Разработка алгоритма поиска изображений с помощью нейросети

Проблеме идентификации объектов на изображениях, на сегодняшний день посвящено много работ, но она все еще далека от разрешения. Основные проблемы заключаются в том, чтобы идентифицировать объект по изображению независимо от изменения ракурса и условий освещения при съёмке, а также при различных изменениях окружающей среды. Распознавание изображений пересекается с распознаванием образов. Подобные задачи не имеют четкого аналитического решения. При этом требуется выделение ключевых признаков, характеризующих зрительный образ, определение относительной важности признаков путём выбора их весовых коэффициентов и учёт взаимосвязей между признаками. Такие задачи изначально выполнялись экспертом вручную, путём экспериментов. Подобные подход отнимает много времени и не гарантирует качества.

---

Чтобы заказать написание дипломной работы по логопедии нужно всего лишь заполнить форму заказа. Переходите по ссылке, заполняйте форму и мы поможем вам с написанием диплома!

---

В новых способах выделение ключевых признаков осуществляется путём автоматического анализа обучающей выборки. Тем не менее, большая часть информации о признаках задаётся вручную. Чтобы автоматически применять такие анализаторы выборка обязана быть довольно большой и охватывать все вероятные ситуации. На данный момент существует всего два класса методов распознавания: методы распознавания и отслеживания объектов, методы распознавания и отслеживания.  Каждый из этих методов обладает своими преимуществами и недостатками. Методы отслеживания и распознавания объектов, удобны тем, что позволяют распознать объект, изображение которого может быть сделано под разными углами поворота относительно камеры. Обычной камеры и персонального компьютера будет достаточно для большинства приложений. Также не требуется физический контакт с устройствами. Актуальность работы заключается в том, что автоматизированная парковочная система также позволит эффективно организовать транспортный поток, легко отслеживать транспорт, минимизировать материальные потери, эффективно использовать объем пространства, гарантировать безопасность автомобиля и обеспечить максимальный комфорт для общества. Целью данной работы является разработка системы для поиска изображений с помощью нейросети. Для достижения поставленной цели, были решены следующие задачи: - рассмотреть основные принципы распознавания; - провести обзор существующих методов распознавания образов; - провести обзор технологий для обработки изображений; - изучить метод гибкого сравнения на графах; - изучить нейронные сети; - рассмотреть алгоритм поиска максимума корреляционной функции двух изображений; - рассмотреть алгоритм быстрого поиска на изображении с помощью методов Хаара; - осуществить разработку алгоритма выделения необходимого изображения в видеопотоке; - осуществить разработку алгоритма распознавания образа на изображении методом Виолы-Джонса; - осуществить разработку алгоритма поиска изображений с помощью нейросети; - осуществить расчет экономической эффективности. Объектом исследования работы являются алгоритмы для поиска изображений с помощью нейросети. Предмет исследования является исследование алгоритмов для распознавания образов с целью написания программного обеспечения. Для решения поставленных в работе задач были использованы диалектический и общенаучные методы исследования: анализа и синтеза, формальной и диалектической логики, обобщения, сравнительно-экономического, факторного анализа. В качестве методов исследований использовалось моделирование, компьютерная обработка изображений и компьютерное зрение. Концептуальные вопросы, касающиеся разработки веб-приложений и распознавания ими речи для них рассматривались такими зарубежными учеными как Нейлор К, Саттон Р, Рассел С, Фримен А, Мичи Д, Мол Д, и другими. В нашей стране данная проблематика получила свое развитие в трудах таких ученых как П.А. Гудков, А.А. Сахаров, А.С. Рыков, Пархоменко А.В., Кузовенкова Н. А., Шинкарук О. В. и других. Многочисленные исследования упомянутых авторов, безусловно, существенно упрощают поиск решений проблем в сфере разработки чат-ботов, а также не только не уменьшают актуальности проделанного исследования, а наоборот, доказывают значимость решения проблемных вопросов, которые свойственны современной прикладной информатике. Информационной базой данной работы являются статьи в Интернет по проблематике вопроса, материалы научных конференций, публикации в открытых источниках, данные, предоставленные сервисом Microsoft Azure. Структурно работа состоит из введения, заключения, трех глав и списка использованных источников и приложения.  

В работе описывается обновленная сквозная технология обнаружения и классификации изображений с помощью нейросети. Предлагаемый метод, является модификацией обобщенного преобразования Хафа и разрабатывался он с учетом ограничения по времени выполнения обработки одного кадра видеопоследовательности. Разработанный алгоритм показал отличные результаты и достаточно хорошую обработку предварительно обработанных изображений. Отслеживание с использованием значения текущей скорости автомобиля позволило улучшить производительность системы, так как область поиска на соседних кадрах может быть значительно уменьшена. В работе разработан и исследован алгоритм поиска изображений с помощью нейросети. Особенности данного алгоритма в том, что он устойчив к изменению освещения углов плоскости знака и поворота самой плоскости знака. Разработана программа, реализующая предложенный алгоритм на языке С++ с использованием библиотеки OpenCV. Реализованная программа позволяет осуществлять поиск изображений с помощью нейросети. Для создания обучающей выборки для сверточной нейронной сети, реализована программа имитации различных шумов для генерации большого количества изображений. Цели и задачи данной работы выполнены. Разработана методика эксперимента, в ходе которого были установлены оценки качества работы алгоритма. Алгоритм был протестирован в реальных условиях с помощью видеопотока. Так как алгоритм обрабатывает в среднем 2 кадра в секунду, то можно использовать алгоритм для поиска изображений с помощью нейросети, то вычислительная сложность не позволяет использовать алгоритм в мобильных устройствах. Средний показатель качества распознавания на изображениях, сегментированных с реального видеопотока, составляет 97,64%, что является доверительным показателем. Так как на реальном видеопотоке не присутствовали знаки ограничения скорости всех десяти наименований, результаты распознавания знаков этого класса были объединены в таблице. Можно заметить, что процент классификации изображений, сегментированных из видеопотока чуть меньше, чем процент классификации тестовых сгенерированных изображений. Это различие можно объяснить тем, что изображения, на которых обучалась нейронная сеть, имеют одно и то же происхождение, что и тестовые синтезированные изображения, а реальные изображения, в свою очередь, имеют разное родство с изображениями обучающей выборки. Объединив результаты оценки качества работы сегментирования и распознавания, можно выявить общий процент распознавания разработанного алгоритма: 80,59%. Исходя из проведенных экспериментов можно сказать, что «слабым местом» алгоритма является этап сегментирования.

1. Акперов, И. Г. Информационные технологии в менеджменте (+ CD-ROM) / И.Г. Акперов. - М.: ИНФРА-М, 2017. - 476 c. 2. Андрейчиков, А. В. Системный анализ и синтез стратегических решений в инноватике. Концептуальное проектирование инновационных систем / А.В. Андрейчиков, О.Н. Андрейчикова. - Москва: СИНТЕГ, 2019. - 432 c. 3. Анфилатов, В. С. Системный анализ в управлении / В.С. Анфилатов, А.А. Емельянов, А. А. Кукушкин. - М.: Финансы и статистика, 2017. - 368 c. 4. Бугорский, В. Н. Сетевая экономика / В.Н. Бугорский. - М.: Финансы и статистика, 2019. - 256 c. 5. Буч, Г. Введение в UML от создателей языка / Г. Буч, Д. Рамбо, А. Джекобсон – М.: ДМК Пресс, 2015. – 496 c. 6. Введение в компьютерное зрение [Электронный ресурс]: [сайт]. URL: https://www.lektorium.tv/course/22847 (дата обращения: 22.03.2023). 7. Видеолекции курса «Машинное обучение» [Электронный ресурс]: [сайт]. URL: https://yandexdataschool.ru/edu-process/courses/machine-leaming (дата обращения: 22.03.2023). 8. Волкова, В. Н. Теория информационных процессов и систем. Учебник и практикум для академического бакалавриата / В. Н. Волкова – М.: Юрайт, 2019. – 432 с. 9. Вороновский, Г.К., Махотило, К.В., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский – Харьков: Основа, 2017. – 181с. 10. Гагарина, Л.Г. Разработка и эксплуатация автоматизированных информационных систем. Учебное пособие / Л. Г. Гагарина – М.: Инфра–М, 2015. – 384 с. 11. ГОСТ 19.201-78 ЕСПД. Техническое задание. Требования к содержанию и оформлению.– Введ. 1980. – 01.01. – М.: Изд-во стандартов СССР, 1978. – 10с. Режим доступа [http://docs.cntd.ru/document/1200007648 дата обращения -22.03.2023]. 12. ГОСТ 19.701-90 ЕСПД Схемы алгоритмов, программ, данных и систем. Условные обозначения и правила выполнения. [электронный ресурс] // Консультант Плюс. ВерсияПроф. Режим доступа [http://docs.cntd.ru/ document/9041994 дата обращения -22.03.2023]. 13. Григорьев, М. В. Проектирование информационных систем: учеб. пособие для вузов / М. В. Григорьев, И. И. Григорьева – М.: Юрайт, 2019. – 318 с. 14. Громов, Ю. Ю. Информационные технологии: учебник / Ю. Ю. Громов, И. В. Дидрих, О. Г. Иванова, М. А. Ивановский, В. Г. Однолько. – Тамбов: Изд–во ФГБОУ ВПО «ТГТУ», 2015. – 260 с. 15. Демидович, Б.П. Основы вычислительной математики / Б.П. Демидович - М.: Наука, 2019. - 664с. 16. Диязитдинова, А.Р. Управление разработкой информационных систем: Учебник / А. Р. Диязитдинова, Н. В. Коныжева – Самара: ФГОБУ ПГУТИ, 2013. – 194 с. 17. Дылян, Г.Д. Модели управления процессами комплексной информатизации общего среднего образования / Г.Д. Дылян, Э.С. Ратобыльская, М.С. Цветкова. - М.: Бином. Лаборатория знаний, 2015. - 112 c. 18. Заботина, Н. Н. Методы и средства проектирования информационных систем. Учебное пособие / Н. Н. Заботина – М.: Инфра–М, 2020. – 331 с. 19. Заложнев, А. Ю. Информационные технологии маркетинга. Управление взаимоотношениями с клиентами / А.Ю. Заложнев, Е.Л. Шуремов. - М.: Бухгалтерия и Банки, 2018. - 152 c. 20. Иванова, В. В. Основы бизнес-информатики. Учебник / В.В. Иванова, Т.А. Лезина, А.А. Салтан. - М.: Издательство СПбГУ, 2018. - 244 c. 21. Ивасенко, А. Г. Информационные технологии в экономике и управлении / А.Г. Ивасенко, А.Ю. Гридасов, В.А. Павленко. - М.: КноРус, 2017. - 160 c. 22. Кайнова, Е. Г. Информационные Технологии В Науке И Технике / Кайнова Елена Геннадиевна. - Москва: Наука, 2015. - 674 c. 23. Кайнова, Е. Г. Основы Научно-Технической Информации / Кайнова Елена Геннадиевна. - Москва: РГГУ, 2015. - 865 c. 24. Компьютерное зрение [Электронный ресурс]: [сайт]. URL: https://events.yandex.ru/lib/talks/2854/ (дата обращения: 22.03.2023). 25. Круглов, В.В., Дли, М.И., Голунов, Р.Ю Нечеткая логика и искусственные нейронные сети [Электронный ресурс]: [сайт]. URL: http://bookini.ru/neironnye-seti/ (дата обращения: 22.03.2023). 26. Макаров, Н. С. UML: поддержка проектирования и инструментальные среды / Н. С. Макаров – М.: Синергия, 2015. – 368 с. 27. Мельников, П. П. Компьютерные технологии в экономике / П.П. Мельников. - М.: КноРус, 2019. - 224 c. 28. Метод Виолы-Джонса (Viola-Jones) как основа для распознавания лиц [Электронный ресурс] // Хабрахабр [Электронный ресурс] : [сайт]. URL: https://habrahabr.ru/post/133826/ (дата обращения: 22.03.2023). 29. Нейбург, Э. Дж. UML для простых смертных / Э. Дж. Нейбург, Р. А. Максимчук – М.: Лори, 2016. – 270 с. 30. Понс Форсайт Компьютерное зрение. Современный подход / Ф. Понс - М.: Наука и техника, 2019. - 214с. 31. Саак, А. Э. Информационные технологии управления (+ CD-ROM) / А.Э. Саак, Е.В. Пахомов, В.Н. Тюшняков. - М.: Питер, 2018. - 320 c. 32. Самаль, Д.И., Старовойтов, В.В. Методика автоматизированного распознавания людей по фотопортретам // Цифровая обработка изображений. / Д.И. Самаль- Минск: ИТК, 2019. -С.81-85. 33. Самаль, Д.И., Старовойтов, В.В. Подходы и методы распознавания людей по фотопортретам / Д.И. Самаль - Минск, ИТК НАНБ, 2019. - 54с. 34. Уткин, В.Б. Информационные системы в экономике / В.Б. Уткин. - М.: Академия (Academia), 2019. - 683 c. 35. Фурсов, В.А. Локализация контуров объектов на изображениях при вариациях масштаба с использованием преобразования Хафа / С.А. Бибиков, В.А. Фурсов, П.Ю. Якимов // Компьютерная оптика. – 2013. – Т. 37, No 4. – С. 502-508. 36. Belaroussi, R. Road Sign Detection in Images / R. Belaroussi, P. Foucher, J.P. Tarel, B. Soheilian, P. Charbonnier, N. Paparoditis // A Case Study, 20th International Conference on Pattern Recognition (ICPR). – 2020. – P. 484-488. 37. Houben, S. Detection of Traffic Signs in Real-World Images: The German Traffic Sign Detection Benchmark / S. Hou-ben, J. Stallkamp, J. Salmen, M. Schlipsing, C. Igel // Inter-national Joint Conference on Neural Networks. – 2018. 38. ISO/IEC 18019:2004 Разработка программного обеспечения и проектирование систем. Руководство по разработке и подготовке документации для пользователя по применению программного обеспечения. Режим доступа: [https://www.hse.ru/data/2018/11/28/1144395257/ ГОСТы%20и%20ЕСПД%202018-2019.pdf дата обращения - 22.03.2023]. 39. ISO/IEC 6592:2000 Информационные технологии. Руководство по разработке документации для автоматизированных прикладных систем. Режим доступа [https://metrology.com.ua/ntd/skachat-iso-iec-ohsas/iso/iso-iec-6592-2000/ дата обращения -13.05.2021]. 40. LeCun, Y. Traffic Sign Recognition with Multi-Scale Convolutional Networks / Yan LeCun, Pierre Sermanet // Proceedings of International Joint Conference on Neural Networks (IJCNN'11). – 2021. 41. Mathias, M. Traffic sign recognition - how far are we frоm the solution? / M. Mathias, R. Timofte, R. Benenson, L. V. Gool // Proceedings of IEEE International Joint Conference on Neural Networks. – 2021. – P. 1-8. – ISSN 2161-4393. 42. Ruta. A. A New Approach for In-Vehicle Camera Traffic Sign Detection and Recognition / A. Ruta, F. Porikli, Y. Li, S. Watanabe, H. Kage, K. Sumi// IAPR Conference on Ma-chine vision Applications (MVA), Session 15: Machine Vision for Transportationю. – 2015. 43. Shneier, M. Road sign detection and recognition // Proc. IEEE Computer Society Int. Conf. on Computer Vision and Pattern Recognition. – 2015 – P. 215– 222. 44. Zhu, Z. Traffic-Sign Detection and Classification in the Wild / Zhe Zhu, Dun Liang, Songhai Zhang, Xiaolei Huang, Baoli Li, Shimin Hu // proceedings of CVPR. – 2019. – P. 2110-2118.