| Код | 550702 |
| Дата создания | 2023 |
|
Мы сможем обработать ваш заказ (!) 13 мая в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
|
|
Целью данной работы является создание и обучение искусственной нейронной сети, способной, получая на вход изображение с цифровым шумом, выдавать на выходе чистое изображение без шумов. В данный момент нет эффективного автоматизированного способа очищать изображения от шумов, сотрудникам различных учреждений приходится либо вручную заниматься пост-обработкой изображений, либо полностью заменять фототехнику. Особенно важной эта проблема становится в области медицины – цифровой шум на медицинских снимках напрямую влияет на качество оказываемых услуг.
Для решения данной задачи была разработана свёрточная искусственная нейронная сеть (ИНС) с использованием функции активации ReLu. [2] Данная система состоит из восьми слоев и была обучена с помощью искусственно зашумленного массива изображений. Обучение происходило на платформе Google Colaboratory [25] для заимствования вычислительных мощностей. Модель была реализована на языке программирования «Python» с использованием следующих библиотек
АННОТАЦИЯ 3
ВВЕДЕНИЕ 5
ОБЗОР НТИ 6
ПОСТАНОВКА ЗАДАЧИ 10
СУЩНОСТЬ РЕШЕНИЯ ЗАДАЧИ 12
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 11
1.1 Цифровой шум на изображениях 11
1.2 Искусственный нейронные сети 13
1.3 Функции активации нейронов 15
1.4 Метод обратного распространения ошибки 18
1.5 Сверточные нейросети 21
1.6 Dropout 25
1.7 Batch-normalization 26
1.8 Автоэнкодеры 28
1.9 Методы оценки качества работы 31
2. ПРАКТИЧЕСКАЯ ЧАСТЬ 31
2.1 Анализ технического, программного и информационного обеспечений 31
2.2 Описание структуры и функционала разработанной программы 32
2.3 Результаты 37
2.4 Улучшение модели 42
ЗАКЛЮЧЕНИЕ 47
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 48
ПРИЛОЖЕНИЕ А 50
ПРИЛОЖЕНИЕ Б 53
ПРИЛОЖЕНИЕ В 56
ПРИЛОЖЕНИЕ Г 61
1. Искусственные нейронные сети. Основные термины и понятия [Электронный ресурс] / URL: https://neuronus.com/theory/nn/149-iskustvenii-neronnii-seti.html (дата обращения: 11.12.2021). – Яз. рус.
2. Бахтин, А. В., Ремизова, И. В. Элементы искусственного интеллекта в системах управления / Изд-во Санкт-Петербург 2015.
3. Машинное обучение [Электронный ресурс] // URL: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 (дата обращения: 10.01.2022). Загл. с экрана. Яз. Рус.
4. Функции активации нейросети: сигмоида, линейная, ступенчатая ReLu, than [Электронный ресурс] // Neurohive – Нейронные сети [Электронный ресурс]. URL: https://neurohive.io/ru/osnovy-data-science/activation-functions/ (дата обращения: 11.12.2021). Загл. с экрана. Яз. Рус.
5. Николенко, С. И. Глубокое обучение погружение в мир нейронных сетей / Изд-во «Питер». 2018
6. Нейронные сети. [Электронный ресурс] // URL:(дата обращения: 11.12.2021) Яз.рус.
7. Свёрточные нейронные сети [Электронный ресурс] // Википедия [Электронный ресурс]: свободная энциклопедия. – URL: https://neerc.ifmo.ru/wiki/index.php?title=Сверточные_нейронные_сети (дата обращения: 11.12.2021). – Загл. с экрана. – Последнее изменение страницы: 15:02, 10 июня 2021. – Яз. рус.
8. Machine Learning [Электронный ресурс] // URL: https://sebastianraschka.com/faq/docs/closed-form-vs-gd.html (дата обращения: 11.12.2021). Яз. Англ.
9. Свёрточные нейронные сети [Электронный ресурс] // URL: (дата обращения: 11.12.2021). Яз. Рус.
10. Пакетная нормализация (Batch Normalization) [Электронный ресурс] // URL: https://www.mql5.com/ru/articles/9207/ (дата обращения: 11.12.2021). Яз. Рус.
11. Цифровой шум на фотографии [Электронный ресурс] // URL: ttps://photohandle.com/tsifrovoy-shum-na-fotografii/ (дата обращения: 11.12.2021). Яз. Рус.
12. Автоэнкодеры. Что это и как работают [Электронный ресурс] // URL: ttps://proproprogs.ru/neural_network/avtoenkodery-chto-eto-kak-rabotayut (дата обращения: 11.12.2021). Яз. Рус.
13. Keras [Электронный ресурс] // Keras Documentation [Электронный ресурс]. URL: https://keras.io/ (дата обращения: 11.12.2021). Загл. с экрана. Яз. Англ.
14. Numerical Python [Электронный ресурс] // SOURCEFORGE [Электронный ресурс]. URL: https://sourceforge.net/projects/numpy/ (дата обращения: 11.12.2021). Загл. с экрана. Яз. Англ.
15. Matplotlib [Электронный ресурс] // Matplotlib: Visualization with Python [Электронный ресурс]. URL: https://sourceforge.net/projects/numpy/ (дата обращения: 11.12.2021). Загл. с экрана. Яз. Англ.
16. Тарик Рашид , «Создаем нейронную сеть»/ Изд-во Диалектика, 2020.
17. Пратик Джоши , «Искусственный интеллект с примерами на Python»/Изд-во Диалектика, 2019
18. Апальков И.В., Хрящев В.В. «Удаление шума с изображений на основе нелинейных алгоритмов с использованием ранговой статистики»/ ЯГУ Им. П.Г. Демидова, 2007. https://gc2011.graphicon.ru/html/2007/proceedings/Papers/Paper_20.pdf
19. Эльдарова Э.Э., Старовойтов В.В., Искаков К.Т. «Оценка эффективности методов подавления шума цифровых изображений»/Евразийский национальный университет имени Л.Н. Гумилева, 2020. https://elibrary.ru/download/elibrary_46199961_41478249.pdf
20. Manaswi, N.K. (2018). Understanding and Working with Keras. In: Deep Learning with Applications Using Python . Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4842-3516-4_2
21. Skansi, S. (2018). Autoencoders. In: Introduction to Deep Learning. Undergraduate Topics in Computer Science. Springer, Cham. https://doi.org/10.1007/978-3-319-73004-2_8
22. Geng, J., Cao, C., Qi, Y. (2019). Influence of Image Noise on Digital Photo Definition. In: Zhao, P., Ouyang, Y., Xu, M., Yang, L., Ren, Y. (eds) Advances in Graphic Communication, Printing and Packaging. Lecture Notes in Electrical Engineering, vol 543. Springer, Singapore. https://doi.org/10.1007/978-981-13-3663-8_35
23. D. Bank, N. Koenigstein, R. Giryes, «Autoencoders»/ Корнеллский университет, 2020 // URL: https://arxiv.org/abs/2003.05991
24. K. O’shea, R. Nash, «An Introduction to Convolutional Neural Networks»/ Department of Computer Science, Aberystwyth University, 2015 // URL: https://arxiv.org/abs/1511.08458
25. K. Tock, «Google CoLaboratory as a Platform for Python Coding with Students»/ Stanford Online High School, 2019 // URL: https://www.rtsre.org/index.php/rtsre/article/view/63