1 Анализ современного состояния систем автоматического зрения 5
1.1 Анализ предметной области 5
1.2 Описание проблемы систем автоматического зрения 6
1.3 Обзор методов обработки изображения в технологиях технического зрения 7
1.3.1 Счетчик пикселей 7
1.3.2 Бинаризация изображений 8
1.3.3 Сегментация 8
1.4 Обзор типов нейросетей и их классификаций, архитектур 9
1.5 Обзор сверточных нейронных сетей 14
1.5.1 AlexNet 14
1.5.2 VGG Net 16
1.5.3 MobileNet Single Shot Detectors (SSDs) 17
1.6 Обзор языковых сред 18
1.7 Обзор библиотек алгоритмов автоматического зрения 19
1.8 Обзор сред для обучения сверточных нейронных сетей 19
1.9 Требования к оборудованию 20
1.10 Актуальность проблемы 21
1.11 Цель дипломной работы и задачи 23
2 Проектирование системы распознавания объектов 25
2.1 Выбор оборудования 25
2.1.1 Выбор компьютера 25
2.2 Выбор архитектуры нейронной сети 26
2.3 Выбор программного обеспечения 31
2.4 Разработка функциональной модели «Обучение нейронной сети и детектирование и классификация объектов» 33
2.5 Обучение модели обнаружения объектов 36
2.6 Разработка алгоритма обучения нейронной сети 38
2.7 Разработка алгоритмов генерации искусственных ограничивающих рамок, сегментации и классификации объекта 41
2.8 Разработка алгоритма тестирования обученной модели нейронной сети 44 3 Реализация компьютерной системы распознавания объектов 46
3.1 Подготовка данных 46
3.1.1 Создание входных данных 46
3.1.2 Создание выходных данных модели нейронной сети 51
3.1.3 Создание обучающего и тестового наборов данных для модели нейронной сети 55
3.2 Реализация обучения модели нейронной сети 58
3.3 Практическая реализация тестирования обученной модели нейронной сети 60
4 Практическое применение компьютерной системы распознавания объектов 67
4.1 Сфера применения 67
4.2 Разработка функциональной модели «Захват изделия» 67
4.3 Разработка алгоритма обнаружения изделия. 70
4.4 Разработка алгоритма вычисления координат изделия на видеозаписи (в системе координат камеры) 73
4.4.1 Калибровка камеры 75
4.4.2 Программное обеспечение для создания скриншотов 76
4.4.3 Программное обеспечения для поиска параметров матрицы камеры. Реализация калибровки камер 78
4.5 Разработка алгоритма вычисления координат изделия в системе координат робота 83
4.6 Разработка алгоритма передачи координат контроллеру робота 84
4.7 Алгоритм захвата изделия роботом 88
ЗАКЛЮЧЕНИЕ 91
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 92
ПРИЛОЖЕНИЕ А 94
ПРИЛОЖЕНИЕ Б 98
ПРИЛОЖЕНИЕ В. 99
ПРИЛОЖЕНИЕ Г. 104
ПРИЛОЖЕНИЕ Д 106
ПРИЛОЖЕНИЕ Е 111
По ходу выполнения данной дипломной работы мною была изучена и проанализирована область технического зрения. Были рассмотрены способы обработки, сегментации, классификации изображения. Также познакомились и составили методику обучений нейронной сети, методику распознавания объектов с помощью модели нейронной сети. В ходе текущей работы была составлена собственная база данных с изображениями 2х деталей: крышки подшипникового узла и стакана подшипникового узла. Была составлена собственная модель нейронной сети, а также были разработаны алгоритмы обучений модели нейронной сети, тестирования модели нейронной сети, алгоритмы обнаружения изделия, вычисления координат изделия на видеозаписи, вычисления координат изделия в системе координат робота, передачи координат роботу, алгоритм калибровки камеры.
На теоретической и практической базе, представленной в этой работе я разработал метод разделения потока различных деталей робототехнической системой на основе технического зрения с использованием искусственной нейронной сети глубокого обучения
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Компьютерная система распознавания объектов. А также похожие готовые работы: страница 5 #9104698
Артикул: 9104698
- Предмет: Программирование
- Уникальность: 70% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 112
- Формат файла: docx
- Последняя покупка: 21.03.2023
999p.
2 000p.
только 24 ноября!
1. Буэно, Суарес, Эспиноса. Обработка изображений с помощью OpenCV
= Learning Image Processing with OpenCV. — М.: ДМК-Пресс, 2016. — 210 с. — ISBN 978-5-97060-387-1.
2. Кэлер А., Брэдски Г. Изучаем OpenCV 3 = Learning OpenCV 3. — М.: ДМК-Пресс, 2017. — 826 с. — ISBN 978-5-97060-471-7.
3. ГОСТ 19.701-90. Схемы алгоритмов, программ, данных и систем. Условные обозначения и правила выполнения.
4. Указ Президента Российской Федерации от 10.10.2019 г. № 490. О развитии искусственного интеллекта в Российской Федерации.
5. Добавляем роботу глаза [Электронный ресурс] // Блог компании Recognitor // MIT Licence Copyright © 2019 francisso. URL: https://habr.com/ru/company/recognitor/blog/475916/ (Дата обращения: 26.03.2021)
6. Kaustubh Sadekar, Satya Mallick. Camera Calibration using OpenCV [Элекронный ресурс] // Лицензия - Creative Commons Attribution- NonCommercial 4.0 International. URL: https://www.learnopencv.com/camera-calibration-using-opencv (Дата обращения: 25.03.2021)
7. C.-Y. Fu, W. Liu, A. Ranga, A. Tyagi, and A. C. Berg. Dssd: Деконволюционный детектор одиночного выстрела. arXiv preprint arXiv:1701.06659, 2017.
8. D. Gordon, A. Kembhavi, M. Rastegari, J. Redmon, D. Fox, and A. Farhadi. Iqa: Визуальный ответ на вопрос в интерактивной среде. arXiv preprint arXiv:1712.03316, 2017.
9. K. He, X. Zhang, S. Ren, and J. Sun. Глубокое остаточное обучение для распознавания изображений. В материалах конференции IEEE по компьютерному зрению и распознаванию образов, стр. 770–778, 2016.
10. C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi. Inception-v4, start- resnet и влияние остаточных соединений на обучение. 2017.
11. Xabier Basogain Olabe. Redes Neuronales Artificiales y sus Aplicaciones Formato Impreso: Publicaciones de la Escuela de Ingenieros, 1998 - 79 p.
12. Минский М., Пейперт С. Персептроны. М.: Мир, 1971 - 261 с.
) Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления: Учеб. Пособие для вузов - М.: Высш. шк. 2002. - 183 с.: ил. )
13. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ.
- М.: ООО «И.Д. Вильямс», 2006. - 1104 с.
14. Hassibi B., Stork D.G. Second Order Derivatives for Network Pruning: Optimal Brain Surgeon// Advances in Neural Information Processing Systems, Vol. 5, Pp. 164–171.
15. Vapnik V., Chervonenkis A. On the uniform convergence of relative frequencies of events to their probabilities// Theoretical Probabibility and its Applicactions, Pp. 264–280.
16. Koiran P., Sontag E.D. Neural Networks with Quadratic VC Dimension// Journal of Computer and System Sciences, Vol. 54, Issue 1, Pp. 190–198.
17. Бэрри Пол. Изучаем программирование на Python. Изд.: Эксмо 2017г. 624 стр. ISBN 978-5-699-98595-1
18. Depth-aware neural style transfer / X.-C. Liu, M.-M. Cheng, Y.-K. Lai, P.L. Rosin // Proceedings of the Symposium on Non-Photorealistic Animation and Rendering / ACM. 2017. P. 4.
19. Gatys L. A., Ecker A. S., Bethge M. Image style transfer using convolutional neural networks // Computer Vision and Pattern Recognition (CVPR), 2016 IEEE Conference on / IEEE. 2016. Pp. 24142423.
20. Johnson J., Alahi A., Fei-Fei L. Perceptual losses for real-time style transfer and super-resolution // European Conference on Computer Vision. 2016.
21. Single-image depth perception in the wild / W. Chen, Z. Fu, D. Yang, J. Deng // Advances in Neural Information Processing Systems. 2016. Pp. 730 - 738.
= Learning Image Processing with OpenCV. — М.: ДМК-Пресс, 2016. — 210 с. — ISBN 978-5-97060-387-1.
2. Кэлер А., Брэдски Г. Изучаем OpenCV 3 = Learning OpenCV 3. — М.: ДМК-Пресс, 2017. — 826 с. — ISBN 978-5-97060-471-7.
3. ГОСТ 19.701-90. Схемы алгоритмов, программ, данных и систем. Условные обозначения и правила выполнения.
4. Указ Президента Российской Федерации от 10.10.2019 г. № 490. О развитии искусственного интеллекта в Российской Федерации.
5. Добавляем роботу глаза [Электронный ресурс] // Блог компании Recognitor // MIT Licence Copyright © 2019 francisso. URL: https://habr.com/ru/company/recognitor/blog/475916/ (Дата обращения: 26.03.2021)
6. Kaustubh Sadekar, Satya Mallick. Camera Calibration using OpenCV [Элекронный ресурс] // Лицензия - Creative Commons Attribution- NonCommercial 4.0 International. URL: https://www.learnopencv.com/camera-calibration-using-opencv (Дата обращения: 25.03.2021)
7. C.-Y. Fu, W. Liu, A. Ranga, A. Tyagi, and A. C. Berg. Dssd: Деконволюционный детектор одиночного выстрела. arXiv preprint arXiv:1701.06659, 2017.
8. D. Gordon, A. Kembhavi, M. Rastegari, J. Redmon, D. Fox, and A. Farhadi. Iqa: Визуальный ответ на вопрос в интерактивной среде. arXiv preprint arXiv:1712.03316, 2017.
9. K. He, X. Zhang, S. Ren, and J. Sun. Глубокое остаточное обучение для распознавания изображений. В материалах конференции IEEE по компьютерному зрению и распознаванию образов, стр. 770–778, 2016.
10. C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi. Inception-v4, start- resnet и влияние остаточных соединений на обучение. 2017.
11. Xabier Basogain Olabe. Redes Neuronales Artificiales y sus Aplicaciones Formato Impreso: Publicaciones de la Escuela de Ingenieros, 1998 - 79 p.
12. Минский М., Пейперт С. Персептроны. М.: Мир, 1971 - 261 с.
) Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления: Учеб. Пособие для вузов - М.: Высш. шк. 2002. - 183 с.: ил. )
13. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ.
- М.: ООО «И.Д. Вильямс», 2006. - 1104 с.
14. Hassibi B., Stork D.G. Second Order Derivatives for Network Pruning: Optimal Brain Surgeon// Advances in Neural Information Processing Systems, Vol. 5, Pp. 164–171.
15. Vapnik V., Chervonenkis A. On the uniform convergence of relative frequencies of events to their probabilities// Theoretical Probabibility and its Applicactions, Pp. 264–280.
16. Koiran P., Sontag E.D. Neural Networks with Quadratic VC Dimension// Journal of Computer and System Sciences, Vol. 54, Issue 1, Pp. 190–198.
17. Бэрри Пол. Изучаем программирование на Python. Изд.: Эксмо 2017г. 624 стр. ISBN 978-5-699-98595-1
18. Depth-aware neural style transfer / X.-C. Liu, M.-M. Cheng, Y.-K. Lai, P.L. Rosin // Proceedings of the Symposium on Non-Photorealistic Animation and Rendering / ACM. 2017. P. 4.
19. Gatys L. A., Ecker A. S., Bethge M. Image style transfer using convolutional neural networks // Computer Vision and Pattern Recognition (CVPR), 2016 IEEE Conference on / IEEE. 2016. Pp. 24142423.
20. Johnson J., Alahi A., Fei-Fei L. Perceptual losses for real-time style transfer and super-resolution // European Conference on Computer Vision. 2016.
21. Single-image depth perception in the wild / W. Chen, Z. Fu, D. Yang, J. Deng // Advances in Neural Information Processing Systems. 2016. Pp. 730 - 738.
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: | Компьютерная система распознавания объектов |
| Артикул: | 9104698 |
| Дата написания: | 29.06.2021 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 70% |
| Количество страниц: | 112 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлена только пояснительная записка и листинг программы
В работе представлена только пояснительная записка и листинг программы
Файлы артикула: Компьютерная система распознавания объектов. А также похожие готовые работы: страница 5 по предмету программирование
Пролистайте "Компьютерная система распознавания объектов. А также похожие готовые работы: страница 5" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 23.01.2025
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 70% (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.
Утром сдавать, а работа еще не написана?
Через 30 секунд после оплаты вы скачаете эту работу!
Сегодня уже купили 1 работу. Успей и ты забрать свою пока это не сделал кто-то другой!
ПРЕДЫДУЩАЯ РАБОТА
Разработка автоматизированной информационной системы расчета заработной платы сотрудников ООО «Смарт Консалтинг»
СЛЕДУЮЩАЯ РАБОТА
Разработка автоматизированной информационной системы по аренде инструментов на платформе 1С