Аннотация 2
Введение 5
1 Разновидности нейронных сетей и их виды 7
1.1 Описание болезни covid-19 7
1.2 Виды искусственных нейронных сетей и их применение 10
2 Проектирование алгоритма распознавания болезни на рентгеновском изображении 15
2.1 Исходные данные для работы с алгоритмом 15
2.2 Выбор модели нейронной сети 17
2.3 Описание работы алгоритма распознавания 18
2.4 Выбор средств для реализации программы 21
2.5 Реализация программы 25
3 Тестирование измененного алгоритма 33
3.1 Тестирование разработанного алгоритма с использованием различных изображений 33
3.2 Подведение итогов тестирования разработанного алгоритма 37
Заключение 39
Список используемой литературы 40
Приложение А Исходный код программы 43
В современном мире коронавирус, семейство вирусов, вызывающее как следствие в начале обычную простуду, а заканчивающееся такими тяжкими заболеваниями, как тяжёлый острый респираторный синдром и ближневосточный респираторный синдром. От этого все чаще встречается необходимость быстрого анализа рентгеновского снимка на наличие заболевания. Данная задача значительно облегчает жизнь человека при автоматизации с помощью алгоритма.
Реализовать алгоритм распознавания болезни возможно с помощью искусственных нейронных сетей [0]. Нейронная сеть - программное или аппаратное воплощение, построенная по принципу организма и функционирования биологических нейронных сетей, а также математическая модель. По итогу, в конце получаем продукт, имитирующий человеческое мышление.
Актуальность данной работы состоит в том в разработке более точного алгоритма распознавания болезни, который исправит несовершенства ряд, существующий моделей, а также сократит затраченное время вместе с используемыми ресурсами.
Новизна бакалаврской работы состоит в разработке более точного алгоритма распознавания COVID-19.
Практическая ценность бакалаврской работы заключается в совершенствовании алгоритма распознавания болезни путем уменьшения затрачиваемых ресурсов. Возможность автоматизировать огромное количество умственного труда в обнаружении и в следствии выставления диагноза процесса, несет огромную практическую роль.
Предметом исследования является точность алгоритма.
Цель исследования заключается в разработке более точного алгоритма распознавания заболевания на изображении.
Для достижения цели поставлены следующие задачи:
1. Проанализировать существующие нейронные сети.
2. Предобработать входные данные для подачи их в модель.
3. Выбрать нейронную сеть для создания модели и изучить её строение.
4. Выбрать Фреймворк для работы с нейронной сетью.
5. Реализовать выбранную нейронную сеть.
6. Обучить выбранную нейронную сеть.
7. Протестировать алгоритм на примерах реальных изображений.
Бакалаврская работа состоит из введения, трех глав, заключения и списка используемой литературы.
В первой главе рассматривается биологические понятия нейрона, сама болезнь COVID-19, принципы организации искусственных нейронных сетей, виды Фреймворков для работы с искусственными нейронными сетями, поговорим про их плюсы и минусы.
Во второй главе рассмотрены общие принципы организации алгоритмов распознавания COVID-19 по изображению, осуществлён и обоснован выбор средств для реализации алгоритма, а также непосредственно описана его разработка.
В третьей главе осуществлено тестирование данными, итоговое подведение эффективности, скорости, а также продуктивности работы алгоритма.
В заключении формируются и описываются выводы, а также подводятся итоговые результаты исследования.
В первой главе рассматривалась болезнь, как её обнаружить на снимках легких, какие есть трудности, а также решения. Также проговорили какие бывают искусственные нейронные сети, а также выбрали одну из них с помощью которой будет происходить глубокое обучение.
Были описаны виды нейронных сетей, их архитектура, а также плюсы и мигну каждого из них. Поговорили в каких целях они используются и по итогу определили какую нейронную сеть будем использовать для работы.
Во второй главе первым шагом стала нормализация данных, которые получили с ресурса Kaggle. Процесс, который производится сильно влияет на обучение модели. После происходил выбор программного языка, также и библиотек, и Фреймворка для работы с поставленной задачей. В этой же главе происходило создание алгоритма по модели ResNet18, где мы удачно изменили последний слой модели добавив модель потерь, а также метод Адама.
В третьей главе, было осуществлено тестирование алгоритма путем кросс-валидации. Для большей точности качества модели использовался алгоритм кросс валидации. По итогу которого были получены точные данные того, на сколько алгоритм является успешным.
В ходе разработки программы были оправданы ожидания, полученный результат был удовлетворительным.
