stworzony raport

adamORaport.md

@@ -0,0 +1,123 @@
+# Sztuczna Inteligencja
+
+**Temat projektu:** Inteligenta Śmieciarka
+
+**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
+
+**Podprojekt:** Adam Osiowy - *segregator śmieci*
+
+---
+
+## Opis podprojektu:
+
+- w projekcie wykorzystane zostały drzewa decyzyjne jako metoda uczenia
+- projekt podzielony jest na 4 pliki
+- plik tworzenie_danych_AO.py jest odpowiedzialny za wydobycie z każdego zdjęcia własności i zapis ich do pliku
+![4](resources/screenShots/adamo4.png)
+- w pliku uczenie_adamO.py znajdują się funkcje odpowiedzialne za uczenie i testowanie modelu
+![5](resources/screenShots/adamo5.png)
+- plik parametry_zdjec.h5 zawiera własności wszystkich zdjęć wykorzystanych w projekcie
+- plik etykiety.h5 zawiera odpowiedni typ każdego ze zdjęć (glass,paper,plastic,metal)
+
+---
+
+## Ogólne działanie:
+
+- na początku zbierane są informacje o każdym zdjęciu
+```
+momenty = wyznaczHuMomenty(zdj)
+haralick = wyznaczHaralick(zdj)
+histogram = wyznaczHistogram(zdj)
+```
+- wybrane własności to:
+    1. Histogram kolorów okreslający rozkład jasności pixeli w każdej komórce na zdjęciu w skali szarości
+    ![6](resources/screenShots/adamo6.png)
+    zdjęcie jest przekształcane do przestrzeni barw hsv
+    po czym wyliczany jest histogram podając do funkcji zdjęcie, kanały (hsv), maskę, podział zdjęcia na 512 przedziałów (8x8x8), zakres każdego kanału
+    2. Momenty obrazu (Hu Moments) określające kształt obiektu na zdjęciu
+    ![8](resources/screenShots/adamo8.png)
+    są średnią ważoną intensywności pikseli obrazu.   
+    Są liczone ze wzoru:  
+    ![10](resources/screenShots/adamo10.png)  
+    gdzie I(x,y) to intensywność pixela w danym punkcie  
+    *Momenty surowe* - informują o intensywności pikseli i ich położeniu na obrazie   
+    *Momenty centralne* - otrzymujemy po odjęciu od momentów surowych środka ciężkości danego kształtu   
+    ![11](resources/screenShots/adamo11.png)  
+    momenty te są niezmienne w wyliczaniu to znaczy że jeśli kształt jest ten sam to nie ważne jest jego położenie na zdjęciu  
+    *Momenty Hu* - to zbiór 7 liczb obliczonych na podstawie momentów centralnych.
+     Pierwsze 6 momentów są niezmienne dla translacji, skali i rotacji.
+     Podczas gdy znak siódmej liczby zmienia się wraz z odbiciem kształu (względem osi).  
+     ![12](resources/screenShots/adamo12.png)  
+    
+    3. Tekstura Haralicka określająca nasycenie ilości pixeli w skali szarości   
+    ![7](resources/screenShots/adamo7.png)  
+    Haralick zasugerował zastosowanie macierzy współwystępowania poziomu szarości (GLCM).
+    Ta metoda opiera się na połączonych rozkładach prawdopodobieństwa par pikseli.
+    GLCM pokazuje, jak często każdy poziom szarości występuje w pikselach umieszczonych w ustalonym położeniu 
+    geometrycznym względem siebie, w zależności od poziomu szarości   
+    ![13](resources/screenShots/adamo13.png) 
+    
+- własności sa zapisywane jako macierze, ustawiane w szereg jako wiersz i zapisywane do pliku z danymi .h5
+```
+wiersz = np.hstack([momenty, histogram, haralick])
+```
+- dane dzielone są losowo na 2 pary, jedna testowa druga treningowa
+```
+(uczenieDane, testowanieDane, uczenieEtykiety, testowanieEtykiety) = 
+train_test_split(np.array(dane), np.array(etykiety), test_size=rozmiar_zbioru_testowego)
+```
+gdzie rozmiar zbioru testowego określony wcześniej na 20%
+- tworzony jest estymator
+```
+rfc = RandomForestClassifier(max_depth=15, n_jobs=4, random_state=1)
+```
+gdzie n_jobs to ilość wątków, random_state pilnuje aby zbiór był zawsze dzielony tak samo,
+a max_depth to maksymalna głebokość każdego drzewa
+estymator domyślnie korzysta ze strategii opierającej się o indeks Giniego
+```
+'indeks Giniego jest to miara która określa jak często losowo wybrany element zostanie błędnie zidentyfikowany'
+```
+to znaczy ze element z najmniejszym indeksem Giniego powinien zostać wybrany
+
+indeks jest obliczany ze wzoru:
+
+![9](resources/screenShots/adamo9.png)
+
+[przykład](https://www.geeksforgeeks.org/decision-tree-introduction-example/)
+- estymator rozpoczyna uczenie korzystając ze zbiorów treningowych
+```
+rfc.fit(uczenieDane, uczenieEtykiety)
+```
+- następnie wyliczana jest skuteczność na zbiorach testowych
+```
+rfc.score(testowanieDane, testowanieEtykiety)
+```
+
+---
+
+## Integracja z projektem zespołowym:
+
+- Przy starcie programu estymator rozpoczyna nauke
+```
+rfc = adamO.rozpocznijUczenie()
+```
+- Śmieciarka porusza się po domach zbierając z nich śmieci
+- Po zebraniu wszystkich śmieci kieruje się na wysypisko
+- Każde zdjęcie śmieci jest segregowane z wykorzystaniem funkcji przewidującej typ
+```
+rodzaj = adamO.przewidz(smiec, rfc)
+```
+![3](resources/screenShots/adamo3.png)
+- Zdjęcia posegregowanych śmieci umieszczane są w odpowiednich folderach:
+
+![1](resources/screenShots/adamo1.png)
+- Na koniec wyświetlane są losowo wybrane zdjęcia śmieci z kontenerów wraz z informacją o typie ustalonym przez estymator
+![2](resources/screenShots/adamo2.png)
+    1. górny napis to typ zwrócony przez estymator
+    2. drugi napis to wartości prawpopodobieństwa z jakim estymator ocenił typ
+    3. trzeci napis to nazwa zdjęcia
+
+---
+
+## Efekt działania programu w postaci drzewa decyzyjnego:
+![10](graph.png)

requirements.txt

@@ -1,2 +1,4 @@
 pygame==1.9.6
 numpy==1.18
+Keras==2.3.1
+tensorflow==2.2.0