
Тип работы:	Предмет:	Язык работы:

Реализация алгоритма локализации возгорания на изображении

Работа №	119736
Тип работы	Бакалаврская работа
Предмет	информатика
Объем работы	57
Год сдачи	2020
Стоимость	4325 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	282

Не подходит работа?

Узнай цену на написание

Содержание

Введение 5
1 Анализ принципов работы искусственных нейронных сетей и их
применения для распознавания объектов на изображении 7
1.1 Обзор существующих методов распознавания объектов на
изображении 7
1.2 Анализ принципа работы искусственной нейронной сети 8
1.3 Анализ методов обучения искусственных нейронных сетей 12
1.4 Описание особенностей сверточной нейронной сети 17
2 Выбор и реализация алгоритма для локализации возгораний на основе
сверточных нейронных сетей 24
2.1 Описание принципа работы алгоритма Single Shot MultiBox Detector . 24
2.2 Реализация алгоритма SSD для локализации возгораний 36
3 Обучение и оценка точности реализованного алгоритма для
распознавания возгораний 44
3.1 Создание набора изображений для обучения нейронной сети 44
3.2 Обучение модели для распознавания возгораний на изображении .. 45
3.3 Оценка точности обученной модели для распознавания возгораний
на изображении 48
Заключение 52
Список используемых источников 54

Приложения должны быть в работе, но в настоящий момент отсутствуют.

Введение

В последнее время области применения машинного зрения быстро расширяются, охватывая все больше различных сфер жизнедеятельности. На сегодняшний день для реализации систем машинного зрения в основном применяются сверточные нейронные сети, которые являются одним из видов искусственных нейронных сетей. Именно благодаря способности к обучению, искусственные нейронные сети используются для решения сложных задач классификации и регрессионного анализа. Системы компьютерного зрения, использующие такой подход, обладают хорошей устойчивостью к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям. На основе сверточных нейронных сетей реализовываются системы для беспилотного управления транспортными средствами, распознавания лиц и выявления различных заболеваний на медицинских снимках.
Актуальность данной работы обуславливается тем, что применение методов распознавания объектов на изображении может помочь уменьшить роль человеческого фактора в тех случаях, где первостепенно важным является быстрое реагирование на конкретные происшествия. Одним из таких случаев является возникновение пожаров.
Целью данной выпускной квалификационной работы (ВКР) является реализация алгоритма, способного распознавать возгорания на изображении, а именно определять наличие и правильное местоположение таких объектов, как дым и огонь на изображении.
Объектом ВКР является распознавание объектов на изображении.
Предмет ВКР: алгоритм локализации и классификации объектов на изображении с применением сверточных нейронных сетей.
Для достижения поставленной цели были определены следующие задачи:
- описать принцип работы и обучения искусственных нейронных сетей;
- разобрать особенности архитектуры сверточных нейронных сетей;
- выбрать и реализовать алгоритм для распознавания объектов на изображении на основе сверточных нейронных сетей;
- обучить нейронную сеть, входящую в состав алгоритма распознавать возгорания;
- проверить точность работы реализованного алгоритма.
Бакалаврская работа состоит из введения, анализа принципов работы искусственных нейронных сетей и их применения для распознавания объектов на изображении, выбора и реализации алгоритма распознавания объектов на изображении, основанного на использовании сверточных нейронных сетей, обучения и оценки точности нейронной сети, входящей в состав реализованного алгоритма и заключения.
В первом разделе проводится анализ искусственных нейронных сетей и методов их обучения, а также рассматривается принцип работы сверточных нейронных сетей.
Во втором разделе анализируются современные методы распознавания объектов на изображении с применением сверточных нейронных сетей и производится реализация метода, наиболее подходящего для распознавания возгораний.
В третьем разделе описывается процесс создания обучающей выборки для обучения сверточной нейронной сети, входящей в состав алгоритма обнаружения объектов. Производится обучение сверточной нейронной сети и оценка точности реализованного алгоритма.
Использование реализованного алгоритма для распознавания возгораний в совокупности с беспилотными транспортными средствами позволит детектировать пожары на ранних этапах и быстро устранять их. Подобное решение поможет уменьшить количество крупных пожаров в лесах, городах и заповедниках, а также сократить затраты на их восстановление.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

В данной выпускной квалификационной работе исследовался вопрос локализации возгорания на изображении. Для этого было необходимо выбрать и реализовать алгоритм на основе сверточных нейронных сетей, способный распознавать такие классы объектов, как дым и огонь.
Был проведен анализ существующих методов распознавания объектов на изображении и сделан вывод, что для локализации возгораний наиболее подходящими являются методы, основанные на машинном обучении, а именно сверточные нейронные сети. Были рассмотрены основные принципы работы искусственных нейронных сетей, особенности их построения, а также методы, с помощью которых происходит их обучение. Кроме того, был подробно разобран процесс применения сверточных нейронных сетей для классификации объекта на изображении.
Для локализации и классификации объектов на изображении было решено использовать алгоритм Single Shot MultiBox Detector, в основу которого входят сверточные нейронные сети. Данный алгоритм был выбран поскольку он обнаруживает объекты за один прямой проход нейронной сети и достигает наилучшего баланс между точностью и быстродействием, что является важным при распознавании возгораний в режиме реального времени. Также были описаны основные принципы работы алгоритма SSD и произведена его реализация для локализации возгораний на изображении на языке Python с помощью инструментов библиотеки машинного обучения TensorFlow.
Для обучения модели сверточной нейронной сети, входящей в состав алгоритма SSD был вручную собран и размечен обучающий набор данных, состоящий из 2000 изображений огня и дыма. Обучение сверточной нейронной сети проходило в течении 300 эпох, в результате чего минимальная средняя ошибка предсказания составила 0,4. Для оценки точности распознавания возгораний на изображении использовалась метрика mAP которая показала, что общая средняя точность нахождения огня и дыма на изображении составила 84%.
Таким образом, был реализован алгоритм на основе сверточных нейронных сетей, способный обнаруживать на изображении такие классы объектов, как дым и огонь с довольно высокой точностью. Тем не менее, данная точность распознавания в дальнейшем может быть улучшена путем увеличения обучающего набора изображений и изменения таких параметров обучения, как размер батча или количество эпох. Использование данного алгоритма для анализа видеопотоков, получаемых с беспилотных транспортных средств, может позволить обнаруживать возгорания в городах, лесах, заповедниках или другой местности без участия человека, а также поспособствует ликвидации пожаров на раннем этапе.

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. Гелиг А., Матвеев А. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие / Аркадий Гелиг, Алексей Матвеев - Издательство СПбГУ, 2014. - 224 с.
4. 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).
5. Документация по языку программирования Python // Python
[Электронный ресурс]: официальный сайт Python. URL:
https://www.python.org/doc/(дата обращения 12.03.2020).
6. 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).
7. Ryo Takahashi. Data Augmentation using Random Image Cropping and Patching for Deep CNNs, 2019 // arXiv [Электронный ресурс]: открытый архив научных статей. URL:https://arxiv.org/abs/1811.09030(дата обращения 10.04.2020).
8. Wei Liu. SSD: Single Shot MultiBox Detector, 2016 // arXiv
[Электронный ресурс]: открытый архив научных статей. URL:
https://arxiv.org/abs/1512.02325(дата обращения 10.04.2020).
9. Abu-Mostafa Y. Learning From Data / Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin - AMLBook. - 2012.-Jan. -С. 213.
10. Bishop C. Pattern Recognition and Machine Learning (Information Science and Statistics) / Christopher M. Bishop - Springer-Verlag New York Inc. - 2007.-Feb. -С. 738.
11. Chollet F. Deep Learning with Python / Francois Chollet - Manning Pubns Co. - 2017.-Nov. -С. 361.
12. Eddison L. Python Machine Learning: A Technical Approach To Python Machine Learning For Beginners / Leonard Eddison - CreateSpace Independent Publishing Platform. - 2018.-Mar. -С. 292.
13. Geron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow / Aurelien Geron - O'Reilly Media. - 2017.-Mar. -С. 566.
14. Goodfellow I. Deep Learning (Adaptive Computation and Machine Learning series) / Ian Goodfellow, Yoshua Bengio, Aaron Courville - The MIT Press. -2016.-Nov. -С. 800.
15. Guido S. Introduction to Machine Learning with Python: A Guide for Data Scientists / Sarah Guido, August Mueller - O'Reilly Media. - 2016.-May. -С. 400.
16. Harrington P. Machine Learning in Action / Peter Harrington - Manning Publications. - 2012.-April. -С. 384.
17. Kelleher J. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies / John D. Kelleher, Brian Mac Namee, Aoife D'Arcy - The MIT Press. - 2015.-July. - С. 624.
18. Mitchell T. Machine Learning / Tom Mitchell - Mc Graw Hill India. - 2017.- Mar. - С. 432.
19. Raschka S. Python Machine Learning / Sebastian Raschka - Packt Publishing. - 2015.-Sep. -С. 454.
20. Rashid T. Make Your Own Neural Network / Tariq Rashid - CreateSpace Independent Publishing Platform. - 2016. - С. 222.
21. Rojas R. Neural Networks: A Systematic Introduction / Raul Rojas, Peter Varga - Springer Berlin Heidelberg. - 1996.-Jul. -С. 522.
22. Russell S. Artificial Intelligence: Pearson New International Edition: A Modern Approach / Stuart Russel, Norvig Peter - Pearson. - 2013.-Aug. -С. 1104.
23. Shalev-Shwarthz S. Understanding Machine Learning: From Theory to Algorithms / Shai Shalev-Shwartz, Shai Ben-David - Cambridge University Press. -2014.-May. -С. 415.
24. Shukla N. Machine Learning with TensorFlow / Nishant Shukla - Manning Publication. - 2018.-Jan. -С. 272.
25. Witten I. Data Mining: Practical Machine Learning Tools and Techniques / Ian H. Witten, Eibe Frank, Mark A. Hall - Morgan Kaufmann. - 2011.-Jan. -С. 664.