Вход

Разработка программного модуля интеллектуального распознавания многоугольника по каталогу шаблонов

Рекомендуемая категория для самостоятельной подготовки:
Дипломная работа*
Код 546857
Дата создания 2023
Мы сможем обработать ваш заказ (!) 9 октября в 19:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
3 970руб.
КУПИТЬ

Описание

Пояснительная записка: 84 с., 45 рис., 2 табл., 15 источник, 6 прил.


Целью выпускной квалификационной работы является автоматизация работы по распознаванию на изображениях цветных многоугольников.

Главным назначение программы является упрощение процесса распознавания цветных многоугольников по изображению.

Объектом исследования являются цветные многоугольники.

Предметом исследования являются нейросетевое распознавание цветных многоугольников.

Программа была разработана как программ­ный модуль, предназначенный для автоматизации процесса распознавания цветных многоугольников.

При реализации программного продукта использовался язык программирования Python, IDE PyCharm и библиотеки QT, numpy, CV2, numba.

Содержание

ВВЕДЕНИЕ. 7

1 НЕЙРОННЫЕ СЕТИ И ИХ ИСПОЛЬЗОВАНИЕ В РАСПОЗНАВАНИИ ЦВЕТНЫХ МНОГОУГОЛЬНИКОВ. 8

1.1 Особенности распознавания цветных многоугольников. 8

1.2 Применение нейронных сетей для решения задач классификаций. 9

1.3 Виды нейросетей. 11

1.4 Существующие аналоги. 20

1.4.1 Модуль НС Московского технического университета связи и информатики 20

1.4.2 Испанская нейросеть в режиме реального времени. 24

1.4.3 Нейросеть от Сбер. 26

1.5 Постановка задачи. 26

2 МОДЕЛИ НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ.. 28

2.1 Модель обучения. 28

2.2 Модель тестирования. 31

3 ПРОЕКТИРОВАНИЕ НЕЙРОННОЙ СЕТИ.. 32

3.1 Интеллект карта разработки нейронной сети. 32

3.2 Диаграмма вариантов. 34

3.3 Диаграмма компонентов. 35

4 РАЗРАБОТКА ПРОГРАММНОГО МОДУЛЯ. 36

4.1 Подготовка данных. 36

4.1.1 Изменение формата изображения. 37

4.1.2 Изменение размера изображения. 39

4.1.3 Применение градации серого. 40

4.2 Диаграмма классов UML. 41

4.3 Обучение нейронной сети. 42

5 ТЕСТИРОВАНИЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ.. 46

6 ОХРАНА ТРУДА, ВОПРОСЫ БЕЗОПАСНОСТИ ЖИЗНЕДЕЯТЕЛЬНОСТИ И ГРАЖДАНСКОЙ ОБОРОНЫ.. 47

6.1 Анализ условий труда в помещении с ПК.. 47

6.2 Мероприятия по улучшению условий труда. 49

6.3 Расчет заземления общего контура здания, который должен быть выведен к каждой розетке с ПК.. 51

6.4 Мероприятия по обеспечению пожарной безопасности. 53

6.5 Безопасность жизнедеятельности. 55

6.6 Гражданская оборона. 58

ЗАКЛЮЧЕНИЕ. 62

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ.. 63

Приложение А ТЕХНИЧЕСКОЕ ЗАДАНИЕ. 65

Приложение Б МАТРИЦЫ ПРИЗНАКОВ.. 67

Приложение В РУКОВОДСТВО ПОЛЬЗОВАТЕЛЯ. 69

Приложение Г ЭКРАННЫЕ ФОРМЫ.. 70

Приложение Д ЛИСТИНГ. 72

Приложение Е ПЕРЕЧЕНЬ ЗАМЕЧАНИЙ НОРМОКОНТРОЛЕРА

К ДИПЛОМНОМУ ПРОЕКТУ

Список литературы

1. Гудфеллоу, Я. «Глубокое обучение» / Я. Гудфеллоу, А. Курвилль. – пер. с англ. А.А. Слинкина. 2-ое изд., искр. – М.: ДМК Пресс, 2018. – 652 с.

2. Набор обучающих данных. [Электронный ресурс]. – Режим доступа: URL: https://www.google.ru/search?q=оружие

.

3. Набор обучающих данных. [Электронный ресурс]. – Режим доступа: URL:

https://yandex.ru/images/search?text=оружие.

4. Воронова, Л.И. Machine Learning: регрессионные методы интеллектуального анализа данных: Учебное пособие / Л.И. Воронова, В.И. Воронов. – МТУСИ. – М., 2018. – 83 с.

5. Justin, L. Developing a Real-Tim Gun Detection Classifier. / L. Justin, M. Sydney. – [Электронный ресурс]. – Режим доступа: URL: http://cs231n.stanford.edu/reports/2017/pdfs/716.pdf.

6. Рашка, С. «Python и машинное обучение» / C. Рашка. – пер. с англ. А.В. Логунова. М.: ДМК Пресс, 2017. – 418 с.

7. Avinash, V. Understanding Activation Functions in Neural Networks / V. Avinash // The Theory Of Everything. [Электронный ресурс]: режим доступа https://medium.com/the-theory-of-everything/understanding-activationfunctions-in-neural-networks-9491262884e0.

8. Соколинский, Л.Б. Машинное обучение. Лекция № 5: Softmax. / Л.Б. Соколинский. – Кафедра системного программирования ЮУрГУ, 2018, 19 с.

9. Милютин, И. Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu / И. Милютин // Neurohive. [Электронный ресурс]. – Режим доступа: URL: – https://neurohive.io/ru/osnovy-data-science/activationfunctions/.

10. Васильев, А.Н. Принципы и техника нейросетевого моделирования / А.Н. Васильев, Д.А. Тархов. – Москва: Наука, 2017. – 999 c.

11. Галушкин, А. И. Нейрокомпьютеры. Учебное пособие / А.И. Галушкин. – М.: Альянс, 2018. – 528 c.

12. Гелиг, А. Х. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие / А.Х. Гелиг, А.С. Матвеев. – М.: Издательство СПбГУ, 2018. – 224 c.

13. Кащенко, С. А. Модели волновой памяти / С.А. Кащенко, В.В. Майоров. – М.: Либроком, 2019. – 288 c.

14. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. – М.: Горячая линия – Телеком, 2019. – 382 c.

15.Латыпова, Р. Нейронные сети / Р. Лапынова. – М.: LAP Lambert Academic Publishing, 2018. – 422 c.

Очень похожие работы
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00475
© Рефератбанк, 2002 - 2024