Детальная информация

Название: Применение машинного обучения при обнаружении кипения песка по изображениям: выпускная квалификационная работа бакалавра: направление 09.03.04 «Программная инженерия» ; образовательная программа 09.03.04_01 «Технология разработки и сопровождения качественного программного продукта»
Авторы: Матвеев Глеб Иванович
Научный руководитель: Шаляпин Владимир Валентинович
Другие авторы: Локшина Екатерина Геннадиевна
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2020
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: машинное обучение; суффозия; кипение песка; machine learning; sand boil
Тип документа: Выпускная квалификационная работа бакалавра
Тип файла: PDF
Язык: Русский
Код специальности ФГОС: 09.03.04
Группа специальностей ФГОС: 090000 - Информатика и вычислительная техника
Ссылки: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-1373
Права доступа: Доступ по паролю из сети Интернет (чтение)

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Дамбы являются критически важными сооружениями в системе защиты городов и построек от тонн водной стихии. Отмечается, что подвергаясь воздействию ряда технологических и иных факторов, а также времени, данный вид сооружений подвержен разрушениям различного характера. Одной из ключевых причин таких разрушений признается феномен “sand boil” – “кипящий песок”. Данное явление обладает рядом характерных особенностей, в частности, закругленность и заметная центральная область, которые видны на изображениях. Следовательно, существует возможность обучения нейросети и применение машинного обучения в целях обнаружения участков кипучего песка на фотографиях, сделанных беспилотниками. В основу настоящей работы положено такое исследование. В использованном исследовании приводился ряд алгоритмов, с помощью которых происходило определение участков кипучего песка, а также при-водился полученный результат. В настоящей работе была предпринята попытка использовать видоизмененные алгоритмы и создать новый вариант реализации, а также сравниваются полученные результаты с результатами вышеприведенного исследования. В настоящей работе, среди прочих, использованы следующие основные алгоритмы: 1) Алгоритм Виолы-Джонса; 2) Детектор объектов You Only Look Once. Среди отмеченных результатов настоящей работы можно привести увеличение процента точности определения участков sand boil на изображениях. Настоящая работа обладает потенциалом, при условии осуществления доработок и улучшений, в будущем стать надежной и более эффективной за-меной ручному просмотру всех изображений, что в свою очередь окажет значительное содействие в борьбе с разрушениями.

Seawalls are the structures of extreme importance for the protection system of cities and buildings from flows of tons of water. It is recognized that time and diversified factors, such as technological or other, affect these structures and lead to various forms of destruction. One of the crucial reasons for such de-structions is considered a phenomenon of a ‘sand boil’. This phenomenon has a number of distinct features, such as roundness and a noticeable central area, which are observable on location images. Therefore, it is possible to attempt and train a neuron network and with application of ma-chine learning to detect sand boil on photos taken by a drone. Such research formed the basis of the present work. The aforementioned research cited a number of algorithms that were used to detect sand boil and the results of such use. In present paper an attempt was made to use modified algorithms, perform another form of realization, and compare the results of the present paper to those of the aforementioned one. Some of the major algorithms used in the present paper are: 1) Viola-Jones Detection Algorithm; 2) Real-Time Object Detection You Only Look Once. Amongst the integral results obtained was an improved percentage of accuracy of the detection of sand boil on images. Present paper has a potential to be-come in future, with additional refinement and improvement applied, a steady and sustainable substitute for the manual viewing of all images, which subse-quently shall have a positive affect on destruction avoidance.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать
Интернет Авторизованные пользователи СПбПУ Прочитать
Интернет Авторизованные пользователи (не СПбПУ)
-> Интернет Анонимные пользователи

Оглавление

  • Оглавление
  • 1. Введение
  • 1.1 Основа работы
  • 1.2 Постановка задачи
  • 1.3 Описание проблемы
  • 1.4 Sand boil
  • 2. Методология
  • 2.1 Обнаружение объекта
  • 2.2 Создание набора данных
  • 2.3 Функции
  • 2.3.1 Харалик
  • 2.3.2 Xy моменты
  • 2.3.3 Гистограммы
  • 2.3.4 Гистограмма ориентированных градиентов (HOG)
  • 3. Реализация
  • 3.1 Алгоритм обнаружения объекта Виола-Джонса
  • 3.2 Алгоритм YOLO
  • 3.3 MultiBox детектор одиночного выстрела (SSD)
  • 3.4 Stacking
  • 4. Результаты.
  • 4.1 Виолла-Джонс
  • 4.2 . Обнаружение YOLO
  • 4.3 . Однократное обнаружение MultiBox
  • 4.4 . Stacking
  • 5. Вывод

Статистика использования

stat Количество обращений: 6
За последние 30 дней: 0
Подробная статистика