fix paths in raports

raport indywidualny kacper

.gitignore

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

Graphsearch.py

@@ -1,45 +0,0 @@
-from queue import PriorityQueue
-
-# fringe - kolejka priorytetowa przechowująca wierzchołki do odwiedzenia
-fringe = PriorityQueue()  # put or get
-
-# explored - lista odwiedzonych stanów
-explored = []
-
-# istate - stan początkowy
-
-
-# succ - funkcja następnika
-def succ():
-    pass
-
-
-# goaltest - test spełnienia celu
-def goaltest():
-    pass
-
-
-# f - funkcja wyznaczająca priorytet następników
-def f():
-    pass
-
-
-def graphsearch(fringe, explored, istate, succ, goaltest, f):
-    # umieść new node(istate) na fringe
-    # loop
-    # if fringe jest pusta
-    # return false
-    # elem = wybierz element z fringe
-    # if goal_test(elem.state)
-    # return ciąg akcji zbudowany z wykorzystaniem pól parent i action
-    # umieść elem na liście explored
-    # for (akcja, stan) in succ(elem.state)
-    # x = new node(stan)
-    # x.parent = elem
-    # x.action = akcja
-    # p = f(x)
-    # if stan nie należy do fringe i nie należy do explored
-    # umieść x na fringe zgodnie z priorytetem p
-    # else if stan należy do fringe i ma na nim priorytet r > p
-    # zastąp węzeł o priorytecie r węzłem o priorytecie p
-    pass

environment.md

@@ -1,68 +0,0 @@
-# Sztuczna Inteligencja
-
-**Temat projektu:** Inteligenta Śmieciarka
-
-**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
-
----
-
-## 1. Ogólne działanie:
-
-![gif](resources/screenShots/gifProjektu.gif)
-
----
-
-## 2. Struktura katalogów:
-
-![katalogi](resources/screenShots/strukturaKatalogu.png)
-
-**Resources**:
-
-- _plansza_ - folder zawierający zdjęcia niezbędne do generowania planszy - domy, jezioro, pojemniki, wysypisko,
-- _śmieci_ - zawiera podfoldery z klaysifkacją zdjęć śmieci,
-- _śmieci w kontenerach_ - folder, który będzie zawierał posegregowane już smieci
-
-**Pliki**:
-
-**[game.py](game.py)** - plik zawierający całą funkcjonalność projektu:
-
-- główna pętla programu,
-- tworzenie planszy,
-- tworzenie i usytuowanie obiektów z katalogu [modeli](modele.py),
-- generowanie tekstowej interpretacji zebranej wiedzy
-
-**[main.py](main.py)** - klasa odpowiedzialna za uruchomienie programu
-
-**[modele.py](modele.py)** - zawiera klasy aplikacji
-
-**[requirements.txt](requirements.txt)** - posiada biblioteki niezbędne do uruchomienia programu, które instalujemy za pomocą poniższego polecenia:
-
-```
-pip install -r requirements.txt
-```
-
----
-
-## 3. Opis funkcjonalności programu:
-
-* śmieciarka porusza się w losowy sposób po planszy 15 x 15 (koloruje na niebiesko przebytą trasę)
-![ruch śmieciarki](resources/screenShots/randMove.png)
-* domy generowane są losowo na mapie z pominięciem kolizji z innymi obiektami
-![generowanie_domów](resources/screenShots/wspolrzedneDomow.png)
-* pozycja wysypiska, przeszkody (jeziorko) i kontenerów jest statyczna
-![statyczna_pozycja](resources/screenShots/statycznaPozycja.png)
-* w kontenerach przechowywane będą posegregowane, odpowiednio według kategorii, zdjęcia śmieci
-
-* zdjęcia śmieci będą przydzielane w sposób losowy do każdego z domów na planszy
-![losowanie_śmieci](resources/screenShots/wyborSmieci.png)
-* śmieciarka zbiera śmieci po najechaniu na pozycję danego domu
-
-* po każdym uruchomieniu programu tworzona jest struktura katalogów dla posegregowanych śmieci
-![tworzenie_struktury](resources/screenShots/tworzenieStrukturyKatalogow.png)
-* śmieciarka sprawdza w każdym ruchu czy nie dojdzie do kolizji z innym obiektem lub nie wyjedzie poza planszę
-![sprawdzanie_kolizcji](resources/screenShots/sprawdzanieKolizji.png)
-* po prawej stronie wypisywane są aktualne, najważniejsze informacje
-![wiedza](resources/screenShots/wiedzaPoPrawejStronie.png)
-* każdy obiekt na planszy posiada atrybuty odpowiedzalne za 
-przechowywanie wiedzy o danym obiekcie np.: obiekt śmieciarka przechowuje informacje o odwiedzonych domach
-![atrybuty](resources/screenShots/atrybutySmieciarki.png)

game.py

@@ -1,120 +0,0 @@
-import pygame
-import modele
-import numpy as np
-import random
-import os
-import shutil
-
-pygame.init()
-
-# kolory
-BLACK = (0, 0, 0)
-WHITE = (255, 255, 255)
-GREEN = (0, 255, 0)
-RED = (255, 0, 0)
-BLUE = (40, 50, 200)
-GREY = (128, 128, 128)
-MAGENTA = (255, 0, 144)
-YELLOW = (255, 255, 0)
-
-# wysokosc i szerokosc kazdej kratki
-WIDTH = 60
-HEIGHT = 60
-
-# margines pomiedzy kratkami
-MARGIN = 5
-
-# rozmiar kratki
-ILOSC_WIERSZY = 15
-ILOSC_KOLUMN = 15
-
-# rozmiar okna
-WINDOW_SIZE = [980, 980]
-
-
-def game():
-    obiekty = utworzObiekty()
-    # Petla az uzytkownik zamknie program
-    done = False
-    clock = pygame.time.Clock()
-
-    start = False
-
-    # -------- Glowna petla programu -----------
-    while not done:
-
-        # obsluga zdarzen typu nacisniecie klawisza lub przycisku myszy
-        for event in pygame.event.get():  # User did something
-            if event.type == pygame.QUIT:  # If user clicked close
-                done = True  # Flag that we are done so we exit this loop
-            elif event.type == pygame.MOUSEBUTTONDOWN:
-                # Zapisywanie pozycji myszki po kliknieciu
-                pozycja_myszki = pygame.mouse.get_pos()
-
-                # Zamiana pozycji na konkretne koordy
-                kolumna = pozycja_myszki[0] // (WIDTH + MARGIN)
-                wiersz = pozycja_myszki[1] // (HEIGHT + MARGIN)
-                print("Click ", pozycja_myszki,
-                      "Grid coordinates: ", wiersz, kolumna)
-                obiekty["plansza"][kolumna,wiersz].setKolor(BLACK)
-            rysowaniePlanszy(obiekty)
-            pressed = pygame.key.get_pressed()
-            if pressed[pygame.K_q]:
-                start = False
-            if pressed[pygame.K_s]:
-                start = True
-            if pressed[pygame.K_z]:
-                continue
-        if start:
-            obiekty["smieciarka"].rand_move()
-        clock.tick(7)
-    pygame.quit()
-
-
-def rysowaniePlanszy(obiekty):
-    obiekty["obraz"].fill(BLACK)
-    # rysowanie planszy
-    for i in range(ILOSC_WIERSZY):
-        for j in range(ILOSC_KOLUMN):
-            pygame.draw.rect(obiekty["obraz"],
-                             obiekty["plansza"][i, j].kolor,
-                             [(MARGIN + WIDTH) * obiekty["plansza"][i, j].pozY + MARGIN,
-                              (MARGIN + HEIGHT) *
-                              obiekty["plansza"][i, j].pozX + MARGIN,
-                              WIDTH,
-                              HEIGHT])
-
-    obiekty["sprajty"].draw(obiekty["obraz"])
-    pygame.display.update()
-
-
-def utworzObiekty():
-    # Tworzenie planszy i kratek
-    plansza = np.array([[modele.Kratka(i, j) for i in range(ILOSC_KOLUMN)]
-                        for j in range(ILOSC_WIERSZY)])
-    all_sprites_list = pygame.sprite.Group()
-    # smieciarka
-    smieciarka = modele.Smieciarka(14, 14)
-    plansza[14, 14].setKolor(BLUE)
-    plansza[14, 14].setObiekt(smieciarka)
-
-    # punkt docelowy
-    plansza[0,0].setKolor(MAGENTA)
-
-    # tworzenie wyswietlanego okna
-    os.environ['SDL_VIDEO_WINDOW_POS'] = "%d,%d" % (0, 30)
-    obraz = pygame.display.set_mode(WINDOW_SIZE)
-    smieciarka.setObraz(obraz)
-    pygame.display.set_caption("Inteligentna śmieciarka")
-
-    all_sprites_list.add(smieciarka)
-
-    obiekty = {
-        "plansza": plansza,
-        "smieciarka": smieciarka,
-        "obraz": obraz,
-        "sprajty": all_sprites_list
-    }
-    smieciarka.setObiekty(obiekty)
-    smieciarka.setPlansza(plansza)
-    return obiekty

main.py

@@ -1,11 +0,0 @@
-import pygame
-import game
-
-
-def main():
-    print("poczatek programu")
-    game.game()
-
-
-if __name__ == '__main__':
-    main()

modele.py

@@ -1,119 +0,0 @@
-import pygame
-import game
-import random
-
-# wysokosc i szerokosc kazdej kratki
-WIDTH = 60
-HEIGHT = 60
-
-# margines pomiedzy kratkami
-MARGIN = 5
-
-# kolory
-BLACK = (0, 0, 0)
-WHITE = (255, 255, 255)
-GREEN = (0, 255, 0)
-RED = (255, 0, 0)
-BLUE = (40, 50, 200)
-GREY = (128, 128, 128)
-
-
-class Smieciarka(pygame.sprite.Sprite):
-    def __init__(self, x, y):
-        self.x = x
-        self.y = y
-        self.image = pygame.image.load('resources/plansza/smieciarka.png')
-        self.obraz = None
-        self.ruch = 1
-        self.plansza = None
-        self.obiekty = None
-        pygame.sprite.Sprite.__init__(self)
-        self.rect = pygame.Rect(self.x * WIDTH + MARGIN * self.x + MARGIN, self.y * HEIGHT + MARGIN * self.y, WIDTH,
-                                HEIGHT)
-
-    def setObraz(self, obraz):
-        self.obraz = obraz
-
-    def rand_move(self):
-        rand_int = random.randint(0, 3)
-        if rand_int == 0:
-            self.w_lewo()
-        elif rand_int == 1:
-            self.w_prawo()
-        elif rand_int == 2:
-            self.w_gore()
-        elif rand_int == 3:
-            self.w_dol()
-
-    def w_lewo(self):
-        if self.x > 0:
-            if self.ruch == 2:
-                self.image = pygame.image.load(
-                    'resources/plansza/smieciarka.png')
-                self.ruch = 1
-
-            self.plansza[self.x - 1, self.y].setKolor(BLUE)
-            for i in range((WIDTH + MARGIN) // 5):
-                self.rect.x -= 5
-                self.obraz.blit(self.image, (self.rect.x, self.rect.y))
-                game.rysowaniePlanszy(self.obiekty)
-            self.x -= 1
-
-    def w_prawo(self):
-        if self.x < 14:
-            if self.ruch == 1:
-                self.image = pygame.transform.flip(self.image, True, False)
-                self.ruch = 2
-
-            self.plansza[self.x + 1, self.y].setKolor(BLUE)
-            for i in range((WIDTH + MARGIN) // 5):
-                self.rect.x += 5
-                self.obraz.blit(self.image, (self.rect.x, self.rect.y))
-                game.rysowaniePlanszy(self.obiekty)
-            self.x += 1
-
-    def w_gore(self):
-        if self.y > 0:
-            self.plansza[self.x, self.y - 1].setKolor(BLUE)
-            for i in range((WIDTH + MARGIN) // 5):
-                self.rect.y -= 5
-                self.obraz.blit(self.image, (self.rect.x, self.rect.y))
-                game.rysowaniePlanszy(self.obiekty)
-            self.y -= 1
-
-    def w_dol(self):
-        if self.y < 14:
-            self.plansza[self.x, self.y + 1].setKolor(BLUE)
-            for i in range((WIDTH + MARGIN) // 5):
-                self.rect.y += 5
-                self.obraz.blit(self.image, (self.rect.x, self.rect.y))
-                game.rysowaniePlanszy(self.obiekty)
-            self.y += 1
-
-    def setPlansza(self, plansza):
-        self.plansza = plansza
-
-    def setObiekty(self, obiekty):
-        self.obiekty = obiekty
-
-
-class Kratka(pygame.sprite.Sprite):
-    def __init__(self, poz_x, poz_y):
-        self.pozX = poz_x
-        self.pozY = poz_y
-        self.kolor = GREY
-        self.obiekt = None
-        pygame.sprite.Sprite.__init__(self)
-        self.image = pygame.image.__class__
-        self.rect = pygame.Rect(self.pozX * WIDTH + MARGIN * self.pozX + MARGIN,
-                                self.pozY * HEIGHT + MARGIN * self.pozY + MARGIN,
-                                WIDTH, HEIGHT)
-
-    def setImage(self, image):
-        self.image = image
-
-    def setObiekt(self, obiekt):
-        self.obiekt = obiekt
-
-    def setKolor(self, kolor):
-        self.kolor = kolor

requirements.txt

@@ -1,2 +1,58 @@
+absl-py==0.9.0
+astunparse==1.6.3
+autopep8==1.5
+cachetools==4.1.0
+certifi==2020.4.5.1
+chardet==3.0.4
+cycler==0.10.0
+future==0.18.2
+gast==0.3.3
+google-auth==1.14.3
+google-auth-oauthlib==0.4.1
+google-pasta==0.2.0
+grpcio==1.29.0
+h5py==2.10.0
+idna==2.9
+importlib-metadata==1.6.0
+joblib==0.15.0
+Keras==2.3.1
+Keras-Applications==1.0.8
+Keras-Preprocessing==1.1.2
+kiwisolver==1.2.0
+mahotas==1.4.9
+Markdown==3.2.2
+matplotlib==3.2.1
+numpy==1.18.0
+oauthlib==3.1.0
+opencv-python==4.2.0.34
+opt-einsum==3.2.1
+Pillow==7.1.2
+protobuf==3.11.3
+pyasn1==0.4.8
+pyasn1-modules==0.2.8
+pycodestyle==2.5.0
+pydotplus==2.0.2
 pygame==1.9.6
-numpy==1.18.2
+pyparsing==2.4.7
+PyQt5==5.14.2
+python-dateutil==2.8.1
+PyYAML==5.3.1
+requests==2.23.0
+requests-oauthlib==1.3.0
+rsa==4.0
+scikit-learn==0.23.0
+scipy==1.4.1
+sip==5.3.0
+six==1.14.0
+tensorboard==2.2.1
+tensorboard-plugin-wit==1.6.0.post3
+tensorflow==2.2.0
+tensorflow-estimator==2.2.0
+termcolor==1.1.0
+threadpoolctl==2.0.0
+torch==1.5.0
+torchvision==0.6.0
+urllib3==1.25.9
+Werkzeug==1.0.1
+wrapt==1.12.1
+zipp==3.1.0

resources/raporty/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](../screenShots/adamo4.png)
+- w pliku uczenie_adamO.py znajdują się funkcje odpowiedzialne za uczenie i testowanie modelu
+![5](../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](../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](../screenShots/adamo8.png)  
+    są średnią ważoną intensywności pikseli obrazu.   
+    Są liczone ze wzoru:  
+    ![10](../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](../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](../screenShots/adamo12.png)  
+    
+    3. Tekstura Haralicka określająca nasycenie ilości pixeli w skali szarości   
+    ![7](../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](../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](../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](../screenShots/adamo3.png)  
+- Zdjęcia posegregowanych śmieci umieszczane są w odpowiednich folderach:  
+![1](../screenShots/adamo1.png)
+- Na koniec wyświetlane są losowo wybrane zdjęcia śmieci z kontenerów wraz z informacją o typie ustalonym przez estymator
+![2](../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)

resources/raporty/environment.md

@@ -0,0 +1,68 @@
+# Sztuczna Inteligencja
+
+**Temat projektu:** Inteligenta Śmieciarka
+
+**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
+
+---
+
+## 1. Ogólne działanie:
+
+![gif](../screenShots/gifProjektu.gif)
+
+---
+
+## 2. Struktura katalogów:
+
+![katalogi](../screenShots/strukturaKatalogu.png)
+
+**Resources**:
+
+- _plansza_ - folder zawierający zdjęcia niezbędne do generowania planszy - domy, jezioro, pojemniki, wysypisko,
+- _śmieci_ - zawiera podfoldery z klaysifkacją zdjęć śmieci,
+- _śmieci w kontenerach_ - folder, który będzie zawierał posegregowane już smieci
+
+**Pliki**:
+
+**[game.py](../../src/game.py)** - plik zawierający całą funkcjonalność projektu:
+
+- główna pętla programu,
+- tworzenie planszy,
+- tworzenie i usytuowanie obiektów z katalogu [modeli](../../src/modele.py),
+- generowanie tekstowej interpretacji zebranej wiedzy
+
+**[main.py](../../src/main.py)** - klasa odpowiedzialna za uruchomienie programu
+
+**[modele.py](../../src/modele.py)** - zawiera klasy aplikacji
+
+**[requirements.txt](../../requirements.txt)** - posiada biblioteki niezbędne do uruchomienia programu, które instalujemy za pomocą poniższego polecenia:
+
+```
+pip install -r requirements.txt
+```
+
+---
+
+## 3. Opis funkcjonalności programu:
+
+* śmieciarka porusza się w losowy sposób po planszy 15 x 15 (koloruje na niebiesko przebytą trasę)
+![ruch śmieciarki](../screenShots/randMove.png)
+* domy generowane są losowo na mapie z pominięciem kolizji z innymi obiektami
+![generowanie_domów](../screenShots/wspolrzedneDomow.png)
+* pozycja wysypiska, przeszkody (jeziorko) i kontenerów jest statyczna
+![statyczna_pozycja](../screenShots/statycznaPozycja.png)
+* w kontenerach przechowywane będą posegregowane, odpowiednio według kategorii, zdjęcia śmieci
+
+* zdjęcia śmieci będą przydzielane w sposób losowy do każdego z domów na planszy
+![losowanie_śmieci](../screenShots/wyborSmieci.png)
+* śmieciarka zbiera śmieci po najechaniu na pozycję danego domu
+
+* po każdym uruchomieniu programu tworzona jest struktura katalogów dla posegregowanych śmieci
+![tworzenie_struktury](../screenShots/tworzenieStrukturyKatalogow.png)
+* śmieciarka sprawdza w każdym ruchu czy nie dojdzie do kolizji z innym obiektem lub nie wyjedzie poza planszę
+![sprawdzanie_kolizcji](../screenShots/sprawdzanieKolizji.png)
+* po prawej stronie wypisywane są aktualne, najważniejsze informacje
+![wiedza](../screenShots/wiedzaPoPrawejStronie.png)
+* każdy obiekt na planszy posiada atrybuty odpowiedzalne za 
+przechowywanie wiedzy o danym obiekcie np.: obiekt śmieciarka przechowuje informacje o odwiedzonych domach
+![atrybuty](../screenShots/atrybutySmieciarki.png)

resources/raporty/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](../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](../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](../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](../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

resources/raporty/raport_adamB.md

@@ -0,0 +1,129 @@
+# Sztuczna Inteligencja
+
+**Temat projektu:** Inteligenta Śmieciarka
+
+**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
+
+**Podprojekt:** Adam Borowski
+
+---
+
+## 1. Temat podprojektu:
+
+Celem projektu było utworzenie klasyfikatora rodzajów danych wejściowych(śmieci) na podstawie zdjęć. Do tego celu wykorzystano bibliotekę [PyTorch](https://pytorch.org/docs/stable/index.html). Cały podprojekt opiera się na utworzeniu sieci neuronowej i przetworzeniu inputu przez kolejne jej warstwy.
+
+## 2. Model sieci:
+
+```
+class Net(nn.Module):  # klasa Net dziedziczaca po klasie bazowej nn.Module
+    def __init__(self):
+        super(Net, self).__init__()
+        self.conv1 = nn.Conv2d(3, 6, 5)
+        self.pool = nn.MaxPool2d(2, 2)
+        self.conv2 = nn.Conv2d(6, 16, 5)
+        self.fc1 = nn.Linear(16 * 71 * 71, 120)
+        self.fc2 = nn.Linear(120, 84)
+        self.fc3 = nn.Linear(84, 4)
+
+    def forward(self, x):
+        x = self.pool(F.relu(self.conv1(x)))
+        x = self.pool(F.relu(self.conv2(x)))
+        x = x.view(x.size(0), 16 * 71 * 71)
+        x = F.relu(self.fc1(x))
+        x = F.relu(self.fc2(x))
+        x = self.fc3(x)
+        return x
+```
+
+- conv1, conv2 – warstwy konwolucyjna, rozmiar filtra 5×5, posiadające 3 kanały wejściowe (RGB) i kanały wyjściowe dla następnych warstw
+- pool - operacja `max-poolingu` - wyciaganie najwazniejszej informacji z zadanego obszaru obrazu
+  ![model](../screenShots/maxpool.png)
+- fc1, fc2, fc3 - warstwy liniowe - `full connection layers` - w odróznieniu od warstw konwolucyjnych, każdy neuron dostaje input o neuronie z poprzedniej warstwy. W warstwie konwolucyjnej neurony wiedzą tylko o określonych neuronach z poprzedniego layera
+  ![model](../screenShots/fc.png)
+- metoda `forward` - metoda forward określa cały przepływ(flow) inputu przez warstwy aż do outputu. W pierwszej części tensor danej wejściowej(tensor zdjęcia) przepuszczany jest przez dwie warstwy konwolucyjne i wykonywana jest na nim wcześniej wspomniana operacja `max-poolingu`. W następnej części wypłaszczamy x, wszystkie wymiary przechowujace dane obrazu – 16 kanalow o rozmiarach 71×71 rozciągamy jako jeden długi wektor. Na koniec przepuszczamy tensor przez warstwy liniowe i zwracamy output.
+
+## 3. Trening:
+
+```
+def train():
+    net = Net()
+    trainset = torchvision.datasets.ImageFolder(
+        root='./resources/zbior_uczacy', transform=transform)
+    trainloader = torch.utils.data.DataLoader(
+        trainset, batch_size=1, shuffle=True, num_workers=2)
+
+    classes = ('glass', 'metal', 'paper', 'plastic')
+    criterion = nn.CrossEntropyLoss()
+    optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
+
+    for epoch in range(10):
+        running_loss = 0.0
+        for i, data in enumerate(trainloader, 0):
+            inputs, labels = data
+            optimizer.zero_grad()
+            outputs = net(inputs)
+            loss = criterion(outputs, labels)
+            loss.backward()
+            optimizer.step()
+            running_loss += loss.item()
+            if i:
+                print('[%d, %5d] loss: %.3f' %
+                      (epoch + 1, i + 1, running_loss))
+                running_loss = 0.0
+
+    print('Finished Training')
+    PATH = './wytrenowaned.pth'
+    torch.save(net.state_dict(), PATH)
+```
+
+- na początku zainicjowano sieć, pobrano zbiór uczący i znormalizowano jego wnętrze, aby każde zdjęcie było pod postacią Tensora(tego wymaga model sieci)
+- następnie zdefiniowano kryterium do wyznaczania jakości klasyfikacji zdjęć do klas i wyznaczono optymalizator
+- potem wchodzimy do pętli i iterujemy po data secie, pobieramy inputy, czyścimy gradienty z poprzedniej iteracji, za pomocą algorytmu propagacji wstecznej liczymy pochodne z utraconej wartości, wyswietlamy w konsoli loss z danej iteracji,
+- następnie zapisujemy wytrenowany model
+
+## 4. Przewidywanie:
+
+```
+def predict(img_path):
+    net = Net()
+    PATH = './wytrenowaned.pth'
+    img = Image.open(img_path)
+    pil_to_tensor = transforms.ToTensor()(img).unsqueeze_(0)
+    classes = ('glass', 'metal', 'paper', 'plastic')
+    net.load_state_dict(torch.load(PATH))
+    net.eval()
+    outputs = net(pil_to_tensor)
+    return classes[torch.max(outputs, 1)[1]]
+```
+
+- 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
+
+## 5. 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`)

resources/raporty/report_koncowy.md

@@ -0,0 +1,50 @@
+# Raport końcowy
+
+**Temat projektu:** Inteligenta Śmieciarka
+
+**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
+
+---
+
+## Krótkie wyjaśnienie integracji podprojektów:
+
+Celem projektu było utworzenie inteligentnej śmieciarki. Jej zadaniem było zbieranie śmieci ze wszystkich domów na planszy korzystając z algorytmu _A*_. Docelowo, wybierając jeden z trzech zaimplementowanych przez nas klasyfikatorów, śmieciarka segreguje odpady w kontenerach. Ich zdjęcia trafiają następnie do posortowanego folderu _smieci w kontenerach_.
+
+```
+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)
+
+```
+
+Tworzenie katalogu:
+
+```
+    # kontenery
+    if not os.path.exists(smieci_w_kontenerach):
+        os.makedirs(smieci_w_kontenerach)
+    else:
+        for dir in os.listdir(os.getcwd() + "\\" + smieci_w_kontenerach):
+            files = os.listdir(os.getcwd() + "\\" +
+                               smieci_w_kontenerach + "\\" + dir)
+            for file in files:
+                os.remove(os.getcwd() + "\\" +
+                          smieci_w_kontenerach + "\\" + dir + "\\" + file)
+```

resources/raporty/route-planning.md

@@ -0,0 +1,69 @@
+# Sztuczna Inteligencja
+
+**Temat projektu:** Inteligenta Śmieciarka
+
+**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
+
+---
+
+## 1. Ogólne działanie:
+
+![gif](../screenShots/route-planning.gif)
+
+- Śmieciarka zaczyna ruch z pozycji (10, 10), po czym odwiedza wszystkie domy,
+których współrzędne zostały wylosowane, następnie jedzie na wysypisko do najbliższego kontenera,
+po czym wybiera następny najbliższy nieodwiedzony kontener.
+- Droga między domami jest wyznaczana przez algorytm A*.
+- Każdy następny dom jest najbliższym, jeszcze nieodwiedzonym domem. 
+
+---
+
+## 2. Pętla główna strategii przeszukiwania:
+
+![petla](../screenShots/petlaGlowna.png)
+
+- w pętli głównej wykorzystujemy przeszukiwanie grafu (graphsearch)
+- tworzymy kolejkę priorytetową, po czym dodajemy do niej bieżący węzeł
+- przeprowadzamy test osiągnięcia celu:
+- jeżeli cel został osiągnięty, to odtwarzamy ścieżkę przechodząc po rodzicach
+- do listy odwiedzonych elementów dodajemy bieżący element
+- wybieramy następnika
+- następnikowi przypisujemy rodzica
+- wyznaczamy priorytet następnika
+- dodajemy go do kolejki zgodnie z priorytetem
+
+---
+
+## 3. Funkcja następnika:
+
+![succ](../screenShots/funkcjaNastepnika.png)
+
+gdzie sąsiedzi to:
+```
+sasiedzi = [(0, 1), (0, -1), (1, 0), (-1, 0)]
+```
+
+- następnik jest wyznaczany spośród pól sąsiadujących z danym polem (z pominięciem pól po skosie)
+- następnie sprawdzane jest czy nie znajduje się on poza mapą
+- potem sprawdzane jest czy wybrany punkt nie jest przeszkodą 
+
+---
+
+## 4. Przyjęta heurystyka:
+
+![heurystyka](../screenShots/heurystyka.png) 
+
+- Heurystyka to suma odległości Manhattan 
+
+---
+
+## 5. Koszt wjechania na pole
+
+![stepcost](../screenShots/stepcost.png)
+
+- Koszt wjechania na pole, na którym jest dom wynosi 3
+- Koszt wjechania na pole, które jest wysypiskiem wynosi 2
+- Koszt wjechania na pole, które jest kontenerem wynosi 3
+- Koszt wjechania na zwyczajne pole wynosi 1
+
+---