Compare commits
7 Commits
Author | SHA1 | Date | |
---|---|---|---|
93ed2f39f5 | |||
230b63d87b | |||
e2facd2c42 | |||
f7612970d2 | |||
8b609f0259 | |||
![]() |
1dc9e45f19 | ||
![]() |
cc6fdc2e8b |
1
.gitignore
vendored
@ -3,4 +3,3 @@ venv/
|
|||||||
.ideagit
|
.ideagit
|
||||||
.idea
|
.idea
|
||||||
__pycache__/
|
__pycache__/
|
||||||
/resources/smieci w kontenerach
|
|
||||||
|
56
astar.py
Normal file
@ -0,0 +1,56 @@
|
|||||||
|
import heapq
|
||||||
|
|
||||||
|
|
||||||
|
def heurystyka(obiekty, a, b):
|
||||||
|
heur = abs((b[0] - a[0])) + abs((b[1] - a[1]))
|
||||||
|
if obiekty["plansza"][b[0], b[1]].jestDomem is True:
|
||||||
|
heur += 2
|
||||||
|
return heur
|
||||||
|
|
||||||
|
|
||||||
|
def astar(obiekty, start, cel):
|
||||||
|
|
||||||
|
sasiedzi = [(0, 1), (0, -1), (1, 0), (-1, 0)]
|
||||||
|
close_set = set()
|
||||||
|
came_from = {}
|
||||||
|
hscore = {start: heurystyka(obiekty, start, cel)}
|
||||||
|
gscore = {start: 0}
|
||||||
|
fscore = {start: heurystyka(obiekty, start, cel)}
|
||||||
|
oheap = []
|
||||||
|
dodatkowy_koszt = 0
|
||||||
|
heapq.heappush(oheap, (fscore[start], start))
|
||||||
|
while oheap:
|
||||||
|
current = heapq.heappop(oheap)[1]
|
||||||
|
if current == cel:
|
||||||
|
obiekty["plansza"][current[0], current[1]].setKolor((255, 0, 0))
|
||||||
|
data = []
|
||||||
|
while current in came_from:
|
||||||
|
|
||||||
|
data.append(current)
|
||||||
|
current = came_from[current]
|
||||||
|
return data[::-1]
|
||||||
|
close_set.add(current)
|
||||||
|
obiekty["plansza"][current[0], current[1]].setKolor((255, 0, 0))
|
||||||
|
for i, j in sasiedzi:
|
||||||
|
sasiad = current[0] + i, current[1] + j
|
||||||
|
|
||||||
|
if 14 < sasiad[0] or sasiad[0] < 0:
|
||||||
|
continue
|
||||||
|
elif 14 < sasiad[1] or sasiad[1] < 0:
|
||||||
|
continue
|
||||||
|
elif 6 <= sasiad[0] <= 7 and 10 <= sasiad[1] <= 11:
|
||||||
|
continue
|
||||||
|
tentative_h_score = heurystyka(
|
||||||
|
obiekty, sasiad, cel) + heurystyka(obiekty, current, sasiad)
|
||||||
|
|
||||||
|
if sasiad in [i[1] for i in oheap] and tentative_h_score < hscore.get(current, 0):
|
||||||
|
continue
|
||||||
|
elif sasiad not in close_set and sasiad not in [i[1] for i in oheap]:
|
||||||
|
came_from[sasiad] = current
|
||||||
|
hscore[sasiad] = tentative_h_score
|
||||||
|
fscore[sasiad] = tentative_h_score + gscore[current]
|
||||||
|
gscore[sasiad] = gscore[current] + \
|
||||||
|
heurystyka(obiekty, current, sasiad)
|
||||||
|
heapq.heappush(oheap, (fscore[sasiad], sasiad))
|
||||||
|
obiekty["plansza"][sasiad[0], sasiad[1]].setKolor((0, 255, 0))
|
||||||
|
return False
|
68
environment.md
Normal file
@ -0,0 +1,68 @@
|
|||||||
|
# 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)
|
266
game.py
Normal file
@ -0,0 +1,266 @@
|
|||||||
|
import pygame
|
||||||
|
import modele
|
||||||
|
import numpy as np
|
||||||
|
import random
|
||||||
|
import os
|
||||||
|
import shutil
|
||||||
|
import astar
|
||||||
|
|
||||||
|
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)
|
||||||
|
|
||||||
|
# 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 = [1300, 980]
|
||||||
|
|
||||||
|
|
||||||
|
# TEST DODAWANIA SMIECI Z POJEDYNCZEGO DOMU DO FOLDERU KONTENERA ZE SZKLEM
|
||||||
|
# for d in lista_domow:
|
||||||
|
# for s in d.smieci:
|
||||||
|
# kontener_szklo.dodajSmiec(s)
|
||||||
|
|
||||||
|
def game():
|
||||||
|
obiekty = utworzObiekty()
|
||||||
|
# Petla az uzytkownik zamknie program
|
||||||
|
done = False
|
||||||
|
clock = pygame.time.Clock()
|
||||||
|
temp = True
|
||||||
|
|
||||||
|
# -------- 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)
|
||||||
|
elif event.type == pygame.KEYDOWN:
|
||||||
|
if event.key == pygame.K_LEFT:
|
||||||
|
obiekty["smieciarka"].w_lewo()
|
||||||
|
if event.key == pygame.K_RIGHT:
|
||||||
|
obiekty["smieciarka"].w_prawo()
|
||||||
|
if event.key == pygame.K_UP:
|
||||||
|
obiekty["smieciarka"].w_gore()
|
||||||
|
if event.key == pygame.K_DOWN:
|
||||||
|
obiekty["smieciarka"].w_dol()
|
||||||
|
|
||||||
|
rysowaniePlanszy(obiekty)
|
||||||
|
while(temp):
|
||||||
|
obiekty["smieciarka"].astar_move(obiekty)
|
||||||
|
temp = False
|
||||||
|
clock.tick(7)
|
||||||
|
#start = obiekty["plansza"][0, 14]
|
||||||
|
#koniec = obiekty["plansza"][14, 0]
|
||||||
|
|
||||||
|
#print(astar.astar(obiekty, (0, 14), (14, 0)))
|
||||||
|
#print(len(astar.astar(start, koniec)))
|
||||||
|
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["obraz"].blit(pygame.image.load(
|
||||||
|
"resources/plansza/wysypisko.jpg"), (5, 5))
|
||||||
|
obiekty["obraz"].blit(pygame.image.load(
|
||||||
|
"resources/plansza/jezioro.png"), (395, 655))
|
||||||
|
obiekty["plansza"][6, 10].setJestPrzeszkoda(True)
|
||||||
|
obiekty["plansza"][6, 11].setJestPrzeszkoda(True)
|
||||||
|
obiekty["plansza"][7, 10].setJestPrzeszkoda(True)
|
||||||
|
obiekty["plansza"][7, 11].setJestPrzeszkoda(True)
|
||||||
|
obiekty["sprajty"].draw(obiekty["obraz"])
|
||||||
|
text_metal, text_papier, text_plastik, text_szklo, text_pozostale, text_odwiedzone_domy = liczSmieci(
|
||||||
|
obiekty["domy"], obiekty)
|
||||||
|
obiekty["obraz"].blit(obiekty["text_pozostalo"],
|
||||||
|
(1020, 240))
|
||||||
|
obiekty["obraz"].blit(text_metal, (1020, 280))
|
||||||
|
obiekty["obraz"].blit(text_plastik, (1020, 320))
|
||||||
|
obiekty["obraz"].blit(text_szklo, (1020, 360))
|
||||||
|
obiekty["obraz"].blit(text_papier, (1020, 400))
|
||||||
|
obiekty["obraz"].blit(text_pozostale, (1020, 440))
|
||||||
|
obiekty["obraz"].blit(text_odwiedzone_domy, (1020, 480))
|
||||||
|
|
||||||
|
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(10, 10)
|
||||||
|
plansza[10, 10].setKolor(BLUE)
|
||||||
|
plansza[10, 10].setObiekt(smieciarka)
|
||||||
|
|
||||||
|
# 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")
|
||||||
|
|
||||||
|
# kontenery
|
||||||
|
if os.path.exists('resources/smieci w kontenerach'):
|
||||||
|
shutil.rmtree("resources/smieci w kontenerach")
|
||||||
|
os.makedirs('resources/smieci w kontenerach')
|
||||||
|
|
||||||
|
kontener_plastik = modele.Kontener(0, 0, "plastik")
|
||||||
|
kontener_plastik.setImage(pygame.image.load(
|
||||||
|
"resources/plansza/pojemnik_plastik.png"))
|
||||||
|
plansza[0, 0].setJestKontenerem(True)
|
||||||
|
plansza[0, 0].setObiekt(kontener_plastik)
|
||||||
|
|
||||||
|
kontener_metal = modele.Kontener(0, 4, "metal")
|
||||||
|
kontener_metal.setImage(pygame.image.load(
|
||||||
|
"resources/plansza/pojemnik_metal.png"))
|
||||||
|
plansza[0, 4].setJestKontenerem(True)
|
||||||
|
plansza[0, 4].setObiekt(kontener_metal)
|
||||||
|
|
||||||
|
kontener_organiczne = modele.Kontener(2, 2, "pozostale")
|
||||||
|
kontener_organiczne.setImage(pygame.image.load(
|
||||||
|
"resources/plansza/pojemnik_organiczne.png"))
|
||||||
|
plansza[2, 2].setJestKontenerem(True)
|
||||||
|
plansza[2, 2].setObiekt(kontener_organiczne)
|
||||||
|
|
||||||
|
kontener_papier = modele.Kontener(4, 0, "papier")
|
||||||
|
kontener_papier.setImage(pygame.image.load(
|
||||||
|
"resources/plansza/pojemnik_papier.png"))
|
||||||
|
plansza[4, 0].setJestKontenerem(True)
|
||||||
|
plansza[4, 0].setObiekt(kontener_papier)
|
||||||
|
|
||||||
|
kontener_szklo = modele.Kontener(4, 4, "szklo")
|
||||||
|
kontener_szklo.setImage(pygame.image.load(
|
||||||
|
"resources/plansza/pojemnik_szklo.png"))
|
||||||
|
plansza[4, 4].setJestKontenerem(True)
|
||||||
|
plansza[4, 4].setObiekt(kontener_szklo)
|
||||||
|
|
||||||
|
# domy
|
||||||
|
doms_array = ['resources/plansza/domy/dom1.png', 'resources/plansza/domy/dom2.png',
|
||||||
|
'resources/plansza/domy/dom3.png', 'resources/plansza/domy/dom4.png',
|
||||||
|
'resources/plansza/domy/dom5.png']
|
||||||
|
|
||||||
|
domy_lista = pygame.sprite.Group()
|
||||||
|
|
||||||
|
smieci_lista = [os.path.join(path, filename)
|
||||||
|
for path, dirs, files in os.walk("resources/smieci")
|
||||||
|
for filename in files]
|
||||||
|
|
||||||
|
# informacje o ilosci smieci w domach
|
||||||
|
font = pygame.font.SysFont("arial", 20, bold=True)
|
||||||
|
text_pozostalo = font.render("Pozostało śmieci w domach:", True, WHITE)
|
||||||
|
|
||||||
|
wspolrzedne_domow = modele.generujWspolrzedneDomow(10)
|
||||||
|
for i in range(len(wspolrzedne_domow)):
|
||||||
|
dom = modele.Dom(wspolrzedne_domow[i][0], wspolrzedne_domow[i][1])
|
||||||
|
dom.setImage(pygame.image.load(random.choice(doms_array)))
|
||||||
|
plansza[wspolrzedne_domow[i][0],
|
||||||
|
wspolrzedne_domow[i][1]].setJestDomem(True)
|
||||||
|
plansza[wspolrzedne_domow[i][0],
|
||||||
|
wspolrzedne_domow[i][1]].setObiekt(dom)
|
||||||
|
domy_lista.add(dom)
|
||||||
|
all_sprites_list.add(dom)
|
||||||
|
|
||||||
|
lista_domow = domy_lista.sprites()
|
||||||
|
for d in lista_domow:
|
||||||
|
for j in range(5):
|
||||||
|
smiec = random.choice(smieci_lista)
|
||||||
|
d.dodajSmiec(smiec)
|
||||||
|
smieci_lista.remove(smiec)
|
||||||
|
|
||||||
|
# ustawienie wysypiska, rozmiar wysypiska 5x5
|
||||||
|
for i in range(5):
|
||||||
|
for j in range(5):
|
||||||
|
plansza[i, j].setJestWysypiskiem(True)
|
||||||
|
|
||||||
|
all_sprites_list.add(kontener_plastik, kontener_metal, kontener_organiczne, kontener_papier, kontener_szklo,
|
||||||
|
smieciarka)
|
||||||
|
|
||||||
|
obiekty = {
|
||||||
|
"plansza": plansza,
|
||||||
|
"smieciarka": smieciarka,
|
||||||
|
"obraz": obraz,
|
||||||
|
"kontener_plastik": kontener_plastik,
|
||||||
|
"kontener_szklo": kontener_szklo,
|
||||||
|
"kontener_metal": kontener_metal,
|
||||||
|
"kontener_organiczne": kontener_organiczne,
|
||||||
|
"kontener_papier": kontener_papier,
|
||||||
|
"sprajty": all_sprites_list,
|
||||||
|
"domy": lista_domow,
|
||||||
|
"smieci": smieci_lista,
|
||||||
|
"font": font,
|
||||||
|
"text_pozostalo": text_pozostalo,
|
||||||
|
"wspolrzedne_domow": wspolrzedne_domow
|
||||||
|
}
|
||||||
|
smieciarka.setObiekty(obiekty)
|
||||||
|
smieciarka.setPlansza(plansza)
|
||||||
|
return obiekty
|
||||||
|
|
||||||
|
|
||||||
|
def liczSmieci(domy, obiekty):
|
||||||
|
ile_metalu = 0
|
||||||
|
ile_szkla = 0
|
||||||
|
ile_papieru = 0
|
||||||
|
ile_plastiku = 0
|
||||||
|
ile_pozostalych = 0
|
||||||
|
for d in domy:
|
||||||
|
for s in d.smieci:
|
||||||
|
if "metal" in s:
|
||||||
|
ile_metalu += 1
|
||||||
|
elif "paper" in s:
|
||||||
|
ile_papieru += 1
|
||||||
|
elif "plastic" in s:
|
||||||
|
ile_plastiku += 1
|
||||||
|
elif "glass" in s:
|
||||||
|
ile_szkla += 1
|
||||||
|
elif "trash" in s:
|
||||||
|
ile_pozostalych += 1
|
||||||
|
|
||||||
|
text_metal = obiekty["font"].render(
|
||||||
|
"Metal: " + str(ile_metalu), True, WHITE)
|
||||||
|
text_papier = obiekty["font"].render(
|
||||||
|
"Papier: " + str(ile_papieru), True, WHITE)
|
||||||
|
text_plastik = obiekty["font"].render(
|
||||||
|
"Plastik: " + str(ile_plastiku), True, WHITE)
|
||||||
|
text_szklo = obiekty["font"].render(
|
||||||
|
"Szkło: " + str(ile_szkla), True, WHITE)
|
||||||
|
text_pozostale = obiekty["font"].render(
|
||||||
|
"Pozostałe: " + str(ile_pozostalych), True, WHITE)
|
||||||
|
text_odwiedzone_domy = obiekty["font"].render(
|
||||||
|
"Odwiedzone domy: " + str(obiekty["smieciarka"].getOdwiedzoneDomy()), True, WHITE)
|
||||||
|
|
||||||
|
return text_metal, text_papier, text_plastik, text_szklo, text_pozostale, text_odwiedzone_domy
|
11
main.py
Normal file
@ -0,0 +1,11 @@
|
|||||||
|
import pygame
|
||||||
|
import game
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
print("poczatek programu")
|
||||||
|
game.game()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
294
modele.py
Normal file
@ -0,0 +1,294 @@
|
|||||||
|
import pygame
|
||||||
|
import game
|
||||||
|
import random
|
||||||
|
import os
|
||||||
|
import shutil
|
||||||
|
import astar
|
||||||
|
|
||||||
|
# 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.pozycja = (self.x, self.y)
|
||||||
|
self.image = pygame.image.load('resources/plansza/smieciarka.png')
|
||||||
|
self.obraz = None
|
||||||
|
self.ruch = 1
|
||||||
|
self.plastik = []
|
||||||
|
self.szklo = []
|
||||||
|
self.papier = []
|
||||||
|
self.metal = []
|
||||||
|
self.pozostale = []
|
||||||
|
self.odwiedzone_domy = 0
|
||||||
|
self.wspolrzedne_odwiedzonych_domow = []
|
||||||
|
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 astar_move(self, obiekty):
|
||||||
|
sciezka = astar.astar(obiekty, self.pozycja,
|
||||||
|
(random.randrange(15), random.randrange(15)))
|
||||||
|
print(sciezka)
|
||||||
|
if sciezka:
|
||||||
|
for koord in sciezka:
|
||||||
|
if koord[0] == self.x - 1 and koord[1] == self.y:
|
||||||
|
self.w_lewo()
|
||||||
|
elif koord[0] == self.x + 1 and koord[1] == self.y:
|
||||||
|
self.w_prawo()
|
||||||
|
elif koord[0] == self.x and koord[1] + 1 == self.y:
|
||||||
|
self.w_gore()
|
||||||
|
elif koord[0] == self.x and koord[1] - 1 == self.y:
|
||||||
|
self.w_dol()
|
||||||
|
|
||||||
|
def w_lewo(self):
|
||||||
|
if self.x > 0:
|
||||||
|
if self.plansza[self.x - 1, self.y].jestPrzeszkoda is not True:
|
||||||
|
if self.plansza[self.x - 1, self.y].jestDomem is True:
|
||||||
|
if [self.x - 1, self.y] not in self.wspolrzedne_odwiedzonych_domow:
|
||||||
|
self.wspolrzedne_odwiedzonych_domow.append(
|
||||||
|
[self.x - 1, self.y])
|
||||||
|
self.zwiekszIloscOdwiedzonychDomow()
|
||||||
|
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.plansza[self.x + 1, self.y].jestPrzeszkoda is not True:
|
||||||
|
if self.plansza[self.x + 1, self.y].jestDomem is True:
|
||||||
|
if [self.x + 1, self.y] not in self.wspolrzedne_odwiedzonych_domow:
|
||||||
|
self.wspolrzedne_odwiedzonych_domow.append(
|
||||||
|
[self.x + 1, self.y])
|
||||||
|
self.zwiekszIloscOdwiedzonychDomow()
|
||||||
|
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:
|
||||||
|
if self.plansza[self.x, self.y - 1].jestPrzeszkoda is not True:
|
||||||
|
if self.plansza[self.x, self.y - 1].jestDomem is True:
|
||||||
|
if [self.x, self.y - 1] not in self.wspolrzedne_odwiedzonych_domow:
|
||||||
|
self.wspolrzedne_odwiedzonych_domow.append(
|
||||||
|
[self.x, self.y - 1])
|
||||||
|
self.zwiekszIloscOdwiedzonychDomow()
|
||||||
|
|
||||||
|
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:
|
||||||
|
if self.plansza[self.x, self.y + 1].jestPrzeszkoda is not True:
|
||||||
|
if self.plansza[self.x, self.y + 1].jestDomem is True:
|
||||||
|
if [self.x, self.y + 1] not in self.wspolrzedne_odwiedzonych_domow:
|
||||||
|
self.wspolrzedne_odwiedzonych_domow.append(
|
||||||
|
[self.x, self.y + 1])
|
||||||
|
self.zwiekszIloscOdwiedzonychDomow()
|
||||||
|
|
||||||
|
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 dodajPlastik(self, smiec):
|
||||||
|
self.plastik.append(smiec)
|
||||||
|
|
||||||
|
def dodajSzklo(self, smiec):
|
||||||
|
self.szklo.append(smiec)
|
||||||
|
|
||||||
|
def dodajPapier(self, smiec):
|
||||||
|
self.papier.append(smiec)
|
||||||
|
|
||||||
|
def dodajMetal(self, smiec):
|
||||||
|
self.metal.append(smiec)
|
||||||
|
|
||||||
|
def zwiekszIloscOdwiedzonychDomow(self):
|
||||||
|
self.odwiedzone_domy += 1
|
||||||
|
|
||||||
|
def getOdwiedzoneDomy(self):
|
||||||
|
return self.odwiedzone_domy
|
||||||
|
|
||||||
|
def setPlansza(self, plansza):
|
||||||
|
self.plansza = plansza
|
||||||
|
|
||||||
|
def setObiekty(self, obiekty):
|
||||||
|
self.obiekty = obiekty
|
||||||
|
|
||||||
|
|
||||||
|
class Dom(pygame.sprite.Sprite):
|
||||||
|
def __init__(self, x, y):
|
||||||
|
self.x = x
|
||||||
|
self.y = y
|
||||||
|
pygame.sprite.Sprite.__init__(self)
|
||||||
|
self.image = pygame.image.__class__
|
||||||
|
self.rect = pygame.Rect(self.x * WIDTH + MARGIN * self.x + MARGIN, self.y * HEIGHT + MARGIN * self.y + MARGIN,
|
||||||
|
WIDTH, HEIGHT)
|
||||||
|
self.smieci = []
|
||||||
|
|
||||||
|
def setImage(self, image):
|
||||||
|
self.image = image
|
||||||
|
|
||||||
|
def dodajSmiec(self, smiec):
|
||||||
|
self.smieci.append(smiec)
|
||||||
|
|
||||||
|
def usunSmiec(self, smiec):
|
||||||
|
self.smieci.remove(smiec)
|
||||||
|
|
||||||
|
|
||||||
|
class Kontener(pygame.sprite.Sprite):
|
||||||
|
def __init__(self, x, y, typ):
|
||||||
|
self.x = x
|
||||||
|
self.y = y
|
||||||
|
pygame.sprite.Sprite.__init__(self)
|
||||||
|
self.image = pygame.image.__class__
|
||||||
|
self.rect = pygame.Rect(self.x * WIDTH + MARGIN * self.x + MARGIN, self.y * HEIGHT + MARGIN * self.y + MARGIN,
|
||||||
|
WIDTH, HEIGHT)
|
||||||
|
self.smieci = []
|
||||||
|
self.typ = typ
|
||||||
|
os.makedirs("resources/smieci w kontenerach/" + self.typ)
|
||||||
|
|
||||||
|
def dodajSmiec(self, smiec):
|
||||||
|
self.smieci.append(smiec)
|
||||||
|
shutil.copy(smiec, "resources/smieci w kontenerach/" + self.typ)
|
||||||
|
|
||||||
|
def setImage(self, image):
|
||||||
|
self.image = image
|
||||||
|
|
||||||
|
|
||||||
|
class Kratka(pygame.sprite.Sprite):
|
||||||
|
def __init__(self, poz_x, poz_y):
|
||||||
|
self.pozX = poz_x
|
||||||
|
self.pozY = poz_y
|
||||||
|
self.pozycja = (self.pozX, self.pozY)
|
||||||
|
self.rodzic = None
|
||||||
|
self.jestDomem = False
|
||||||
|
self.jestKontenerem = False
|
||||||
|
self.jestWysypiskiem = False
|
||||||
|
self.jestPrzeszkoda = False
|
||||||
|
self.kolor = GREY
|
||||||
|
self.obiekt = None
|
||||||
|
self.g = 0 # Distance to start node
|
||||||
|
self.h = 0 # Distance to goal node
|
||||||
|
self.f = 0 # Total cost
|
||||||
|
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)
|
||||||
|
|
||||||
|
# Sort nodes
|
||||||
|
def __lt__(self, other):
|
||||||
|
return self.f < other.f
|
||||||
|
|
||||||
|
def __repr__(self):
|
||||||
|
return ('{0}'.format(self.pozycja))
|
||||||
|
|
||||||
|
# Compare nodes
|
||||||
|
def __eq__(self, other):
|
||||||
|
return True if self.pozycja == other.pozycja else False
|
||||||
|
|
||||||
|
def setImage(self, image):
|
||||||
|
self.image = image
|
||||||
|
|
||||||
|
def setRodzic(self, rodzic):
|
||||||
|
self.rodzic = rodzic
|
||||||
|
|
||||||
|
def setObiekt(self, obiekt):
|
||||||
|
self.obiekt = obiekt
|
||||||
|
|
||||||
|
def setJestDomem(self, bool):
|
||||||
|
self.jestDomem = bool
|
||||||
|
|
||||||
|
def setJestSmieciarka(self, bool):
|
||||||
|
self.jestSmieciarka = bool
|
||||||
|
|
||||||
|
def setJestPrzeszkoda(self, bool):
|
||||||
|
self.jestPrzeszkoda = bool
|
||||||
|
|
||||||
|
def setJestKontenerem(self, bool):
|
||||||
|
self.jestKontenerem = bool
|
||||||
|
|
||||||
|
def setJestWysypiskiem(self, bool):
|
||||||
|
self.jestWysypiskiem = bool
|
||||||
|
|
||||||
|
def setKolor(self, kolor):
|
||||||
|
self.kolor = kolor
|
||||||
|
|
||||||
|
|
||||||
|
def generujWspolrzedneDomow(ilosc_domow):
|
||||||
|
wspolrzedne_domow = []
|
||||||
|
|
||||||
|
r = len(wspolrzedne_domow)
|
||||||
|
|
||||||
|
while r < ilosc_domow:
|
||||||
|
wspolrzedne_domu = []
|
||||||
|
x = random.randrange(15)
|
||||||
|
if x < 5:
|
||||||
|
y = random.randrange(5, 15)
|
||||||
|
else:
|
||||||
|
y = random.randrange(15)
|
||||||
|
wspolrzedne_domu.append(x)
|
||||||
|
wspolrzedne_domu.append(y)
|
||||||
|
|
||||||
|
if 6 <= wspolrzedne_domu[0] <= 7 and 10 <= wspolrzedne_domu[1] <= 11:
|
||||||
|
continue
|
||||||
|
|
||||||
|
if wspolrzedne_domu[0] == 10 and wspolrzedne_domu[1] == 10:
|
||||||
|
continue
|
||||||
|
|
||||||
|
if wspolrzedne_domu not in wspolrzedne_domow:
|
||||||
|
wspolrzedne_domow.append(wspolrzedne_domu)
|
||||||
|
r += 1
|
||||||
|
return wspolrzedne_domow
|
@ -1,58 +1,2 @@
|
|||||||
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
|
pygame==1.9.6
|
||||||
pyparsing==2.4.7
|
numpy==1.18.2
|
||||||
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
|
|
BIN
resources/plansza/pojemnik_organiczne.png
Normal file
After Width: | Height: | Size: 2.8 KiB |
@ -1,118 +0,0 @@
|
|||||||
# 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)
|
|
@ -1,68 +0,0 @@
|
|||||||
# 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)
|
|
Before Width: | Height: | Size: 3.3 MiB |
@ -1,54 +0,0 @@
|
|||||||
# 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
|
|
@ -1,129 +0,0 @@
|
|||||||
# 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`)
|
|
@ -1,50 +0,0 @@
|
|||||||
# 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)
|
|
||||||
```
|
|
@ -1,69 +0,0 @@
|
|||||||
# 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
|
|
||||||
|
|
||||||
---
|
|
Before Width: | Height: | Size: 2.9 KiB |
Before Width: | Height: | Size: 1.7 KiB |
Before Width: | Height: | Size: 2.5 KiB |
Before Width: | Height: | Size: 36 KiB |
Before Width: | Height: | Size: 44 KiB |
Before Width: | Height: | Size: 134 KiB |
Before Width: | Height: | Size: 36 KiB |
Before Width: | Height: | Size: 48 KiB |
Before Width: | Height: | Size: 76 KiB |
Before Width: | Height: | Size: 24 KiB |
Before Width: | Height: | Size: 18 KiB |
Before Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 3.1 KiB |
Before Width: | Height: | Size: 51 KiB |
Before Width: | Height: | Size: 10 KiB |
Before Width: | Height: | Size: 4.5 KiB |
Before Width: | Height: | Size: 45 KiB |
Before Width: | Height: | Size: 54 KiB |
Before Width: | Height: | Size: 29 KiB |
Before Width: | Height: | Size: 26 KiB |
Before Width: | Height: | Size: 52 KiB |
Before Width: | Height: | Size: 57 KiB |
Before Width: | Height: | Size: 7.2 MiB |
Before Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 13 KiB |
Before Width: | Height: | Size: 9.3 KiB |
Before Width: | Height: | Size: 8.1 KiB After Width: | Height: | Size: 8.1 KiB |
Before Width: | Height: | Size: 8.5 KiB After Width: | Height: | Size: 8.5 KiB |
Before Width: | Height: | Size: 21 KiB After Width: | Height: | Size: 21 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 18 KiB After Width: | Height: | Size: 18 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 20 KiB After Width: | Height: | Size: 20 KiB |
Before Width: | Height: | Size: 18 KiB After Width: | Height: | Size: 18 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 9.4 KiB After Width: | Height: | Size: 9.4 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 8.5 KiB After Width: | Height: | Size: 8.5 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 23 KiB After Width: | Height: | Size: 23 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 7.3 KiB After Width: | Height: | Size: 7.3 KiB |
Before Width: | Height: | Size: 9.0 KiB After Width: | Height: | Size: 9.0 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 24 KiB After Width: | Height: | Size: 24 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 13 KiB After Width: | Height: | Size: 13 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 8.3 KiB After Width: | Height: | Size: 8.3 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 7.5 KiB After Width: | Height: | Size: 7.5 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 9.0 KiB After Width: | Height: | Size: 9.0 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 10 KiB After Width: | Height: | Size: 10 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 7.7 KiB After Width: | Height: | Size: 7.7 KiB |
Before Width: | Height: | Size: 9.3 KiB After Width: | Height: | Size: 9.3 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 10 KiB After Width: | Height: | Size: 10 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |