Реферат
Введение 5
1 Развитие методов компьютерного зрения и их применение в анализе изображений 6
1.1 Актуальность использования систем технического зрения в сельском хозяйстве 8
1.2 Основные области применения СТЗ в сельском хозяйстве 9
1.3 Вывод 12
2 Анализ рынка 13
2.1 Общие данные. Основные сферы применения 13
2.2 Динамика рынка 13
2.3 Ситуация на Российском рынке 14
2.4 Тенденции рынка 15
3 Патентно-информационное исследование 16
3.1 Динамика патентования 16
3.2 Анализ патентовладельцев 17
3.3 Анализ технического уровня и тенденций развития в исследуемой области техники . 19
3.4 Патентный ландшафт 25
3.5 Выводы 27
4 Постановка задачи разработки технического зрения 29
4.1 Используемое оборудование 29
5 Выбор архитектуры нейронной сети 32
5.1 Архитектура Faster R-CNN (Faster Region-based Convolution Neural Network) 32
5.2 Архитектура SSD (Single Shot MultiBox Detector) 33
5.3 Архитектура YOLO (You Only Look Once) 34
5.4 Сравнительный анализ архитектур 34
5.5 Выбор модели YOLO 35
6 Подготовка к обучению нейросетевой модели YOLOv8n 37
6.1 Получение данных для обучения 37
6.2 Выбор инструментов программирования 38
6.2.1 Язык программирования Python 38
6.2.2 Необходимые библиотеки 39
6.2.3 Необходимые дистрибутивы 39
7 Обучение нейросетевой модели YOLOv8n 41
7.1 Исходный код 41
7.2 Работа с Raspberry Pi 4 43
8 Интеграция системы технического зрения на «АгроДУС» 46
8.1 Проект «АгроДУС» 46
8.2 Практическая реализация системы технического зрения 47
9 Финансовый менеджмент 49
9.1 Расчет продолжительности этапов работ 49
9.2 Себестоимость проекта 51
9.2.1 Расчет затрат на материалы и покупные изделия 52
9.2.2 Расчет заработной платы 52
9.2.3 Расчет отчислений в социальные фонды 54
9.2.4 Расчет амортизационных отчислений 54
9.2.5 Расчет прочих расходов 55
9.2.6 Расчет себестоимости проекта 55
10 Конкурентная среда 57
10.1 Оценка неценовой конкурентоспособности 57
10.2 Оценка ценовой конкурентоспособности 57
11 Устойчивое развитие 59
12 Информационная карта 60
13 Инженерная этика 66
Заключение 69
Список используемой литературы 70
Приложение А 74
Приложение Б 75
Приложение В 76
Приложение Г 155
Автоматизация процессов на производстве и в промышленности стала одной из основных тенденций 21 века. На фоне этого стремительный прогресс получили методы обработки и анализа визуальных данных, которые позволяют сложным системам “видеть”, обеспечивая более высокую степень автоматизации. Совокупность таких методов носит название компьютерное зрение. В то время как техническое (машинное) зрение - это сфера применения компьютерного зрения в промышленности или производстве
Системы машинного зрения применяют совокупность оптических компонентов, включая камеры и датчики, а также вычислительные модули и специализированное программное обеспечение для обработки визуальной информации, её анализа и формирования решений, на основе полученных данных.
Сам процесс работы машинного зрения можно разделить на несколько этапов:
• получение изображения - этот процесс включает в себя получение изображений с помощью камер или других оптических устройств;
• обработка изображения - этот этап включает в себя преобразование изображений в числовые данные, которые затем можно анализировать;
• анализ изображения - на этом этапе система машинного зрения анализирует полученные данные и выявляет интересующие объекты или паттерны;
• принятие решения - на основе полученных данных система машинного зрения принимает решение, которое может включать в себя выполнение определенного действия или передачу информации другим система [1].
Целью данный работы является разработка системы технического зрения, способная обнаруживать норы грызунов в режиме реального времени
Для достижения данной цели были выполнены следующие задачи:
• проведение анализа предметной области;
• проведение анализа рынка СТЗ;
• выбор программных средств для разработки СТЗ;
• разработка СТЗ для идентификации нор грызунов;
• интеграция СТЗ на автономную роботизированную платформу «АгроДУС».
В результате выполнения выпускной квалификационной работы был проведен анализ развития методов компьютерного зрения и их применение в анализе изображений, определена актуальность использования систем технического зрения в сельском хозяйстве, выполнена оценка динамики рынка СТЗ и анализ патентно-технической документации. В ходе изучения научной литературы и обобщения данных, было определенно, что для решения задачи детекции в режиме реального времени целесообразнее всего использовать метод глубокого обучения. Этот подход базируется на нейронных сетях, которые способны обучаться для точного распознавания и классификации изображений.
Обучение нейросетевой модели - это сложный процесс, который включает в себя подготовки данных для обучения, выбора оборудования на котором будет обучаться модель и на котором она будет реализована, выбор самой модели исходя из оборудования, и сам процесс обучения и оптимизации, который реализуется с помощью соответствующих инструментов и библиотек.
В ходе данной работы была обучена нейросетвая модель YOLOv8n, на собственном наборе данных. Работа велась в рамках проекта «АгроДУС» и одна из основных задач была интегрировать готовую СТЗ на робототехническую платформу. Целью СТЗ в данном эксперименте является обнаружение нор грызунов при движении роботизированной платформы в режиме реального времени. После интеграции модель способна в режиме реального времени обнаруживать норы мышевидных грызунов, размерами в диаметре от 2 до 15 сантиметров. При использовании одноплатного компьютера Raspberry Pi 4 и веб камеры Logitech HD WebCam C270 удалось достичь среднюю точность обнаружения нор в 87-95%, при обучении в 100 эпох. Скорость обработки данных в режиме реального составляет 6-9 кадров в секунду.
При анализе рынка было выявлено, что нынок СТЗ представляет не много готовых решений, которые способны интегрироваться на платформу и выполнять задачу детекции. В основном предлагаются целостные роботизированные решения, которые включает в себя СТЗ и решают конкретную задачу. Таким образом, можно сделать вывод о том, что рынок еще не насыщен производителями данных систем и нет явного лидера, но наблюдается растущий интерес к технологиям машинного зрения.
