Детальная информация

Работа посвящена исследованию современных методов обнаружения объектов на примере решения задачи обнаружения продукции на конвейерном производстве, разработке программных реализаций обнаружения объектов классическим и нейронным методом, формированию выводов о преимуществе одного из методов. Задачи, решаемые во время исследования: • Исследование методов классического обнаружения объектов, методов предобработки изображения и алгоритмов непосредственного обнаружения границ объектов. • Исследование методов обнаружения объектов с помощью нейронных сетей, архитектур нейросетей, разработанных непосредственно для поиска объектов и их классификации. • Поиск и выбор инструментов, необходимых для реализации технических решений обоих методов. • Реализация обоих методов обнаружения и демонстрация их работы. • Анализ обоих методов, вывод о наилучшем методе для данной задачи. В ходе работы исследованы принципы классического и нейронного подходов в обнаружении объектов. Произведен выбор наиболее подходящих решений по обоим методам. Разработана и обучена модель нейронной сети для обнаружения объекта, и кроссплатформенный алгоритм использования обученной нейросети. Разработан кроссплатформенный метод обнаружения объектов классическими методами. Разработано демонстрационное приложение. Результат исследования показывает: нейронный метод обладает большей стабильностью, лучшей точностью обнаружения, не требует донастройки при изменении освещения или изменении сцены за объектом, однако требует намного больше вычислений чем классические методы.

The work is devoted to the study of modern methods of object detection using the example of solving the problem of detecting products in conveyor production, developing software implementations of object detection using the classical and neural methods, and drawing conclusions about the advantage of one of the methods. The research set the following goals: • Research of classical object detection methods, image preprocessing methods and algorithms for direct detection of object boundaries. • Research of object detection methods using neural networks, neural network architectures developed directly for object search and classification. • Search and selection of tools necessary for the implementation of technical solutions of both methods. • Implementation of both detection methods and demonstration of their operation. • Analysis of both methods, conclusion about the best method for this task. In the course of the work, the principles of classical and neural approaches in object detection are investigated. The most suitable solutions for both methods have been selected. A neural network model for object detection and a cross-platform algorithm for using a trained neural network have been developed and trained. A cross-platform method for detecting objects using classical methods has been developed. A demo application has been developed. The result of the research shows that the neural method has greater stability, better detection accuracy, does not require additional adjustment when changing lighting or changing the scene behind the object, however, it requires much more calculations than classical methods.