Интеллектуальные системы распознавания образов

С начала нового тысячелетия ускорилось внедрение интеллектуальных автоматических систем во многие области жизнедеятельности человека. На данный момент невозможно представить технологий автоматического считывания данных и распознавания объектов. Уже происходят испытания беспилотных такси и транспортных дронов. Интеллектуальные системы показали свою эффективность по критериям качества в плане ошибки распознавания, поэтому они так широко распространены и усиленными темпами внедряются в новые области жизни человека. Успехом является эффективно внедрить автоматическую систему сбора данных или управления, заменив предыдущий процесс эффективно с точки зрения экономических затрат.

---

Если вам необходимо заказать написание курсовой работы по административному праву. Обращайтесь в нашу компанию. Work5 уже более 15 лет помогаем студентам с написанием курсовых работ!

---

. Общая задача распознавания образов покрывает большую долю практических задач. Соотнесение образа одному из классов описывает постановку задачи широкого круга частных вопросов. Это может быть и классификация породы собак, и составление плана работы сотрудников. В зависимости от задачи существует множество реализованных решений в той или иной области. Наиболее интересным и перспективным на данный момент является распознавание образов на изображении или в видеопотоке. Подразумевается цифровая обработка снимков или кадров, когда информация представлена в виде векторов или матрицы пикселей. Проблемой создания системы распознавания в частной задаче является внедрение экономически неэффективных решений. Идея настоящей работы заключается в поиске оптимального решения частной задачи интеллектуального распознавания образов в видеопотоке. Критерием оптимальности является совокупность понятия экономической эффективности, а именно, минимизации затрат временных, количественных и мощностных ресурсов. Научной новизной являются результаты проведенных исследований в ходе поиска оптимального решения. Практической значимостью является построенная система внедрения готового решения, а также, план ее выполнения и расчет затрат и срока окупаемости. Цель: повышение качества решения задачи распознавания образов с точки зрения экономической эффективности внедрения системы на предприятии. Задачи: • исследование проблемы распознавания образов в общем виде; • постановка задачи распознавания образов; • анализ существующих решений; • анализ существующего программного обеспечения для решения поставленной задачи; • разработка системы интеллектуального системы видеонаблюдения для предприятия; • оценка внедрения разработанной системы. Сформулированную цель предполагается достигнуть путем выбора оптимальной стратегии среди существующих решений с точки зрения обозначенных критериев. Качеством работы будет являться оценка сроков внедрения полученного решения и итоговых затрат. Значения критериев должны быть минимальными среди существующих решений. Возможность реализации подтверждается наличием в свободном доступе элементов разрабатываемой системы. Данное исследование систематизирует имеющиеся знания по выбранной теме и консолидирует эти знания в практическую ценность. Основным инструментом исследования является системный анализ для решения описанных проблем. Диплом состоит из введения, заключения, 3-х глав и списка использованных источников, содержит 60 страниц, 27 рисунков и 3 таблицы.

В итоге проделанной работы поставленные задачи были достигнуты, а по результатам исследований были сделаны выводы. Постановка общей задачи распознавания образов и анализ существующих подходов к ее решению привели к выводу, что существует огромное множество по-своему уникальных алгоритмов решения частных задач. Для выбора оптимального решения необходимо описать частную задачу распознавания образов. Формулировка частой задачи распознавания образов, а именно, задачи идентификации клиентов по данным видеонаблюдения, помогла составить ограниченное множество ресурсов, позволяющих создать интеллектуальную систему. Проведен анализ существующих решений поставленной задачи, по результатам которого проведена оптимизация с точки зрения экономической эффективности. Результаты системного анализа позволили создать интеллектуальную систему для предприятия, обосновать ее эффективность от внедрения и оценить стоимость установки. В итоге была описана система, повышающая эффективность работы предприятия, которую можно представить в виде коммерческого предложения. Важным результатом является систематизация решений по эффективности поставленной частной задачи. Также результатом анализа существующих решений общей задачи был задел под будущие исследования частных задач распознавания образов и областей их применения.

1 Тарасенко Ф.П. Прикладной системный анализ: Учебное пособие. – Томск: Изд-во «КноРус», 2013. 2 Захаров А.С., Туполева А.Н. Метод главных компонент для фильтрации шумов на изображении // Ответственный редактор, 2015. 31с. 3 Загоруйко Н.Г. Прикладные методы анализа данных и знаний. – Новосибирск: Изд-во Ин-та математики СО РАН, 1999. 270с. 4 Жук А.М. Интеллектуальные информационные системы. – 2004. 5 Айвазян С.А. Байесовский подход в эконометрическом анализе // Прикладная эконометрика. – 2008. – №. 1. 6 Вальд А. Статистические решающие функции //Позиционные игры. М.: Наука. – 1967. – С. 300-522. 7 Лапко А.В., Лапко В.А., Ченцов С.В. Непараметрические системы обработки информации // Искусственный интеллект. – 2000. – Т. 2. – С. 116-120. 8 Лепский А.Е., Броневич А.Г. Математические методы распознавания образов // Таганрог: Изд-во ТТИ ЮФУ. – 2009. 9 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. – Горячая линия-Телеком, 2008. 10 Нейский И.М. Классификация и сравнение методов кластеризации // ББК 32.813 И 76 Составитель: ЮН Филиппович. – 2006. – С. 130. 11 Новикова Н.. Структурное распознавание образов. Воронеж: Издательско-полиграфический центр Воронежского государственного университета. 2006. 12 Фу К. Структурные методы в распознавании образов. – М.: Мир, 1977. 320с. 13 Потапов А.А., Герман В.А. III Всероссийская конференция "Распознавание, обработка и анализ изображений: Новые информационные технологии" Н.Новгород, 1997, т.1, С. 213. 14 Сиднев А.А. Фрактальная обработка изображений // Евразийский научный журнал. – 2017. – №. 5. – С. 204-207. 15 Потапов А.А., Герман В.А. Применение фрактальных методов для обработки оптических и радиолокационных изображений земной поверхности // Радиотехника и электроника. – 2000. – Т. 45. – №. 8. – С. 946-953. 16 Сергиенко А.Б. Цифровая обработка сигналов. — 2-е. — Спб: Питер, 2006. — С. 751. 17 Brayer J. Introduction to Fourier transforms for image processing. Computer Science, New Mexico. 18 OpenCV, tutorial // URL: https://docs.opencv.org/2.4/index.html (дата обращения: 12.04.18) 19 Левкович-Маслюк Л., Переберин А. Учебный курс Вейвлет-анализ и его приложения. 20 Jones М., Viola P. Robust Real-Time Face Detection. URL: International Journal of Computer Vision, 57(2), P. 137-154, 2004. 21 LeCun Y., Bengio Y. Convolutional Networks for Images, Speech, and Time-Series, in Arbib, M. A. (Eds), The Handbook of Brain Theory and Neural Networks, MIT Press, 1995. 22 Сверточная нейронная сеть, часть 1: структура, топология, функции активации и обучающее множество. // https://itnan.ru (дата обращения: 16.04.18) 23 Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. CoRR abs/1804.02767, 2018. 24 Козловский В.А., Максимова А.Ю. Алгоритм распознавания, основанный на нечетком подходе. – 2008. 25 Прикладные нечеткие системы: Пер. с япон./ Асаи К., Ватада Д., Иваи С. и др.; под редакцией Тэрано Т., Асаи К., Сугэно М. – М.: Мир, 1993. – 368с. 26 Lawless L. Who Would Jesus Watch? New Facial Recognition Software Tracks Church Attendance. Jun. 24, 2015. 27 Chin J. Chinese Police Add Facial-Recognition Glasses to Surveillance Arsenal. The Wall Street Journal. Feb. 7, 2018. 28 Simon M. Boston Dynamics’ new rolling, leaping robot is an evolutionary marvel. Wired Magazine. Jan. 03, 2017. 29 Bradski G., Kaehler A. Learning OpenCV: Computer vision with the OpenCV library. – " O'Reilly Media, Inc.", 2008. 30 Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: учебник. — М.: Финансы и статистика, 2011.—352с. 31 Ojala T., Pietikäinen M., Harwood D. A comparative study of texture measures with classification based on featured distributions // Pattern recognition. – 1996. – V. 29. – №. 1. – P. 51-59. 32 Quigley M. et al. ROS: an open-source Robot Operating System // ICRA workshop on open source software. – 2009. – V. 3. – №. 3.2. – P. 5. 33 Дубовцев В.А. Безопасность жизнедеятельности. // Учеб. пособие для дипломни­ков. – Киров: изд. КирПИ, 1992. 34 Мотузко Ф.Я. Охрана труда. – М.: Высшая школа, 1989. – 336с. 35 Зинченко В.П. Основы эргономики. – М.: МГУ, 1979. – 179с.