Добірка наукової літератури з теми "Метод розпізнавання образів"

Відповідно до діючого курсу підтримки справності авіації Збройних Сил України виникла проблема забезпечення справності парку літальних апаратів та виконання точної класифікації технічного стану силових елементів різних типів літаків для своєчасного виявлення їх граничного стану. Мета статті полягає в оприлюдненні результатів дослідження щодо системи класифікації технічного стану – системи розпізнавання образів. В статті розглянуто проблематику щодо вибору ефективного методу розпізнавання, головні вимоги до нього, проаналізовано обраний метод класифікації технічного стану (або розпізнавання образів технічного стану), який заснований на статистичному методі розпізнавання. Виконана реалізація методу в графічній оболонці (для застосування на персональних електронно-обчислювальних машинах) за допомогою мови програмування Python та допоміжних наукових і графічних бібліотек. Обрані еталонні об’єкти, визначені основні визначальні параметри, які характеризують інтенсивність вичерпання ресурсного потенціалу, які були розділені на два образи технічного стану, а саме на “добрі” та “погані”, та контрольний досліджуваний об’єкт. Як приклад, проаналізовано технічний стан відповідального силового елемента літака-винищувача Збройних Сил України, які мають приблизно однакові ресурсні напрацювання, та різні статистичні дані щодо інтенсивності використання в процесі експлуатації. Проаналізовано адекватність роботи методу за допомогою експертів, надані рекомендації у вигляді рішень управління щодо досліджуваного об’єкта.

Гібридне розпізнавання образів полягає у обробці даних різної природи виникнення. Це дозволяє отримувати достовірні класифікаційні рішення за умови широкої зміни прояву різноманітних перешкод і викривлень. Однак, такий підхід призводить до значного збільшення кількості ознак, що надаються для співставлення та отримання рішення щодо розпізнавання і, як наслідок, призводить до значного підвищення часової складності аналізу та прийняття остаточного рішення. Цей аспект має особливе значення для систем критичного застосування, коли прийняття рішення повинно здійснюватися в режимі реального часу, а затримка у отриманні результату аналогічна відмові системи. Для виключення вказаного недоліку, у будь який момент часу необхідне забезпечення обробки меншої кількості найбільш інформативних даних. З цією метою, в статті пропонується метод побудови багатопоточної черги обробки даних, в якій послідовність визначається за рівнем інформативності кожної ознаки. Обробка черги дозволяє забезпечити завданий рівень достовірності отримання класифікаційного рішення з одночасною мінімізацією кількості даних, що надаються для співставлення.

Актуальність теми дослідження. Сучасні тенденції розвитку теорії штучного інтелекту вимагають ефективних підходів та методів у задачах розпізнавання (класифікації) образів, але принциповою проблемою побудови логічних дерев класифікації є відсутність алгоритмів та методів, які б дозволили одноманітно описувати різні алгоритми розпізнавання у вигляді дерев класифікації. Робота присвячена проблемі логічних дерев класифікації. Запропоновано ефективний механізм донавчання та усунення помилок класифікації у структурі логічного дерева. Постановка проблеми. Нині відомі різні методи та алгоритми побудови логічних дерев класифікації, проте всі вони здебільшого зводяться до побудови одного дерева класифікації за даними початкової навчальної вибірки, а в літературі дуже мало алгоритмів побудови логічних дерев для вибірок великого об’єму. Зрозуміло, що це має під собою об‘єктивні фактори, які пов‘язані з особливостями генерації таких складних структур, методиками роботи з ними та зберігання. Ця робота має намір хоча б частково подолати ці обмеження та присвячена розробці ефективного механізму донавчання та усунення помилок класифікації у структурі логічного дерева. Аналіз останніх досліджень і публікацій. Були розглянуті останні публікації у відкритому доступі, які присвячені проблемі методів та алгоритмів логічних дерев класифікації в задачах розпізнавання образів. Виділення недосліджених частин загальної проблеми. Можливість ефективної та економної роботи запропонованого методу зміни структури логічного дерева з масивами навчальних вибірок великого об’єму. Постановка завдання. Розробка простого та якісного методу роботи з великими масивами початкових вибірок шляхом синтезу мінімальних форм дерев класифікації та розпізнавання, які забезпечують ефективну апроксимацію навчальної інформації. Виклад основного матеріалу. Виявлення механізму, за допомогою якого можна було б будувати логічне дерево класифікації за неповною початковою інформацією (і за кількістю об‘єктів, і за кількістю ознак). Таке логічне дерево буде безпомилково розпізнавати частину навчальної вибірки, за якою побудоване дерево, а на інших наборах давати помилки (уникнення такої ситуації пропонується за рахунок застосування схеми алгоритму усунення помилок у структурі дерева). Висновки відповідно до статті. Запропонований метод донавчання та усунення помилок у структурі логічного дерева класифікації дає змогу працювати з навчальними вибірками великого об’єму та забезпечує високу швидкість та економність апаратних ресурсів у процесі генерації кінцевої схеми класифікації.

Предметом досліджень статті є моделі для встановлення ступеня релевантності зображень у просторі дескрипторів ключових точок зображень для реалізації структурних методів розпізнавання зорових образів у системах комп’ютерного зору. Метою є проведення експериментального дослідження ефективних за параметром швидкодії модифікацій способів встановлення подібності описів у просторі дескрипторів ключових точок на підставі апарату аналізу бітових даних. Завдання: розроблення математичних та програмних моделей оброблення даних при обчисленні подібності структурних описів, вивчення властивостей та особливостей застосування цих моделей, оцінювання ефективності за результатами оброблення конкретних зображень. Застосовуваними методами є: детектор BRISK для формування дескрипторів ключових точок, інтелектуальний аналіз даних, метод кластеризації к-середніх, методи побітового оброблення та підрахунку частоти входження даних, теорія хешування бітових даних, програмне моделювання. Отримані такі результати. Методи класифікації зображень з використанням подібності описів у просторі дескрипторів ключових точок отримують подальший розвиток та застосування на підставі впровадження апарату аналізу бітових даних. Кластерне подання описів не тільки скорочує час оброблення, але й показує чутливість модифікації методу до незначних особливостей зображення і його можливість широкого застосування у системах комп’ютерного зору. Хешування опису без втрати даних суттєво прискорює (у експерименті у сотні разів) процес обчислення ступеня релевантності описів. Вибрана хеш-функція може впливати на результат і сприяти покращенню рівня розрізнення зображень. Побудова узагальненого опису у вигляді спільного дескриптора значно скорочує час обчислень, при цьому виникає потреба у попередньому обробленні опису з метою формування скороченого опису із списку значущих дескрипторів. Висновки. Наукова новизна дослідження полягає в удосконаленні методу структурного розпізнавання зображень на основі опису як множини дескрипторів ключових точок шляхом застосування апарату кластеризації, виявлення узагальнених властивостей та хешування даних для визначення модифікованих мір релевантності аналізованих та еталонних описів. Практична значущість роботи – досягнення суттєвого рівня підвищення швидкодії обчислення релевантності зображень, підтвердження результативності запропонованих модифікацій на прикладах зображень, отримання прикладних програмних моделей для дослідження та впровадження методів класифікації у системах комп’ютерного зору.

Відповідно до Візії Повітряних Сил планується оновлення парку літальних апаратів на нові літаки, що знаходяться на озброєнні країн НАТО. Проте, в перехідний період переоснащення на нову техніку постає проблема підтримання справності старіючого парку літаків. Основна проблема в забезпеченні справності парку літаків Повітряних Сил – це значне вичерпання ресурсних показників через високу інтенсивність польотів. Мета статті полягає в оприлюдненні результатів досліджень щодо комплексу часткових методик оцінювання технічного стану силових елементів літаків-винищувачів, коли їх формальний ресурс вичерпаний. Ці часткові методики складають загальну методику оцінювання технічного стану силових елементів літаків-винищувачів за межами призначених показників. Використання загальної методики дозволить більш об’єктивно приймати рішення щодо продовження (збільшення) ресурсу силовим елементам літаків-винищувачів та визначати їх технічний стан із більшою точністю. Загальна методика використовує в розрахунках теорію імовірностей при обробці експлуатаційних даних, теорію механіки твердого тіла та метод кінцевих елементів при розрахунку напружено-деформованого стану, метод кластеризації та теорію розпізнавання образів при класифікації технічного стану. Незважаючи на використання такого різноманіття різних видів математичних розрахунків – методика є інтуїтивно зрозумілою і достатньо практичною.

На сьогодні на основі технології Neural Network розроблено безліч програмних комплексів для прогнозування різних явищ, статистичного оброблення даних, методів класифікації даних, розпізнавання образів, оптимізації деяких процесів тощо. Здатність до самонавчання та вилучення знань з даних є одним з найкорисніших та вражаючих властивостей штучних нейронних мереж, успадкованих ними від мозку, як від свого прототипу. Світова практика використання штучного інтелекту свідчить про можливості отримувати нові, невідомі раніше закономірності, які не відразу знаходять пояснення, а іноді і не вкладаються в рамки офіційної науки. У багатьох параметрах технології нейронних мереж перевершують наявні традиційні алгоритми, тому по праву вважаються актуальними для активного застосування на цей час. Нейронні мережі – потужний метод моделювання, що дає змогу відтворювати складні нелінійні залежності, що актуально для систем прийняття рішень в управлінні пацієнтопотоком у медичних установах. У цьому дослідженні розглянуто сутність нейронних мереж, їх особливості здатності до навчання (налаштування архітектури і синаптичних зв'язків). Також виявлено і перспективи розвитку застосування і використання штучних нейронних мереж для застосування розподілу пацієнтів для здійснення профілактичного медичного огляду.

Предметом досліджень статті є моделі для встановлення рівня релевантності зображень у просторі розподілів для дескрипторів ключових точок при розпізнаванні візуальних об’єктів у системах комп’ютерного зору. Метою є створення методу структурного розпізнавання зображень на підставі впровадження ланцюжкових моделей даних із використанням ймовірнісних розподілів множини дескрипторів. Завдання: розроблення математичних та програмних моделей для ефективного за швидкодією аналізу даних при визначенні релевантності структурних описів, вивчення властивостей, атрибутів застосування, значень параметрів цих моделей, оцінювання результативності за наслідками оброблення конкретних зображень. Застосовуваними методами є: детектор BRISK для формування дескрипторів ключових точок, апарат інтелектуального аналізу даних, методи побітового оброблення та побудови розподілів бітових даних, апарат метричного визначення релевантності, програмне моделювання. Отримані такі результати. Перехід від опису множин дескрипторів до ймовірнісних розподілів фрагментів і зіставлення образів у просторі розподілів забезпечують необхідну результативність розпізнавання. Оброблення та аналіз даних виконується у сотні разів швидше, ніж традиційний підрахунок голосів. Оброблення та аналіз сполучень бітів формує значимі властивості для сукупності елементів опису зі збереженням структури даних і їх уніфікації. Зі збільшенням числа бітів у фрагменті розподілу зростає відстань між зображеннями, що сприяє збільшенню ступеня їх розрізнення. Ланцюговим поданням та застосуванням розподілів створюється новий простір даних, що дає можливість суттєво покращити показники функціонування систем розпізнавання зображень. Висновки. Наукова новизна дослідження полягає в удосконаленні методу структурного розпізнавання зображень на основі впровадження узагальненої ланцюгової структури опису із використанням значень розподілу для фрагментів множини дескрипторів ключових точок, що змістовно відображають властивості зображень об’єктів і забезпечують результативне розпізнавання. Практична значущість – досягнення суттєвого рівня підвищення швидкодії обчислення релевантності, підтвердження результативності запропонованих модифікацій на прикладах зображень, отримання прикладних програмних моделей для дослідження та впровадження методів класифікації в системах комп’ютерного зору.

Розглянуто метод побудови системи ідентифікації, яка ґрунтується на використанні автономної системи розрахунку міри близькості між пред'явленими образом та еталоном. Істотною особливістю такого підходу є значне зменшення (стиснення) інформації, що надходить на вхід системи прийняття рішення. Розглянутий метод дає змогу побудувати систему розпізнавання, яка буде інваріантною до збурень у просторі об'єкта.

Актуальність теми дослідження. На сучасному етапі розвитку інформаційних систем та технологій, які базуються на математичних моделях теорії штучного інтелекту (методах та схемах алгоритмічних дерев класифікації), виникає принципова проблема вузької спеціалізації наявних підходів та методів у соціально-економічних, екологічних та інших системах первинного аналізу та обробки великих масивів інформації. Задачі, які об’єднуються тематикою розпізнавання образів, дуже різноманітні та виникають у сучасному світі в усіх сферах економіки та соціального контенту діяльності людини, що приводить до необхідності побудови та дослідження математичних моделей відповідних систем. На сьогодні немає універсального підходу до їх розв’язання, запропоновано декілька досить загальних теорій та підходів, що дозволяють вирішувати багато типів (класів) задач, але їх прикладні застосування відрізняються досить великою чутливістю до специфіки самої задачі або предметної області застосування. Представлена робота присвячена проблемі моделей логічних та алгоритмічних дерев класифікації (схем ЛДК/АДК), пропонує оцінку складності структур алгоритмічних дерев (моделей дерев класифікації), які складаються з незалежних та автономних алгоритмів класифікації і будуть являти собою певною мірою новий алгоритм розпізнавання (зрозуміло, що синтезований із відомих схем, алгоритмів та методів). Постановка проблеми. Нині актуальні різні підходи до побудови систем розпізнавання у вигляді дерев класифікації (ЛДК/АДК), причому інтерес до методів розпізнавання, які використовують дерева класифікації, викликаний багатьма корисними властивостями, якими вони володіють. З одного боку, складність класу функцій розпізнавання у вигляді моделей дерев класифікації, при визначених умовах, не перевищують складності класу лінійних функцій роз-пізнавання (простішого з відомих). З іншого – функції розпізнавання у вигляді дерев класифікації дозволяють виділити в процесі класифікації як причинно-наслідкові зв’язки (та однозначно врахувати їх у подальшому), так і фактори випадковості або невизначеності, тобто врахувати одночасно і функціональні, і стохастичні відношення між властивостями та поведінкою всієї системи. При цьому відомо, що процес класифікації нових, таких, що досі не зустрічалися, об’єктів світу багатьох тварин і людей (за винятком об’єктів, інформація про які передається генетичним шляхом (наслідковим), а також в деяких інших випадках), відбувається за так званим логічним деревом рішень (у зв‘язку з нейромережевою концепцією). Зрозуміло, що доцільно не розробляти новий алгоритм, а запропонувати деяку концепцію раціонального використання вже накопиченого потенціалу алгоритмів та методів класифікації у вигляді моделей алгоритмічних дерев класифікації (структур АДК). Саме тому ця робота має намір хоча б частково подолати ці обмеження та присвячена оцінці складності процедури побудови моделей алгоритмічних (логічних) дерев класифікації в галузі задач розпізнавання. Аналіз останніх досліджень і публікацій. У дослідженні розглянуті останні наукові публікації у відкритому доступі, які присвячені загальній проблемі підходів, методів, алгоритмів та схем розпізнавання (моделей ЛДК/АДК) дискретних об’єктів (дискретних зображень) у задачах розпізнавання образів (теорії штучного інтелекту). Виділення недосліджених частин загальної проблеми. Можливість простого та економного методу побудови моделі алгоритмічного дерева класифікації (або структур АДК/ЛДК) та оцінка складності такої процедури (моделі структури АДК/ЛДК) на основі початкових масивів дискретної інформації великого об’єму. Постановка завдання. Дослідження актуального питання складності загальної процедури побудови алгоритмічного дерева класифікації (моделі АДК) на основі концепції поетапної селекції наборів незалежних алгоритмів класифікації (можливих їх різнотипних множин та сполучень), яке для заданої початкової навчальної вибірки (масиву дискретної інформації) будує деревоподібну структуру (модель класифікації АДК), з набору алгоритмів оцінених на кожному кроці схеми побудови моделі за даною початковою вибіркою. Виклад основного матеріалу. Пропонується оцінка складності процедури побудови алгоритмічного дерева класифікації для довільного випадку (для умов слабкого та сильного розділення класів навчальної вибірки). Розв’язок цього питання має принциповий характер, щодо питань оцінки структурної складності моделей класифікації (у вигляді деревоподібних конструкцій), структур АДК дискретних об’єктів для широкого класу прикладних задач класифікації та розпізнавання в плані розробки перспективних схем та методів їх фінальної оптимізації (мінімізації) конструкції. Це дослідження має актуальність не лише для конструкцій алгоритмічних дерев класифікації, але й дозволяє розширити саму схему оцінки складності і на загальний випадок структур логічних дерев класифікації. Висновки відповідно до статті. Досліджені питання структурної складності конструкцій ЛДК/АДК, запропонована верхня оцінка складності для процедури побудови алгоритмічного дерева класифікації в умовах слабкого та сильного розділення класів початкової навчальної вибірки.

Currently, in the field of computer vision technology of autorecognition and image tracking is a significant interest for scientific research. The main factors for increasing interest in this topic are a large number of scientific studies that create the basis for developments in this field and further study it. Over the past few years, clear results have been obtained in the actual application of methods for recognizing flying objects. The evolution of hardware and the growth of computing power of modern electronics, and the popularity of cloud services, makes it possible to actively use software based on computer vision algorithms, not only in the field of scientific and engineering activities, but also in the defense sector.

Кваліфікаційна робота розв’язує задачу автоматизованого розпізнавання образів нейромережею перцептрон, навчання якої здійснюється за допомогою генетичного алгоритму, зокрема, при навчанні двошарової нейромережі перцептрон за допомогою генетичного алгоритму навчання виконується повне поступове налаштування множини ваг синапсів нейромережі, що складається із двох підмножин, які утворюються предсинаптичними зв’язками схованого та вихідного прошарків нейронів мережі.

In some tasks of artificial intelligence, the problem arises of searching among a multitude of information objects most similar to this material. For example, the ability to recognize text, information retrieval, data compression, classification and clustering, building a database of images, video documents. In order to build an effective search method, it is necessary to take into account the peculiarities of this task. For example, strings must be processed in one way, and vectors in another. Therefore, the algorithms used will depend on how well it fits the description.

Кваліфікаційна робота присвячена дослідженню методів ідентифікації паління на основі аналітичного опрацювання візуальних даних засобами тривимірних згорткових нейронних мереж. Розглянуто процес розпізнавання образів з використанням машинного навчання як основного методу розпізнавання паління. Проведено аналіз предметної області. Виявлено ознаки паління за візуальними даними. Досліджено переваги застосування нейронних мереж глибокого навчання перед традиційними методами машинного навчання. Описано передобробку відеопослідовності. Вибрано архітектуру згорткових нейронних мереж, яка згодом перетворена на тривимірну. Описано навчання нейронної мережі та її оптимізація. Розроблено та описано алгоритм розпізнавання паління на послідовності відео. Проведено навчання та тестування тривимірної згорткової нейронної мережі на наборі даних HMDB51. Точність розпізнавання паління за візуальними даними розрахована з застосуванням різних метрик. Thesis deals with the research of smoking identification methods on the basis of analytical processing of visual data by means of three - dimensional convolutional neural networks. The process of pattern recognition using machine learning as the main method of smoking recognition is considered. The analysis of the subject area is carried out. Signs of smoking were revealed according to visual data. The advantages of using neural networks of deep learning over traditional methods of machine learning are investigated. Video sequence preprocessing is described. The architecture of convolutional neural networks is chosen, which is later transformed into three-dimensional. The training of the neural network and its optimization are described. A algorithm for smoking detection on a video sequence has been developed and described. Training and testing of a three-dimensional convolutional neural network on the HMDB51 data set were performed. The accuracy of visual recognition of smoking by visual data is calculated using different metrics.
Вступ 9 1 Аналіз предметної області 11 1.1 Постановка проблеми 11 1.2 Методи розпізнавання паління 13 1.3 МН 14 1.4 НМ 16 1.5 Традиційні методи МН та НМГН 22 1.6 Виявлення ознак паління 23 1.7 Висновки до першого розділу 24 2 Теоретична частина 26 2.1 Попередня обробка відеопослідовності 26 2.2 Вибір архітектури НМ 28 2.2.1 AlexNet 28 2.2.2 VGGNet 30 2.2.3 ResNet 31 2.3 Тривимірні ЗНМ 35 2.4 Модифікована архітектура НМ 38 2.5 Навчання НМ 39 2.6 Оптимізація 40 2.6.1 СГС 40 2.6.2 Пакетна нормалізація 43 2.7 Висновки до другого розділу 44 3 Практична частина 45 3.1 Алгоритм процесу розпізнавання паління з відеопослідовності 45 3.2 Експериментальні дослідження 51 3.2.1 Набір даних 51 3.2.2 Експеримент 53 3.3 Висновки до третього розділу 56 4 Охорона праці та безпека в надзвичайних ситуаціях 58 4.1 Режими праці і відпочинку при роботі з ЕОМ 58 4.2 Вплив електромагнітного імпульсу (ЕМІ) ядерного вибуху на елементи виробництва та заходи захисту. 60 4.4 Висновки до четвертого розділу 64 Висновки 65 Перелік джерел 66 Додатки