Dodany raport do podprojektu sieci neuronowych

Marcin.md

@@ -0,0 +1,93 @@
+# Podprojekt  - sieć neuronowa"
+**Twórca: Marcin Kwapisz** 
+
+**Klawisz F7 uruchamia program**
+
+Program otrzymuje zdjęcie aktualnego pola i za 
+pomocą sieci neuronowej określa jakie to jest pole
+i wybiera tryb w jakim ma pracować traktor
+
+Sieć neuronowa została nauczona przy użyciu modułu darknet. Sieć została użyta po
+20000 iteracjach treningowych
+
+**Main**
+```
+    def main(self):
+        self.pole = self.ui.field_images[self.field.get_value(self.traktor.get_poz())]
+        self.img = pygame.surfarray.array3d(self.pole)
+        self.img = self.img.transpose([1,0,2])
+        self.img = cv2.cvtColor(self.img, cv2.COLOR_RGB2BGR)
+        self.reco = self.mode(self.recognition(self.img))
+        if self.reco == 10:
+            print("Nic nie trzeba robić")
+        else:
+            self.traktor.set_mode(self.reco)
+```
+Wywołuje wszystkie pozostałe funkcje programu
+
+**Get_output_layers**
+```
+   def get_output_layers(self,net):
+        layer_names = net.getLayerNames()
+        output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]
+        return output_layers
+```
+Zwraca nazwy kolejnych warstw, warstwa wyjściowa nie jest połączona z żadną następną warstwą
+
+**Recognition**
+```
+    def recognition(self,photo):
+        image = photo
+
+        Width = image.shape[1]
+        Height = image.shape[0]
+        scale = 0.00392
+
+        with open("si.names", 'r') as f:
+            classes = [line.strip() for line in f.readlines()]
+
+        COLORS = np.random.uniform(0, 255, size=(len(classes), 3))
+
+        net = cv2.dnn.readNet("si_20000.weights", "si.cfg")
+
+        blob = cv2.dnn.blobFromImage(image, scale, (416, 416), (0, 0, 0), True, crop=False)
+
+        net.setInput(blob)
+
+        outs = net.forward(self.get_output_layers(net))
+
+        class_ids = []
+        confidences = []
+        boxes = []
+        conf_threshold = 0.5
+        nms_threshold = 0.4
+
+        for out in outs:
+            for detection in out:
+                scores = detection[5:]
+                class_id = np.argmax(scores)
+                confidence = scores[class_id]
+                if confidence > 0.5:
+                    class_ids.append(class_id)
+        return class_ids[0]
+```
+Odpowiada za odebranie zdjęcia od funkcji głównej i 
+używa sieci neuronowej do rozpoznania zdjęcia
+
+**Mode**
+```
+    def mode(self,mode):
+        self.mode_value = mode
+        if self.mode_value in [0, 1, 2, 3]:
+            return 0
+        elif self.mode_value in [1, 3, 5, 7]:
+            return 1
+        elif self.mode_value in [0, 1, 4, 5]:
+            return 2
+        elif self.mode_value in [8]:
+            return 3
+        elif self.mode_value in [6]:
+            return 10
+```
+Na podstawie klasy otrzymanej przez funkcję **recognition** wybiera tryb
+w jakim ma pracować traktor