Details
| Title | Система предразметки данных в рамках реализации аппаратно-программного комплекса по обнаружению и классификации дефектов тканей = A data pre-marking system for the framework of the hardware and software complex for detecting and classifying tissue defects // Современные подходы в системном инжиниринге и цифровом моделировании сложных производственных систем: сборник трудов Всероссийской научно-практической конференции, 27–28 февраля 2025 года |
|---|---|
| Creators | Северюхина Анастасия Андреевна |
| Organization | Санкт-Петербургский политехнический университет Петра Великого |
| Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025 |
| Collection | Общая коллекция |
| Document type | Article, report |
| Language | Russian |
| DOI | 10.18720/SPBPU/2/id25-230 |
| Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\79503 |
| Record create date | 7/15/2026 |
Allowed Actions
–
Action 'Прочитать' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
| Group | Anonymous |
|---|---|
| Network | Internet |
Данная работа посвящена созданию автоматизированной системы обучения классификатора изображений в рамках разработки системы предразметки данных для обнаружения и классификации дефектов тканей. Исследование основано на предположении, что использование формата json для подбора наилучших параметров препроцессинга данных позволит ускорить процесс обучения и разработки систем обнаружения. Основными задачами работы являются разработка концепции системы предразметки данных, разработка структуры json-файла для препроцессинга, создание автоматизированной системы обучения классификатора изображений, а также реализация и оценка эффективности работы различных архитектур нейронных сетей при решении задач бинарной классификации изображений. В работе рассматриваются преимущества применения системы подбора параметров препроцесинга данных текстильной промышленности с использованием формата json. Таже проводится анализ результатов обучения и тестирования моделей нейронных сетей ResNet50, VGG16, VGG19 с использованием фреймворка PyTorch и с применением cuda для распределенных вычислений на GPU. Внедрение системы предразметки данных поможет сформировать датасет, необходимый для качественного обучения нейронной сети, предназначенной для обнаружения и локализации дефектов тканей. Автоматизация процесса анализа качества изделий позволит значительно сократить время на проверку продукции и улучшить работу отдела качества на предприятиях текстильной промышленности.
This work is devoted to the creation of an automated image classifier training system as part of the development of a data pre-marking system for detecting and classifying tissue defects. The research assumes that using the json format to select the best data preprocessing parameters will speed up the learning process and the development of detection systems. The main tasks of the work are to develop the concept of a data pre-marking system, develop the structure of a json-file for preprocessing, create an automated image classifier training system and evaluate the effectiveness of various neural network architectures in solving binary image classification problems. In this paper discusses the advantages of using a system for selecting parameters for the preprocessing of textile industry data using the json format. The results of training and testing of ResNet50, VGG16, and VGG19 neural network models using the PyTorch framework and using cuda for distributed computing on the GPU are also analyzed. The integration of a data pre-marking system will help to create the dataset necessary for high-quality training of a neural network for detecting and classifying tissue defects. Automation of the product quality analysis process will significantly reduce the time spent on product inspection and improve the work of the quality department in the textile company.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | Authorized users SPbPU |
|
| Internet | Anonymous |
|
