Целью этого исследования является разработка веб-приложения, использующего нейронные сети для эффективной идентификации угнанных автомобилей. Используемые методы включают в себя обучение моделей глубокого обучения с использованием большого набора данных изображений транспортных средств, а также связанной с ними информации, такой как номерные знаки и характеристики транспортных средств. Затем обученные модели интегрируются в веб-приложение, позволяя пользователям предоставлять государственный номерной знак автомобиля для поиска его. В ходе выполнения данной работы был разработан локальный сайт, использующий нейронную сеть для поиска автомобиля по государственному номеру. Данный продукт был разработан для более быстрого нахождения угнанных автомобилей. Потенциальные области применения полученных результатов обширны - от правоохранительных органов до страховых компаний и индивидуальных владельцев транспортных средств. Правоохранительные органы могут использовать веб-приложение для оптимизации расследований угонов транспортных средств, повышая их общую эффективность. Отдельные владельцы транспортных средств могут использовать приложение в качестве дополнительной меры безопасности для защиты своих транспортных средств и оперативно сообщать о любых потенциальных кражах. В представленной работе будет происходить обзор на различные нейронные сети. В дополнении будет рассказываться принцип работы web-приложения и сервера в целом. Кроме того, способность системы обрабатывать текстовую информацию, такую как номера номерных знаков. В заключение следует отметить, что разработка веб-приложения на основе нейронных сетей для поиска угнанных автомобилей представляет собой значительный прогресс в области безопасности транспортных средств. Потенциальное воздействие этого исследования распространяется на различные секторы, предлагая ценную поддержку в борьбе с угонами транспортных средств и повышении общей общественной безопасности.

The aim of this research is to develop a web application that uses neural networks to effectively identify stolen cars. The methods used include training deep learning models using a large dataset of vehicle images, as well as related information such as license plates and vehicle characteristics. The trained models are then integrated into the web application, allowing users to provide the state license plate of the car to search for it. In the course of this work, a local website was developed that uses a neural network to search for a car by state number. This product was developed to find stolen cars faster. The potential applications of the results obtained are extensive - from law enforcement agencies to insurance companies and individual vehicle owners. Law enforcement agencies can use the web application to optimize vehicle theft investigations, increasing their overall efficiency. Individual vehicle owners can use the app as an additional security measure to protect their vehicles and promptly report any potential thefts. In the presented work, there will be an overview of various neural networks. In addition, the principle of operation of the web application and the server as a whole will be described. In addition, the ability of the system to process textual information such as license plate numbers. In conclusion, it should be noted that the development of a web application based on neural networks to search for stolen cars represents significant progress in the field of vehicle safety. The potential impact of this study extends to various sectors, offering valuable support in combating vehicle theft and improving overall public safety.

• РЕФЕРАТ
• ABSTRACT
• Оглавление рисунков
• Оглавление формул
• Введение
• Актуальность
• Постановка задач
• Аналоги
• История нейронных сетей
• Глава 1. Анализ предметной области, применение нейронных сетей
• Глава 2. Разновидности структур нейронной сети и их выбор
  • 2.1. Сети радиально-базисных функций
  • 2.2. Нейронная сеть хопфилда
  • 2.3. Автоэнкодеры
  • 2.4. Сверточные нейронные сети (CNN)
  • 2.5. Глубокие сети
  • 2.6. Развертывающие нейронные сети
  • 2.7. Машина Больцмана
  • 2.8. Заключение в выборе
• Глава 3. Метод оптимизации
  • 3.1. Адаптивный градиент (AdaGrad)
  • 3.2. Стохастический градиентный спуск (SGD)
  • 3.3. AdaDelta
  • 3.4. Адам
  • 3.5. Градиентный спуск
  • 3.6. RMSProp
  • 3.7. Ускоренный градиент Нестерова (NAG)
  • 3.8. Пример выбора алгоритма
• Глава 4. Порядок составления дата-сета для обучения
  • 4.1. Нейронная сеть улучшающая качество видеоряда
  • 4.2. Нейронная сеть для определения номерного знака
• Глава 5. Подготовка дата-сета для обучения
  • 5.1. Нейронная сеть улучшающая качество видеоряда
  • 5.2. Нейронная сеть для определения номерного знака
• Глава 6. Создание слоев и подготовка нейронной сети к обучению
  • 6.1. Нейронная сеть улучшающая качество видеоряда
  • 6.2. Нейронная сеть для определения номерного знака
• Глава 7. Процесс обучения и сохранение результатов
  • 7.1. Нейронная сеть улучшающая качество видеоряда
  • 7.2. Нейронная сеть для определения номерного знака
• Глава 8. Функция результатов работы нейронной сети
  • 8.1. Нейронная сеть улучшающая качество видеоряда
  • 8.2. Нейронная сеть для определения номерного знака
• Глава 9. Сервер
  • 9.1. HTTP
  • 9.2. Архитектура HTTP
  • 9.3. Описание работы сервера
• Глава 10. База данных
  • 10.1. PostgreSQL
  • 10.2. Описание работы БД
• Глава 11. Web-приложение
  • 11.1. HTML
  • 11.2. Описание работы Web-приложения
• Глава 12. Модульное тестирование
• Глава 13. Интеграционное тестирование
• Глава 14. Отладка кода
• Глава 15. Статический анализ кода
• Глава 16. DevOps
  • 16.1. Описание DevOps
  • 16.2. Выполнение этапа CI / CD
  • 16.3. Mypy для проверки подсказок по типу кода Python
  • 16.4. Pylint для обзора кода
  • 16.5 pytest для модульного тестирования кода
  • 16.6. Coverage для покрытия кода ваших тестов
  • 16.7. Команды Git для управления версиями артефактов
  • 16.8. Команда Git для совместного использования артефактов управления версиями GitHub
  • 16.9. Dev окружение
  • 16.10. Kubernetes
  • 16.11. Deployment
  • 16.12. Service
  • 16.13. Ingress
• Глава 17. Мониторинг метрик.
• Заключение
• Список использованных источников