Тема: Нейронная сеть по распознаванию лиц

Нейронные сети становятся все больше популярны в 21 веке, ведь нейронные сети позволяют делать работу за человека (конкретно в нашей работе распознавание изображения человека) соответственно, упрощая деятельность, как и малых, так и средних предприятий.
Посредством нейронных сетей можно упростить пропускную систему предприятий. Например, в некоторых фитнес -залах внедрена эта система и вместо пропускных карточек, люди предоставляют свои биометрические данные для входа, а это существенно облегчает работу предприятия, ведь биометрические данные сложно подделать и не нужно будет для клиентам/сотрудникам делать специальные карты для входа. Результаты работы будут использованы для упрощения работы предприятия, путем интегрирования нашего проекта по нейронным сетям. Распознавание человека по изображению лица выделяется среди биометрических систем тем, что не требует специального дорогостоящего оборудования.
Нейронная сеть - это компьютерная модель, вдохновленная биологической нервной системой, которая используется для обработки информации и выполнения различных задач машинного обучения. Она состоит из соединенных и взаимодействующих между собой искусственных нейронов, которые обрабатывают и передают сигналы через сеть.
Каждый искусственный нейрон в нейронной сети получает входные данные, обрабатывает их и передает результат следующему нейрону в сети. Искусственные нейроны обычно имеют несколько входных соединений, которые взвешиваются определенными весами. Эти веса позволяют настраивать важность каждого входного сигнала для вычислений. После взвешивания сигналы суммируются, и затем проходят через функцию активации, которая определяет, будет ли активирован нейрон и передаст ли он свой выходной сигнал следующему нейрону.
Нейронные сети могут иметь различные архитектуры, включая простые однослойные сети, многослойные перцептроны и глубокие нейронные сети с множеством скрытых слоев. Они используются для решения широкого спектра задач, таких как классификация изображений, распознавание речи, анализ текстов, прогнозирование временных рядов и многое другое.
Обучение нейронных сетей происходит путем подачи на вход сети набора обучающих данных, состоящего из входных сигналов и соответствующих им целевых выходных значений. С помощью методов обучения нейронная сеть настраивает свои веса и параметры таким образом, чтобы минимизировать ошибку между выходными значениями, предсказанными сетью, и целевыми значениями. После обучения нейронная сеть может быть использована для выполнения предсказаний на новых данных, которые ранее не были использованы в процессе обучения.
Объектом исследования является пропускной процесс. Предметом исследования являются все малые и средние предприятия, у которых присутствует пропускная система. Анализируя формат пропускных систем многих предприятиях можно предложить внедрить проект по распознаванию лиц при помощи нейронных данных. Это позволит обезопасить предприятие от несанкционированного доступа, ускорить процесс пропуска сотрудников на предприятие, сократить расход на содержание сотрудников в отделе режима. На все вышеперечисленные предприятия, у которых существует пропуск, например, по карточкам, можно внедрить данный проект и упростить работу действующего предприятия.
Целью ВКР является анализ такого бизнес -процесса, как пропускная система, его оптимизация: Посредством внедрения системы по распознаванию лиц по нейронным сетям, то можно увеличить скорость прохождения сотрудников тем самым уменьшить риск опоздания сотрудников. Внедрение данной системы позволит предприятию не только увеличить свою безопасность, но и уменьшить взаимодействие людей друг с другом, что становится более важной задачей, ведь отсутствие контакта людей с людьми становится все более актуально в наши дни.
Задачами ВКР являются:
1. Разработка структуры сверточной нейросети
2. Обучение нейросети, на размеченной базе изображений
3. Тестирование обученной сети
4. Моделирование процессов
В процессе написания выпускной квалификационной работы на тему “Нейронная сеть по распознаванию лиц” были использованы следующие методы:
1. Сравнительный анализ
2. Многоаспектное моделирование
3. Анализ и моделирование в нотациях idef
4. Технологии проектирования баз данных и программных комплексов
5. Технологии проектирования системно-аппаратных сред
6. Стандарты управления проектами pmbok, swebok, msf.
Проводим сравнительный анализ. Система по распознаванию лиц по нейронным сетям, в отличии от других систем, использует пять точек-якорей (глаза, нос и рот). По этим точкам строится граф, рассчитывающий расстояния, и определяющийся, как отдельно взятое лицо. На данный момент для проектирования программных систем используются следующие методы:
1. BPMN
2. Построение блок-схем
3. Создание ER-диаграмм
4. UML-диаграммы
5. Разработка макетов и математических моделей
6. Метод обучения нейронной сети
7. Метод сравнения двух изображений
8. Построение AS-IS моделей
Для создания BPMN моделей использовались программы такие как:
• ARIS Express
• Lucidchart
• Draw.io
При помощи вышеописанных диаграмм, удалось провести анализ предметной области. По UML-диаграммам мы можем понять: как устроена система вживую, понять какие функции выполняют важные роли в этой системе, увидеть ее на схеме. Посредством применения методологии idef, была построена модель как есть, что позволило понять как устроены бизнес - процессы данной системы и какие нужны ресурсы для этих них. Благодаря методу обучения нейронной сети, она сможет самообучаться. (Дописать)
В качестве основного метода для проектирования программной системы были выбраны UML-диаграммы из-за возможности рассмотреть проектируемую систему с разных сторон, а в качестве основного программного средства — Draw.io. Также язык программирования для разработки интерфейса используется Python.

Купить

В данной выпускной квалификационной работе была разработана нейронная сеть для задачи распознавания лиц. Целью работы было создание эффективной системы, способной точно распознавать и идентифицировать лица сотрудников в реальном времени.
В ходе работы были достигнуты все поставленные цели и задачи. В процессе выполнения работы был проведен анализ аналогов и приведены диаграммы, описывающие данную системы. В ходе работы был выполнен обзор существующих методов и подходов к распознаванию лиц. Были рассмотрены основные этапы процесса распознавания лиц, включая предобработку данных, выбор архитектуры нейронной сети, обучение и тестирование системы. Были исследованы различные методы обучения.
В целом, результаты данной работы подтверждают эффективность и перспективность применения нейронных сетей в задаче распознавания лиц. Разработанная система отлично показывает себя в сфере безопасности но также может быть использована в различных областях, таких как видеонаблюдение, автоматизированная аутентификация и многое другое. Дальнейшее развитие и оптимизация данной нейронной сети могут привести к еще более точным и надежным системам распознавания лиц, способным решать сложные задачи в реальном времени.

Купить