ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОИСКА ОБЪЕКТА НА ИЗОБРАЖЕНИИ

ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ 5
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 6
ВВЕДЕНИЕ 7
1 Анализ методов и средств идентификации объекта и прогнозирования маршрута его перемещения на изображении. Постановка задач исследования 10
1.1 Анализ методов идентификации объектов на изображении 10
1.1.1 Особенности концептуальных подходов обнаружения объектов и аномалий на изображениях 10
1.1.2 Глубокое обучение и свёрточные нейронные сети в задачах обнаружения объектов на изображениях 13
1.2 Критерии эффективности идентификации объекта на изображении. Постановка задачи исследования 17
ВЫВОДЫ ПО РАЗДЕЛУ 1 22
2 Проектирование системы идентификации объекта на изображении на базе глубоких нейронных сетей 23
2.1 Анализ возможностей применения свёрточной нейронной сети для поиска объектов на изображении 23
2.2 Обучение базовой свёрточной нейронной сети поиску объектов на изображении 28
2.3 Повышение оперативности обнаружения объектов на изображении свёрточной нейронной сетью за счёт формирования «механизма внимания» 30
2.4 Модернизация метода обучения свёрточной нейронной сети поиску объектов на изображении за счёт «предсказания» границ объектов 34
ВЫВОДЫ ПО РАЗДЕЛУ 2 42
3 Экспериментальные исследования и оценка возможностей реализации модуля идентификации объекта на изображении на базе глубоких нейронных сетей 43
3.1 Характеристики выбранной модели глубокой нейронной сети Faster-RCNN-Inception-V2 43
3.2 Развертывание модели глубокой нейронной сети Faster-RCNN-Inception-V2 46
3.3 Обучение модели ГНС Faster-RCNN-Inception-V2 для идентификации объекта на изображении 50
3.4 Экспериментальное исследование возможностей идентификации произвольных объектов на изображениях на базе модели ГНС Faster-RCNN-Inception-V2. Анализ результатов 56
3.4.1 Подготовка набора данных для обучения глубокой нейронной сети 56
3.4.2 Анализ результатов обучения и тестирования модели глубокой нейронной сети Faster-RCNN-Inception-V2 в задаче идентификации произвольных объектов на изображениях 58
ВЫВОДЫ ПО РАЗДЕЛУ 3 64
ЗАКЛЮЧЕНИЕ 65
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 68
ПРИЛОЖЕНИЕ А 78
ПРИЛОЖЕНИЕ Б 83

Весь текст будет доступен после покупки

В современных условиях технологии компьютерного зрения играют важную роль в упрощении, снижении стоимости и повышении безопасности жизни и биз-неса. Данный рынок будет продолжать расти, что позволяет разрабатывать соот-ветствующие технологии в области производительности и качества. Одним из наиболее востребованных направлений является обнаружение объектов – процесс определения объектов на изображении или в видеопотоке.
Обнаружение объектов на изображениях и видео – важная и популярная об-ласть компьютерного зрения, имеющая чрезвычайно широкую область примене-ния: от поиска товаров в магазинах и распознавания лиц в системах контроля и наблюдения, от выявления очагов заболеваний до обнаружения пожаров на спут-никовых фото [1]. При этом используются два концептуальных подхода к обнару-жению объектов: на базе математических моделей изображений и объектов или на основе машинного обучения процедур с использованием реальных фото (с исполь-зованием искусственных НС).
Обработка изображений используется для анализа, улучшения, классифика-ции, исследования и разработки систем, которые требуют обработки визуальной информации:
? распознавание и классификация – для автоматического распознавания и классификации объектов на изображениях. Это может быть полезно, например, в медицинской диагностике, безопасности или автоматическом управлении транс-портом;
? улучшение качества изображений – улучшение качества изображений, устранение шумов, улучшение контрастности и цветовой гаммы. Это важно для фотографий, видео, телекоммуникаций и других приложений, где важно получить четкое и качественное изображение;
? разработка искусственного интеллекта применительно к разработке систем компьютерного зрения и автоматического распознавания речи. Обработка изобра-жений позволяет компьютерам «видеть» и анализировать изображения, чтобы при-нимать решения на основе этой информации;

Весь текст будет доступен после покупки

1 Анализ методов и средств идентификации объекта и прогнозирования маршрута его перемещения на изображении. Постановка задач исследования

1.1 Анализ методов идентификации объектов на изображении

1.1.1 Особенности концептуальных подходов обнаружения объектов и аномалий на изображениях

Задача обнаружения объектов и аномалий на изображениях и видео остается до сих пор актуальной и востребованной. Ее применение включает множество об-ластей, таких как дистанционное зондирование Земли [11, 12], наземный монито-ринг [13, 14], исследования по медицине [15, 16], радиочастотное зондирование [17, 18], сельское хозяйство [19, 20], рентгеновское сканирование багажа [21] и другие. Существуют два основных подхода решения этой задачи: использование математических моделей и изучение процедур обнаружения на основе реальных изображений объектов.
Если используются математические модели (случайные поля и атрибуты изображений) или генетические алгоритмы, решение задачи обнаружения объектов становится сложнее с увеличением размерности изображения. В этом случае для статистического анализа и фильтрации изображений используются различные ме-тоды [22, 23], а при наличии априорной информации об объекте интереса и задан-ной математической модели фона можно воспользоваться оптимальным байесов-ским решателем, который минимизирует средний риск, связанный с вероятностями ошибок первого (пропуска цели) и второго (ложной тревоги) рода [24], при этом критически важным становится оптимальный выбор порога обнаружения.

Весь текст будет доступен после покупки

1 Применение искусственных нейронных сетей для обработки и анализа данных аэродинамического эксперимента / Дорофеев Е.А. [и др.] // Ученые записки ЦАГИ том XXXVIII, № 3.– 4, 2007.– С.111–118.
2 ГОСТ Р 59277-2020. Системы искусственного интеллекта. Классификация систем искусственного интеллекта.
3 Филатова, Т. В. Применение нейронных сетей для аппроксимации данных / Научная редакция «Кибернетика» ТГУ, 2004.– С.121–125.
4 Рейзлин, В.И. Численные методы оптимизации: учебное пособие / Томский политехнический университет.–Томск: Изд-во Томского политехнического университета, 2011.–105 с.
5 Матющенко, Н.С., Копырин, А.С. Применение искусственных нейронных сетей для моделирования спроса на услуги//Известия Сочинского гос. университета. № 3(21). 2012.– М.: Изд. ПНИПУ.– С.51–62.
6 Аравин, О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах//Российский журнал биомеханики, Т.15, №3 (53).–2011.– С.45–51.
7 Абашев, О.В., Куприков, М.Ю. Применение искусственных нейронных сетей при проектировании самолетов//Вестник Московского авиационного института.2008.– Т.15. № 5.– С. 27–33.
8 Сорокин, А.В., Широбоков, М.Г. Разработка нейронных сетей для управления орбитальным движением космического аппарата с двигателем малой тяги//Препринты ИПМ им. М.В. Келдыша.–2018.–№269.–31с. URL:https://library.keldysh.ru/preprint.aspid (дата обращения: 11.09.2023).
9 Сирота, А.А., Митрофанова, Е.Ю., Милованова, А.И. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей//Вестник Воронежского государственного университета. Серия: системный анализ и информационные технологии.– 2019.– № 3. С.123–137.
10 Андриянов, Н.А. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet/ Н.А. Андриянов, В.Е. Дементьев, А.Г. Ташлинский//Компьютерная оптика.– 2022. Т. 46, № 1.–С.139–159.–DOI: 10.18287/2412-6179–CO–922.
11 Bagautdinov, R.S., Kopenkov, V.N., Myshkin, V.N., Sergeev, V.V., Tribunsky, S.A. Study of the applicability of satellite imagery to detecting archeological objects. Computer Optics 2015; 39(3): 439–444. DOI: 10.18287/0134–2452–2015–39–3–439–444.

Весь текст будет доступен после покупки