📄Работа №112074
Тема: Применение нейронной сети для распознавания деталей оборудования с помощью мобильного телефона
Тип работы
Бакалаврская работа
Предмет
математика и информатика
Объем:
50 листов
Год:
2020
Просмотров:
272
4700
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 5
1. Анализ состояния вопроса применения свёрточных нейронных сетей в
мобильных устройствах 7
1.1 Описание работы свёрточных нейронных сетей 7
1.2 Обзор применения алгоритмов свёрточных нейронных сетей .. 10
1.3 Ограничения на условия работы разрабатываемой системы и
используемым технологиям 12
1.4 Постановка задачи на реализацию программного обеспечения 14
2. Теоретическое обоснование роли нейронной сети для распознавания
деталей оборудования 15
2.1 Обзор программных средств для обучения нейронной сети 15
2.2 Обзор существующих мобильных платформ и выбор платформы
для разработки мобильного приложения 20
2.3 Архитектура и описание принципа работы нейронной сети
MobileNetV2 21
2.4 Анализ и выбор программного стека для обучения нейронной
сети и разработки мобильного приложения 25
3. Обучение нейронной сети и разработка мобильного приложения 30
3.1 Обучение нейронной сети 30
3.2 Разработка мобильного приложения для распознавания деталей
оборудования с использованием обученной нейросети 36
3.3 Тестирование мобильного приложения и нейронной сети 43
Заключение 45
Список используемых источников 47
1. Анализ состояния вопроса применения свёрточных нейронных сетей в
мобильных устройствах 7
1.1 Описание работы свёрточных нейронных сетей 7
1.2 Обзор применения алгоритмов свёрточных нейронных сетей .. 10
1.3 Ограничения на условия работы разрабатываемой системы и
используемым технологиям 12
1.4 Постановка задачи на реализацию программного обеспечения 14
2. Теоретическое обоснование роли нейронной сети для распознавания
деталей оборудования 15
2.1 Обзор программных средств для обучения нейронной сети 15
2.2 Обзор существующих мобильных платформ и выбор платформы
для разработки мобильного приложения 20
2.3 Архитектура и описание принципа работы нейронной сети
MobileNetV2 21
2.4 Анализ и выбор программного стека для обучения нейронной
сети и разработки мобильного приложения 25
3. Обучение нейронной сети и разработка мобильного приложения 30
3.1 Обучение нейронной сети 30
3.2 Разработка мобильного приложения для распознавания деталей
оборудования с использованием обученной нейросети 36
3.3 Тестирование мобильного приложения и нейронной сети 43
Заключение 45
Список используемых источников 47
📖 Введение
Цель исследования - разработка мобильного приложения, которое будет использовать модель машинного обучения для распознавания объектов.
Для достижения цели решаются следующие задачи:
• Проанализировать существующие способы применения сверточных нейронных сетей;
• изучить архитектуру MobileNetV2 и её преимущество над остальными моделями;
• обучить нейронную сеть для распознавания объектов с помощью мобильного телефона.
• разработать мобильное приложение для взаимодействия с моделью машинного обучения
Объект исследования - процесс взаимодействия свёрточных нейронных сетей с мобильным устройством. Предмет исследования - модель сверточной нейронной сети.
Для достижения цели решаются следующие задачи:
• Проанализировать существующие способы применения сверточных нейронных сетей;
• изучить архитектуру MobileNetV2 и её преимущество над остальными моделями;
• обучить нейронную сеть для распознавания объектов с помощью мобильного телефона.
• разработать мобильное приложение для взаимодействия с моделью машинного обучения
Объект исследования - процесс взаимодействия свёрточных нейронных сетей с мобильным устройством. Предмет исследования - модель сверточной нейронной сети.
✅ Заключение
Выполненная работа посвящена исследованию свёрточных нейронных сетей и использованию их в мобильном приложении. Цель работы определила её основное направление - обучение модели распознаванию деталей оборудования, а также разработка приложения для комфортного использования обученной модели.
Для этого были исследованы модели машинного обучения, которые бы удовлетворяли нашим требованиям, а точнее: иметь небольшой вес; высокую точность; небольшие требования к вычислительной мощности.
В процессе исследований было выявлена, что на данный момент наиболее эффективно подходит нейронная сеть MobileNetV2, так как распознавание происходит даже с 5 FPS, а вес составляет всего пару мегабайт, что позволяет хранить обученную модель на мобильном устройстве.
Обучение проводилось с использованием языка Python и платформы TensorFlow. Для тренировки был подготовлен небольшой датасет в размере около 200 изображений. После обучения, полученную модель нужно было конвертировать в формат tflite для использования модели в мобильном приложении. Было разработано приложения на языке Java. Благодаря хорошо задокументированному API от TensorFlow, приложение получилось простым в реализации, а также без специальных технических параметров, необходимых для запуска. Оно состоит из нескольких классов, которые отвечают за считывание изображения с камеры, передача изображения в классификатор и вывода классификатором результата.
Протестированное приложение с обученной моделью показало неплохие данные. Приложение запускалось на трёх разных устройствах. В целом, приложение работало довольно плавно, ошибка не превышала 10%, но время на распознавание объекта составило порядка 20мс на устройствах с 4 логическими ядрами, а на устройствах с двумя ядрами распознавание составило 300мс, без превышения процента ошибки.
Для этого были исследованы модели машинного обучения, которые бы удовлетворяли нашим требованиям, а точнее: иметь небольшой вес; высокую точность; небольшие требования к вычислительной мощности.
В процессе исследований было выявлена, что на данный момент наиболее эффективно подходит нейронная сеть MobileNetV2, так как распознавание происходит даже с 5 FPS, а вес составляет всего пару мегабайт, что позволяет хранить обученную модель на мобильном устройстве.
Обучение проводилось с использованием языка Python и платформы TensorFlow. Для тренировки был подготовлен небольшой датасет в размере около 200 изображений. После обучения, полученную модель нужно было конвертировать в формат tflite для использования модели в мобильном приложении. Было разработано приложения на языке Java. Благодаря хорошо задокументированному API от TensorFlow, приложение получилось простым в реализации, а также без специальных технических параметров, необходимых для запуска. Оно состоит из нескольких классов, которые отвечают за считывание изображения с камеры, передача изображения в классификатор и вывода классификатором результата.
Протестированное приложение с обученной моделью показало неплохие данные. Приложение запускалось на трёх разных устройствах. В целом, приложение работало довольно плавно, ошибка не превышала 10%, но время на распознавание объекта составило порядка 20мс на устройствах с 4 логическими ядрами, а на устройствах с двумя ядрами распознавание составило 300мс, без превышения процента ошибки.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.