utworzony plik Graphsearch

.gitignore

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

Graphsearch.py

@@ -0,0 +1,45 @@
+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

@@ -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)

game.py

@@ -0,0 +1,120 @@
+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

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

modele.py

@@ -0,0 +1,119 @@
+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

@@ -1,58 +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
-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

resources/raporty/adamORaport.md

@@ -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)

resources/raporty/environment.md

@@ -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)

resources/raporty/kacperRaport.md

@@ -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

resources/raporty/raport_adamB.md

@@ -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`)

resources/raporty/report_koncowy.md

@@ -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)
-```

resources/raporty/route-planning.md

@@ -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
-
----