ВВЕДЕНИЕ 5
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 8
1.1. Обзор существующих аналогов 8
1.2. Существующие решения для работы с нейронными сетями .... 9
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 11
2.1. Сверточные нейронные сети и их устройство 11
2.2. Различные модели распознавания объектов 13
3. ПРОЕКТИРОВАНИЕ 19
3.1. Функциональные и нефункциональные требования к системе 19
3.2. Топология нейронной сети 20
3.3. Варианты взаимодействия с системой 21
3.4. Диаграмма деятельности приложения 22
3.5 Проектирование интерфейса приложения 23
4. РЕАЛИЗАЦИЯ 25
4.1. Инструменты разработки 25
4.2. Предобработка входных данных 27
4.3. Обучение нейронной сети 28
4.4. Обработка входного видеопотока и реализация
пользовательского интерфейса 30
5. ТЕСТИРОВАНИЕ 34
5.1. Тестирование нейронной сети 34
5.2. Функциональное тестирование 35
ЗАКЛЮЧЕНИЕ 37
ЛИТЕРАТУРА 38
ОСНОВНЫЕ ОПРЕДЕЛЕНИЯ
Искусственная нейронная сеть - математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей нервных клеток живого организма. [1]
Машинное обучение - разновидность методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решению множества сходных задач. [2]
Глубокое обучение - алгоритмы машинного обучения, моделирующие высокоуровневые абстракции в наборах данных, с использованием архитектуры, состоящей из большого числа нелинейных преобразований. [3]
Обучающая выборка - набор данных, на которых происходит обучение нейронной сети.
Контрольная выборка - выборка, на которой проверяется эффективность обученной нейронной сети.
Распознавание образов - раздел информатики, связанный с идентификацией предметов, процессов, объектов с некоторым набором свойств и признаков. [4]
АКТУАЛЬНОСТЬ ТЕМЫ
Автомобильная промышленность уже давно представляет собой одну из главенствующих сфер жизни человека. С увеличением темпов роста данной отрасли, неизменно возрастают случаи автомобильных катастроф. Огромную роль в этом играет человеческий фактор - утомление, отвлекающие факторы, или же погодные условия, серьезно влияющие на качество восприятия факторов риска на дороге. В группе риска находятся водители дальних направлений (междугородние автобусы, дальнобойщики и т.д.). Поэтому важно, чтобы водитель всегда был в курсе происходящего на дороге. Бескомпромиссным решением здесь является 5
полный автопилот. Ежегодно крупнейшие автопроизводители выпускают новые версии транспорта, который все меньше привязан к ручному управлению. Однако ввиду того, что данная технология еще недостаточно созрела для реальной жизни, есть необходимость искать иные средства помощи человеку. Хорошим подспорьем может являться детектор дорожных знаков. Внимание и концентрация водителя являются исчерпаемыми ресурсами, потому существует необходимость в подобных средствах подстраховки.
ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ
Главной задачей работы является разработка системы распознавания дорожных знаков на основании видео. Система принимает на вход видеопоток, разбивая его на кадры и анализируя каждый из них. Таким образом определяются дорожные знаки, которые требуют дополнительного внимания водителя. В случае обнаружения знака, на который настроена система, водитель будет уведомлен об этом. Для реализации поставленной цели потребуется выполнить следующие подзадачи:
1) проанализировать предметную область и рассмотреть аналогичные системы;
2) спроектировать топологию нейронной сети;
3) выполнить сбор и подготовку данных для обучения;
4) скомпоновать и обучить нейронную сеть;
5) реализовать и протестировать приложение для распознавания дорожных знаков на видео.
СТРУКТУРА И ОБЪЕМ РАБОТЫ
Работа включает в себя введение, пять глав, заключение и список литературы. Объем составляет 39 страниц, список литературы насчитывает 23 источник.
СОДЕРЖАНИЕ РАБОТЫ
Первая глава содержит анализ предметной области, обзор аналогичных проектов, решающих поставленную задачу.
Вторая глава содержит описание принципа работы используемой модели и сверточных нейронных сетей.
Третья глава включает в себя функциональные и нефункциональные требования к системе, диаграммы использования и деятельности, и топология нейронной сети.
Четвертая глава содержит технические детали реализации приложения, также приведено описание процесса обучения модели.
Пятая глава отображает итоги проведенного тестирования нейронной сети и функционального тестирования системы.
В заключении представлены итоги проделанной работы.
В рамках данной работы была спроектировано и реализовано приложение для распознания дорожных знаков с применением нейросетевых технологий, а также было проведено тестирование системы и сверточной нейронной сети.
В ходе работы были решены следующие задачи:
1) провести обзор аналогов и анализ предметной области;
2) собрать и выполнить предварительную подготовку данных для обучения и тестирования модели;
3) скомпоновать и обучить нейронную сеть;
4) протестировать нейронную сеть;
5) разработать и протестировать пользовательский интерфейс приложения.
