ВВЕДЕНИЕ 4
1 ОБЗОР МЕТОДОВ, ИСПОЛЬЗУЕМЫХ ПРИ РАСПОЗНАВАНИИ ОБРАЗОВ 6
1.1 Обзор существующих методов распознавания образов 6
1.1.1 Обнаружение объектов на основе математических моделей изображений 11
1.1.2 Глубокое обучение и сверточные нейронные сети в задачах
обнаружения объектов на изображениях 14
1.2 Искусственные нейронные сети в задачах анализа изображений 17
1.2.1 Структура и работа ИНС 18
1.2.2 Нормализация данных 19
1.2.3 Синапс 19
1.2.4 Функция активации нейронов 21
1.2.5 Использование ИНС в задачах анализа изображений 27
1.3 Распознавание образов с использованием ИНС 28
2 РАЗРАБОТКА АЛГОРИТМА И СТРУКТУРЫ НС ДЛЯ РАСПОЗНАВАНИЯ ДОРОЖНЫХ УКАЗАТЕЛЕЙ 36
2.1 Перечень требований к разрабатываемому программному продукту 36
2.2 Создание набора данных 41
2.3 Разработка архитектуры НС 42
2.3 Обучение НС 45
2.5 Тестирование НС 50
3 РАЗРАБОТКА И ТЕСТИРОВАНИЕ ПРИЛОЖЕНИЯ 53
3.1 Выбор среды разработки 53
3.2 Реализация программного модуля 54
3.3 Тестирование программного модуля 57
ЗАКЛЮЧЕНИЕ 60
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 61
ПРИЛОЖЕНИЕ 63
Актуальность распознавания дорожных знаков обусловлена вопросами безопасности дорожного движения. Автоматический режим идентификации дорожных знаков применяют в автопилотах и системах помощи водителям для повышения безопасности движения автотранспортных средств.
Примером проекта, использующего машинное зрение, может быть разработка системы ADAS (Advanced Driver Assistance System), которая будет помогать водителям в управлении автомобилем, предоставляя им информацию и напоминания. Главной целью этой системы является повышение безопасности на дороге при помощи информирования водителей и привлечения их внимания.
В настоящее время система ADAS предлагает такие функции и цели, как:
1. ADAS помощь при парковке. Система помогает водителю парковаться, обеспечивая уведомления о расстоянии до ближайшего объекта.
2. ADAS система поддержания полосы движения. Эта технология предотвращает отклонение автомобиля от полосы движения, предупреждая или корректируя направление движения при необходимости.
3. ADAS система дистанционного управления. Система позволяет водителю использовать компьютер и другие устройства для управления транспортным средством.
4. ADAS система слежения за пешеходами. Система обнаруживает пешеходов и предупреждает водителя в случае опасности.
5. ADAS предупреждение о столкновении или предотвращает
столкновение. Эта технология уведомляет водителя о возможности столкновения и, если необходимо, тормозит автомобиль для предотвращения столкновения.
Нейронные сети обучаются, а не программируются – это основное преимущество перед классическими алгоритмами, также можно отметить такие преимуществ, как: адаптирование к изменениям окружающей среды, решение задач при неизвестных закономерностях, устойчивость к шумам входных данных и быстродействие. В процессе обучение сеть может обнаружить взаимосвязь между входными и выходными данными, к тому же обобщитьрезультат.
Цель выпускной квалификационной работы: разработать алгоритм и программный модуль для идентификации дорожных указателей с использованием искусственных нейронных сетей.
Задачи:
• провести сравнительный анализ существующих методов распознавания образов;
• провести сравнительный анализ искусственных нейронный сетей для распознавания образов;
• сформировать набор данных;
• построить модель искусственной нейронной сети;
• обучить спроектированную НС;
• провести тестирование разработанной НС;
• разработать приложение с графическим интерфейсом пользователя;
• протестировать разработанное приложение.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка алгоритмов и программного модуля для идентификации дорожных указателей с использованием искусственных нейронных сетей #9106372
Артикул: 9106372
- Предмет: Программирование
- Уникальность: 77% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2023 году
- Количество страниц: 80
- Формат файла: docx
- Последняя покупка: 03.03.2024
2 499p.
1 Васильев, А. Н. Принципы и техника нейросетевого моделирования / А. Н. Васильев, Д. А. Тархов. – Москва : Высшая школа, 2014. – 218 c. – Текст : непосредственный.
2 Галушкин, А. И. Нейрокомпьютеры. Учебное пособие / А. И. Галушкин. – Москва : Альянс, 2014. – 528 c. – Текст : непосредственный.
3 Гелиг, А. Х. Введение в математическую теорию обучаемых распознающих
систем и нейронных сетей. Учебное пособие: моногр. / А.Х. Гелиг, А. С. Матвеев. – Санкт-Петербург : Издательство СПбГУ, 2014. – 224 c. – Текст : непосредственный.
4 Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В. Г. Редько. – Москва: СИНТЕГ, 2017. – 224 c. – Текст
: непосредственный.
5 Николенко С. Глубокое обучение. Погружение в мир нейронных сетей / С. Николенко, А. Кадурин, Е. Архангельская. – Санкт-Петербург : Издательство
«Питер», 2018. – 480 с. – Текст : непосредственный.
6 Скобцов Ю. Методические указанияк лабораторным работампо дисциплине
«Нейронные сети» / Ю. Скобцов. – Донецк : Донецкий национальный технический университет, 2010. – 49 с. – Текст : непосредственный.
7 Лукашик Д. Анализ современных методов сегментации изображений / Д. Лукашик. – Текст : электронный // Cyberleninka. ru : [сайт]. – URL: https://cyberleninka.ru/article/n/analiz-sovremennyh-metodov-segmentatsii izobrazheniy/viewer/ (дата обращения: 20.05.2023).
8 Исаков С. Как работает сверточная нейронная сеть: архитектура, примеры, особенности / С. Исаков. – Текст : электронный // Neurohive.io : [сайт]. – URL: https://neurohive.io/ru/osnovy-data-science/glubokaya-svertochnaja-nejronnaja-set/ (дата обращения 29.04.2023).
9 Борисов Д. Сегментация изображения / Д. Борисов. – Текст : электронный // habr.com : [сайт]. – URL: https://habr.com/ru/post/128768/ (дата обращения: 08.05.2023).
10 Библиотека компьютерного зрения OpenCV. – Текст : электронный// opencv.org : [сайт]. – URL: http://opencv.org/ (дата обращения: 18.05.2023).
11 Кирпичников А.П. Контекстный поиск изображений / Кирпичников А.П., Ляшева С.А., Шлеймович М.П. /Вестник Казанского технологического университета. – 2014. – Т. №18. – С. 244–251. – Текст : непосредственный.
12 Гуриков, С.Р. Основы алгоритмизации и программированияна Python / С.Р. Гуриков. – Москва : Форум, 2018. – 991 c. – Текст : непосредственный.
13 Фурман, Я.А. Введение в контурный анализ и его приложения к обработке
изображений и сигналов / Я.А. Фурман. – Москва : Альянс, 2003. – 526 c. – Текст : непосредственный.
14 Правила дорожного движения 2020. – Текст : электронный // drom.ru : [сайт]. – URL: https://www.drom.ru/pdd/pdd/signs_6/ (дата обращения: 20.05.2023).
15 Гуручаран М. Базовая архитектура CNN: объяснение 5 уровней
сверточной нейронной сети / М. Гуручаран. – Текст : электронный // upGrad.com : [сайт]. – URL: https://www.upgrad.com/blog/basic-cnn-architecture/ (дата обращения: 17.05.2023).
16 Егоров Е. PyCharm – среда разработки для Python 3 / Е. Егоров. – Текст : электронный // egorovegor.ru : [сайт]. – URL: https://www.upgrad.com/blog/basic-cnn- architecture/ (дата обращения: 14.05.2023).
17 Хилл К. Научное программирование на Python / К. Хилл. – Москва : ДМК-Пресс, 2021. – 646 с. – Текст : непосредственный.
18 Селянкин В. В. Компьютерное зрение. Анализ и обработка изображений
/ В. В. Селякин. – Москва : Лань, 2019. – 152 с. – Текст : непосредственный.
2 Галушкин, А. И. Нейрокомпьютеры. Учебное пособие / А. И. Галушкин. – Москва : Альянс, 2014. – 528 c. – Текст : непосредственный.
3 Гелиг, А. Х. Введение в математическую теорию обучаемых распознающих
систем и нейронных сетей. Учебное пособие: моногр. / А.Х. Гелиг, А. С. Матвеев. – Санкт-Петербург : Издательство СПбГУ, 2014. – 224 c. – Текст : непосредственный.
4 Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В. Г. Редько. – Москва: СИНТЕГ, 2017. – 224 c. – Текст
: непосредственный.
5 Николенко С. Глубокое обучение. Погружение в мир нейронных сетей / С. Николенко, А. Кадурин, Е. Архангельская. – Санкт-Петербург : Издательство
«Питер», 2018. – 480 с. – Текст : непосредственный.
6 Скобцов Ю. Методические указанияк лабораторным работампо дисциплине
«Нейронные сети» / Ю. Скобцов. – Донецк : Донецкий национальный технический университет, 2010. – 49 с. – Текст : непосредственный.
7 Лукашик Д. Анализ современных методов сегментации изображений / Д. Лукашик. – Текст : электронный // Cyberleninka. ru : [сайт]. – URL: https://cyberleninka.ru/article/n/analiz-sovremennyh-metodov-segmentatsii izobrazheniy/viewer/ (дата обращения: 20.05.2023).
8 Исаков С. Как работает сверточная нейронная сеть: архитектура, примеры, особенности / С. Исаков. – Текст : электронный // Neurohive.io : [сайт]. – URL: https://neurohive.io/ru/osnovy-data-science/glubokaya-svertochnaja-nejronnaja-set/ (дата обращения 29.04.2023).
9 Борисов Д. Сегментация изображения / Д. Борисов. – Текст : электронный // habr.com : [сайт]. – URL: https://habr.com/ru/post/128768/ (дата обращения: 08.05.2023).
10 Библиотека компьютерного зрения OpenCV. – Текст : электронный// opencv.org : [сайт]. – URL: http://opencv.org/ (дата обращения: 18.05.2023).
11 Кирпичников А.П. Контекстный поиск изображений / Кирпичников А.П., Ляшева С.А., Шлеймович М.П. /Вестник Казанского технологического университета. – 2014. – Т. №18. – С. 244–251. – Текст : непосредственный.
12 Гуриков, С.Р. Основы алгоритмизации и программированияна Python / С.Р. Гуриков. – Москва : Форум, 2018. – 991 c. – Текст : непосредственный.
13 Фурман, Я.А. Введение в контурный анализ и его приложения к обработке
изображений и сигналов / Я.А. Фурман. – Москва : Альянс, 2003. – 526 c. – Текст : непосредственный.
14 Правила дорожного движения 2020. – Текст : электронный // drom.ru : [сайт]. – URL: https://www.drom.ru/pdd/pdd/signs_6/ (дата обращения: 20.05.2023).
15 Гуручаран М. Базовая архитектура CNN: объяснение 5 уровней
сверточной нейронной сети / М. Гуручаран. – Текст : электронный // upGrad.com : [сайт]. – URL: https://www.upgrad.com/blog/basic-cnn-architecture/ (дата обращения: 17.05.2023).
16 Егоров Е. PyCharm – среда разработки для Python 3 / Е. Егоров. – Текст : электронный // egorovegor.ru : [сайт]. – URL: https://www.upgrad.com/blog/basic-cnn- architecture/ (дата обращения: 14.05.2023).
17 Хилл К. Научное программирование на Python / К. Хилл. – Москва : ДМК-Пресс, 2021. – 646 с. – Текст : непосредственный.
18 Селянкин В. В. Компьютерное зрение. Анализ и обработка изображений
/ В. В. Селякин. – Москва : Лань, 2019. – 152 с. – Текст : непосредственный.
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка алгоритмов и программного модуля для идентификации дорожных указателей с использованием искусственных нейронных сетей |
| Артикул: | 9106372 |
| Дата написания: | 25.06.2023 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 77% |
| Количество страниц: | 80 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка алгоритмов и программного модуля для идентификации дорожных указателей с использованием искусственных нейронных сетей по предмету программирование
Пролистайте "Разработка алгоритмов и программного модуля для идентификации дорожных указателей с использованием искусственных нейронных сетей" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 02.07.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 77% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка прототипа интеллектуальной системы для анализа медицинских данных с использованием методов машинного обучения
СЛЕДУЮЩАЯ РАБОТА
Проектирование и разработка прототипа маркетплейса натуральных продуктов