Master's Thesis

Obstacle detection in off-road environments using convolutional neural networks

Final Thesis 9.28 MB Appendix 13.37 kB

Author of thesis: Ing. Bára Spilková

Acad. year: 2025/2026

Supervisor: doc. Ing. Stanislav Věchet, Ph.D.

Reviewer: doc. Ing. Jiří Krejsa, Ph.D.

Abstract:

This thesis focuses on developing an automated detection and tracking system of obstacles in off-road environment using Convolutional Neural Networks. A primary contribution of this research is the creation of a specialized dataset. Data was collected across three geographical locations in the Czech Republic, capturing diverse terrains and seasonal conditions. The dataset contains 745 images annotated with five distinct classes. The technical implementation utilizes the YOLO11 architecture. Six model iterations were trained and evaluated to optimize the balance between inference speed and accuracy. Model J, based on the YOLO11s variant, was chosen as the optimal solution. The system integrates the BoT-SORT tracking algorithm. This allows the system to maintain object identities across video frames and generate trajectory graphs for path-planning applications. The final results indicate that the proposed pipeline is suitable for real-time deployment in autonomous navigation tasks within natural environments.

Keywords:

Object detection, off-road, convolutional neural networks, dataset, object tracking, YOLO11, machine learning

Date of defence

17.06.2026

Result of the defence

Defended (thesis was successfully defended)

znamkaAznamka

Grading

A

Process of defence

Při obhajobě studentka nejprve prezentovala svoji diplomovou práci, následně byly přečteny posudky a studentka odpovídala na dotazy oponenta. Obhajoba byla komisí hodnocena jako výborná.

Language of thesis

English

Faculty

Fakulta strojního inženýrství

Department

Institute of Solid Mechanics, Mechatronics and Biomechanics

Study programme

Mechatronics (N-MET-P)

Composition of Committee

RNDr. Vladimír Opluštil (předseda)
doc. Ing. Robert Grepl, Ph.D. (místopředseda)
doc. Ing. Jiří Krejsa, Ph.D. (člen)
doc. Ing. Radoslav Cipín, Ph.D. (člen)
Ing. Dalibor Červinka, Ph.D. (člen)
Ing. Michal Bastl, Ph.D. (člen)
Ing. Peter Zavadinka, Ph.D. (člen)

Supervisor’s report
doc. Ing. Stanislav Věchet, Ph.D.

Studentka zpracovala zadané téma velmi samostatně a v rozsahu plně odpovídajícím požadavkům na diplomovou práci. Práce je po obsahové i grafické stránce na velmi vysoké úrovni, prokazuje dobrou orientaci v řešené problematice a představuje kvalitní základ pro další navazující výzkum a vývoj v dané oblasti. Za významný přínos považuji také skutečnost, že navržená metoda bude implementována jako součást navigačního systému mobilních robotů vyvíjených v našich laboratořích, což dokládá její praktickou využitelnost.

Práci doporučuji k obhajobě a hodnotím klasifikačním stupněm A – výborně.
Evaluation criteria Grade
Fulfilment of requirements and objectives of assignment A
Working process, extent and suitability of applied methods A
Scholarly contribution and originality A
Ability to interpret achieved results and draw conclusions B
Applicability of results in practice or theory A
Logical arrangement of thesis and its layout A
Grafic layout, used style and language level B
Work with used sources including quotations A
Student's independence when working on the topic A

Grade proposed by supervisor: A

Reviewer’s report
doc. Ing. Jiří Krejsa, Ph.D.

Slečna Bára Spilková se své práci věnuje detekci a klasifikaci překážek v offroad prostředí s využitím konvolučních neuronových sítí, konkrétně modelem YOLO11. V rámci práce vytvořila v českém prostředí unikátní datovou sadu, využitelnou v dalších výzkumech. Tvorba datové sady, především její anotování, vyžadovala značné úsilí.

Jádrem tvůrčí části práce je detekční systém, který má jako vstup video stream a jako výstup anotovaný video stream a graf trajektorií. Použité CNN architektury jsou YOLO11n a YOLO11s. Oceňuji využití netriviálních augmentačních technik pro přípravu dat a propojení detektoru se sledovacím algoritmem pro odhad pohybu objektů. 

Práce je vhodně strukturována, psána dobrou angličtinou, a nejen vlastní datová sada, ale i práce samotná tak může sloužit jako vhodný informační zdroj nejen našim studentům. Drobné nedostatky (občasný překlep, mírně matoucí struktura CNN na obrázku 3.1.) nesnižují hodnotu práce.

Cíle považuji za splněné, autorka prokázal dobrou orientaci v problematice, schopnost samostatného uvažování a odvedla dobrou práci.

Hodnotím ji známkou A, tedy výborně.
Evaluation criteria Grade
Fulfilment of requirements and objectives of assignment A
Working process, extent and suitability of applied methods A
Scholarly contribution and originality B
Ability to interpret achieved results and draw conclusions A
Applicability of results in practice or theory B
Logical arrangement of thesis and its layout A
Grafic layout, used style and language level A
Work with used sources including quotations A
Topics for thesis defence:
  1. Vysvětlete volbu tříd jednotlivých objektů. Nebylo by vhodné použít například obecnější třídu "Animal"?
  2. Ve výsledném datasetu jsou extremní rozdíly v četnosti tříd, jak to ovlivňuje výsledky detekce?
  3. V práci uvádíte "drobné nesrovnalosti odhalené během validace", můžete to upřesnit?

Grade proposed by reviewer: A

Responsibility: Mgr. et Mgr. Hana Odstrčilová