| Код | 548952 |
| Дата создания | 2023 |
|
Мы сможем обработать ваш заказ (!) 23 декабря в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
|
|
Основная задача – разработка нейросетевого распознавания дорожных знаков. В качестве входных данных для обучения задаются фотографии конкретных дорожных знаков и выдаются веса нейросети по которым самостоятельно можно будет классифицировать образы.
Целью данного проекта является разработка нейросетевого распознавания дорожных знаков.
Задачи, которые требуется выполнить в данной работе:
- изучить дорожные знаки;
- изучить варианты ИИ для распознавания;
- смоделировать и разработать свёрточную нейронную сеть;
- собрать и нормализировать данные для обучения;
- обучить нейронную сеть;
- проанализировать полученные данные при обучении и тестировании;
- реализовать модель нейросетевого распознавания;
- реализовать алгоритмы нейросетевого распознавания.
Так как объектами автоматизации квалификационной работы бакалавра являются процессы распознавания дорожных знаков, то при реализации необходимо учитывать точность распознавании.
Разрабатываемый программный продукт предназначен для детекции и распознавания дорожных знаков.
ВВЕДЕНИЕ. 7
1 СОВРЕМЕННЫЕ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ ДОРОЖНЫХ ЗНАКОВ 8
1.1 Система RoadAR умный видеорегистратор. 8
1.2 Система Opel Eye. 11
1.3 Система Speed limit assist 14
2 СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ. 17
2.1 Методы, основанные на шаблонах. 17
2.2 Методы с использованием контурных моделей. 18
2.3 Нейросетевые методы.. 19
2.4 Постановка задачи. 21
3 ОБОСНОВАНИЕ ВЫБОРА СРЕДСТВ РАЗРАБОТКИ ПРОДУКТА.. 22
4 МОДЕЛИРОВАНИЕ И ПРОЕКТИРОВАНИЕ НЕЙРОСЕТЕВОГО ПРИЛОЖЕНИЯ 24
4.1 Интеллект карта разработки нейронной сети. 24
4.2 Диаграммы в нотации UML. 28
4.3 Модель нейронной сети. 29
4.4 Пользовательский интерфейс. 31
5 АЛГОРИТМЫ НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ.. 33
5.1 Диаграмма классов UML. 33
5.2 Модель обучения. 34
5.3 Модель тестирования. 35
5.4 Алгоритмы моделей. 36
6 Подготовка данных, обучение, тестирование и анализ резульатов.. 43
6.1 Подготовка данных. 43
6.1.1 Изменение формата изображения. 45
6.1.2 Изменение размера изображения. 46
6.2 Обучение нейронной сети. 47
7 ТЕСТИРОВАНИЕ ОБУЧЕННОЙ НЕЙРОННОЙ СЕТИ.. 48
8 ОХРАНА ТРУДА, ВОПРОСЫ БЕЗОПАСНОСТИ ЖИЗНЕДЕЯТЕЛЬНОСТИ И ГРАЖДАНСКОЙ ОБОРОНЫ.. 49
8.1 Анализ условий труда в помещении с ПК.. 49
8.2 Мероприятия по улучшению условий труда. 50
8.3 Расчет заземления общего контура здания, который должен быть выведен к каждой розетке с ПК.. 52
8.4 Мероприятия по обеспечению пожарной безопасности. 54
8.5 Гражданская оборона. 55
8.6 Безопасность жизнедеятельности. 56
ЗАКЛЮЧЕНИЕ. 60
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ.. 61
Приложение А ТЕХНИЧЕСКОЕ ЗАДАНИЕ. 63
Приложение Б РУКОВОДСТВО ПОЛЬЗОВАТЕЛЯ. 65
Приложение В ЭКРАННЫЕ ФОРМЫ.. 66
Приложение Г ЛИСТИНГ ПРОГРАММЫ.. 73
Приложение Д ПЕРЕЧЕНЬ ЗАМЕЧАНИЙ НОРМОКОНТРОЛЕРА К ДИПЛОМНОМУ ПРОЕКТУ 98
1. Смольянинов, В.А. Подходы к проектированию и разработке программного детектора дорожных знаков / В.А. Смольяников, С.С. Гришунов, Ю.С. Белов // В сборнике: Сборник избранных статей по материалам научных конференций ГНИИ «Нацразвитие». Материалы Международных научных конференций. – 2020. – С. 145-149.
2. Смольянинов, В.А. Сравнительный анализ алгоритмов поиска дорожных знаков / В.А. Смольяников, Ю.С. Белов // В сборнике: Высокие технологии и инновации в науке. Сборник избранных статей Международной научной конференции. – 2020. – С. 186-190.
3. Соколинский, Л.Б. Машинное обучение / Л.Б. Соколинский. – Лекция № 5: Softmax. Кафедра системного программирования ЮУрГУ. – 2018. – 19 с.
4. Хант, Э. Искусственный интеллект / Э. Хант. – М.: Мир, 2018. – 560 c.
5. Васильев, А.Н. Принципы и техника нейросетевого моделирования / А.Н. Васильев, Д.А. Тархов. – Москва: Наука, 2018. – 999 c.
6. Галушкин, А. И. Нейрокомпьютеры. Учебное пособие / А.И. Галушкин. – М.: Альянс, 2018. – 528 c.
7. Гелиг, А.Х. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие / А.Х. Гелиг. – М.: Издательство СПбГУ, 2018. – 224 c.
8. Ясницкий, Л. Н. Введение в искусственный интеллект / Л.Н. Ясницкий. – М.: Академия, 2018. – 176 c.
9. Воронова, Л.И. Machine Learning: регрессионные методы интеллектуального анализа данных: Учебное пособие / Л.И. Воронова, В.И. Вороновю. – МТУСИ. – М., 2018. – 83 с.
10. Гудфеллоу, Я. «Глубокое обучение» / Я. Гулфедоу, И. Бенджи, А. Курвилль. – пер. с англ. А.А. Слинкина. 2-ое изд., искр. – М.: ДМК Пресс, 2018. – 652 с.
11. Визильтер, Ю.В. Структурно-функциональный анализ и синтез глубоких конволюционных нейронных сетей / Ю.В. Визильтер, В.С. Горбацевич, С.Ю. Желтов // Компьютерная оптика – Т.43. №5. 2019. – С.886-900.
12. Сабиров, А.И. Компьютерные исследования и моделирование / А.И. Сабиров, А.С. Катасёв, М.В. Дагаева. – 13, 2, 2021. – 429-435.
13. Адамова, А.А. Нейрокомпьютеры: разработка, применение / А.А. Адамова, В.А. Зайкин, Д.В. Гордеев. – 23, 4, 2021. – 25-39.
14. Емельянов, С.В. Искусственный интеллект и принятие решений / С.В. Емельянов. – Москва: Огни, 2018. – 484 c.
Жданов, А.А. Автономный искусственный интеллект / А.А. Жданов. – М.: Бином. Лаборатория знаний, 2020. – 213 c.