final

.gitignore

@@ -4,4 +4,3 @@ venv/
 .idea
 __pycache__/
 /resources/smieci w kontenerach
-  

adamORaport.md

@@ -0,0 +1,118 @@
+# 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'
+```      
+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)

game.py

@@ -109,7 +109,6 @@ def game():
                             rodzaj = kacper.przewidz(smiec)
                         elif osoba == 'adamB':
                             rodzaj = adamB.predict(smiec)
-                            # rodzaj = kacper.przewidz(smiec)
                         else:
                             rodzaj = adamO.przewidz(smiec, rfc)
 

kacperRaport.md

@@ -0,0 +1,54 @@
+# Sztuczna Inteligencja
+
+**Temat projektu:** Inteligenta Śmieciarka
+
+**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
+
+**Podprojekt:** Kacper Borkowski
+
+---
+
+## 1. Model:
+
+![model](resources/screenShots/kacper1.png)
+
+- Powyższa funkcja tworzy sekwencyjny model sieci neuronowej
+- Składa się on z warstw
+- Warstwa Conv2D jest to warstwa splotu, stosuje ona filtr na obrazku
+- Warstwa Activation jest to warstwa aktywacji wykorzystująca funkcję aktywacji, relu jest to funkcja zwracająca 0 dla x < 0 oraz x dla pozostałych argumentów; softmax to funkcja pozwalająca na poznanie rozkładu prawdopodobieństwa na kategorie
+- Warstwa MaxPooling wyciąga największą wartość z wycinka obrazka, w tym przypadku z kawałka 2x2 piksele
+- Warstwa Flatten spłaszcza macierz do wektorów
+- Warstwa Dense to połączone ze sobą neurony
+- Warstwa Dropout przepuszcza część danych, w tym przypadku 50% w celu uniknięcia przeuczenia sieci
+
+---
+
+## 2. Uczenie modelu:
+
+![uczenie](resources/screenShots/kacper2.png)
+
+- Model uczy się na 1599 zdjęciach śmieci podzielonych na 4 kategorie
+- Wszystkie zdjęcia mają rozmiar 299x299 pikseli
+- Podczas uczenia zbiór dzielony jest na paczki po 16 elementów
+- Zastosowana funkcja straty to categorical_crossentropy ponieważ mamy więcej niż dwie klasy śmieci
+
+---
+
+## 2. Przewidywanie:
+
+![przewidywanie](resources/screenShots/kacper3.png)
+
+- Obrazki są zamieniane na macierze
+- Prediction zawiera rozkład prawdopodobieństwa obrazka na kategorie
+- Funkcja zwraca konkretny typ śmiecia w zależności od przewidzianego prawdopodobieństwa
+
+---
+
+## 2. Integracja w projekcie:
+
+![integracja](resources/screenShots/kacper4.png)
+
+- Podczas wizyty śmieciarki w domu wykonywana jest funkcja przewidzenia kategorii na każdym ze śmieci w danym domu
+- Zależnie od wyniku przewidywania śmieć jest umieszczany na odpowiedniej liście śmieci w śmieciarce
+- Śmieci z wszystkich list są wyładowywane na wysypisku do kontenerów odpowiadających listom
+- Zdjęcia śmieci znajdują się finalnie w posortowanych folderach

main.py

@@ -1,10 +1,10 @@
 import game
 import uczenie_adamO
-import uczenie_adamB
 
 
 def main():
-    game.game()
+    rfc = game.game()
+    uczenie_adamO.wyswietlZdjecia(rfc)
 
 
 if __name__ == '__main__':

raport_adamB.md

@@ -99,3 +99,31 @@ def predict(img_path):
 - zainicjowano sieć, wczytano ścieżke, przetransformowano argument funkcji(zdjecie) do porządanego formatu
 - następnie przekazano tensor jako argument do instancji klasy sieci
 - w ostatnim kroku za pomocą funkcji `max` wyciągnięto największą wagę i na jej podstawie rozpoznano klasę
+
+## 4. Integracja w projekcie:
+
+```
+for dom in obiekty["domy"]:
+    if dom.x == pozX and dom.y == pozY:
+        while dom.smieci:
+            smiec = dom.smieci.pop(0)
+            rodzaj = ""
+            if osoba == 'kacper':
+                rodzaj = kacper.przewidz(smiec)
+            elif osoba == 'adamB':
+                rodzaj = adamB.predict(smiec)
+            else:
+                rodzaj = adamO.przewidz(smiec, rfc)
+
+            if rodzaj == "paper":
+                obiekty["smieciarka"].dodajPapier(smiec)
+            elif rodzaj == "glass":
+                obiekty["smieciarka"].dodajSzklo(smiec)
+            elif rodzaj == "metal":
+                obiekty["smieciarka"].dodajMetal(smiec)
+            elif rodzaj == "plastic":
+                obiekty["smieciarka"].dodajPlastik(smiec)
+```
+
+- zgodnie z wybraną osobą na starcie wykonywana jest odpowiednia funkcja przewidywania na śmieciach w poszczególnych domach
+- finalnie zdjęcia posortowanych śmieci znajdują się w kontenerach(folder `smieci w kontenerach`)

requirements.txt

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

uczenie_adamO.py

@@ -10,6 +10,9 @@ import matplotlib.pyplot as plt
 import mahotas
 import random
 from math import ceil
+from io import StringIO
+from sklearn.tree import export_graphviz
+import pydotplus
 
 warnings.filterwarnings('ignore')
 
@@ -29,7 +32,8 @@ def wyznaczHuMomenty(zdj):
 
 def wyznaczHistogram(zdj, mask=None):
     zdj = cv2.cvtColor(zdj, cv2.COLOR_BGR2HSV)
-    hist = cv2.calcHist([zdj], [0, 1, 2], mask, [8, 8, 8], [0, 256, 0, 256, 0, 256])
+    hist = cv2.calcHist([zdj], [0, 1, 2], mask, [8, 8, 8],
+                        [0, 256, 0, 256, 0, 256])
     cv2.normalize(hist, hist)
     return hist.flatten()
 
@@ -57,12 +61,25 @@ def rozpocznijUczenie():
     h5f_etykiety.close()
 
     (uczenieDane, testowanieDane, uczenieEtykiety, testowanieEtykiety) = train_test_split(np.array(dane),
-                                                                                          np.array(etykiety),
+                                                                                          np.array(
+                                                                                              etykiety),
                                                                                           test_size=rozmiar_zbioru_testowego)
 
     rfc = RandomForestClassifier(max_depth=15, n_jobs=4, random_state=1)
     rfc.fit(uczenieDane, uczenieEtykiety)
-    print("uzyskana skutecznosc: ", rfc.score(testowanieDane, testowanieEtykiety))
+    print("uzyskana skutecznosc: ", rfc.score(
+        testowanieDane, testowanieEtykiety))
+    # tworzenie grafu
+    # dot_data = StringIO()
+    # print(rfc.estimators_)
+    # estimator = rfc.estimators_[5]
+    # export_graphviz(estimator, out_file=dot_data,
+    #                 feature_names=dane[1],
+    #                 rounded=True, proportion=False,
+    #                 precision=2, filled=True,
+    #                 special_characters=True, class_names=['glass', 'metal', 'paper', 'plastic'])
+    # graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
+    # graph.write_png('graph.png')
     return rfc
 
 
@@ -77,7 +94,8 @@ def przewidz(zdjecie, rfc):
     haralick = wyznaczHaralick(zdj)
     histogram = wyznaczHistogram(zdj)
 
-    wiersz = np.hstack([momenty, histogram, haralick])  # ustaw poziomo, jeden za drugim
+    # ustaw poziomo, jeden za drugim
+    wiersz = np.hstack([momenty, histogram, haralick])
     wiersz = wiersz.reshape(1, -1)  # zmniejsz wymiar z 2 do 1
     przewidywany_typ = rfc.predict(wiersz)[0]  # zwraca wartosc 0,1,2,3
     return klasy[przewidywany_typ]  # zwraca glass,metal,paper,plastic
@@ -115,15 +133,19 @@ def wyswietlZdjecia(rfc):
         haralick = wyznaczHaralick(zdjecie)
         histogram = wyznaczHistogram(zdjecie)
 
-        wiersz = np.hstack([momenty, histogram, haralick])  # ustaw poziomo, jeden za drugim
+        # ustaw poziomo, jeden za drugim
+        wiersz = np.hstack([momenty, histogram, haralick])
         wiersz = wiersz.reshape(1, -1)  # zmniejsz wymiar z 2 do 1
 
         przewidywany = rfc.predict(wiersz)[0]
         prawdopodobienstwo = rfc.predict_proba(wiersz)
 
-        cv2.putText(zdjecie, klasy[przewidywany], (3, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), thickness=3)
-        cv2.putText(zdjecie, str(prawdopodobienstwo), (3, 60), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), thickness=1)
-        cv2.putText(zdjecie, i, (3, 460), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), thickness=2)
+        cv2.putText(zdjecie, klasy[przewidywany], (3, 30),
+                    cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), thickness=3)
+        cv2.putText(zdjecie, str(prawdopodobienstwo), (3, 60),
+                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), thickness=1)
+        cv2.putText(zdjecie, i, (3, 460), cv2.FONT_HERSHEY_SIMPLEX,
+                    1, (255, 0, 0), thickness=2)
 
         plt.imshow(cv2.cvtColor(zdjecie, cv2.COLOR_BGR2RGB))
         plt.show()