📄Работа №184023
Тема: РАЗРАБОТКА КЛАССИФИКАТОРА ИЗОБРАЖЕНИЙ ГРИБОВ НА ОСНОВЕ ДВУХ НЕЙРОННЫХ СЕТЕЙ
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Прикладная информатика
Объем:
51 листов
Год:
2022
Просмотров:
53
4600
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Аннотация
Перечень условных обозначений 6
Введение 7
1 Подготовка наборов изображений 9
2 Описание используемых в работе моделей нейронных сетей 9
2.1 Сверточные нейронные сети 10
2.1.1 Входной слой 11
2.1.2 Сверточный слой 12
2.1.3 Слой подвыборки 14
2.1.4 Полносвязный слой 15
2.1.5 Выходной слой 16
2.2 Перенос обучения 17
2.3 ResNet 18
3 Обучение нейронных сетей и предотвращение переобучения 22
3.1 Используемые в сравнительном анализе модели нейронных сетей и их
параметры 22
3.2 Переобучение 24
3.2.1 Dropout 26
3.2.2 Аугментация данных 27
3.2.3 k-блочная кросс-валидация 29
4 Соединение работы двух нейронных сетей и оценка точности результатов 36
4.1 Соединение работы двух нейронных сетей 36
4.2 Оценка точности результатов 39
4.3 Сравнение работы с аналогами на рынке 41
Заключение 44
Список использованных источников и литературы 42
Перечень условных обозначений 6
Введение 7
1 Подготовка наборов изображений 9
2 Описание используемых в работе моделей нейронных сетей 9
2.1 Сверточные нейронные сети 10
2.1.1 Входной слой 11
2.1.2 Сверточный слой 12
2.1.3 Слой подвыборки 14
2.1.4 Полносвязный слой 15
2.1.5 Выходной слой 16
2.2 Перенос обучения 17
2.3 ResNet 18
3 Обучение нейронных сетей и предотвращение переобучения 22
3.1 Используемые в сравнительном анализе модели нейронных сетей и их
параметры 22
3.2 Переобучение 24
3.2.1 Dropout 26
3.2.2 Аугментация данных 27
3.2.3 k-блочная кросс-валидация 29
4 Соединение работы двух нейронных сетей и оценка точности результатов 36
4.1 Соединение работы двух нейронных сетей 36
4.2 Оценка точности результатов 39
4.3 Сравнение работы с аналогами на рынке 41
Заключение 44
Список использованных источников и литературы 42
📖 Аннотация
Работа посвящена разработке классификатора изображений грибов на основе архитектуры из двух сверточных нейронных сетей. Актуальность исследования обусловлена недостатками существующих решений, которые классифицируют грибы по единственному изображению, что часто приводит к ошибкам из-за невозможности учета ключевых признаков, видимых только с определенных ракурсов, например, диаметра ножки. В качестве методологической основы использованы сверточные нейронные сети, в частности, рассмотрены архитектура ResNet и методы предотвращения переобучения, включая аугментацию данных и dropout, что отражено в обзоре Сикорского О.С. по сверточным сетям. Практическим результатом является алгоритм, в котором одна сеть анализирует вид гриба сверху, а вторая — сбоку, а их выходы интегрируются для итогового предсказания. Данный подход, как показала оценка метрик, существенно снижает количество ошибок первого и второго рода по сравнению с использованием одиночной сети, повышая надежность определения съедобности. Разработанный классификатор может быть использован в мобильных и веб-приложениях для безопасного определения грибов, предоставляя пользователям более точный инструмент за счет анализа двух фотографий.
📖 Введение
Над вопросами классификации изображений работали многие авторы в разных предметных областях. Для распознавания изображений используются такие классические методы как байессовские классификаторы , корреляционный метод . Использование классических методов трудозатратно в связи с необходимостью определения, выявления признаков каждого класса изображений вручную, что в случае сложных изображений проблематично. Альтернативным методом анализа изображений являются нейросети . Это позволяет не только обрабатывать большие объемы данных, но и выделять признаки принадлежности классам изображений, невидимые человеческому глазу.
Одним из способов классификации изображений является классификатор на основе сверточной нейронной сети, который будет использоваться в данной работе. В основе классификатора выбраны две сверточные нейронные сети, поскольку данный тип нейросетей является лидирующим в решении проблемы распознавания и классификации изображений по результатам ежегодного международного конкурса ILSVRC с 2012 года.
На данный момент в области распознавания изображений грибов уже существует некоторое количество аналогов, представленных на рынке мобильных и веб-приложений. Однако каждое из этих приложений распознает и классифицирует предоставленный пользователем гриб исключительно по одному изображению. Подобный подход также приемлем, однако у грибов есть важные особенности, которые в определенных случаях невозможно выделить, используя при распознавании один ракурс фотографии. Например, при использовании изображений гриба «сверху», не учитывается диаметр ножки гриба, что может привести к неверным результатам распознавания. Данный подход имеет свои погрешности, количество которых можно сократить, если использовать хотя бы два изображения для классификации.
В данной работе использован метод, позволяющий уменьшить количество ошибок при классификации гриба по одному изображению. Он представлен как объединение работы двух нейронных сетей, каждая из которых классифицирует по одному ракурсу, с которого был сфотографирован гриб - одна нейронная сеть распознает гриб сверху, а вторая - сбоку. Такой подход позволяет уменьшить количество ошибочных предсказаний, которые могла бы сделать одна нейронная сеть, поскольку часть её ошибок будут скомпенсированы благодаря верной классификации второй нейронной сети.
Целью данной работы является разработка алгоритма, классифицирующего изображения грибов, предоставленные пользователем, на основе двух сверточных нейронных сетей.
В соответствии с поставленной целью были выделены следующие задачи:
1. Подготовить два набора данных - вид гриба сверху и сбоку
2. Выбрать модель нейросети для каждого набора данных
3. Обучить нейросети для обоих наборов данных
4. Разработать алгоритм, классифицирующий изображения грибов на основе результатов работы обеих нейросетей
Одним из способов классификации изображений является классификатор на основе сверточной нейронной сети, который будет использоваться в данной работе. В основе классификатора выбраны две сверточные нейронные сети, поскольку данный тип нейросетей является лидирующим в решении проблемы распознавания и классификации изображений по результатам ежегодного международного конкурса ILSVRC с 2012 года.
На данный момент в области распознавания изображений грибов уже существует некоторое количество аналогов, представленных на рынке мобильных и веб-приложений. Однако каждое из этих приложений распознает и классифицирует предоставленный пользователем гриб исключительно по одному изображению. Подобный подход также приемлем, однако у грибов есть важные особенности, которые в определенных случаях невозможно выделить, используя при распознавании один ракурс фотографии. Например, при использовании изображений гриба «сверху», не учитывается диаметр ножки гриба, что может привести к неверным результатам распознавания. Данный подход имеет свои погрешности, количество которых можно сократить, если использовать хотя бы два изображения для классификации.
В данной работе использован метод, позволяющий уменьшить количество ошибок при классификации гриба по одному изображению. Он представлен как объединение работы двух нейронных сетей, каждая из которых классифицирует по одному ракурсу, с которого был сфотографирован гриб - одна нейронная сеть распознает гриб сверху, а вторая - сбоку. Такой подход позволяет уменьшить количество ошибочных предсказаний, которые могла бы сделать одна нейронная сеть, поскольку часть её ошибок будут скомпенсированы благодаря верной классификации второй нейронной сети.
Целью данной работы является разработка алгоритма, классифицирующего изображения грибов, предоставленные пользователем, на основе двух сверточных нейронных сетей.
В соответствии с поставленной целью были выделены следующие задачи:
1. Подготовить два набора данных - вид гриба сверху и сбоку
2. Выбрать модель нейросети для каждого набора данных
3. Обучить нейросети для обоих наборов данных
4. Разработать алгоритм, классифицирующий изображения грибов на основе результатов работы обеих нейросетей
✅ Заключение
Таким образом, в данной работе был представлен алгоритм, благодаря которому появляется возможность классифицировать грибы по двум изображениям. Как и предполагалось до начала работы, используемый подход позволяет существенно сократить количество ошибок, допускаемый при классификации каждого изображения в отдельности. Значения метрик, учитывающих количество ошибок первого и второго рода, показывают, что реализованный в работе алгоритм способен с несравнимо высокой точностью определить гриб на съедобность, что является важным фактором в сфере распознавания грибов.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.