📄Работа №215113
Тема: Разработка клиент-серверного приложения для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожающих опорам ЛЭП
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
73 листов
Год:
2022
Просмотров:
0
4270
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 6
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 8
1.1. Обзор литературы и приложений по предметной области 8
1.2. Системы географических координат 9
1.2.1. Проекции 9
1.3. Набор данных 10
1.4. Форматы геопространственных данных 12
1.5. Сверточные нейронные сети 14
2. ПРОЕКТИРОВАНИЕ 16
2.1. Топология нейронной сети 16
2.2. Подготовка данных 17
2.2.1. Разметка набора данных 17
2.2.2. Обработка фотографий в видимом диапазоне 17
2.2.3. Обработка фотографий в спектре NDVI 18
2.3. Требования к приложению 20
2.3.1. Функциональные требования 20
2.3.2. Нефункциональные требования 20
2.4. Диаграмма вариантов использования 20
2.5. Диаграмма активности процесса распознавания 22
2.6. Поиск высоких объектов рядом с опорой ЛЭП 23
2.7. REST API 24
2.8. Схема базы данных 29
3. РЕАЛИЗАЦИЯ 32
3.1. Программные средства реализации 32
3.2. Реализация предобработки данных 33
3.2.1. Обработка фотографий в видимом диапазоне 33
3.2.2. Обработка данных NDVI 35
3.3. Реализация и обучение нейронных сетей 37
3.3.1. Обучение YOLOv5 37
3.3.2. Реализация и обучение нейронной сети для оценки NDVI 37
3.4. Реализация серверной части 38
3.4.1. StorageService 38
3.4.2. FeatureService 40
3.4.3. JobService 42
3.4.4. GdalService 44
3.4.5. InferenceService 45
3.4.6. KmzService 48
3.5. Реализация веб-клиента 50
3.6. Docker контейнеры 54
4. ТЕСТИРОВАНИЕ 56
4.1. Тестирование YOLOv5 56
4.2. Тестирование нейронной сети для оценки NDVI 57
4.3. Тестирование приложения 58
4.4. Тестирование Docker контейнеров 60
ЗАКЛЮЧЕНИЕ 62
ЛИТЕРАТУРА 63
ПРИЛОЖЕНИЯ 66
Приложение А. Код нейронной сети для оценки NDVI 66
Приложение Б. Код метода, сохраняющего список сухих деревьев . 67
Приложение В. Код сервиса GdalService 68
Приложение Г. Классы, описывающие структуру KML документа . 70
Приложение Д. Скриншоты страницы состояния задачи 7
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 8
1.1. Обзор литературы и приложений по предметной области 8
1.2. Системы географических координат 9
1.2.1. Проекции 9
1.3. Набор данных 10
1.4. Форматы геопространственных данных 12
1.5. Сверточные нейронные сети 14
2. ПРОЕКТИРОВАНИЕ 16
2.1. Топология нейронной сети 16
2.2. Подготовка данных 17
2.2.1. Разметка набора данных 17
2.2.2. Обработка фотографий в видимом диапазоне 17
2.2.3. Обработка фотографий в спектре NDVI 18
2.3. Требования к приложению 20
2.3.1. Функциональные требования 20
2.3.2. Нефункциональные требования 20
2.4. Диаграмма вариантов использования 20
2.5. Диаграмма активности процесса распознавания 22
2.6. Поиск высоких объектов рядом с опорой ЛЭП 23
2.7. REST API 24
2.8. Схема базы данных 29
3. РЕАЛИЗАЦИЯ 32
3.1. Программные средства реализации 32
3.2. Реализация предобработки данных 33
3.2.1. Обработка фотографий в видимом диапазоне 33
3.2.2. Обработка данных NDVI 35
3.3. Реализация и обучение нейронных сетей 37
3.3.1. Обучение YOLOv5 37
3.3.2. Реализация и обучение нейронной сети для оценки NDVI 37
3.4. Реализация серверной части 38
3.4.1. StorageService 38
3.4.2. FeatureService 40
3.4.3. JobService 42
3.4.4. GdalService 44
3.4.5. InferenceService 45
3.4.6. KmzService 48
3.5. Реализация веб-клиента 50
3.6. Docker контейнеры 54
4. ТЕСТИРОВАНИЕ 56
4.1. Тестирование YOLOv5 56
4.2. Тестирование нейронной сети для оценки NDVI 57
4.3. Тестирование приложения 58
4.4. Тестирование Docker контейнеров 60
ЗАКЛЮЧЕНИЕ 62
ЛИТЕРАТУРА 63
ПРИЛОЖЕНИЯ 66
Приложение А. Код нейронной сети для оценки NDVI 66
Приложение Б. Код метода, сохраняющего список сухих деревьев . 67
Приложение В. Код сервиса GdalService 68
Приложение Г. Классы, описывающие структуру KML документа . 70
Приложение Д. Скриншоты страницы состояния задачи 7
📖 Введение
Электричество является наиболее универсальной и удобной формой энергии. Оно используется практически во всех областях деятельности человека, и с каждым годом потребность человечества в электроэнергии растет. Одним из самых важных параметров электросети является ее надежность. Для поддерживания надежности необходимо постоянное обслуживание всех компонентов в цепи. Одним из данных компонентов являются линии электропередач (ЛЭП).
Линиям электропередач могут угрожать деревья, которые при падении могут повредить опору ЛЭП или провода. В большой степени эта проблема решается нормативными стандартами. Так, например, ГОСТ 12.1.051-90 [1] определяет размер охранной зоны для линий электропередач различного напряжения. Но, так как деревья со временем растут, необходима периодическая проверка охранной зоны на наличие опасных объектов. В данной работе ставится задача автоматизации данного процесса.
Постановка задачи
Целью выпускной квалификационной работы является разработка клиент-серверного приложения для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожающих опорам ЛЭП. Для достижения поставленной цели необходимо решить следующие задачи:
1) произвести обзор литературы и существующих приложений по предметной области;
2) подготовить обучающую и тестовую выборки;
3) произвести обучение и тестирование нейронной сети;
4) разработать и протестировать приложение для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожающих опорам ЛЭП.
Структура и содержание работы
Работа состоит из введения, четырех глав, заключения и списка литературы. Объем работы составляет 73 страницы, объем списка литературы – 26 источников.
В первой главе произведен обзор литературы и приведена теоретическая информация о форматах геопространственных данных и о сверточных нейронных сетях. Также в данной главе описаны исходные данные.
Во второй главе описаны используемые нейронные сети, алгоритмы предобработки и постобработки данных. Также в данной главе определены требования к приложению, описаны алгоритмы обработки задачи, приведена диаграмма вариантов использования и схема базы данных, а также описано REST API приложения.
В третьей главе описаны средства разработки, реализация и процесс обучения нейронных сетей, а также приведены детали реализации серверной части.
В четвертой главе описывается тестирование нейронных сетей и приложения.
В приложениях содержатся листинги реализаций некоторых компонентов приложения и скриншоты интерфейса приложения.
Линиям электропередач могут угрожать деревья, которые при падении могут повредить опору ЛЭП или провода. В большой степени эта проблема решается нормативными стандартами. Так, например, ГОСТ 12.1.051-90 [1] определяет размер охранной зоны для линий электропередач различного напряжения. Но, так как деревья со временем растут, необходима периодическая проверка охранной зоны на наличие опасных объектов. В данной работе ставится задача автоматизации данного процесса.
Постановка задачи
Целью выпускной квалификационной работы является разработка клиент-серверного приложения для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожающих опорам ЛЭП. Для достижения поставленной цели необходимо решить следующие задачи:
1) произвести обзор литературы и существующих приложений по предметной области;
2) подготовить обучающую и тестовую выборки;
3) произвести обучение и тестирование нейронной сети;
4) разработать и протестировать приложение для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожающих опорам ЛЭП.
Структура и содержание работы
Работа состоит из введения, четырех глав, заключения и списка литературы. Объем работы составляет 73 страницы, объем списка литературы – 26 источников.
В первой главе произведен обзор литературы и приведена теоретическая информация о форматах геопространственных данных и о сверточных нейронных сетях. Также в данной главе описаны исходные данные.
Во второй главе описаны используемые нейронные сети, алгоритмы предобработки и постобработки данных. Также в данной главе определены требования к приложению, описаны алгоритмы обработки задачи, приведена диаграмма вариантов использования и схема базы данных, а также описано REST API приложения.
В третьей главе описаны средства разработки, реализация и процесс обучения нейронных сетей, а также приведены детали реализации серверной части.
В четвертой главе описывается тестирование нейронных сетей и приложения.
В приложениях содержатся листинги реализаций некоторых компонентов приложения и скриншоты интерфейса приложения.
✅ Заключение
В рамках данной работы было разработано приложение для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожающих опорам ЛЭП. В ходе выполнения данной работы были реше¬ны следующие задачи.
1. Произведен обзор литературы и существующих приложений по предметной области.
2. Подготовлены обучающие и тестовые выборки.
3. Произведено обучение и тестирование нейронной сети.
4. Разработано и протестировано приложение для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожаю-щих опорам ЛЭП.
Для улучшения работы системы можно добавить поиск не только опор ЛЭП, но и проводов, что позволит не полагаться на внешние данные для получения информации об охранной зоне ЛЭП. Также для улучшения работы можно обучить нейронную сеть YOLOv5 на более крупной выборке. Замена модели может быть легко произведена средствами TorchServe.
1. Произведен обзор литературы и существующих приложений по предметной области.
2. Подготовлены обучающие и тестовые выборки.
3. Произведено обучение и тестирование нейронной сети.
4. Разработано и протестировано приложение для автоматического распознавания сухих деревьев в охранной зоне ЛЭП и деревьев, угрожаю-щих опорам ЛЭП.
Для улучшения работы системы можно добавить поиск не только опор ЛЭП, но и проводов, что позволит не полагаться на внешние данные для получения информации об охранной зоне ЛЭП. Также для улучшения работы можно обучить нейронную сеть YOLOv5 на более крупной выборке. Замена модели может быть легко произведена средствами TorchServe.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.