Realtids människoräknare
dc.contributor.author | LENANDER, ANTHON | |
dc.contributor.author | REJ, KONRAD | |
dc.contributor.department | Chalmers tekniska högskola / Institutionen för data och informationsteknik | sv |
dc.contributor.examiner | Svensson, Lars | |
dc.contributor.supervisor | Duregård, Jonas | |
dc.date.accessioned | 2022-06-23T06:18:23Z | |
dc.date.available | 2022-06-23T06:18:23Z | |
dc.date.issued | 2022 | sv |
dc.date.submitted | 2020 | |
dc.description.abstract | Covid-19 pandemin tvingade många anställda runtom i världen att byta ut sina vanliga arbetsplatser mot olika hemmalösningar. I och med att fler anställda nu återvänder till kontoret letar därför många arbetsgivare efter lösningar för att hålla koll på antalet anställda som befinner sig på kontoret. Målet med den här studien är därför att utveckla ett kamera-baserat datainsamlingssystem för att övervaka antalet människor som går in och ut ur ett kontor. Människoräkningen görs med hjälp av objektdetektion, vilket är varför olika algoritmer för objektdetektion utforskas och jämförs. Insamlad data visas sedan upp på en tillhörande hemsida med hjälp av en utvecklad API. | sv |
dc.identifier.coursecode | LMTX38 | sv |
dc.identifier.uri | https://hdl.handle.net/20.500.12380/304875 | |
dc.language.iso | eng | sv |
dc.setspec.uppsok | Technology | |
dc.subject | AI | sv |
dc.subject | Objektdetektering | sv |
dc.subject | Faster R-CNN | sv |
dc.subject | MobileNet-SSD | sv |
dc.subject | YOLOv5 | sv |
dc.subject | Amazon Web Services | sv |
dc.title | Realtids människoräknare | sv |
dc.type.degree | Examensarbete på kandidatnivå | sv |
dc.type.uppsok | M2 |