In computer vision, object detection involves both localizing and classifying objects in images. Object detection applications are many, ranging from medical imaging to autonomous vehicles. This thesis focuses on developing a robust Swedish traffic sign detection (TSD) model. The difficulties with TSD generally stem from a couple of factors. Traffic signs vary significantly in appearance worldwide, emphasizing the importance of creating datasets that focus on the traffic signs of a single country. Additionally, the environment and weather conditions differ across countries, impacting the effectiveness and reliability of detection models when applied in diverse settings. Current publicly available Swedish TSD datasets also fall short regarding weather diversity. The lack of diverse weather conditions in Swedish TSD datasets is a significant limitation for evaluating and developing models for real-world applications. This thesis addresses this issue by introducing a method to transform clear weather datasets into a more varied set of training images using deep learning and conventional computer vision techniques. The aim is to build a robust Swedish TSD model that can effectively operate in diverse weather scenarios. Six TSD models were implemented and trained on both original and synthetic datasets, then evaluated using new test data collected in adverse weather conditions in Sweden. Results showed slight performance improvement for Faster R-CNN with synthetic data. DETR particularly struggled with small object detection, which is consistent with prior research. This study concludes that TSD models must be trained on diverse weather data to function effectively in real-world scenarios. Synthetic data can slightly improve model performance, although DETR may not be ideal due to a lack of performance on small object detection. Future research should focus on fine-tuning model parameters, exploring the optimal use of synthetic data, developing objective evaluation methods for synthetic data, and expanding datasets to include a wider variety of adverse conditions and urban environments.

Inom datorseende handlar objektdetektering om att både lokalisera och klassificera objekt i bilder. Tillämpningar för objektdetektering är många, allt från medicinsk bildbehandling till autonoma fordon. Denna masteruppsats fokuserar på att utveckla en robust modell för detektering av svenska trafikskyltar (TSD). Svårigheterna med TSD kommer generellt från två huvudfaktorer. Trafikskyltar varierar kraftigt i utseende världen över, vilket understryker vikten av att skapa dataset som fokuserar på ett enskilt lands specifika skyltar. Dessutom skiljer sig miljö- och väderförhållanden åt mellan länder, vilket påverkar detekteringsmodellers effektivitet och tillförlitlighet vid användning i olika situationer. Nuvarande svenska TSD-dataset som är offentligt tillgängliga har bristfälliga variationer när det gäller väderförhållanden. Bristen på variation i väderförhållanden i svenska TSD-dataset utgör en betydande begränsning för att utvärdera och utveckla modeller för verkliga tillämpningar. Denna uppsats hanterar denna problematik genom att införa en metod för att transformera dataset med klart väder till en mer varierad uppsättning träningsbilder med hjälp av djupinlärning och traditionella datorseendetekniker. Målet är att bygga en robust svensk TSD-modell som effektivt kan fungera i olika väderförhållanden. Sex stycken TSD-modeller implementerades och tränades på både ursprungliga och syntetiskt framställda dataset. Därefter utvärderades de med hjälp av nya testdata som samlats in under ogynnsamma väderförhållanden i Sverige. Resultaten visade på en liten prestandaförbättring för Faster R-CNN med syntetiska data, medan YOLOv8 och DETR uppvisade minimal förbättring. DETR hade särskilda svårigheter med detektering av små objekt, vilket överensstämmer med tidigare forskning. Denna studie drar slutsatsen att TSD-modeller måste tränas på data från olika väderförhållanden för att fungera effektivt i verkligheten. Syntetiska data kan förbättra modellens prestanda något, men DETR kanske inte är den bästa metoden på grund av dess begränsade prestanda vid detektering av små objekt. Framtida forskning bör rikta in sig på att finjustera modellparametrar, optimera användningen av syntetisk data, utveckla objektiva utvärderingsmetoder för syntetisk data samt expandera datauppsättningar för att täcka in en bredare variation av svåra förhållanden och stadsmiljöer. Genom att förbättra modellens robusthet och tillämplighet kan dessa ansträngningar avsevärt förbättra effektiviteten hos TSD-system i verkliga förhållanden.