Show simple item record

dc.contributor.advisorHadachi, Amnir, supervisor
dc.contributor.authorWu, Shan
dc.contributor.otherTartu Ülikool. Loodus- ja täppisteaduste valdkondet
dc.contributor.otherTartu Ülikool. Tehnoloogiainstituutet
dc.date.accessioned2019-06-14T10:20:40Z
dc.date.available2019-06-14T10:20:40Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/10062/64357
dc.descriptionTänapäeval omavad nutiseadmed meie elus suurt rolli, eriti igapäevastes tegemistes. Sellepärast võib kaaluda nutitelefoni kui üht kõige huvitavamat andurit kujutamaks meie tegevusi ja meie ümbrust. Lisaks sellele on nutitelefonide arvutusjõudlus hüppeliselt kasvanud, mida kinnitavad nendes sisalduvad erinevad andurid nagu kiirendusmõõturid ja güroskoobid ning võimekus sooritada rohkem ülesandeid kui kunagi varem. Nende mugavuse ja madala hinna tõttu on nutitelefone hakatud kasutama kui kaasaskantavaid arvutusplatvorme autonoomsete sõidukite arenduses. Intelligentsete sõidukite süsteemide kriitiliseimaks probleemiks on turvalisus. Teekatte tuvastus on üks turvalise liiklemise põhikomponentidest. Enamik praeguseid lahendusi teekatte tuvastamiseks kasutavad erinevate sensorite nagu kaamerate ja LiDARite kokkusulatamist. See on küll efektiivne meetod, kuid tegemist on kallite anduritega ning mille kasutamine vajab auto enda modifitseerimist. Lõputöö pakub välja meetodi teekatte tuvastamiseks kasutades nutitelefonis oleva kiirendusmõõturi andmeid. See protsess kasutab ajaliselt jätjestatud kiirendusmõõturi andmeid, millele järgneb masiivne ajaliselt järjestatud tunnuste eraldamine ja valimine. Peale seda suunatakse eraldatud tunnused DeepSense närvivõrgu raamistikku, et teekate tuvastada. Meetod klassifitseerib kolme erinevat teekatte tüüpi: sile, munakivitee ja kruusatee. Põhjalik pakutud metoodika uurimine ja analüüs viiakse läbi kasutades üldlevinud masinõppe meetodeid nagu tugivektor-masinad, otsustusmets, täielikult ühendatud närvivõrgud ja konvulutioonteisendus närvivõrgud. Metoodikal põhinevad katsed näitavad, et pakutud lähenemine võimaldab tuvastada teekatte siledust väljapakutud kolme kategooriasse.et
dc.description.abstractNowadays, Smart devices plays a big role in our lives, especially in our daily activities. Therefore, Smartphones can be considered as one of the most interesting sensor for depicting our activities and our surroundings. Furthermore, the computation power of smartphones has increased a lot recently as most of them have multiple sensors like accelerometers and gyroscopes. Besides, They are capable of processing more tasks than we ever imagined. Because of their advantages of convenience and low-cost, the portable computation platforms has been adopted in the development of autonomous vehicles. The most critical issue of the intelligent system assisted vehicles is that the safety problem. The recognition of the road surface is one of the components to ensure the safety drive. Most of the solutions use sensor fusion to recognize road surfaces such as combining cameras and LiDARs, which is costly for equipment and they usually need installations to re-equip existing cars, but these methods provide overall excellent results. This thesis proposes a method for recognizing the road surface based on using accelerometer data collected from smartphone. The process uses time series data collected from a smartphone’s accelerometer, followed by a massive time series feature extraction and selection. After that, the features are fed into trained DeepSense variant neural network framework to get the recognition of the road surfaces. The proposed method provides three classes recognition for smooth, bumpy and rough roads. Moreover, in this thesis we conducted a thorough evaluation and analysis of the proposed method by comparing it with conventional machine learning methods like SVM, random forest, fully connected neural network and convolutional neural network. The accuracy of the method in this thesis overmatch the compared examples. The road surface type will be classified into three categories which will indicate smoothness of the road surface.en
dc.language.isoenget
dc.publisherTartu Ülikoolet
dc.rightsopenAccesset
dc.rightsAutorile viitamine + Mitteäriline eesmärk + Tuletatud teoste keeld 3.0 Eesti*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/ee/*
dc.subjectRoad Qualityen
dc.subjectMachine Learningen
dc.subjectSVMen
dc.subjectRandom Foresten
dc.subjectNeural Networken
dc.subjectMobile Phonesen
dc.subjectAccelerometer Dataen
dc.subjectmaanteede kvaliteetet
dc.subjectmasinõpeet
dc.subjectjuhuslik metset
dc.subjectnärvivõrket
dc.subjectmobiiltelefonidet
dc.subjectkiirendusmõõturi andmedet
dc.subject.othermagistritöödet
dc.titleRoad Surface Recognition Based on DeepSense Neural Network using Time Series Accelerometer Dataen
dc.title.alternativeTüübituletus neljandat järku loogikavalemiteleet
dc.typeThesiset


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

openAccess
Except where otherwise noted, this item's license is described as openAccess