📄Работа №207002
Тема: Распознавание сервированных блюд с использованием нейронных сетей
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Программирование
Объем:
62 листов
Год:
2020
Просмотров:
26
4620
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 2
ВВЕДЕНИЕ 8
1 РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ФОТОГРАФИИ 9
1.1 Классификация изображений 9
1.2 Детекция объектов на изображении 12
1.3 Методы для решения задач классификации и сегментации 13
1.4 Модели 14
1.4.1 Нейронные сети глубокого обучения 14
1.4.2 Сверточные нейронные сети 15
1.5 Балансировка набора данных 18
1.5.1 Удаление миноритарного класса 19
1.5.2 Случайное удаление примеров из мажоритарного класса 19
1.5.3 Дублирование примеров миноритарного класса 19
1.6 Существующие решения и аналоги 19
1.7 Выбор среды разработки 21
1.8 Вывод по главе 1 22
2 АЛГОРИТМ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ 23
2.1 Постановка задачи распознавания 23
2.2 Исходные данные для классификатора 23
2.3 Исходные данные для распознавания 26
2.4 Общий алгоритм для обучения нейронных сетей 28
2.5 Описание классификатора 29
2.6 Описание YOLOv3 31
2.7 Описание EfficentDet 33
2.8 Функции активации и потерь 35
2.9 Функции для оценки точности 36
2.10 Вывод по главе 2 37
3 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ И ПРОВЕРКА НА ТЕСТОВЫХ
ДАННЫХ 38
3.1 Параметры классификатора 38
3.2 Параметры детектирования с использованием YOLOv3 41
3.3 Параметры детектирования с использованием EfficentDet 43
3.4 Сравнение результатов работы YOLOv3 и EfficentDet 45
3.5 Выводы по 3 главе 47
ЗАКЛЮЧЕНИЕ 48
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 49
ПРИЛОЖЕНИЕ 1 Исходный код 53
ВВЕДЕНИЕ 8
1 РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ФОТОГРАФИИ 9
1.1 Классификация изображений 9
1.2 Детекция объектов на изображении 12
1.3 Методы для решения задач классификации и сегментации 13
1.4 Модели 14
1.4.1 Нейронные сети глубокого обучения 14
1.4.2 Сверточные нейронные сети 15
1.5 Балансировка набора данных 18
1.5.1 Удаление миноритарного класса 19
1.5.2 Случайное удаление примеров из мажоритарного класса 19
1.5.3 Дублирование примеров миноритарного класса 19
1.6 Существующие решения и аналоги 19
1.7 Выбор среды разработки 21
1.8 Вывод по главе 1 22
2 АЛГОРИТМ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ 23
2.1 Постановка задачи распознавания 23
2.2 Исходные данные для классификатора 23
2.3 Исходные данные для распознавания 26
2.4 Общий алгоритм для обучения нейронных сетей 28
2.5 Описание классификатора 29
2.6 Описание YOLOv3 31
2.7 Описание EfficentDet 33
2.8 Функции активации и потерь 35
2.9 Функции для оценки точности 36
2.10 Вывод по главе 2 37
3 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ И ПРОВЕРКА НА ТЕСТОВЫХ
ДАННЫХ 38
3.1 Параметры классификатора 38
3.2 Параметры детектирования с использованием YOLOv3 41
3.3 Параметры детектирования с использованием EfficentDet 43
3.4 Сравнение результатов работы YOLOv3 и EfficentDet 45
3.5 Выводы по 3 главе 47
ЗАКЛЮЧЕНИЕ 48
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 49
ПРИЛОЖЕНИЕ 1 Исходный код 53
📖 Аннотация
В данной работе исследуется применение методов машинного и глубокого обучения для решения задачи автоматического распознавания сервированных блюд по фотографиям. Актуальность исследования обусловлена растущим интересом к автоматизации процессов в сфере общественного питания, пищевой аналитики и разработки умных систем, способных идентифицировать состав и калорийность пищи, что имеет значение для здоровья и диетологии. В ходе работы были систематизированы подходы к классификации и детекции объектов, подготовлен специализированный набор данных, а также разработаны и протестированы модели нейронных сетей на базе архитектур YOLOv3 и EfficientDet. Основные результаты заключаются в достижении точности классификации до 87%, а детекции — 88% и 85% для указанных моделей соответственно; проведенный сравнительный анализ показал, что EfficientDet демонстрирует сопоставимую с YOLOv3 эффективность при меньших вычислительных затратах на обучение, хотя для обработки видеопотоков предпочтительнее остается YOLOv3. Научная значимость работы состоит в адаптации и сравнительной оценке современных архитектур сверточных нейронных сетей для специфической предметной области, а практическая — в возможности внедрения разработанных решений в системы автоматизированного учета питания, ресторанного менеджмента и мобильные приложения для здорового образа жизни. Теоретической основой исследования послужили труды таких авторов, как Р. Гонсалес и Р. Вудс, рассматривающие основы цифровой обработки изображений, Я. Гудфеллоу с соавторами, раскрывающие принципы глубокого обучения, а также С.А. Вакуленко, описывающий практические аспекты работы с нейронными сетями.
📖 Введение
Распознавание объектов служит для отнесения исходных данных к одному из заранее определенных классов при помощи выделения некоторых существенных признаков, позволяющих охарактеризовать эти данные.
Проблема распознавания объектов усилено начала приобретать значение в условиях, когда человек не справляется с большим количество информационных перегрузок и не может справиться с линейно-после¬довательным пониманием различных поступающих к нему сообщений.
Таким образом, проблема распознавания объектов начала охватывать самые различные области и оказалась в поле междисциплинар ных исследований, особенно в областях, связанных с нейронными сетями и искусственным интеллектом.
Если раньше задача распознавания в основном применялась для решения задач в области безопасности, то с развитием нейронных сетей количество областей значительно расширилось. Сейчас задачу распознавания можно применить в любой сфере, где имеется видеопоток данных или большое количество изображений.
Целью данной работы является исследование средств машинного и глубоко обучения и их применимость в решении задачи распознавания сервированных блюд .
Для достижения данной цели необходимо решить следующие задачи:
1) исследовать существующие подходы для решения задачи распознавания объектов по фотографии;
2) подготовить набор исходных данных для классификации и детекции;
3) разработать модель нейронной сети для решения поставленной задачи;
4) провести вычислительный эксперимент на подготовленных тестовых данных.
Проблема распознавания объектов усилено начала приобретать значение в условиях, когда человек не справляется с большим количество информационных перегрузок и не может справиться с линейно-после¬довательным пониманием различных поступающих к нему сообщений.
Таким образом, проблема распознавания объектов начала охватывать самые различные области и оказалась в поле междисциплинар ных исследований, особенно в областях, связанных с нейронными сетями и искусственным интеллектом.
Если раньше задача распознавания в основном применялась для решения задач в области безопасности, то с развитием нейронных сетей количество областей значительно расширилось. Сейчас задачу распознавания можно применить в любой сфере, где имеется видеопоток данных или большое количество изображений.
Целью данной работы является исследование средств машинного и глубоко обучения и их применимость в решении задачи распознавания сервированных блюд .
Для достижения данной цели необходимо решить следующие задачи:
1) исследовать существующие подходы для решения задачи распознавания объектов по фотографии;
2) подготовить набор исходных данных для классификации и детекции;
3) разработать модель нейронной сети для решения поставленной задачи;
4) провести вычислительный эксперимент на подготовленных тестовых данных.
✅ Заключение
В результате проделанной работы были исследованы существующие методы решения задачи распознавания объектов на фотографии, сделан выбор в пользу нейросетевого подхода, рассмотрены решения и аналоги в области распознавания блюд, рассмотрены среды разработки моделей нейронных сетей.
Были подготовлены данные для решения задач классификации и детекции, определены параметры преобразования для данных, выбраны основные архитектуры для моделей классификации и детекции, рассмотрены различные функции активации и потерь, выбраны метрики точности.
Также были разработаны модели нейронных сетей с использованием выбранных ранее архитектур, подобраны начальные параметры для каждой модели.
Модели протестированы на подготовленных данных. Точность модели классификации составила 87%. Точности моделей детекции составили 88% и 85% соответственно для YOLOv3 и EfficentDet. Произведено сравнение моделей. Модель EfficentDet показала результат сопоставимый с YOLOv3, при этом было затрачено намного меньше времени на обучение, а сама детекция занимает меньше времени. Однако для работы с видеопотоков подходит модель основанная на YOLOv3.
Таким образом все поставленные в работе задачи были выполнены и цель достигнута.
Были подготовлены данные для решения задач классификации и детекции, определены параметры преобразования для данных, выбраны основные архитектуры для моделей классификации и детекции, рассмотрены различные функции активации и потерь, выбраны метрики точности.
Также были разработаны модели нейронных сетей с использованием выбранных ранее архитектур, подобраны начальные параметры для каждой модели.
Модели протестированы на подготовленных данных. Точность модели классификации составила 87%. Точности моделей детекции составили 88% и 85% соответственно для YOLOv3 и EfficentDet. Произведено сравнение моделей. Модель EfficentDet показала результат сопоставимый с YOLOv3, при этом было затрачено намного меньше времени на обучение, а сама детекция занимает меньше времени. Однако для работы с видеопотоков подходит модель основанная на YOLOv3.
Таким образом все поставленные в работе задачи были выполнены и цель достигнута.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.