Smartare resursfördelning med hjälp av djup maskininlärning

Sammanfattning: Sammanfattning Detta examensarbete har utförts på uppdrag av Stanley Security Sverige AB. Företaget Stanley tillhandahåller en produkt för att beräkna antalet personer i en kö. Produkten detekterar antal personer i en kö med hjälp av en övervakningskamera och djup maskininlärning. Företaget upplever att den befintliga lösningen inte presterar tillräcklig nog för att driftsättas och dessutom inte detekterar med hög noggrannhet. I detta arbete har olika kända objektigenkänningsmodeller undersökts och jämförts, dessutom utfördes undersökning av tidigare arbeten och tester inom området. Resultatet blev en omkonfigurerad modellprototyp som endast detekterar ansikten gentemot de kända modellerna You Only Look Once V3 (YOLOV3) och Single Shot MultiBox Detector (SSD) som detekterar hela kroppen, inklusive andra objekt. Den föreslagna modellen presterade betydligt bättre än de kända modellerna i avseendet att räkna människor i en kö. Resultatet pekar mot att den förslagna modellprototypen kan driftsättas i realtid och användas av Stanelys kunder för att effektivt fördela resurser inom deras företag. Nyckelord maskininlärning, bildbehandling, Python, Darknet, neurala nätverk, djup maskininlärning, YOLOV3, Single Shot MultiBox Detector.