапи роботи.

Рисунок 3.1.2 Етапи Face recognition

• Виявлення обличчя та збір даних ( зображення зберігаються в базі даних
для подальшої обробки)
• Навчання «розпізнавача» (передача ідентифікації облич в розпізнавач
для навчання) Навчання – означає реалізація моделі ASM
• Розпізнавання обличчя (безпосереднє звернення до бібілотек OpenCV
мовою Python, порівняння об'єктів з базою)

3.1.2 Виділення обличчя та його особливості

Розглядаючи методи автоматичного розпізнавання облич, можна виділити
безпосередні завдання ідентифікації та розпізнавання облич - одне з перших
практичних завдань, яке стимулювало становлення і розвиток теорії
розпізнавання та ідентифікації об'єктів. Існує дев'ять категорій об'єктів, які
відповідають гностичним областям і викликають зорові образи:
• об'єкти, якими можна маніпулювати (чашка, ключі, годинник і т.д.);
Арк.
ТК65.020.005.001 ПЗ 29
Змн. Арк. № докум. Підпис Дата

• об'єкти, якими можна частково маніпулювати (автомобілі, матеріали і
т.д.);
• об'єкти не маніпульовані (дерева, будівлі і т.д.);
• особи;
• вирази облич;
• живі істоти (тварини, фігура людини);
• друковані знаки (літери, символи, знаки);
• рукописні зображення;
• характеристики і розташування джерел світла (місяць, сонце).
Інтерес до процедур, які лежать в основі процесу розпізнавання осіб, завжди
був значним, особливо в зв'язку зі зростаючими практичними потребами:
охоронні системи, верифікація, криміналістична експертиза, телеконференції і т.д.
Незважаючи на ясність того життєвого факту, що людина добре ідентифікує
обличчя людей, зовсім не очевидно, як навчити ЕОМ проводити цю процедуру, в
тому числі як декодувати і зберігати цифрові зображення облич. Ще менш ясними
є оцінки схожості облич, включаючи їх комплексну обробку. Можна виділити
кілька напрямків досліджень проблеми розпізнавання лиця:
• нейропсихологічні моделі;
• нейрофізіологічні моделі;
• інформаційно - процесуальні моделі;
• комп'ютерні моделі розпізнавання.
Проблема розпізнавання облич розглядалася ще на ранніх стадіях
комп'ютерного зору. Ряд компаній протягом більше 40 років активно розробляють
автоматизовані, а зараз і автоматичні системи розпізнавання людських облич:
Smith & Wesson (система ASID - Automated Suspect Identification System);
ImageWare (система FaceID); Imagis, Epic Solutions, Spillman, Miros (система
Trueface); Vissage Technology (система Vissage Gallery); Visionics (система FaceIt).
Арк.
ТК65.020.005.001 ПЗ 30
Змн. Арк. № докум. Підпис Дата

Для вирішення задачі розпізнавання обличчя були запропоновані різні
методики, серед яких можна виділити підходи, засновані на нейронних мережах,
на розкладанні Карунена - Лоева, на алгебраїчних моментах, лініях однакової
інтенсивності, еластичних стандартах порівняння. У розробках алгоритмів
розпізнавання особливі зусилля спрямовані на автоматичне виділення елементів
особи (очі, ніс, рот, підборіддя і ін.), на його різних зображеннях: фас, профіль і
довільний ракурс. Далі ці геометричні характеристики використовуються в
рішенні задачі розпізнавання. Типовим при описі цих підходів є відсутність
порівняння на статистично значущою базі даних осіб.
Можна виділити два способи розпізнавання осіб:
• класичний каскадний класифікатор на основі ознак-фільтрів (метод
Віоли-Джонса);
• спільне виявлення і вирівнювання осіб з використанням багатозадачних
каскадних згортальних мереж.
Перший підхід реалізується через бібліотеку OpenCV, другий - через
бібліотеки DLIB. MTCNN та ін.

3.1.3 Порівняння з обличчями в базі даних

Для забезпечення порівняння розпізнаваного обличчя з образами, що
знаходяться в базі даних, існують різні структури даних в OpenCV. В залежності
від цілі застосування, використовуються так звані «шаблонні класи».
DataType
Шаблонний «клас властивостей» для примітивних типів даних в openCV.
Примітивні типи даних OpenCV це: unsigned char, bool, signed char, unsigned short,
signed short, int, float, double, або набір змінних одного з цих типів. Любо з
перерахованих примітивних типів може бути представлений ідентіфікотором в
формі CV_ <bit-depth> {U | S | F} C (<кількість каналів>), наприклад: uchar ~
Арк.
ТК65.020.005.001 ПЗ 31
Змн. Арк. № докум. Підпис Дата

CV_8UC1, Трьохелементний набір значень з плаваючою точкою ~ CV_32FC3, і т.
д.
Клас DataType в основному використовується для надання опису
примітивних типів якого-небудь класу без створення лішіх додаткових полів або
методів. Цей прийом в С ++ називається «class traits»
Використовується не сам DataType, а його спеціалізіровнние версії,
наприклад:
template<> class DataType<uchar>
{
typedef uchar value_type;
typedef int work_type;
typedef uchar channel_type;
enum { channel_type = CV_8U, channels = 1, fmt='u',
type = CV_8U };
};
Приклад застосування:
// розміщення матриці 30*40 значення з плаваючою комою:
Mat A(30, 40, DataType<float>::type);
Point_
Шаблонний клас для 2D точок, заданих координатами x та y. Екземпляри
класу взаємозмінні зі структурами С CVPoint та CVPoint 2D2f. Існує оператор для
приведення типів координат точок до заданих. Перетворення координат з
плаваючою комою до цілих координатами здійснюються шляхом округлення.
Point2f a(0.3f, 0.f), b(0.f, 0.4f);
Point pt = (a + b)*10.f;
cout << pt.x << ", " << pt.y << endl;
Point3_
Шаблонний клас для 3D точок, заданих координатами x, y, z.
Rect_
Шаблонний клас для 2-мірних прямокутників. Прямокутник описується
координатами верхнього лівого кута (Rect_::x и Rect_::y), висотою та шириною.
OpenCV передбачає, що верхня і ліва межі прямокутника включені, а права і
Арк.
ТК65.020.005.001 ПЗ 32
Змн. Арк. № докум. Підпис Дата

нижня – ні. Належність точки до прямокутника можна перевірити методом Rect _
:: contains.
По суті, кожен цикл по ROI (тобто по області інтересу) зображення (де ROI
заданий як Rect_ <int>) реалізується так:
for(int y = roi.y; y < roi.y + rect.height; y++)
for(int x = roi.x; x < roi.x + rect.width; x++)
{
// ...
}
RotatedRect
Клас для «повернених» прямокутників, що визначаються центром, розміром
і кутом повороту в градусах. Прийшов на зміну старому CvBox2D і повністю
сумісний з ним.
TermCriteria
Критерій переривання ітеративних алгоритмів. Прийшов на зміну старому
CvTermCriteria і повністю сумісний з ним.
Matx
Шаблонний клас для невеликих матриць, чий тип і розмір вже відомі під час
компіляції:
typedef Matx<float, 1, 2> Matx12f;
typedef Matx<double, 1, 2> Matx12d;
...
Vec
Шаблонний клас для коротких числових векторів, частковий випадок
template<typename _Tp, int n> class Vec : public Matx<_Tp,
n, 1> {...};
typedef Vec<uchar, 2> Vec2b;
typedef Vec<int, 3> Vec3i;
...

Арк.
ТК65.020.005.001 ПЗ 33
Змн. Арк. № докум. Підпис Дата

3.2 Структурна схема системи КЗ для Face recognition

Структурна схема (рис. 3.2.1) системи комп’ютерного зору для
розпізнавання облич на платформі Raspberry Pi мовою програмування Python із
застосуванням бібліотеки OpenCV включає:
1. Веб камеру Logitec C170;
2. Монітор для початкових налаштувань;
3. Клавіатуру;
4. Мишу;
5. Raspberry Pi B model 3B;
6. SD карту з ПЗ;
7. Ноутбук для віддаленого доступу;
8. Живлення для Raspberry Pi.
9.

Рисунок 3.2.1 Структурна схема проекту

Арк.
ТК65.020.005.001 ПЗ 34
Змн. Арк. № докум. Підпис Дата

3.3 Програмна реалізація та структура програми для Face recognition
Установка пакету OpenCV

Установка залежних пакетів. Перед початком встановлення, треба
установить необхідні для роботи бібліотеки OpenCV пакети, включаючи
додаткові, для роботи із зображенням, відео і т.д.:

• сmake – утиліта для автоматичного збору програми з вихідного коду;
• cmake-curses-gui - пакет GUI (графічний інтерфейс) для Cmake.;
• libgtk2.0-dev - інструментарій для створення графічних користувацьких
інтерфейсів;
• libjpeg-dev - бібліотеки для роботи з різними форматами зображень;
• libpng12-dev;
• libtiff5-dev;
• libjasper-dev–JasPer - набір програм для кодування та обробки
зображень;
• libavcodec-dev - бібліотека кодеків від Libav (аудіо / відео);
• libavformat-dev - бібліотека кодеків від Libav (аудіо / відео);
• libswscale-dev - бібліотека для виконання високооптимізованих
масштабувань зображення;
• libv4l-dev - набір бібліотек, для роботи з пристроями video4linux2;
• libx264-dev - бібліотека кодування для створення відеопотоків H.264
(MPEG-4 AVC);
• libxvidcore-dev - відеокодек MPEG-4 (Xvid);
• gfortran - матричні перетворення;
• libatlas-base-dev - підпрограми лінійної алгебри;

Арк.
ТК65.020.005.001 ПЗ 35
Змн. Арк. № докум. Підпис Дата

Встановлення необхідних пакетів для роботи бібліотеки OpenCV:
sudo apt-get install cmake cmake-curses-gui libgtk2.0-dev
sudo apt-get install libavcodec-dev libavformat-dev
libswscale-dev libv4l-dev libx264-dev libxvidcore-dev
sudo apt-get install libjpeg-dev libpng12-dev libtiff5-dev
libjasper-dev
sudo apt-get install gfortran libatlas-base-dev

Далі потрібно встановити python-пакет NumPy. NumPy - це розширення
мови Python, що додає підтримку великих багатовимірних масивів і матриць,
разом з великою бібліотекою високорівневих математичних функцій для операцій
з цими масивами:

sudo pip3 install numpy

Завантаження та розпаковка джерел
Необхідно створимо в папці /home/pi робочу папку opencv і перейдемо в неї:
cd /home/pi
mkdir opencv
cd opencv
Далі необхідно завантажити архіви з вихідними кодами бібліотеки і
додаткових модулів і розпакувати їх:
Wget
//github.com/opencv/opencv/archive/4.0.1zip-O
opencv_source.zip
unzip opencv_source.zip
Оскільки планується використання додаткових модулів, те ж саме
доведеться зробити і для них:
Wget
Арк.
ТК65.020.005.001 ПЗ 36
Змн. Арк. № докум. Підпис Дата

//github.com/opencv/opencv_contrib/archive/4.0.1.zip-O
opencv_contrib.zip
unzip opencv_contrib.zip
Після того, як файли будуть розархівовані, їх можна видалити:
rm opencv_source.zip
rm opencv_contrib.zip
Налаштування конфігурації
Тепер необхідно налаштувати параметри збірки, за допомогою утиліти
cmake, яка була встановлена на початку. Для цього, всі значущі параметри
передаються в якості змінних утиліти, разом з присвоєними значеннями:
cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=/usr/local \
-D INSTALL_C_EXAMPLES=OFF \
-D INSTALL_PYTHON_EXAMPLES=ON \
-D
OPENCV_EXTRA_MODULES_PATH=/home/pi/opencv/opencv_contrib-
3.4.0/modules \
-D BUILD_EXAMPLES=ON \
-D BUILD_DOCS=ON \
-D ENABLE_NEON=ON ..
Компіляція бібліотеки
Після настройки конфігурації, можна приступати до збору. Параметр -jn,
задає кількість задіяних ядер процесора (n) - для Raspberry Pi 3 можна задіяти 1
ядра:
make –j1
Установка бібліотеки OpenCV
Після успішної компіляції, бібліотеку OpenCV необхідно встановити.
Робиться це за допомогою тієї ж утиліти make:
sudo make install
Арк.
ТК65.020.005.001 ПЗ 37
Змн. Арк. № докум. Підпис Дата

Після того, як бібліотека OpenCV інстальована, утилітою ldconfig,
створюємо необхідні зв'язки і формуємо кеш встановлених динамічних бібліотек:
sudo ldconfig
Для перевірки, в оболонці Python 3 введемо пару рядків:

Рисунок 3.3.1 Встановлення бібліотеки OpenCV

3.4 Реалізація на Raspberry Pi

Першим кроком у налаштуванні є встановлення ПЗ на Raspberry Pi. Для
того, щоб запустити Raspberry Pi, необхідно на нього встановити операційну
систему. В якості такої нам доступні 3 офіційні дистрибутиви Linux.
• Pidora - оснований на Fedora;
• Archlinux - установка цього дистрибутива відбувається практично
вручну;
• Raspbian - основанний на Debian.
Крім цих трьох операційних систем, на Raspberry Pi портовано дуже багато
інших. Оскільки операційна система встановлюється на SD-карту, щоб запустити
іншу систему, досить вставити в пристрій карту з цією системою. Ми в проекті
будемо орієнтуватися на операційну систему Raspbian. Найпростіший спосіб
Арк.
ТК65.020.005.001 ПЗ 38
Змн. Арк. № докум. Підпис Дата

встановити дистрибутив на Raspberry Pi - інструмент NOOBS від творців
Raspberry Pi, який дозволяє при першому завантаженні вибрати для установки
одну операційну систему з наступних:
• ArchLinux;
• OpenElec;
• Pidora;
• RaspBMC;
• Raspbian;
• Risc Os.
Для установки дистрибутива на Raspberry Pi за допомогою NOOBS
використовуємо карту формату SD ємністю 8Гб. SD-карту необхідно
відформатувати, в чому нам допоможе програма SD Formatter 4.0. Отже,
розміщуємо нашу карту в картрідер комп'ютера, завантажуємо програму,
встановлюємо її на комп'ютер і запускаємо. Вибираємо нашу SD-кapry,
натиснувши кнопку Options, задаємо параметр FORМAT SIZE ADJUSTMENT
рівним ON і форматуємо. Далі завантажуємо програмне забезпечення NOOBS і
розпаковуємо ZIР-файл на нашу SD-кapтy. Завершивши виймаємо SD-кapry з
картридера комп'ютера і вставляємо її в Raspberry Pi. Підключаємо монітор (по
НDМI), клавіатуру, а також - опціонально – мишу. Потім подаємо живлення через
порт MicroUSB. При першому завантаженні пристрою нам буде
продемонстровано меню, що пропонує встановити одну з декількох операційних
систем у вільний простір на карті пам'яті. Після установки операційної системи
Raspberry Pi стане завантажуватися в звичайному режимі.
Далі, налаштуємо віддалений доступ через VNC сервер для зручності.
VNC (Virtual Network Computing) - просунутий протокол, що забезпечує
віддалений доступ до робочого столу іншого комп'ютера по мережі.
Для цього використовуються модулі сервера і клієнта. Серверний модуль
запускається на комп'ютері, який повинен управлятися віддалено. Клієнтський
Арк.
ТК65.020.005.001 ПЗ 39
Змн. Арк. № докум. Підпис Дата

модуль запускається на комп'ютері, з якого буде здійснюватися дистанційне
керування.
На відміну від SSH, по VNC надається доступ не тільки до консолі, але до
всього комп'ютера, включаючи графічний інтерфейс.
Для отримання доступу до Raspberry Pi 3 по протоколу VNC потрібно
відкрити інструмент конфігурації raspi-config, обрати в ньому Interfacing Options:

Рисунок 3.4.1 Interfacing Options

Рисунок 3.4.2 VN C- enable
Після чого потрібно встановити сам VNC-сервер:
sudo apt-get update
sudo apt-get install realvnc-vnc-server
І запустити його: vncserver :1
Арк.
ТК65.020.005.001 ПЗ 40
Змн. Арк. № докум. Підпис Дата

У вікні з’явиться меню підключення, де в кінці з’явиться рядок з IP-адресою
та портом, до якого варто підключитись, в нашому випадку це - :8081.
Далі, завантажимо на основний комп’ютер (з якого буде відбуватись
керування) VNC Viewer.

Рисунок 3.4.3 VNC – клієнт
Через File -> New connection створюємо підключення до Raspberry Pi,
прописуючи її IP-адреса і порт, на якому прописався VNC-сервер. Якщо IP-адреса
і порт вказані вірно, то при підключенні VNC-клієнт запросить ім'я користувача
та пароль. Після їх введення ми отримуємо повний доступ до інтерфейсу Raspbian
PIXEL:
Арк.
ТК65.020.005.001 ПЗ 41
Змн. Арк. № докум. Підпис Дата

Рисунок 3.4.4 Raspbian PIXEL
Наступний крок – налаштування USB-камери. В проекті використовується
зовнішня веб камера Logitec C170. Для роботи з веб-камерою, нам необхідно
встановити зі сховищ програмне забезпечення motion:

Рисунок 3.4.5 Інсталяція ПЗ motion
Після інсталяції програми motion, необхідно здійснити її налаштування.
Відкриваємо файл motion.conf за допомогою команди:
sudo nano /etc/motion/motion.conf
Цей файл є досить великим, але нас цікавлять тільки два рядки:
DAEMON = OFF (міняємо на ON)
Webcam_localhost = ON (міняємо на OFF)
Зберігаємо зміни (CTRL + O і клавіша Enter) і закриваємо файл (CTRL + X).
Далі вводимо:
sudo nano /etc/default/motion
В ньому:
Арк.
ТК65.020.005.001 ПЗ 42
Змн. Арк. № докум. Підпис Дата

start_motion_daemon = no (міняємо на yes)
Запустити трансляцію:
sudo service motion start

Рисунок 3.4.6 Відеопотік
Виконуємо встановлення бібліотеки OpenCV, хід роботи описується в
пункті 3.5.
Налаштування залежностей та підключення зовнішньої камери – останній
пункт в роботі та найскладніший, адже підібрати правильний алгоритм досить
складно.
sudo apt-get install git
git clone
git://github.com/sightmachine/SimpleCV.git
cd SimpleCV
sudo python setup.py install
Тестування:
simplecv
camera = Camera()
Після того, як все встановлено, можна запустити зразок коду OpenCV,
наданий у встановленому каталозі.
Арк.
ТК65.020.005.001 ПЗ 43
Змн. Арк. № докум. Підпис Дата

РОЗДІЛ 4. Охорона праці

4.1. Аналіз небезпек та шкідливостей, що впливають на інженера з
телекомунікацій при виконанні досліджень в приміщенні інформаційно-
технічної лабораторії

В даній кваліфікаційній роботі розробляється проект комп’ютерного зору
(Computer Vision) на базі Raspberry Pi. Для розробки проекту необхідне
використання: одноплатного комп’ютера Raspberry Pi B model 3, пристрою
оперативного зв’язку користувача з керуючим пристроєм (монітор), веб-камери
Logitech C170, клавіатури, миші, SD-карти з ПЗ, комп’ютер для віддаленого
управління. Ці роботи проводяться в приміщенні інформаційно-технічної
лабораторії центру розробки та експлуатації ресурсів IT індустрії “Welldell”.
Проаналізуємо всі параметри середовища інформаційно-технічної
лабораторії, які можуть вплинути на здоров’я та працездатність працівників, і,
відповідно, на продуктивність їхньої праці.
Від правильного визначення відповідності площі та об’єму у значній мірі
залежать умови праці та її ефективність. Не правильне планування робочого місця
може привести до швидкого знесилення працюючих. Фактичне значення удільної
виробничої площі та об’єму на одиницю обладнання - 6.3 кв.м, 20.8 куб.м, на одне
робоче місце, при нормі не менше ніж 6,0 кв. м, а об'єм не менше ніж 20,0 куб. м.
(ДСанПіН 3.3.2.007-98). Розміри приміщення: довжина-9м, ширина-4.2м, висота-
3.3м. Загальна площа – 37.8м2, об’єм – 124.7м3 При плануванні даного робочого
місця враховувались ДержСан норми.
За оптимальних мікрокліматичних умов в організмі працівника, завдяки
терморегуляції, підтримується постійна температура тіла (36,6 °С). Порушення
меж теплового режиму приміщення, провокує погіршення здоров’я та загострення
хронічних хвороб. Підвищення температури в кімнаті понад 24-25 °С може
викликати головний біль, зниження уваги та працездатності. В умовах
Арк.
ТК65.020.005.001 ПЗ 44
Змн. Арк. № докум. Підпис Дата

температури нижче 16-15°С створюються всі умови для виникнення та
загострення захворювань органів дихання (риніту, бронхіту, плевриту, пневмонії),
м’язово-суглобового апарату та периферичної нервової системи (міозиту,
ревматизму, невриту, радикуліту), а також загострення інших хронічних хвороб.
Фактична температура повітря (теплий період року) - 24⁰С, (холодний
період року) - 22⁰С. Виходячи з норм мікроклімату виробничих приміщень ДСН
3.3.6.042-99 оптимальні величини температури в теплий період – 22-24⁰С, в
холодний період року – 21-23⁰С. На робочому місці створено допустимі теплові
умови.
Приміщення лабораторії забезпечується водяним опаленням
централізованого теплопостачання згідно з ДБН В.2.5-67:2013 в холодний та
перехідний період року. Встановлено 3 чавунні радіатори по 8 секцій на кожен
радіатор.
Фактична відносна вологість повітря (теплий період року) – 38%,
(холодний період року) – 42%. За нормами ДСН 3.3.6.042-99 (категорія робіт - 1б
легка – роботи, що виконуються сидячи, стоячи або пов'язані з ходінням та
супроводжуються деяким фізичним напруженням) рівень відносної вологості
повітря влітку нижчий від норми на 2%. Вологість повітря істотно впливає на
самопочуття та працездатність. Через високу вологість зменшується віддача тепла
за допомогою випаровування. Зниження вологості покращує процес тепловіддачі.
Однак, і надто низька вологість викликає висихання слизових оболонок
дихальних шляхів.
Фактична швидкість руху повітря (теплий період року) – 0.2 м/с,
(холодний період року) – 0.2 м/с. Від швидкості руху повітря у виробничому
приміщенні залежить тепловіддача з поверхні шкіри. За ДСН 3.3.6.042-99 норма
влітку – 0.2 м/с, взимку – 0.1 м/с. Недотримання норми швидкості руху повітря в
холодний період року може привести до переохолодження повітря. Різкі
коливання температури в приміщенні, яке продувається холодним повітрям
Арк.
ТК65.020.005.001 ПЗ 45
Змн. Арк. № докум. Підпис Дата

(протягом), значно порушують терморегуляцію організму і можуть викликати
простудні захворювання.
Системи кондиціонування повітря забезпечують нормовані метеорологічні
параметри та чистоту повітря в приміщенні при розрахункових параметрах
зовнішнього повітря для теплого і холодного періодів року згідно ДСН
3.3.6.042199 (Санітарні норми мікроклімату виробничих приміщень) та ГОСТ
12.1.005188 ССБТ (Воздух рабочей зоны).
В приміщенні встановлена місцева система кондиціонування COOPER &
HUNTER CH-S12XP7 (рекомендована площа приміщення 35м2). В лабораторії
також діє організована природна система вентиляції (аерація).
Вібраційні процеси бувають локальними та загальними. Тіло, що цілісно
піддається тремтінню відноситься до загального типу, а окремі його елементи
(ноги, руки) – до локального. Значення характеристик вібрації на робочих місцях
мають не перевищувати допустимі відповідно до (ДСН 3.3.6.039-99). При роботі
за комп’ютером на працівника впливає локальна вібрація, яку виробляє
системний блок комп’ютера. Фактичне значення вібрації на цьому робочому місці
25дБ. При цьому, ГДР технологічної вібрації типу «в» (заводоуправління,
лабораторії, навчальні пункти) — 75 дБ.
Кожна людина сприймає шум по-різному. Багато чого залежить від віку,
темпераменту, стану здоров’я, оточуючих умов. Деякі люди втрачають слух
навіть після короткого впливу шуму порівняно збільшеної інтенсивності.
Постійна дія сильного шуму може не лише негативно вплинути на слух, але й
викликати інші шкідливі наслідки – дзвін у вухах, запаморочення, головний біль,
підвищення втоми, зниження працездатності. За ДСН 3.3.6.037-99 «Санітарні
норми виробничого шуму, ультразвуку та інфразвуку», в робочих приміщеннях та
кабінетах науково-дослідних і проектно-конструкторських організацій,
цілодобова норма рівня звуку LA , екв. дБА дорівнює 50 дБ. Рівень шуму в
приміщенні інформаційно-технічної лабораторії після вимірів становить 76 дБ,
що не відповідає ГДР.
Арк.
ТК65.020.005.001 ПЗ 46
Змн. Арк. № докум. Підпис Дата

При дії ЕМП на людину можливі гострі та хронічні форми порушення
фізіологічних функцій організму. Такі порушення виникають в результаті дії
електричної складової ЕМП на нервову систему, а також на структуру кори
головного та спинного мозку, серцево-судинної системи. Норма за ДСН 3.3.6.096-
2002 – міліметровий діапазон хвиль, напруженість електромагнітного поля -
60кГц – 3мГц, за електричною складовою – 50 В/м, за магнітною – 5 А/м.
Фактичне значення – напруженість - 78кГц, електрична складова – 45 В/м,
магнітна 5 А/м.
Приміщення інформаційно-технічної лабораторії для забезпечення
електробезпеки обладнання, а також для захисту від ураження електричним
струмом самих користувачів ПК мають достатні технічні засоби захисту
відповідно до ГОСТ 12.1.009-76, НПАОП 40.1-1.07-01 “Правила експлуатації
електрозахисних засобів”, НПАОП 40.1-1.21-98 “Правила безпечної експлуатації
електроустановок споживачів”, НПАОП 40.1-1.32-01 “Правила будови
електроустановок. Електрообладнання спеціальних установок”:
1. Забезпечено недоступність струмопровідних елементів;
2. Наявність блокування безпеки (замок, який не дозволяє знімати захисні
огородження електроустановок, відкривати комутаційні апарати без
попереднього зняття з них напруги);
3. Забезпечення вирівнювання потенціалів (за рахунок навмисного
підвищення потенціалу опорної поверхні, на якій може стояти людина,
до рівня потенціалу струмовідних частин, яких вона може торкатись).
Відповідно до ДСТУ Б В.1.1-36:2016“Норми визначення категорій
приміщень, будинків та зовнішніх установок за вибухопожежною та пожежною
небезпекою” приміщення за вибухопожежною та пожежною небезпекою
поділяються на п’ять категорій, інформаційно-технічна лабораторія відноситься
до В-категорії – пожежнонебезпечної. В лабораторії знаходиться 2 порошкові
вогнегасники ВП-9. Згідно «Правила експлуатації та типові норми належності
вогнегасників» (Наказ МВС України від 15.01.2018 № 25) – для гасіння
Арк.
ТК65.020.005.001 ПЗ 47
Змн. Арк. № докум. Підпис Дата

електрообладнання до 1 тис В, застосовуються вогнегасники порошкові. Також в
приміщенні лабораторії встановлено комбінований сповіщувач ЕСО1000.
Загалом, датчики пожежі призначені для раннього виявлення пожежі та
подавання сигналу тривоги для вжиття необхідних заходів (евакуювання людей,
виклик пожежно - рятувальних підрозділів, запуск протидимних систем
пожежогасіння, тощо).
На підприємстві інструктаж, навчання й перевірка знань з питань охорони
праці та пожежної безпеки здійснюються відповідно до вимог Типового
положення про порядок проведення навчання і перевірки знань з питань охорони
праці, затвердженого наказом Держнаглядохоронпраці України від 26 січня
2005 р. № 15 (НПАОП 0.00-4.12-05). Проведення інструктажів реєструється в
Журналі реєстрації інструктажів з питань охорони праці на робочому місці за
формою Додатка 6 до НПАОП 0.00-4.12-05 та в Журналі реєстрації інструктажів з
питань пожежної безпеки, відповідальним за ведення якого є безпосередній
керівник робіт (начальник структурного підрозділу. Періодичність проведення
інструктажу визначається залежно від встановленої на підприємстві
періодичності та для інструктажів з питань охорони праці для робіт без
підвищеної небезпеки становить 1 раз на 6 місяців (п. 6.5 НПАОП 0.00-4.12-05),
для інструктажів з пожежної безпеки — 1 раз на рік (Наказ МОЗ України від
21.05.2007 №246).
Метою будь-якого медичного огляду працівника є визначення стану його
здоров’я, зокрема, можливості виконання ним певних трудових обов’язків,
своєчасного виявлення гострих чи хронічних професійних захворювань,
встановлення у разі необхідності медичних протипоказань щодо здійснення
окремих видів робіт, а також попередження виникненню та розповсюдженню
інфекційних хвороб. Проходження медичних оглядів (так званих
«профілактичних») передбачена ст. 21 Закону України «Про захист населення від
інфекційних хвороб» від 6 квітня 2000 р. № 1645-ІІІ, згідно з якою працівники
окремих професій, виробництв та організацій, діяльність яких пов’язана з
Арк.
ТК65.020.005.001 ПЗ 48
Змн. Арк. № докум. Підпис Дата

обслуговуванням населення, зобов’язані проходити профілактичні медичні огляди
з метою уникнення поширення інфекційних хвороб.
В лабораторії встановлено 3 вікна розміром 1.8*1.6м. (північний бік
будівлі). Вікна відіграють роль природного освітлення (бокового). Освітлення
робочого місця великою мірою впливає на фізичний стан працівника. При
неправильному розміщенні освітлювальних приладів страждає зоровий апарат.
Без додаткового навантаження у людини можуть з'явитися симптоми мігрені та
перевтоми, розвинутися безсоння і постійна дратівливість. В кабінеті
розміщуються 3 растрові накладні світильники Synergy SY03-418/с (робоче
освітлення), що забезпечують достатню освітленість (400 лк) робочої зони (згідно
з ДБН В.2.5-28-2006).
Висновок: під час проведення атестації робочого місця інженера з
телекомунікацій при виконанні досліджень в приміщенні інформаційно-технічної
лабораторії було досліджено всі необхідні параметри, які можуть вплинути на
здоров’я та працездатність працівників, і, відповідно, на продуктивність їхньої
праці. Згідно з ДСН 3.3.6.037-99 «Санітарні норми виробничого шуму,
ультразвуку та інфразвуку», в робочих приміщеннях та кабінетах науково-
дослідних і проектно-конструкторських організацій, цілодобова норма рівня звуку
LA , екв. дБА дорівнює 50 дБ. В приміщенні лабораторії рівень шуму 76 дБ, що
виходить за норми ГДР. Загально прийнято, що щоденне середнє значення шумів
менше 80 дБ не становить загрози для здоров'я людей. Але значення шумоміра
близьке до підвищеного рівня. Необхідно провести модернізацію звукоізоляційної
системи.

4.2 Розрахунок системи звукопоглинання в приміщенні лабораторії

Шкідливий та небезпечний вплив шуму на організм людини встановлено
тепер з повною достовірністю. Ступінь такого впливу, переважно, залежить від
рівня та характеру шуму, форми та тривалості впливу, а також індивідуальних
Арк.
ТК65.020.005.001 ПЗ 49
Змн. Арк. № докум. Підпис Дата

особливостей людини. Численні дослідження підтвердили той факт, що шум
належить до загальнофізіологічних подразників, які за певних обставин можуть
впливати на більшість органів та систем організму людини. Так, за даними
медиків дія шуму може спричинити нервові, серцево-судинні захворювання,
виразкову хворобу, порушення обмінних процесів та функціонування органів
слуху.
Найбільш повно вивчено вплив шуму на слуховий апарат людини. У
працівників “шумних” професій може виникнути професійне захворювання –
туговухість, основним симптомом якого є поступова втрата слуху, перш за все, в
ділянці високих частот, з наступним поширенням на більш низькі частоти.
Крім безпосереднього впливу на орган слуху, шум впливає на різні відділи
головного мозку, змінюючи при цьому нормальні процеси вищої нервової
діяльності. Цей так званий неспецифічний вплив шуму може виникнути навіть
раніше, ніж зміни в самому органі слуху. Характерними є скарги на підвищену
втомлюваність, загальну слабкість, роздратованість, апатію, послаблення пам’яті,
погану розумову діяльність .
Наближено дію шуму різних рівнів можна схарактеризувати наступним
чином. Шум до 50 дБА зазвичай не чинить шкідливого впливу на людину в
процесі її трудової діяльності. Шум у 50-60 дБА може мати психологічний вплив,
що виявляється у погіршенні розумової діяльності, послабленні уваги, швидкості
реакції, важкості роботи з масивами інформації тощо. При рівні шуму 65-90 дБА
можливий його фізіологічний вплив: пульс частішає, тиск крові зростає, судини
звужуються, що погіршує постачання органів кров’ю. Дія шуму з рівнем 90 дБА і
вище може призвести до функціональних порушень в органах та системах
організму людини: знижується слухова чутливість, погіршується діяльність
шлунку та кишківника, з’являється відчуття нудоти, головний біль, шум у вухах.
При рівні шуму 120 дБА та вище здійснюється механічний вплив на орган слуху,
що виявляється у порушенні зв’язків між окремими ділянками внутрішнього вуха;
можливий навіть розрив барабанної перетинки. Такі високі рівні шуму впливають
Арк.
ТК65.020.005.001 ПЗ 50
Змн. Арк. № докум. Підпис Дата

не лише на органи слуху, а й на весь організм. Звукові хвилі, проникаючи крізь
шкіру, спричинюють механічні коливання тканин організму, внаслідок чого
відбувається руйнування нервових клітин, розриви дрібних судин тощо.
На основі даних про особливості впливу шуму на організм людини
проводять гігієнічне нормування його параметрів.
Заходи та засоби захисту від шуму поділяються на колективні та
індивідуальні, причому останні застосовуються лише тоді, коли заходами та
засобами колективного захисту не вдається знизити рівні шуму на робочих місцях
до допустимих значень. Призначення засобів індивідуального захисту (ЗІЗ) від
шуму - перекрити найбільш чутливі канали проникнення звуку в організм - вуха.
Тим самим різко послаблюються рівні звуків, що діють на барабанну перетинку, а
відтак — і коливання чутливих елементів внутрішнього вуха. Такі засоби
дозволяють одночасно попередити розлад і всієї нервової системи від дії
інтенсивного подразника, яким є шум.
До ЗІЗ від шуму належать навушники, протишумові вкладки,
шумозаглушувальні шоломи. Вибір ЗІЗ обумовлюється видом та характеристикою
шуму на робочому місці, зручністю використання засобу при виконанні даної
робочої операції та конкретними кліматичними умовами.
Засоби колективного захисту від шуму поділяються за такими напрямками:
• зменшення шуму в самому джерелі;
• зменшення шуму на шляху його поширення;
• організаційно-технічні заходи;
• лікувально-профілактичні заходи.
Засоби та заходи колективного захисту, що зменшують шум на шляху його
поширення підрозділяються на архітектурно-планувальні та акустичні (рис.1)
Архітектурно-планувальні заходи щодо захисту від шуму передбачаються при
проектуванні, реконструкції та експлуатації підприємства (цехів, дільниць). Вони
дозволяють зменшити вплив виробничих шумів на працівників не шумних
Арк.
ТК65.020.005.001 ПЗ 51
Змн. Арк. № докум. Підпис Дата

виробництв та мешканців житлових масивів, що розташовані поруч з
підприємством.

Рисунок 4.2.1. Класифікація засобів та заходів колективного захисту від шуму

Для зменшення шкідливого впливу виробничого шуму на працівників
шумних виробництв, послаблення передавання його в сусідні приміщення
застосовують звукоізоляцію, звукопоглинання та глушники шуму.
Звукоізоляція є ефективним засобом зменшення рівня шуму на шляху його
поширення, що реалізується шляхом встановлення звукоізоляційних перешкод
(перегородок, кабін, кожухів, екранів). Принцип звукоізоляції базується на тому,
що більша частина звукової енергії, яка потрапляє на перешкоду, відбивається і
лише незначна її частина проникає через неї.
Для звукоізоляції окремих шумних дільниць у приміщенні чи устаткуванні
застосовують легкі багатошарові звукоізоляційні перегородки з повітряними
прошарками. Для звукоізоляції найбільш шумних вузлів та агрегатів (ланцюгові
передачі, двигуни, компресори, вентилятори) використовуються звукоізоляційні
кожухи, які є засобами, що встановлюються в безпосередній близькості від
джерела шуму. В тих випадках, коли неможливо ізолювати шумне устаткування
Арк.
ТК65.020.005.001 ПЗ 52
Змн. Арк. № докум. Підпис Дата

чи його вузли, захист працівника від дії шуму здійснюють шляхом встановлення
звукоізольованої кабіни з пультом керування та оглядовими вікнами.
Одним із засобів зниження шуму у виробничих приміщеннях з шумним
технологічним устаткуванням є застосування акустичних екранів (далі екранів).
Екрани закривають найбільш шумні агрегати (або ділянки агрегатів) на сусідніх
робочих місцях або робоче місце від решти частини шумного приміщення.
Екран встановлюють між джерелом шуму і розрахунковою точкою, в якій
передбачається понизити рівень шуму цього джерела. Екрани доцільно
застосовувати, коли в розрахунковій точці рівень прямого звуку (від даного
джерела) істотно вищий, ніж рівні звукового тиску, що створюється в тій же точці
сусідніми джерелами шуму.
Екрани можуть бути плоскими або П-подібних форм, такими, що оточують
джерело шуму або робоче місце з трьох сторін. Екрани встановлюються постійно
в задане місце або можуть бути пересувними.
Акустичну ефективність екрану можна визначити експериментально або
розрахунком; вона вище в області середніх і високих частот і зростає із
збільшенням розмірів екрану по відношенню до розмірів джерела звуку.
За допомогою екрану можна понизити рівні шуму в розрахунковій точці в
середньому від 10 дБ в області низьких частот до 25 дБ в області високих частот.
Звукопоглинання - це облицювання внутрішніх огороджуючих поверхонь
приміщення звукопоглинальними матеріалами або спеціальною
звукопоглинальною конструкцією у вигляді панелей на підставі куліс і т. п., а
також розміщення в приміщеннях штучних звукопоглинувачів
Звукопоглинальні облицювання, або панелі, як правило, розташовують на
стелі і верхніх частинах стін приміщення. За рахунок цього заходу можливо
знизити рівні шуму в зоні відбитого звуку на 4-8 дБ на низьких і на 10-12 дБ в
області середніх і високих частот, а на робочих місцях в зоні прямого звуку до 2-3
дБ.
Арк.
ТК65.020.005.001 ПЗ 53
Змн. Арк. № докум. Підпис Дата

Матеріал, який використовують в якості звукопоглинального облицювання,
може бути як натуральним - мінерального походження (спучений перліт,
базальтова вата, каолінова вата, шамот, спінене скло) або рослинного (целюлозна
вата, камишитова плита, корковий лист, торфо-ізоляційна плита, мат з лляної
паклі,), так і синтетичним газонаповненим пластиком (пінополіпропілен та ін).
Найстійкіший з усіх перерахованих матеріалів - мінеральна вата з гірських порід
(зазвичай базальтова). Серед додаткових переваг можна відзначити
паропроникність, екологічну безпеку, гідрофобність та вогнестійкість. У свою
чергу, скловолокно дозволяє виготовити набагато більш легкі плити, ніж з
мінеральної вати.
Мінеральна вата складається з волокон каменя базальтових порід, із
заповненими повітрям проміжками, які зв'язані одне з одним. Завдяки такій
структурі, мінеральна вата має відмінні акустичні властивості, а саме, значно
покращує звукоізоляційні властивості конструкції, скорочує час реверберації, і,
тим самим, ефективно знижує рівень шуму. Поєднання волокон каменя
базальтових порід з в’яжучими волокнами, наявність модифікуючих і
гідрофобних добавок, істотно підвищує експлуатаційну довговічність. Матеріал
відноситься до групи негорючих матеріалів, що вельми важливе для застосування.
Пінополістирол практично водонепроникний. Кількість вбирної води по
відношенню до вагового об'єму матеріалу за рік коливається в межах 1,5-3,5%. З
іншого боку, повітропроникність пінополістиролу в значній мірі перевищує його
водопроникність, тобто конструкція «дихає». Крім того, матеріал не розчиняється
і не набухає у воді, практично не вбирає вологу, довговічний і стійкий до гниття.
Він не засвоюється тваринними і мікроорганізмами, тому не використовується
ними як корм і не створює живильного середовища для грибків і бактерій.
Температура навколишнього середовища не робить негативного впливу на
фізичні і хімічні властивості пінополістиролу. Має великий ступінь звукоізоляції.
Фактичний рівень звукового тиску Lфакт.і=76 дБ, в октавних смугах
середньогеометричних частот 63 Гц, розміри приміщення AxBxH = 9x4.2x3.3
Арк.
ТК65.020.005.001 ПЗ 54
Змн. Арк. № докум. Підпис Дата

Нормативний рівень звукового тиску Lнорм.і = 71 дБ, в октавних смугах
середньогеометричних частот 63 Гц.

Накреслимо розрахункову таблицю:
Середньогеометричні частоти, Гц
Параметр
63 125 250 500 1000 2000 4000 8000
Початкові відомості
Lфакт 76 65 56 47 41 35 25 13
Lнорм 71 61 54 49 45 42 40 38
∆ Lнеобх 5 4 2 -2 -4 -7 -15 -25
Результати розрахунків
V 124.7 124.7 124.7 124.7 124.7 124.7 124.7 124.7
B1000 12.47 12.47 12.47 12.47 12.47 12.47 12.47 12.47
 0.8 0.75 0.7 0.8 1 1.4 1.8 2.5
B 9.976 9.355 8.732 9.979 12.474 17.463 22.446 31.175
Sобл 37.8 37.8 37.8 37.8 37.8 37.8 37.8 37.8
αобл 0.46 0.46 0.46 0.46 0.46 0.46 0.46 0.46
∆А 17.388 17.388 17.388 17.388 17.388 17.388 17.388 17.388
Sогор 162.72 162.72 162.72 162.72 162.72 162.72 162.72 162.72
B/S
огор 0.0613 0.0575 0.0536 0.0613 0.0766 0.1073 0.1379 0.1916
і 0,057 0,054 0,05 0,057 0,07 0,09 0,1 0,16
А1і 7,12 6,74 6,25 7,12 8,74 11,24 12,49 19,98
1і 0,15 0,14 0.14 0.15 0.16 0.17 0.18 0.2
В1і 28,8 28,02 27,4 28,8 31,1 34,4 36,3 46,7
В1і /Sогор 0,176 0,172 0,168 0,176 0,191 0,211 0,223 0,286
 0,96 0,98 0,99 0,94 0,93 0,92 0,9 0,84
1 0,85 0,84 0,83 0,85 0,83 0,82 0,81 0,8
∆ Lрозрах 11,8 12,5 13,2 11,6 10,3 7,9 5,8 4,5
Lрозрах= 64,2 52,5 42,8 35,4 30,7 27,1 19,2 8,5
Lфакт -∆
Lрозрах

Визначимо необхідний рівень зниження рівня звукового тиску за кожною
октавною смугою за прикладом:
Арк.
ТК65.020.005.001 ПЗ 55
Змн. Арк. № докум. Підпис Дата

Далі, необхідно визначити об’єм V приміщення, виходячи з розмірів
приміщення:

Знайдемо постійну приміщення в м2 на середньогеометричній частоті 1000
Гц - B1000. В залежності від типу приміщення на середньогеометричній частоті
1000Гц маємо: приміщення з жорсткими меблями і великою кількістю людей або
не великою кількістю людей і м'якими меблями (лабораторії, ткацькі і
деревообробні цехи, кабінети).
В1000=V/10
Наступним кроком є визначення постійної приміщення B в октавних смугах
частот.
Bi=B1000·μi
μ – частотний множник;
Залежно від частотного спектру необхідного зниження рівня звукового
тиску ( ), треба обрати звукопоглинальний матеріал з відповідним
ревербераційним коефіцієнтом звукопоглинання αобл для облицьовування стелі та
стін. Значення ревербераційного коефіцієнта звукопоглинання αобл=0.46 –
матеріал «Harmony 72».
Далі, визначимо величину звукопоглинання звукопоглинальними
конструкціями:

де обл - ревербераційний коефіцієнт звукопоглинання вибраної конструкції
облицювання в октавній смузі частот; Sобл - площа звукопоглинального
облицювання, м2; Для розрахунку прийнято Sобл як площу стелі заданого
приміщення.
Визначимо велечину відношення Bi/Sогор. в кожній октавній смузі.
Sогор = 2АВ +2АН+2ВН
Арк.
ТК65.020.005.001 ПЗ 56
Змн. Арк. № докум. Підпис Дата

Sогор - загальна площа огороджуючих конструкцій приміщення (загальна площа
стелі, підлоги та чотирьох стін), м2. Наступним, визначимо середній коефіцієнт
звукопоглинання до влаштування звукопоглинального облицьовування:
,
Визначимо величину звукопоглинання огороджуючих конструкцій
приміщення А1 (м2), на яких немає звукопоглинального облицювання:

Середній коефіцієнт звукопоглинання приміщення із звукопоглинальною
конструкцією:

Постійна переміщення:

Визначимо величину відношення B1i/Sогор в кожній октавній смузі:
 або 1

Рисунок 4.2.2 Графік для визначення коефіцієнта ψ залежно від постійної
приміщення В до площі огороджуючих поверхонь Sогор
Арк.
ТК65.020.005.001 ПЗ 57
Змн. Арк. № докум. Підпис Дата

B/Sогор або B1i/Sогор
 і 1 - коефіцієнти, відповідно до і після влаштування звукопоглинальних
конструкцій.
Визначимо величину максимального зниження рівня звукового тиску L
(дБ) в кожній октавній смузі при використанні звукопоглинальних конструкцій в
розрахунковій точці, розташованої в зоні відбитого звуку:

Рисунок 4.2.3 - Графіки фактичного, нормативного та розрахункового
рівнів шуму в заданому приміщенні
Порівнюючи значення Lнеоб.i і ΔLрозрах.i (рис.3) можна зробити висновок щодо
ефективності виконаних заходів захисту від шуму.
Висновок: проводячи роботи зі встановлення звукоізоляційного матеріалу
було враховано всі норми та правильно підібрано матеріал «Harmony 72» з
відповідним ревербераційним коефіцієнтом звукопоглинання αобл=0.46, що дало
змогу знизити рівень шуму в приміщенні лабораторії згідно ДСН 3.3.6.037-
Арк.
ТК65.020.005.001 ПЗ 58
Змн. Арк. № докум. Підпис Дата

99 «Санітарні норми виробничого шуму, ультразвуку та інфразвуку». Рівень
шуму до проведення робіт 76 дБ, після встановлення звукоізоляційної системи
знизився до норми.

Арк.
ТК65.020.005.001 ПЗ 59
Змн. Арк. № докум. Підпис Дата

Висновок
Сьогодні, комп’ютерний зір використовується в широкому спектрі.
Дослідження цієї теми вимагає довготривалої підготовки. За останнє десятиліття
системи досягли 99-ти відсоткової точності з 50%, що робить їх більш точними,
ніж людська система зору, швидко реагуючи на візуальні дані. Інтерес до процесів
розпізнавання осіб, завжди був значним, особливо в зв'язку зі зростаючими
практичними потребами. Разом із потребами зросли і практичні можливості. На
прикладі даної роботи, зрозуміло, що за невеликий бюджет, можна створити
систему розпізнавання облич. Проект може застосовуватись як елемент «smart
home» Його можна довершувати та використовувати в інших, більш широких
роботах. Під час виконання даного проекту було проведено дослідження такик
аспектів:

• системи комп’ютерного зору, інструменти для реалізації та типи задач,
що вирішує СV;
• дослідження технології розпізнавання об’єків;
• практична реалізація Face Recognition на платформі Raspberry Pi.

Практична реалізація Face Recognition може виконуватись бібліотекою OpenCV
на різних міні-комп’ютерах Paspberry Pi. Сама бібліотека містить пакети не лише
для розпізнавання облич, а і загалом, для роботи із зображенням.
Арк.
ТК65.020.005.001 ПЗ 60
Змн. Арк. № докум. Підпис Дата

Список використаних інформаційних джерел
1. Петин В.А. Arduino и Raspberry Pi в проектах Internet of things // Пб.:БХВ-
Петербург,2016.-320с.:ил
2. Williams, O., Blake, A., and Cipolla, R. (2003). A sparse probabilistic learning
algorithm for real-time tracking. In Ninth International Conference on Computer
Vision (ICCV 2003), pp. 360, Nice, France.
3. Matthews, I. and Baker, S. (2004). Active appearance models revisited. International
Journal of Computer Vision.
4. Simon J.D. Prince July 7, 2012 Computer vision: models, learning and inference
5. Jan Erik Solem 2012 Programming Computer Vision with Python
6. Електронний ресурс. https://github.com/raspberrypi-tw/camera-python-opencv
7. Електронний ресурс. https://academicfox.com/raspberry-pi-usb-web-kamera-
potokovoe-vydeo-strym/
8. Електронний ресурс. https://dmitrysnotes.ru/raspberry-pi-3-udalennoe-upravlenie-
cherez-ssh-i-vnc
9. Електронний ресурс.
https://subscription.packtpub.com/book/hardware_and_creative/9781785285066/7/c
h07lvl1sec41/working-with-webcam-using-opencv
10. Електронний ресурс. http://electe.blogspot.com/2016/06/raspberry-pi.html
11. Електронний ресурс.
https://www.raspberrypi.org/forums/viewtopic.php?t=190713
12. Електронний ресурс. https://answers.opencv.org/question/89779/videocapture-
select-timeout-with-opencv-300-rc1/?sort=oldest
13. Електронний ресурс. https://issue.life/questions/48814216
14. Електронний ресурс. https://becominghuman.ai/face-detection-models-and-
softwares-42b562a8e151
15. Електронний ресурс. https://www.pyimagesearch.com/2017/09/04/raspbian-
stretch-install-opencv-3-python-on-your-raspberry-pi/
Арк.
ТК65.020.005.001 ПЗ 61
Змн. Арк. № докум. Підпис Дата

16. Електронний ресурс. https://www.digitalocean.com/community/tutorials/how-to-
install-python-3-and-set-up-a-local-programming-environment-on-debian-8
17. Електронний ресурс. https://www.datacamp.com/community/tutorials/face-
detection-python-opencv
18. Електронний ресурс. https://www.datacamp.com/community/tutorials/face-
detection-python-opencv
Арк.
ТК65.020.005.001 ПЗ 62
Змн. Арк. № докум. Підпис Дата

АНОТАЦІЯ
до дипломної роботи
на тему: «Система комп’ютерного зору на платформі Raspberry Pi»
Пояснювальна записка містить 23 рисунки, 1 таблицю, 2 графіки та 18
літературних джерел.

Мета роботи: розробка системи «computer vision» на базі
одноплатного комп’ютера Raspberry Pi B model 3.
Для досягнення мети поставлені такі завдання:
• дослідження систем комп’ютерного зору, інструменти для реалізації та
типи задач, що вирішує СV;
• вивчення реалізацій Face Recognition на платформі Raspberry Pi;
• дослідження технології розпізнавання об’єків;
В роботі досліджується Face Recognition OpenCV на базі Python .

FACE RECOGNITION, OPENCV, PASPBERRY PI, PYTHON.

ВІДГУК
на дипломну роботу, бакалавра студентки групи ТК-65 Євтушенко Т.С.
на тему:
«Система комп’ютерного зору на платформі Raspberry Pi»

Дипломна робота складається з пояснювальної записки, яка містить 23
рисунки, 1 таблицю, 2 графіки та 18 літературних джерел.
Пояснювальна записка складається з оглядової частини, де описуються
загальні принципи процесу розпізнавання об’єків, актуальність теми та методи
реалізації, та практичної, де показано безпосереднє виконання робіт з проекту.
Робота має хорошу інформаційну основу яка представляє інтерес і
практичну цінність. Технічні завдання виконані всі і в повному обсязі.
Поставлені теоретичні питання є розкритими, а поставлені задачі вирішені
згідно поставлених вимог.
Запропонована робота має зрозумілу структуру, логічну завершеність
кожного окремого розділу, з наведенням отриманих результатів у зрозумілому
вигляді.
В цілому робота виконана у відповідності до вимог оформлення
дипломних проектів та відповідає стандартам ГОСТ, ДСТУ та ЕСКД.
Студентка продемонструвала високий рівень теоретичної та практичної
підготовки при виконанні дипломної роботи та заслуговує оцінку «відмінно».
Згідно наведених характеристик проведеної роботи автор заслуговує на
присвоєння кваліфікації «бакалавр з телекомунікацій та радіотехніки».

Керівник роботи, к.т.н.,
доцент кафедри РТРС Філіпов В.В.

ChSTU repository

ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets