Rozpoznání značek nebezpečí v bezpečnostní praxi s pomocí AI

Abstract

Tato diplomová práce se zabývá využitím metod hlubokého učení pro rozpoznávání značek nebezpečí v oblasti bezpečnostní praxe. Teoretická část práce je zaměřena na problematiku fyzické bezpečnosti, bezpečnostního značení a základů umělé inteligence, se zvláštním důrazem na konvoluční neuronové sítě. V praktické části jsou implementovány a testovány vybrané architektury neuronových sítí, konkrétně GoogLeNet, ResNet18 a ResNet50. Byla provedena série experimentů s různým nastavením hyperparametrů s cílem analyzovat jejich vliv na klasifikační přesnost modelů. Na základě provedených experimentů bylo zjištěno, že nejlepšího výsledku dosahuje model ResNet50 s maximální validační přesností 99,59 %. Tento model je však zároveň nejnáročnější z hlediska výpočetního výkonu. Model ResNet18 představuje vhodný kompromis mezi přesností a výpočetní náročností.

This thesis deals with the application of deep learning methods for the recognition of hazard signs in the field of security practice. The theoretical part focuses on physical security, safety signage, and the fundamentals of artificial intelligence, with an emphasis on convolutional neural networks. In the practical part, selected neural network architectures (GoogLeNet, ResNet18, and ResNet50) are implemented and evaluated for image classification. A series of experiments with different hyperparameter settings was carried out to analyze their impact on classification performance. The results show that the best performance is achieved by the ResNet50 model, reaching a maximum validation accuracy of 99.59 %. However, this model is also the most computationally demanding. The ResNet18 model represents a suitable compromise between classification accuracy and computational efficiency.