Využití metod počítačového vidění ve videozáznamech pro detekci a klasifikaci návěstidel na českých železnicích

Schnurpfeil, Daniel

Využití metod počítačového vidění ve videozáznamech pro detekci a klasifikaci návěstidel na českých železnicích

dc.contributor.advisor	Mautner Pavel, Ing. Ph.D.	cs
dc.contributor.author	Schnurpfeil, Daniel	cs
dc.contributor.referee	Lenc Ladislav, Ing. Ph.D.	cs
dc.date.accepted	2025-06-16
dc.date.accessioned	2026-02-20T15:49:00Z
dc.date.available	2024-09-09
dc.date.available	2026-02-20T15:49:00Z
dc.date.issued	2025-05-14
dc.date.submitted	2025-05-14
dc.description.abstract	Automatické rozpoznávání železničních signálů je důležitou součástí pro zvýšení bezpečnosti v železničních dopravních systémech. Práce se zaměřuje na automatizovanou vizuální detekci a klasifikaci železničních návěstidel v rámci českého železničního systému s využitím kombinace tradičních technik počítačového vidění a moderních architektur hlubokého učení. Vícestupňový přístup integruje modely YOLO a RT-DETR pro detekci signálů, CNN pro klasifikaci stavu. Výzkum zavádí poloautomatickou anotační pipeline pro videa z vlakové kabiny, která výrazně zvyšuje efektivitu vytváření datových sad. Experimentální výsledky ukazují, že železniční signály lze detekovat s vysokým F1 skóre 0,9095. Vyvinutý systém dokáže rozlišit kritické stavy návěstidel včetně návěstí stůj, jeď, výstraha a různých ukazatelů nastavení rychlosti. Tato práce by mohla poskytovat základ mozku asistenčních systémů pro strojvedoucí, které by mohly omezit lidské chyby a zvýšit provozní spolehlivost na českých železnicích.	cs
dc.description.abstract-translated	Automated recognition of railway signals is a critical component for enhancing safety in railway transport systems. The thesis focuses on automated visual detection and classification of railway signals within the Czech railway system using a combination of traditional computer vision techniques and modern deep learning architectures. A multistage approach integrates YOLO and RT-DETR models for signal detection, followed CNNs for state classification. The research introduces a semi-automatic annotation pipeline for train cabin videos that significantly enhances dataset creation efficiency. Experimental results demonstrate that railway signals can be detected with high F1 score of 0.9095. The developed system can distinguish between critical signal states including stop, go, warning, and various speed adjustment indicators. This work could provide the basis for the brain of driver assistance systems that could reduce human error and increase operational reliability on Czech railways.	en
dc.description.department	Katedra informatiky a výpočetní techniky	cs
dc.description.result	Obhájeno	cs
dc.format	64 s.
dc.identifier	99625
dc.identifier.uri	http://hdl.handle.net/11025/65881
dc.language.iso	en
dc.publisher	Západočeská univerzita v Plzni	cs
dc.rights	Plný text práce je přístupný bez omezení	cs
dc.rights.access	openAccess	cs
dc.subject	počítačové vidění	cs
dc.subject	české dráhy	cs
dc.subject	YOLO	cs
dc.subject	RT-DETR	cs
dc.subject	CNN	cs
dc.subject	bezpečnost na železnici	cs
dc.subject.translated	computer vision	en
dc.subject.translated	Czech railways	en
dc.subject.translated	YOLO	en
dc.subject.translated	RT-DETR	en
dc.subject.translated	CNN	en
dc.subject.translated	railway safety	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd	cs
dc.thesis.degree-level	Navazující	cs
dc.thesis.degree-name	Ing.	cs
dc.thesis.degree-program	Informatika a její specializace	cs
dc.title	Využití metod počítačového vidění ve videozáznamech pro detekci a klasifikaci návěstidel na českých železnicích	cs
dc.title.alternative	Computer Vision Applications in Video Recordings for Traffic Signal Detection and Classification on Czech Railways	en
dc.type	diplomová práce	cs
local.files.count	6	*
local.files.size	1019778307	*
local.has.files	yes	*
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=99625