Аннотация 2
ВВЕДЕНИЕ 6
1. ИЗУЧЕНИЕ СОВРЕМЕННЫХ ТЕХНОЛОГИЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ 8
1.1. Поиск шаблона 8
1.2. Контурный анализ 9
1.3. Сопоставление по ключевым точкам 10
2. ИЗУЧЕНИЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ 11
2.1. Понятие нейрона 11
2.2. Функция активации 12
2.2.1. Сигмоида 12
2.2.2. Гиперболический тангенс 13
2.2.3. Функция активации ReLU 14
2.3. Функционирование нейронной сети 15
2.4. Сверточные нейронные сети 16
2.4.1. Входной слой 17
2.4.2. Сверточный слой 18
2.4.3. Слой подвыборки 20
2.4.4. Полносвязный слой 20
3. ПОСТАНОВКА ЗАДАЧИ И ПОДГОТОВКА ИСХОДНЫХ ДАННЫХ 23
3.1. Постановка задачи 23
3.2. Подготовка исходных данных 24
4. ОБУЧЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ И
ТЕСТИРОВАНИЕ СИСТЕМЫ 27
4.1. Рассмотрение различных архитектур модели определения дефектов 27
4.1.1. Вариант 1 27
4.1.2. Вариант 2 30
4.1.3. Вариант 3 31
4.2. Построение модели для определения типа плитки 34
4.3. Тестирование системы определения дефектов 37
4.4. Построение веб-приложения 38
ЗАКЛЮЧЕНИЕ 40
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 41
ПРИЛОЖЕНИЯ 43
Приложение А 43
Приложение Б 45
Приложение В 46
Приложение Г 48
В настоящее время широкое распространение получают программные системы, в основе которых лежат методы машинного обучения. Программисты и ученые стараются научить компьютер самостоятельно решать задачи, принимать решения и совершать другие действия, свойственные человеку. Одной из человеческих способностей, успешно передаваемой компьютеру, является зрение. В работе рассматривается система, способная с высокой точностью определять дефекты керамической плитки на производственной линии.
Актуальность работы заключается в практической применимости разрабатываемой системы. Система обнаружения дефектов продукции на производственной линии позволит определять бракованные изделия быстрее и эффективнее человека. Внедрение такой системы снизит процент производственного брака, повысит эффективность производства и, как следствие, доход предприятия.
Объектами исследования являются изображения с запечатленными на них фрагментами керамической плитки.
Предметом исследования является технология построения и обучения искусственных нейронных сетей, а также методы оценки качества их работы.
Целью работы является разработка системы, способной предоставлять информацию о наличии или отсутствии дефектов керамической плитки.
В работе поставлены и решены следующие задачи:
• изучение современных технологий компьютерного зрения;
• изучение сверточных нейронных сетей;
• подготовка исходных данных для обучения нейронной сети;
• обучение искусственной нейронной сети и тестирование систем.
Структура и объем работы Работа состоит из введения, четырех разделов, заключения, библиографического списка и приложений. Первая глава работы описывает современные алгоритмы компьютерного зрения, позволяющие решать поставленную задачу. Во второй главе подробно описана технология сверточных нейронных сетей, лежащая в основе разрабатываемого алгоритма. В третьей главе описывается постановка синтетического эксперимента с целью формирования исходных данных для обучения разрабатываемой системы. В четвертой главе произведено обучение спроектированной системы на тренировочных данных и проверка ее работы на тестовых данных. В заключении сделан вывод об особенностях разработанной системы, о качестве ее работы, а также о возможности ее практического применения.
В процессе разработки системы определения дефектов керамической плитки было проведено исследование, по результатам которого можно сделать несколько выводов.
Во-первых, исходные данные оказывают ключевое влияние на процесс проектирования и обучения нейронной сети. Однако в случае нехватки исходных данных допускается их самостоятельная генерация. При работе с изображениями применимы методы генерации изображений такие, как зеркалирование или повороты изображений. Кроме того, разрешается применять собственные методы генерации изображений. При этом следует уделить большое внимание репрезентативности полученной выборки для получения необходимого для поставленной задачи результата.
Во-вторых, при проектировании модели важно подобрать подходящую архитектуру для решения конкретной задачи. Подбор архитектуры осуществляется путем тестирования моделей с различными архитектурами. Существуют базовые принципы построения искусственных нейронных сетей для решения определенного класса задач, например, сверточные нейронные сети для работы с изображениями или рекуррентные нейронные сети для обработки естественного языка. Однако архитектура модели определяется конкретной задачей. При этом иногда простые модели показывают лучшее качество работы по сравнению с более сложными.
