# 期末專題構想書：無人車影像辨識
## 隊伍資訊
隊名：import pandas as pd

成員（學號、姓名）：

10730B538 黃政鈞
108332008 林恩綺
108332033 莊雨唐

## 動機與目的
科技日新月異的發展，使人類嘗試用輔佐機器來做到解決大型數據的分析，以求生活的便利性，比如資料庫管理、智能車、智慧倉儲等等。其中雖然仰賴5G網路的網速作為大型資料處理的第一要務，但是後續各項智慧化的管理都需要運用人工智慧中的深度學習來運作基礎辨識。所以此份報告我們以無人車辨識系統為研究對象[1]，假如能成功試寫出車體自動辨識車主，甚至到辨識即時路況的能力，那再結合各個產業之電動車之發展，那未來勢必在未來的自動駕駛會減少失誤成本。

於是本期末專題將發揮課堂上的所學，以Python為基礎，結合先前學過的VisLab等軟體，引入各項數據資料及影像圖片，嘗試做出基礎的人臉及圖標辨識系統。

## 方法與步驟簡述
### 資料來源
資料利用 Google 上的插建功能直接批量下載下來。此資料集的每筆資料包含一張圖片以及相對應的垃圾分類類別，類別以及數量如下：

停止 stop (7307)
前進 forward (1256)
右轉 turn right (1078)
左轉 turn left (640)
以下為範例資料：
 

### 模型與方法
預期使用深度學習對於影像辨識做常使用的架構：Convolutional Neural Networks（卷積神經網路，簡稱 CNN ）[2]。CNN 的輸入為一張圖片（RGB 彩色圖），透過好幾層 Convolutional Layer 的運算之後，取出重要的特徵值，並且輸出該圖片所屬的類別。

智泰科技所開發軟體的 VisLab[3]來進行機器學習，並使用模組，作為 Classification[4]。
1.標記工具(Label Tool) 2.訓練(Trainer) 3.模組驗證(Model Verify)
利用三步驟結合AI深度學習 labal 交通號誌圖庫。

實做方面，我們將以 Python[5] 與 Google colab[6] 這兩個深度學習與影像辨識的套件為主，來實做上述的模型與方法。

## 預期成果
我們期望以Python作為基礎程式，學習基礎影像辨識，再轉換成VisLab的影像訓練，可能會因為程式語言的差異而有轉換上的障礙，但希望能從各項實驗假設中成功施行。

此次專題報告給予我們機會重新整合先前所學過的所有程式語言，並再次理解到現代社會的科技已經進步到無法和生活分離，尤其在此疫情時代，人臉辨識和身分辨識都十分重要，所以願本研究可以成功讓我們和現在的生活接軌。

## 成果發表
[1][Slide](https://drive.google.com/drive/folders/1bjUWUfB2EqKQah4l_zAjcO_ALRm4FVJK?usp=share_link)
[2][video](https://www.youtube.com/watch?v=Uw3e5-WMSfM)

## 參考資料
[1] [特斯拉眼中的世界：線條、區塊與座標，這才是自駕車「看見」的真相](https://buzzorange.com/techorange/2018/10/05/how-a-tesla-car-really-see-the-world/) ↩︎
[2] [Convolutional neural network](https://en.wikipedia.org/wiki/Convolutional_neural_network) ↩︎
[3] [VisLab](http://www.3dfamily.com/web/product/product.jsp?dm_no=DM1605514861775&lang=tw)↩︎
[4] [Classification](https://towardsdatascience.com/classification-models-and-thresholds-97821aa5760f)↩︎
[5] [Python影像辨識筆記](https://reurl.cc/oexjoQ)↩︎
[6] [Google colab](https://www.wpgdadatong.com/tw/blog/detail?BID=B3230)↩︎