
Тип работы:	Предмет:	Язык работы:

Применение нейронной сети для распознавания деталей оборудования с помощью мобильного телефона

Работа №	112074
Тип работы	Бакалаврская работа
Предмет	математика и информатика
Объем работы	50
Год сдачи	2020
Стоимость	4700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	119

Не подходит работа?

Узнай цену на написание

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

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.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

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.

Литература

1. Бурков А. Машинное обучение без лишних слов / Андрей Бурков - Питер СПб, 2020. - 192 с.
2. Вьюгин В. Математические основы машинного обучения и прогнозирования / Владимир Вьюгин. - МЦНМО, 2014. - 304 с
3. Документация по библиотеке машинного обучения TensorFlow 2.0 // TensorFlow [Электронный ресурс]: официальный сайт TensorFlow. URL: https: //www.tensorflow.org/versions/r2.0/api_docs/python/ (дата обращения 17.03.2020).
4. Документация по языку программирования Python // Python
[Электронный ресурс]: официальный сайт Python. URL:
https://www.python.org/doc/ (дата обращения 12.03.2020)
5. Abu-Mostafa Y. Learning From Data / Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin - AMLBook. - 2012.-Jan. -С. 213.
6. Al-Azawi M. A. N. Neural Network Based Automatic Traffic Signs Recognition //International Journal of Digital Information and Wireless Communications (IJDIWC). - 2011. - Т. 1. - №. 4. - С. 753-766.
7. Bahlmann C. et al. A system for traffic sign detection, tracking, and recognition using color, shape, and motion information //Intelligent Vehicles Symposium, 2005. Proceedings. IEEE. - IEEE, 2005. - С. 255-260.
8. Baldi P. Autoencoders, Unsupervised Learning, and Deep Architectures //ICML Unsupervised and Transfer Learning. - 2012. - Т. 27. - С. 37-50.
9. Bastien F. et al. Theano: new features and speed improvements //arXiv preprint arXiv:1211.5590. - 2012.
10. Bergstra J. et al. Theano: A CPU and GPU math compiler in Python //Proc. 9th Python in Science Conf. - 2010. - С. 1-7.
11. Bishop C. Pattern Recognition and Machine Learning (Information Science and Statistics) / Christopher M. Bishop - Springer-Verlag New York Inc. - 2007.-Feb. -С. 738.
12. Broggi A. et al. Real time road signs recognition //Intelligent Vehicles Symposium, 2007 IEEE. - IEEE, 2007. - С. 981-986.
13. Canny J. A computational approach to edge detection //Pattern Analysis and Machine Intelligence, IEEE Transactions on. - 1986. - №. 6. - С. 679-698.
14. Chollet F. Deep Learning with Python / Francois Chollet - Manning Pubns Co. - 2017.-Nov. -С. 361.
15. Christian Szegedy. Scalable, High-Quality Object Detection, 2015 // arXiv [Электронный ресурс]: открытый архив научных статей. URL: https://arxiv.org/abs/1412.1441 (дата обращения 10.04.2020).
...