Details

Title: Программа по определению внешне различимых дефектов автомобиля на основе машинного обучения: выпускная квалификационная работа бакалавра: 09.03.04 - Программная инженерия ; 09.03.04_01 - Технология разработки и сопровождения качественного программного продукта
Creators: Посметныйс Денисс
Scientific adviser: Амосов Владимир Владимирович
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2019
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: искусственный интеллект; машинное обучение; распознавание образов; компьютерное зрение; искусственная нейронная сеть; сверточная нейронная сеть; глубокое обучение; метод водораздела; автомобили; визуальный анализ; artificial intelligence; machine learning; pattern recognition; computer vision; artificial neural network; convolutional neural network; deep learning; watershed method; cars; visual analysis
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 09.03.04
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: http://doi.org/10.18720/SPBPU/3/2019/vr/vr19-595; http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-595-o.pdf; http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-595-a.pdf
Rights: Свободный доступ из сети Интернет (чтение, печать, копирование)

Allowed Actions: Read Download (1.3 Mb) You need Flash Player to read document

Group: Anonymous

Network: Internet

Annotation

Целью данной работы является исследование возможностей методов компьютерного зрения для определения дефектных автомобилей в потоке движения. Целостность, а также соответствие нормам является необходимым фактором безопасности движения и предотвращения дорожно-транспортных происшествий, вызванных некорректным техническим состоянием транспортного средства. Результатом данной работы является классификатор способный определить дефекты транспортных средств по их визуальному анализу с целью дальнейшей передачи данных в дорожно-патрульную службу.

The purpose of this work is to study the capabilities of computer vision methods for determining defective vehicles in traffic. Integrity, as well as compliance with standards, is a necessary factor for traffic safety and the prevention of road accidents caused by the incorrect technical condition of the vehicle. The result of this work is the classifier able to determine the defects of vehicles by their visual analysis for the purpose of further data transfer to the police station in order to manipulate owners of defective cars. The results of this work can be applied in various fields related to the control of the technical condition of vehicles on large highways and automatic visual inspection.

Document access rights

Network User group Action
FL SPbPU Local Network All Read Print Download
-> Internet All Read Print Download

Table of Contents

  • Введение
  • 1. Теоретическая часть
    • 1.1. Глубокое обучение (распознавание образов)
    • 1.2. Основы изображений
    • 1.3. Классификация изображений
    • 1.4. Параметризированное обучение
    • 1.5. Пример процесса линейной классификации
      • 1.5.1. Функция потери
    • 1.6. Основы нейронных сетей
    • 1.7. Распознавание и локализация образов
      • 1.7.1. Метод Виолы-Джонса
      • 1.7.2. Визуальные словари
      • 1.7.3. Гистограммы градиентов
      • 1.7.4. Сверточные нейронные сети
  • 2. Практическая часть
    • 2.1. Аппаратная часть распознавания автомобилей
    • 2.2. Выбор метода сегментации изображения
      • 2.2.1. Метод пороговых значений и контуров
      • 2.2.2. Пример сегментации по водоразделам
    • 2.3. Описание параллельного алгоритма
    • 2.4. Обучающая выборка
    • 2.5. Препроцессорная обработка
    • 2.6. Пользовательский сервис для работы с CNN
    • 2.7. Разработка модели CNN
      • 2.7.1. Настройка конфигураций
      • 2.7.2. Преобразование набора данных в модель
      • 2.7.3. Создание Convolutional & Inception Module
  • 3. Эксперименты и полученные результаты
    • 3.1. Обучение сверточной нейронной сети
      • 3.1.1. Эксперимент №1
      • 3.1.2. Эксперимент №2
      • 3.1.3. Эксперимент №3
    • 3.2. Результаты классификации изображений.
  • Заключение
  • Список использованных источников

Document usage statistics

stat Document access count: 35
Last 30 days: 3
Detailed usage statistics