Аннотация 3
Введение 7
1. Обзор литературы 11
2. Методология исследования 16
2.1 Описание сбора данных и предобработки изображений 16
2.2 Подробное описание архитектур нейросетей 19
2.3 Критерии выбора наилучшей модели для мобильного приложения 32
3. Разработка и оценка модели 33
3.1 Технические детали реализации модели на базе MobileNetV2 33
3.2 Технические детали реализации модели на базе NASNetMobile 36
3.3 Технические детали реализации модели на базе VGG19 38
3.4 Технические детали реализации модели на базе EfficientNetB7 41
3.5 Технические детали реализации модели на базе ResNet50 44
3.6 Технические детали реализации собственной модели 45
4. Разработка мобильного приложения 49
4.1 Описание технологий и инструментов разработки (Flutter) 49
4.2 Интеграция нейросетевой модели в мобильное приложение 50
4.3 Функциональность и интерфейс пользователя 52
Заключение 55
Список литературы 58
Приложения 61
Оценка качества отделочных работ является важным аспектом в строительной и ремонтной индустрии. Традиционно эта задача выполняется специалистами, которые оценивают качество выполненных работ визуально и на основе своего опыта. Однако такой подход требует значительных временных и трудовых затрат, а также не гарантирует объективности оценки. В последние годы, с развитием технологий машинного обучения и компьютерного зрения, появилась возможность автоматизировать процесс оценки качества отделочных работ с использованием нейросетевых моделей.
Значение и актуальность темы
Автоматизация процесса оценки качества отделочных работ имеет большое значение для различных отраслей, включая строительство, недвижимость и ремонтные услуги. Она позволяет:
Сократить время и трудозатраты: Автоматизированные системы могут быстро и эффективно оценивать качество работ, освобождая специалистов от рутинных задач и позволяя им сосредоточиться на более сложных задачах.
Повысить объективность и точность: Нейросетевые модели могут оценивать качество работ на основе объективных критериев, что снижает влияние человеческого фактора и повышает точность оценки.
Улучшить качество предоставляемых услуг: Автоматизированная оценка позволяет быстро выявлять и устранять недостатки в выполненных работах, что способствует повышению качества предоставляемых услуг и удовлетворенности клиентов.
Создать новые возможности для бизнеса: Автоматизированные системы могут быть интегрированы в платформы объявлений, такие как классифайды недвижимости, предоставляя пользователям дополнительные инструменты для оценки качества объектов.
Цели и задачи исследования
Цель данного исследования заключается в разработке и тестировании нейросетевых методов и мобильных инструментов для оценки качества отделочных работ на основе изображений интерьеров квартир. Для достижения этой цели были поставлены следующие задачи:
1. Сбор и предобработка данных: Разработка веб-краулера для сбора изображений интерьеров квартир с платформы объявлений Авито, их очистка и предобработка для последующего использования в обучении нейросетевых моделей.
2. Разработка и обучение нейросетевых моделей: Тестирование различных современных архитектур сверточных нейронных сетей (CNN), таких как MobileNetV2, NASNetMobile, ResNet50, EfficientNetB7, VGG19, а также собственной модели, и выбор наилучшей модели для мобильного приложения.
3. Интеграция модели в мобильное приложение: Разработка мобильного приложения на базе Flutter, интеграция в него обученной модели для оценки качества отделочных работ, и создание удобного пользовательского интерфейса.
4. Разработка рекомендаций по дальнейшему использованию и развитию: Формулирование выводов и рекомендаций по дальнейшему использованию разработанных методов и инструментов, а также предложений по улучшению качества оценки отделочных работ.
Исследование демонстрирует возможности использования современных технологий машинного обучения и компьютерного зрения для автоматизации оценки качества отделочных работ, что открывает новые перспективы для различных отраслей и бизнеса.
В заключении можно заметить, что для достижения оптимальных результатов в автоматической оценке качества отделочных работ необходимо разработать и интегрировать эффективные нейросетевые методы и мобильные инструменты. Развитие этих методов играет ключевую роль в повышении точности и объективности оценки, что особенно важно в условиях высоких требований к строительным и отделочным материалам. Современные подходы включают использование различных архитектур сверточных нейронных сетей и технологий мобильного приложения, что позволяет решать задачи автоматизации оценки с высокой эффективностью и производительностью.
Результатами работы являются:
1. Сбор и предобработка данных:
Создание веб-краулера для автоматического сбора изображений интерьеров с платформы Авито и их предобработка с использованием аугментации данных.
2. Разработка и тестирование моделей:
Были разработаны и протестированы различные архитектуры сверточных нейронных сетей, включая MobileNetV2, NASNetMobile, ResNet50, EfficientNetB7, VGG19 и собственную модель. Модель MobileNetV2 продемонстрировала наилучшие результаты по сравнению с другими архитектурами.
3. Сравнение различных архитектур нейронных сетей:
Включая MobileNetV2, NASNetMobile, ResNet50, EfficientNetB7, VGG19 и собственную модель.
4. Оценка качества моделей:
Проведение экспериментов и тестирования для оценки точности моделей на тестовом множестве изображений.
5. Интеграция модели в мобильное приложение:
Мобильное приложение на базе Flutter позволяет пользователям легко и быстро оценивать качество отделочных работ.
Выводы и рекомендации по дальнейшему использованию и развитию разработанных методов и инструментов:
1. Использование в платформе объявлений:
Разработанная модель и приложение могут быть использованы в платформе объявлений в категории недвижимости для автоматической оценки качества отделочных работ в листингах, что поможет улучшить качество информации, предоставляемой пользователям, и повысить их доверие к платформе.
2. Потенциал для расширения:
Модель может быть адаптирована для других категорий объявлений, таких как автомобили, бытовая техника и мебель, что позволит автоматизировать процесс оценки состояния различных объектов и улучшить пользовательский опыт.
3. Дальнейшее развитие и оптимизация:
Для повышения точности и производительности модели могут быть проведены дополнительные исследования и эксперименты с другими архитектурами нейросетей и методами предобработки данных.
Возможно использование более новых и мощных моделей, которые могут быть оптимизированы для работы на мобильных устройствах.
Продолжение работы над улучшением интерфейса и функциональности приложения для обеспечения еще большей удобства и эффективности для пользователей.
В целом, данное исследование продемонстрировало успешную разработку и применение нейросетевых методов для оценки качества отделочных работ. Полученные результаты показывают, что модель может быть эффективно использована в реальных условиях и имеет потенциал для дальнейшего развития и расширения.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
