Информационная система и программная реализация алгоритма классификации объектов при решении задачи распознавания возгорания на изображениях
Введение
Новые области применения машинного зрения быстро расширяются, охватывая все больше различных сфер человеческой жизнедеятельности. На сегодняшний день для реализации систем машинногозрения в основном применяются сверточные нейронные сети, которые являются одним из основных видов искусственных нейронных сетей. Именно благодаря способности к обучению, интуитивные, искусственные нейронные сети используются для решения сложных задач семантического и регрессионного и прогнозного анализа. Системные системы компьютера, использующие этот подход, имеют хорошую устойчивость к изменению масштаба и смещению в пространстве или повороту. Искажения возникают при использовании такого подхода. Системы, которые позволяют беспилотному управлению автомобилями, контролю положения судов на дорогах и распознаванию лиц в медицинских фотографиях, создаются с помощью сверточных нейронных сетей.
Применение современных методов распознавания объектов на графическом изображении и в свете изображений может
Содержание
Введение 9
Глава 1 Описание основных принципов работы искусственных нейронных сетей и их использования для распознавания различных объектов на изображении 12
1.1 Методы определения объектов на изображении 12
1.2 Основные принципы построения и функционирования искусственной нейронной сети 13
1.3 Анализ методов обучения искусственных нейронных сетей 18
1.4 Особенности сверточной нейронной сети 24
Глава 2 Как выбрать и реализовать алгоритм для локализации возгораний на основе развернутых нейронных сетей 31
2.1 Алгоритм Single Shot Multi Box Detector 31
2.2С помощью алгоритма SSD можно локализовать возгорание 46
Глава 3 Оценка точности реализованного алгоритма распознавания пожаров и возгораний, подача данных на электронный контроль и тестирование 56
3.1 Обучение нейронной сети с помощью набора изображений 56
3.2 Эта модель используется для обнаружения возгораний на снимках, а также защиты от воздействия огня объектов и изображений 58
3.3 Оценка точности обученной модели для распознавания загораний на изображении 60
Заключение 66
Список литературы 70
Список литературы
- ГОСТ 34.003-90 Информационная технология. Комплекс стандартов на автоматизированные системы. Термины и определения;
- ГОСТ 34.601-90 Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания;
- ГОСТ 34.602-89 Информационная технология. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы;
- ГОСТ 34.602-92 Информационная технология. Виды испытаний автоматизированных систем;
- ГОСТ 34.201-89 Информационная технология. Комплекс стандартов на автоматизированные системы. Виды, комплектность и обозначение документов при создании автоматизированных систем.
1. Бурков А. Машинное обучение без лишних слов / Андрей Бурков -Питер СПб, 2020. – 192 c.
2. Вьюгин В. Математические основы машинного обучения и прогнозирования / Владимир Вьюгин. - МЦНМО, 2014. - 304 с.
3. Гелиг А., Матвеев А. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие / Аркадий Гелиг, Алексей Матвеев - Издательство СПбГУ, 2014. – 224 с.
4. Документация по библиотеке машинного обучения TensorFlow 2.0 // TensorFlow [Электронный ресурс]: официальный сайт TensorFlow. URL: https://www.tensorflow.org/versions/r2.0/api_docs/python/ (дата обращения 17.03.2020).
5. Документация по языку программирования Python // Python [Электронный ресурс]: официальный сайт Python. URL: https://www.python.org/doc/ (дата обращения 12.03.2020).
6. Christian Szegedy. Scalable, High-Quality Object Detection, 2015 // arXiv [Электронный ресурс]: открытый архив научных статей. URL: https://arxiv.org/abs/1412.1441 (дата обращения 10.04.2020).
7. Ryo Takahashi. Data Augmentation using Random Image Cropping and Patching for Deep CNNs, 2019 // arXiv [Электронный ресурс]: открытый архив научных статей. URL: https://arxiv.org/abs/1811.09030 (дата обращения 10.04.2020).
8. Wei Liu. SSD: Single Shot MultiBox Detector, 2016 // arXiv [Электронный ресурс]: открытый архив научных статей. URL: https://arxiv.org/abs/1512.02325 (дата обращения 10.04.2020).
9. Abu-Mostafa Y. Learning From Data / Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin – AMLBook. – 2012.-Jan. -С. 213.
10. Bishop C. Pattern Recognition and Machine Learning (Information Science and Statistics) / Christopher M. Bishop - Springer-Verlag New York Inc. -2007.-Feb. -С. 738.
11. Chollet F. Deep Learning with Python / Francois Chollet - Manning
В случае первого слоя, последующие слои выявляют признаки все более высокого уровня и большего уровня, а затем доводят их в форму выше. Изображения с изображением, полученным в результате обработки данных, представлены в статье. Наиболее часто используется более одного ядра свертки для идентификации конкретного признака, поэтому в результате свертки получается набор различных числовых матриц, число которых характеризует масштаб и глубину или глубину карты различных признаков. Использование большого количества ядер в свертке позволяет получить больше информации о исходном или смысловом изображении.
Вы хотите получить более плотную, плотную поверхность и сделать небольшую выборку из нее. Если вы хотите получить более плотную, плотную и ровный участок, вам необходимо аккуратно снять ее и сделать небольшую выборку из нее. При помощи этого слоя можно существенно снизить пространственное пространство карт признака, это дела