Тип работы:
Предмет:
Язык работы:


Разработка программного комплекса по определению и стиранию очков с лица человека

Работа №116284

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы50
Год сдачи2022
Стоимость4700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
25
Не подходит работа?

Узнай цену на написание


Введение 5
Глава 1. Анализ деятельности компании «Optical Outfitters».6
1.1 Характеристика компании 6
1.2 Описание розничного магазина 7 1.
3 Моделирование процесса покупки оправы, анализ модели «Как есть»..8
1.4 Формулировка задачи на разработку 11
1.5 Моделирование диаграммы процесса покупки «Как должно быть» 12
Глава 2. Разработка программного комплекса 15
2.1 Определение и этапов жизненного цикла и этапов разработки программного комплекса, формулировка задач в контексте машинного обучения 15
2.1.1 Жизненный цикл продукта 15
2.1.2 Этапы разработки и описание задач 15
2.2 Машинное обучение, глубокое обучение, нейронные сети 18
2.3 Метод обратного распространения ошибки для обучения нейронных сетей 21
2.5 Выбор архитектуры 21
2.6 Выбор моделей с архитектурой сверточной нейронной сети 24
2.6.1 Модель для обнаружения объектов YOLO 25
2.6.2 Модель для сегментации UNet 29
2.7 Составление наборов данных 31
2.7.1 Аугментация данных, проблемы обучения моделей 36
2.8 Фреймворки для работы с нейронными сетями, обучение моделей. 38
2.9 Использование обученных моделей в коде 39
Глава 3. Тестирование программного комплекса 42
3.1 Проверка работы комплекса на изображениях и видео 42
3.2 Возможные варианты улучшения и место применения комплекса.. 45
Заключение 47
Список используемой литературы и используемых источников 48


Аннотация. Введение.
Цель работы - разработка программного комплекса по определению и стиранию очков с лица человека.
Объект исследования - методы обнаружения и удаления объектов с изображения.
Предметом исследования является применение искусственных нейронных сетей для обнаружения и удаления объектов.
В ходе написания работы были решены следующие задачи:
- анализ и проектирование предметной области;
- выбор архитектуры нейронных сетей;
- выбор моделей, основанных на архитектуре;
- сбор и разметка наборов данных;
- обучение моделей;
- написание кода для использования моделей
- тестирование результатов



Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В результате выполнения данной работы была достигнута цель и создан программный комплекс для стирания очков с лица, основными компонентами которого являются нейронные сети и классический алгоритм компьютерного зрения. Был проведен анализ компании-заказчика, определены требования к комплексу, сформулированы этапы жизненного цикла и разработки.
Были решены следующие задачи:
- проанализирован основной бизнес-процесс компании, для улучшения котор ого был разработано программный комплекс, смоделирована диаграмма «как есть»;
- сформулирована задача на разработку;
- разработана и проанализирована диаграмма «как должно быть»;
- выбрана архитектура ИНС и основанные на ней модели;
- с помощью нейронных сетей решены задачи нахождения и сегментации объекта на изображении;
- собраны необходимые данные;
- обучены несколько вариантов моделей;
- подобран классический алгоритм для закрашивания объекта
- написан программный код для тестирования комплекса.
В ходе работы с данными было определено, что этап сборки, предобработки и разметки данных при использовании искусственных нейронных сетей оказывает существенное влияние на конечный результат.
Данный комплекс довольно хорошо решает поставленную задачу, несмотря на несовершенство классического алгоритма и то, что нейронные сети, хоть и обладая большой обобщающей способностью, не дают 100% точных результатов.




1. Компьютерное зрение [Электронный ресурс]: URL: https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C% D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%BE%D0%B5_%D0%B7% D1%80%D0%B5%D0%BD%D0%B8%D0%B5 (дата обращения: 25.04.2022).
2. Переобучение [Электронный ресурс]: URL: https://ru.wikipedia.org/wiki/%D0%9F%D0%B5%D1%80%D0%B5%D0%BE%D 0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5#:~:text=%D0% 9F%D0%B5%D1%80%D0%B5%D0%BE%D0%B1%D1%83%D1%87%D0%B5 %D0%BD%D0%B8%D0%B5%20(%D0%BF%D0%B5%D1%80%D0%B5%D0 %BF%D0%BE%D0%B4%D0%B3%D0%BE%D0%BD%D0%BA%D0%B0%2C %20%D0%BF%D0%B5%D1%80%D0%B5%2D%20%D0%B2,%D0%BD%D0% B0%20%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%D0%B0%D1 %85%20%D0%B8%D0%B7%20%D1%82%D0%B5%D1%81%D1%82%D0%B E%D0%B2%D0%BE%D0%B9%20%D0%B2%D1%8B%D0%B1%D0%BE%D1 %80%D0%BA%D0%B8)(дата обращения: 25.04.2022).
3. Свёрточная нейронная сеть [Электронный ресурс]: URL: https://ru.wikipedia.org/wiki/%D0%A1%D0%B2%D1%91%D1%80%D1%82%D 0%BE%D1%87%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D 1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D 1%82%D1%8C(дата обращения: 25.05.2022).
4. Сверточные нейронные сети [Электронный ресурс]: URL: https://neerc.ifmo.ru/wiki/index.php?title=%D0%A1%D0%B2%D0%B5%D1%80 %D1%82%D0%BE%D1%87%D0%BD%D1%8B%D0%B5_%D0%BD%D0%B5 %D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%81 %D0%B5%D1%82%D0%B8 (дата обращения: 15.04.2022).
5. Сверточная нейронная сеть, часть 1: структура, топология, функции активации и обучающее множество [Электронный ресурс]: URL: https://habr.com/ru/post/348000/ (дата обращения: 02.06.2022).
6. Ananda Hange. Target Prediction using Single-layer Perceptron and Multilayer Perceptron [Электронный ресурс]: URL: https://medium.com/nerd-for tech/flux-prediction-using-single-layer-perceptron-and-multilayer-perceptron cf82c1341c33 (дата обращения: 13.03.2022).
7. Ani Aggarwal. YOLO Explained [Электронный ресурс]: URL: https://medium.com/analytics-vidhya/yolo-explained-5b6f4564f31 (дата обращения: 02.04.2022).
8. Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, – US: O’Reilly Media, 2019 – 510
9. CNN | Introduction to Pooling Layer [Электронный ресурс]: URL: https://www.geeksforgeeks.org/cnn-introduction-to-pooling layer/#:~:text=Max%20pooling%20is%20a%20pooling,of%20the%20previous%2 0feature%20map (дата обращения: 25.04.2022).
10. Convolutional neural network [Электронный ресурс]: URL: https://en.wikipedia.org/wiki/Convolutional_neural_network#Convolutional_layer (дата обращения: 10.03.2022).
11. Harshall Lamba. Understanding Semantic Segmentation with UNET [Электронный ресурс]: URL: https://towardsdatascience.com/understanding semantic-segmentation-with-unet-6be4f42d4b47 (дата обращения: 25.04.2022).
12. ImageNet [Электронный ресурс]: URL: https://en.wikipedia.org/wiki/ImageNet (дата обращения: 15.04.2022).
13. Inpainting [Электронный ресурс]: URL: https://en.wikipedia.org/wiki/Inpainting (дата обращения: 06.04.2022).
14. Jeremy Zhang. UNet — Line by Line Explanation [Электронный ресурс]: URL: https://towardsdatascience.com/unet-line-by-line-explanation 9b191c76baf5 (дата обращения: 25.04.2022).
15. Keras [Электронный ресурс]: URL: https://en.wikipedia.org/wiki/Keras
...


Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ