📄Работа №189268
Тема: РАСПОЗНАВАНИЕ ГЕОМЕТРИЧЕСКИХ ОБЪЕКТОВ В ВИДЕОПОТОКЕ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ
Тип работы
Бакалаврская работа
Предмет
механика
Объем:
47 листов
Год:
2024
Просмотров:
54
4295
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
Введение 5
1 Основы технического зрения 6
1.1 Общие принципы работы технического зрения 6
1.2 Алгоритмы работы технического зрения 7
2 Принципы работы и применение нейронных сетей 9
2.1 История нейронных сетей: от ранних исследований до современности . 9
2.2 Структура нейронной сети и принципы ее работы 10
2.2.1 Общие принципы построения 10
2.2.2 Структура нейронной сети 11
2.2.3 Функция активации 12
2.2.4 Обучение нейросетей: итерации, эпохи и ошибки 14
2.2.5 Принцип работы нейронной сети 16
2.3 Виды нейронных сетей 17
2.4 Применение нейронных сетей в производстве и промышленности 18
2.5 Роль нейронных сетей в данной работе 19
3 Практическая часть 21
3.1 Используемое программное обеспечение 21
3.2 Общее описание кода 22
3.3 Создание тренировочного набора данных 23
3.4 Обучение нейронной сети на тренировочном наборе данных 27
3.5 Захват и обработка изображения с камеры 29
3.6 Анализ результатов 32
Заключение 37
Список используемых источников и литературы 38
Приложение А Код программы для создания обучающего набора данных ... 39
Приложение Б Код для создания и обучения модели нейронной сети 41
Приложение В Код программы для обработки и подачи изображения на вход нейронной сети
1 Основы технического зрения 6
1.1 Общие принципы работы технического зрения 6
1.2 Алгоритмы работы технического зрения 7
2 Принципы работы и применение нейронных сетей 9
2.1 История нейронных сетей: от ранних исследований до современности . 9
2.2 Структура нейронной сети и принципы ее работы 10
2.2.1 Общие принципы построения 10
2.2.2 Структура нейронной сети 11
2.2.3 Функция активации 12
2.2.4 Обучение нейросетей: итерации, эпохи и ошибки 14
2.2.5 Принцип работы нейронной сети 16
2.3 Виды нейронных сетей 17
2.4 Применение нейронных сетей в производстве и промышленности 18
2.5 Роль нейронных сетей в данной работе 19
3 Практическая часть 21
3.1 Используемое программное обеспечение 21
3.2 Общее описание кода 22
3.3 Создание тренировочного набора данных 23
3.4 Обучение нейронной сети на тренировочном наборе данных 27
3.5 Захват и обработка изображения с камеры 29
3.6 Анализ результатов 32
Заключение 37
Список используемых источников и литературы 38
Приложение А Код программы для создания обучающего набора данных ... 39
Приложение Б Код для создания и обучения модели нейронной сети 41
Приложение В Код программы для обработки и подачи изображения на вход нейронной сети
📖 Введение
Современные технологии в области компьютерного зрения и искусственного интеллекта предоставляют уникальные возможности для создания систем распознавания объектов в реальном времени. Одной из актуальных задач является распознавание геометрических объектов в видеопотоке, что находит применение в различных сферах. Например, в области промышленности это может быть использовано для автоматического контроля качества заготовок и готовой продукции, в автоматических системах управления - для навигации роботов, контроля за станками с числовым программным управлением, для реализации автоматической транспортной системы на складах и в цехах. Это позволяет улучшить производственные процессы, повысить качество и количество выпускаемой продукции, усовершенствовать работу систем безопасности, повысить уровень автоматизации и роботизации в различных областях.
Целью работы является разработка программы для распознавания геометрических объектов в видеопотоке в режиме реального времени с использованием методов компьютерного зрения и искусственных нейронных сетей. Программа должна обнаруживать и классифицировать геометрические фигуры в реальном времени, что позволит ее применять в различных прикладных областях для автоматизации процессов и улучшения качества работы систем управления и мониторинга.
Для достижения поставленной цели необходимо решить следующие задачи:
6. изучить литературу по теме;
7. создать модель нейронной сети;
8. подготовить набор данных для обучения нейронной сети;
9. обучить нейронную сеть;
10. проанализировать результат
Целью работы является разработка программы для распознавания геометрических объектов в видеопотоке в режиме реального времени с использованием методов компьютерного зрения и искусственных нейронных сетей. Программа должна обнаруживать и классифицировать геометрические фигуры в реальном времени, что позволит ее применять в различных прикладных областях для автоматизации процессов и улучшения качества работы систем управления и мониторинга.
Для достижения поставленной цели необходимо решить следующие задачи:
6. изучить литературу по теме;
7. создать модель нейронной сети;
8. подготовить набор данных для обучения нейронной сети;
9. обучить нейронную сеть;
10. проанализировать результат
✅ Заключение
В заключение следует отметить, что данный подход к распознаванию геометрических объектов в режиме реального времени имеет огромную значимость и актуальность в современном мире компьютерного зрения и машинного обучения. Он может применяться в таких аспектах как промышленность, автоматическое вождение, улучшение систем безопасности и контроля и многих других.
В ходе данных исследований было проведено несколько экспериментов, с целью тестирования корректности работы программы распознавания геометрических объектов в режиме реального времени. Наилучшие результаты достигаются в случае наличия хорошего освещения в помещении, если фигура, которую требуется распознать, расположена достаточно близко к видеокамере и имеет малый угол поворота (до 10°). В случае существенных отклонений от указанных условий, наблюдается снижение эффективности распознавания. Так же следует отметить, что выбранные геометрические фигуры слишком простые. В следствие чего, программа может ошибочно распознавать их в фоне на изображении.
Дальнейшее развитие программы может включать в себя улучшение точности и скорости распознавания объектов, а также расширение функциональности для работы с различными типами геометрических объектов. Также важным аспектом является оптимизация алгоритмов обработки изображений и использование более сложных моделей нейронных сетей для улучшения качества распознавания.
В ходе данных исследований было проведено несколько экспериментов, с целью тестирования корректности работы программы распознавания геометрических объектов в режиме реального времени. Наилучшие результаты достигаются в случае наличия хорошего освещения в помещении, если фигура, которую требуется распознать, расположена достаточно близко к видеокамере и имеет малый угол поворота (до 10°). В случае существенных отклонений от указанных условий, наблюдается снижение эффективности распознавания. Так же следует отметить, что выбранные геометрические фигуры слишком простые. В следствие чего, программа может ошибочно распознавать их в фоне на изображении.
Дальнейшее развитие программы может включать в себя улучшение точности и скорости распознавания объектов, а также расширение функциональности для работы с различными типами геометрических объектов. Также важным аспектом является оптимизация алгоритмов обработки изображений и использование более сложных моделей нейронных сетей для улучшения качества распознавания.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.