Тип работы:
Предмет:
Язык работы:


Исследование и разработка программного комплекса для распознавания изображений схем

Работа №80187

Тип работы

Дипломные работы, ВКР

Предмет

автоматика и управление

Объем работы69
Год сдачи2020
Стоимость4280 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
230
Не подходит работа?

Узнай цену на написание


АННОТАЦИЯ 1
ВВЕДЕНИЕ 4
ЦЕЛИ И ЗАДАЧИ 5
1 ВВЕДЕНИЕ В ПРЕДМЕТНУЮ ОБЛАСТЬ 6
1.1 Обзор методов решения 7
1.2 Обоснование выбора метода 11
1.3 Теория работы нейронных сетей 11
1.4 Сегментация 19
1.5 Методы масштабирования обучающей выборки 23
1.6 Область применения 27
2 РАЗРАБОТКА ОСНОВНОГО ПРОГРАММНОГО МОДУЛЯ 28
2.1 Выбор платформы 28
2.2 Подготовка набора данных 29
2.3 Базовый сценарий распознавания схемы 30
2.4 Граф-структура вызова модулей 31
2.5 Снимки схемы 33
2.6 Хранение обнаруженных объектов 33
2.7 Холст 34
2.8 Подключение новых модулей 35
2.9 Валидация изображений схем 36
3 РАЗРАБОТКА МОДУЛЕЙ РАСПОЗНАВАНИЯ 38
3.1 Модули обнаружения текста 38
3.2 Модули распознавания текста 41
3.3 Модуль определения элемента 44
3.4 Модуль определения связей 47
3.5 Инструменты обработки изображений 49
3.5.1 Модуль удаления области с изображения схемы 49
3.5.2 Модуль изменения разрешения изображения схемы 51
3.5.3 Модуль поворота изображения схемы 57
3.5.4 Модуль кадрирования части схемы 59
3.5.5 Модуль улучшение качества изображения схемы 60
ВЫВОДЫ 62
ЗАКЛЮЧЕНИЕ 63
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 64
ПРИЛОЖЕНИЕ А 68


В современном мире задача распознавания схем повсеместно возникает на различных предприятиях, заводах, исследовательских институтах и конструкторских бюро, за долгое время существования успевших накопить огромное количество не оцифрованных бумажных схем. На данный момент, задачу решают путем ручной перерисовки схем, но такой способ не подходит, когда их количество исчисляется тысячами, также не стоит забывать про человеческий фактор, когда сотрудник, решающий на протяжении нескольких часов монотонную задачу, может указать неверный элемент или неправильное соединение, не заметив этого. Решение данной проблемы, безусловно, сократило бы временные затраты сотрудников и ускорило бы разработку новых проектов, сократив и финансовые затраты.
Таким образом формируется цель разработки программного продукта для распознавания схем.
К достижению данной цели следует подходить комплексно и разбивать её на несколько задач:
• Обнаружение элементов и связей и текста на изображении схемы
• Идентификация найденных объектов
• Сопоставление элементов и связей и текста
• Проверка синтаксиса
Данный программный продукт является частью автоматизированной информационной системы поддержки процессов проектирования (АИС ППП).
ЦЕЛИ И ЗАДАЧИ
Ставится цель разработки универсального программного продукта, способного по изображениям схем, распознать текст, элементы и связи между ними.
Характеристики программного продукта:
• Возможность конфигурирования и добавления новых модулей
• Возможность распознавания различных типов схем
• Скорость распознавания не более 2-х минут
• Создание точной копии схемы в цифровом формате
• Автоматическое получение результатов для стандартных схем
Достижение поставленной цели осуществляется путем решения пяти задач:
1. Провести обзор и анализ предметной области
2. Выбрать и обосновать архитектуру программного комплекса
3. Выбор платформы реализации
4. Программная реализация модулей и системы
5. Тестирование системы


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В рамках выпускной квалификационной магистерской работы разработан программный комплекс, позволяющий выполнить распознавание изображений схем по фотографиям для получения цифровой модели схемы.
Разработан основной программный модуль, позволяющий реализовать распознавание нескольких типов схем по средствам интеграции дополнительных модулей и комбинирования их при выполнении распознавания.
При разработке модулей было проведено сравнение существующих решений по обнаружению и распознаванию текста, на основе тестов выбраны лучшие и реализованы соответствующие модули. Также были реализованы модули обнаружения и распознавания объектов и инструменты обработки изображения схемы:
• удаления области с изображения схемы
• изменения разрешения
• поворота
• кадрирования
• улучшения качества
Данный программный комплекс показал свою работоспособность, а значит, после доработки, его возможно ввести в эксплуатацию, что позволит значительно сократить денежные вложения и трудозатраты специалистов занимающихся ручной оцифровкой схем.



1. B. Slatkin. Effective Python: 90 Specific Ways to Write Better Python (OASIS), 2nd Edition. Addison-Wesley Professional, 2020. p. 480.
2. Рубаков С.В. Современные методы анализа данных, Управление наукой и наукометрия. 2008. №7. URL: https:ZZcyberleninka.ru/articleZnZsovremennye- metody-analiza-dannyh(дата обращения: 10.05.2020)
3. Н. Соловьев, А. Семенов, А. Цыганков, Елена Чернопрудова. Интеллектуальные системы, Litres, 2017.
4. Anil K., Jain, Jianchang Mao, K.M. Mohiuddin. Artificial Neural Networks: A Tutorialn, IEEE Computer, Vol.29, No.3, 1996, pp. 31-44.
5. Геннадий Степанов. Искусственный разум. Задача коммивояжера. Проблема перебора P=NP, Litres, 2020.
6. Мельников Д.А. Применение нейронных сетей в системах управления
двигателем внутреннего сгорания, URL:
http:ZZmospolytech.ru/scienceZautotr2009ZscientificZarticleZs02Zs02_27.pdf (дата обращения: 13.05.2020)
7. Сергей Николенко, Александр Тулупьев. Самообучающиеся системы, Litres, 2017, pp 85-89.
8. Джордж Ф. Люгер. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание. 2003.
9. Bharath Raj. A Simple Guide to Semantic Segmentation URL: https:ZZmedium.comZbeyondmindsZa-simple-guide-to-semantic-segmentation- effcf83e7e54 (дата обращения: 19.06.20)
10. Jaap van den Herik, Ana Paula Rocha, Luc Steels. Agents and Artificial Intelligence: 11th International Conference, ICAART 2019, Prague, Czech Republic, 2019
11. Chao D, Chen CL, Kaiming H, Ziaoou T. Learning a deep convolutional network for image super-resolution. In: ECCV. Berlin: Springer; 2014. , p. 184-99.
12. Guoliang K, Xuanyi D, Liang Z, Yi Y. PatchShuffle regularization. arXiv preprint. 2017.
13. Cecilia S, Michael JD. Improved mixed-example data augmentation. ArXiv preprint. 2018.
14. Ryo T, Takashi M. Data augmentation using random image cropping and patches for deep CNNs. arXiv preprints. 2018.
15. Zhun Z, Liang Z, Guoliang K, Shaozi L, Yi Y. Random erasing data augmentation. ArXiv e-prints. 2017.
16. LabelImg URL: https://github.com/tzutalin/labelImg(дата обращения: 10.06.2020).
17.ImgAug URL: https://imgaug.readthedocs.io/en/latest(дата обращения: 10.06.2020).
18. D.O. Hebb. The Organization of Behavior, John Wiley & Sons, New York. 1949.
19. Y. Baek, B. Lee, D. Han, S. Yun, H. Lee. Character Region Awareness for Text Detection, 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, pp. 9357-9366, 2019.
20. Enze Xie, Yuhang Zang, Shuai Shao, Gang Yu, Cong Yao, Guangyao Li. Scene
Text Detection with Supervised Pyramid Context Network,
arXiv:1811.08605v1,2018.
21. Linjie Denga, Yanxiang Gonga, Yi Linb, Jingwen Shuaia, Xiaoguang Tua, Yuefei Zhangc, Zheng Maa, Mei Xiea. Detecting Multi-Oriented Text with Corner-based Region Proposals, arXiv:1804.02690v2, 2019.
22. M. Liao, Z. Zhu, B. Shi, G. Xia and X. Bai. Rotation-Sensitive Regression for Oriented Scene Text Detection, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, pp. 5909-5918, 2018.
23. T. He, Z. Tian, W. Huang, C. Shen, Y. Qiao and C. Sun. An End-to-End TextSpotter with Explicit Alignment and Attention, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, pp. 5020-5029, 2018.
24. Tianwei Wang, Yuanzhi Zhu, Lianwen Jin, Canjie Luo, Xiaoxue Chen, Yaqiang Wu, Qianying Wang, Mingxiang Cai. Decoupled Attention Network for Text Recognition, 2019.
25. J. Baek et al., What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis, 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, Korea (South), pp. 4714¬4722, 2019.
26. Canjie Luo, Lianwen Jin, Zenghui Sun, A Multi-Object Rectified Attention Network for Scene Text Recognition, 2019.
27. B. Shi, M. Yang, X. Wang, P. Lyu, C. Yao, X. Bai. ASTER: An Attentional Scene Text Recognizer with Flexible Rectification, in IEEE Transactions on Pattern Analysis and Machine Intelligence, pp. 2035-2048, 2019.
28. B. Shi, X. Bai, C. Yao. An End-to-End Trainable Neural Network for Image-Based Sequence Recognition and Its Application to Scene Text Recognition, in IEEE Transactions on Pattern Analysis and Machine Intelligence, pp. 2298-2304, 2017.
29. Y. Baek, B. Lee, D. Han, S. Yun, H. Lee. Character Region Awareness for Text Detection, 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, pp. 9357-9366, 2019
30. Xiangyu Zhang, Jianhua Zou, Kaiming He, Jian Sun, Accelerating Very Deep Convolutional Networks for Classification and Detection, 2015.
31. O. Ronneberger, P. Fischer, T. Brox. U-net: Convolutional networks for biomedical image segmentation. In MICCAI, Springer, pages 234-241. 2015.
32. Xinyu Zhou, Cong Yao, He Wen, Yuzhi Wang, Shuchang Zhou, Weiran He, and Jiajun Liang. EAST: An Efficient and Accurate Scene Text Detector, 2017.
33. Joseph Redmon, Ali Farhadi. YOLOv3: An Incremental Improvement, 2018.
34. Александр Карпинский. Ликбез: методы ресайза изображений URL: https://habr.com/ru/post/243285/(дата обращения: 24.05.2020).
35. Ramer-Douglas-Peucker algorithm URL:
https://en.wikipedia.org/wiki/Ramer%E2%80%93Douglas%E2%80%93Peuck er_algorithm (дата обращения: 03.06.2020).


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ