Sběr a klasifikace dat z bezdotykového senzoru pomocí neuronové sítě

Abstract

Tato bakalářská práce se zabývá rozpoznáváním bezdotykových gest ruky ze senzoru Microchip MGC3130 pomocí neuronových sítí. Kromě samotného návrhu, trénování a vyhodnocení klasifikátoru se zaměřuje také na sběr dat ze senzoru a přípravu datasetu pro strojové učení. Cílem této práce je prozkoumat možnosti vývoje klasifikátoru gest za- loženého na neuronových sítích. Pro klasifikaci byly navrženy a trénovány konvoluční sítě (CNN), rekurentní síť (RNN) a jejich kombinace. Nejlepších výsledků dosáhla síť, kombi- nující konvoluční i rekurentní architekturu. Tato neuronová síť dosahuje 100% přesnosti na testovacích datech. Součástí práce je také implementace nástroje pro živou detekci a klasifikaci gest ze senzoru. Výsledky potvrzují, že neuronové sítě jsou vhodným nástrojem pro rozpoznávání gest v reálném čase.

This bachelor's thesis focuses on the recognition of touchless hand gestures from the Microchip MGC3130 sensor using neural networks. In addition to the design, training, and evaluation of the classifier itself, it also addresses data collection from the sensor and the preparation of a dataset for machine learning. The aim of this work is to explore the possibilities of developing a gesture classifier based on neural networks. Convolutional neural networks (CNNs), a recurrent neural network (RNN), and their combination were designed and trained for classification. The best results were achieved by a network combining both convolutional and recurrent architectures. This neural network achieves 100% accuracy on the test data. The thesis also includes the implementation of a tool for real-time gesture detection and classification from the sensor. The results confirm that neural networks are a suitable tool for gesture recognition in real time.