ВВЕДЕНИЕ 4
Глава 1. Искусственные нейронные сети 6
1.1. Постановка задачи детектирования объектов 6
1.2. Краткая история 7
1.3. Нейрон 8
1.3.1. Взвешенная сумма 9
1.3.2. Функция активации 10
1.4. Нейронные сети 12
1.5. Сверточные нейронные сети 13
1.5.1. Сверточный слой 14
1.5.2. Слой субдискретизации 15
1.6. Обучение нейронной сети 16
1.6.1. Метод обратного распространения ошибки 17
Глава 2. Модели, использованные при разработке ИС 19
2.1. R-CNN 19
2.2. Fast R-CNN 22
2.3. Faster R-CNN 24
2.4. SSD 25
Глава 3. Описание метрик качества детектирования 29
3.1. Accuracy 29
3.2. Precision(точность) и RecaП(полнота) 29
3.3. F-мера 29
3.4. Мера IoU 29
3.5. Мера AP 30
3.6. Мера mAP
Глава 4. Описание разработки ИС 31
4.1. Анализ требований к информационной системе 31
4.2. Архитектура информационной системы 32
4.3. Программная реализация 35
4.4. Библиотека Tensorflow 36
4.5. Описание набора данных 37
Глава 5. Результаты 38
5.1. Взаимодействие компонентов системы 38
5.2. Анализ работы R-CNN 38
5.3. Анализ работы Fast R-CNN 39
5.4. Анализ работы Faster R-CNN 39
5.5. Анализ работы SSD 40
5.6. Сравнение Fast R-CNN, Faster R-CNN, SSD 41
5.7. Примеры работы модели Faster R-CNN 42
ЗАКЛЮЧЕНИЕ 45
СПИСОК ЛИТЕРАТУРЫ 46
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ 47
ПРИЛОЖЕНИЕ 48
Увеличение количества данных за последние десятилетия дало толчок для развития такой сферы, как теория распознавания образов. Теория распознавания образов - раздел информатики и смежных дисциплин, развивающий основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. Развитию данной теории способствовало также значительное увеличение вычислительной мощности.
Необходимость в таком распознавании возникает в самых разных областях — от военного дела и систем безопасности до оцифровки аналоговых сигналов.
Задача распознавания образов была поставлена в прошлом веке, и исследование в этой области все еще продолжаются. Распознавание образов — это отнесение исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных. Решение задачи распознавания изображений может найти применение:
- техническая диагностика. На производстве часто возникает проблема автоматизации контроля качества деталей. Задача состоит в том, чтобы выявить, является ли деталь дефектной, или нет. Если же выясняется, что деталь имеет дефект, часто нужно определить тип этого дефекта.
- Медицинская диагностика. Системы распознавания часто используются в медицинской практике. Самая типичная ситуация состоит в том, что те или иные заболевания диагностируются на основе анализа кардиограмм, рентгеновских снимков и т. п.
- Распознавание текста.
- Охранные системы. Применение методов распознавания в охранных системах связано в первую очередь с проблемой идентификации.
Например, нужно идентифицировать некоторую личность, чтобы определить, имеет ли она право входить на территорию охраняемого объекта. Развиваются также системы, которые решают проблему идентификации отпечатков пальцев и т. п.
- А также во многих других областях.
Целью выпускной квалификационной работы является построение информационной системы для детектирования опасных объектов на изображениях, полученных с рентгеновского сканера. Для достижения цели были поставлены следующие задачи:
- построение и исследование алгоритмов детектирования потенциально опасных объектов на изображениях, полученных с рентгеновского сканера.
- Разработка информационной системы для построения и использования детектора объектов.
- Проведение исследования достоверности алгоритмов в зависимости от параметров детектора.
В рамках работы рассматривались несколько подходов к решению задачи распознавания образов на изображениях и проводилось разработка информационный системы для первичной обработки данных, обучения сети, классификации, детектирования положения объектов, анализа производительности, сбора метрик.
В рамках работы была построена информационная система для детектирования потенциально опасных объектов на изображениях, полученных с рентгеновского снимка. Серверная часть системы, состоящая из различных микросервисов, была успешно развернута на удаленном хосте. Используя функционал системы, был загружен необходимый набор данных для обучения и тестирования моделей. Каждая из указанных в работе моделей была обучена на одном и том же наборе данных. Затем были произведены тесты на качество детектирования и производительность. Для каждой из описанных ранее моделей была вычислена метрика mAP, а также ее среднее время работы.
В данной работе были рассмотрены 4 различные модели нейронных сетей для решения задачи распознавания образов:
- R-CNN,
- Fast R-CNN,
- Faster R-CNN,
- SSD.
Следует отметить, что качество детектирования модели Faster R-CNN можно считать довольно хорошим, так как она показала высокое значение метрики mAP (0.918 при IoU = 0.5) и время работы (400мс), которое полностью удовлетворяет требованиям, поставленным в начале. Кроме того, примеры, на которых модель обучалась, были, как правило, действительно сложными, потому как даже человек может ошибиться в этих случаях. Поэтому именно эта модель используется по умолчанию в построенной системе.
Построенная информационная система соответствует списку требований, установленных в главе 4. Таким образом, поставленные задачи были выполнены в полном объеме.
