Разработка программного обеспечения распознавания дорожных знаков конволюционной нейросетью

Основная задача – разработка нейросетевого распознавания дорожных знаков. В качестве входных данных для обучения задаются фотографии конкретных дорожных знаков и выдаются веса нейросети по которым самостоятельно можно будет классифицировать образы.

Целью данного проекта является разработка нейросетевого распознавания дорожных знаков.

Задачи, которые требуется выполнить в данной работе:

- изучить дорожные знаки;

- изучить варианты ИИ для распознавания;

- смоделировать и разработать свёрточную нейронную сеть;

- собрать и нормализировать данные для обучения;

- обучить нейронную сеть;

- проанализировать полученные данные при обучении и тестировании;

- реализовать модель нейросетевого распознавания;

- реализовать алгоритмы нейросетевого распознавания.

Так как объектами автоматизации квалификационной работы бакалавра являются процессы распознавания дорожных знаков, то при реализации необходимо учитывать точность распознавании.

Разрабатываемый программный продукт предназначен для детекции и распознавания дорожных знаков.

ВВЕДЕНИЕ. 7

1 СОВРЕМЕННЫЕ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ ДОРОЖНЫХ ЗНАКОВ 8

1.1 Система RoadAR умный видеорегистратор. 8

1.2 Система Opel Eye. 11

1.3 Система Speed limit assist 14

2 СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ. 17

2.1 Методы, основанные на шаблонах. 17

2.2 Методы с использованием контурных моделей. 18

2.3 Нейросетевые методы.. 19

2.4 Постановка задачи. 21

3 ОБОСНОВАНИЕ ВЫБОРА СРЕДСТВ РАЗРАБОТКИ ПРОДУКТА.. 22

4 МОДЕЛИРОВАНИЕ И ПРОЕКТИРОВАНИЕ НЕЙРОСЕТЕВОГО ПРИЛОЖЕНИЯ 24

4.1 Интеллект карта разработки нейронной сети. 24

4.2 Диаграммы в нотации UML. 28

4.3 Модель нейронной сети. 29

4.4 Пользовательский интерфейс. 31

5 АЛГОРИТМЫ НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ.. 33

5.1 Диаграмма классов UML. 33

5.2 Модель обучения. 34

5.3 Модель тестирования. 35

5.4 Алгоритмы моделей. 36

6 Подготовка данных, обучение, тестирование и анализ резульатов.. 43

6.1 Подготовка данных. 43

6.1.1 Изменение формата изображения. 45

6.1.2 Изменение размера изображения. 46

6.2 Обучение нейронной сети. 47

7 ТЕСТИРОВАНИЕ ОБУЧЕННОЙ НЕЙРОННОЙ СЕТИ.. 48

8 ОХРАНА ТРУДА, ВОПРОСЫ БЕЗОПАСНОСТИ ЖИЗНЕДЕЯТЕЛЬНОСТИ И ГРАЖДАНСКОЙ ОБОРОНЫ.. 49

8.1 Анализ условий труда в помещении с ПК.. 49

8.2 Мероприятия по улучшению условий труда. 50

8.3 Расчет заземления общего контура здания, который должен быть выведен к каждой розетке с ПК.. 52

8.4 Мероприятия по обеспечению пожарной безопасности. 54

8.5 Гражданская оборона. 55

8.6 Безопасность жизнедеятельности. 56

ЗАКЛЮЧЕНИЕ. 60

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ.. 61

Приложение А ТЕХНИЧЕСКОЕ ЗАДАНИЕ. 63

Приложение Б РУКОВОДСТВО ПОЛЬЗОВАТЕЛЯ. 65

Приложение В ЭКРАННЫЕ ФОРМЫ.. 66

Приложение Г ЛИСТИНГ ПРОГРАММЫ.. 73

Приложение Д ПЕРЕЧЕНЬ ЗАМЕЧАНИЙ НОРМОКОНТРОЛЕРА К ДИПЛОМНОМУ ПРОЕКТУ 98

1. Смольянинов, В.А. Подходы к проектированию и разработке программного детектора дорожных знаков / В.А. Смольяников, С.С. Гришунов, Ю.С. Белов // В сборнике: Сборник избранных статей по материалам научных конференций ГНИИ «Нацразвитие». Материалы Международных научных конференций. – 2020. – С. 145-149.

2. Смольянинов, В.А. Сравнительный анализ алгоритмов поиска дорожных знаков / В.А. Смольяников, Ю.С. Белов // В сборнике: Высокие технологии и инновации в науке. Сборник избранных статей Международной научной конференции. – 2020. – С. 186-190.

3. Соколинский, Л.Б. Машинное обучение / Л.Б. Соколинский. – Лекция № 5: Softmax. Кафедра системного программирования ЮУрГУ. – 2018. – 19 с.

4. Хант, Э. Искусственный интеллект / Э. Хант. – М.: Мир, 2018. – 560 c.

5. Васильев, А.Н. Принципы и техника нейросетевого моделирования / А.Н. Васильев, Д.А. Тархов. – Москва: Наука, 2018. – 999 c.

6. Галушкин, А. И. Нейрокомпьютеры. Учебное пособие / А.И. Галушкин. – М.: Альянс, 2018. – 528 c.

7. Гелиг, А.Х. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие / А.Х. Гелиг. – М.: Издательство СПбГУ, 2018. – 224 c.

8. Ясницкий, Л. Н. Введение в искусственный интеллект / Л.Н. Ясницкий. – М.: Академия, 2018. – 176 c.

9. Воронова, Л.И. Machine Learning: регрессионные методы интеллектуального анализа данных: Учебное пособие / Л.И. Воронова, В.И. Вороновю. – МТУСИ. – М., 2018. – 83 с.

10. Гудфеллоу, Я. «Глубокое обучение» / Я. Гулфедоу, И. Бенджи, А. Курвилль. – пер. с англ. А.А. Слинкина. 2-ое изд., искр. – М.: ДМК Пресс, 2018. – 652 с.

11. Визильтер, Ю.В. Структурно-функциональный анализ и синтез глубоких конволюционных нейронных сетей / Ю.В. Визильтер, В.С. Горбацевич, С.Ю. Желтов // Компьютерная оптика – Т.43. №5. 2019. – С.886-900.

12. Сабиров, А.И. Компьютерные исследования и моделирование / А.И. Сабиров, А.С. Катасёв, М.В. Дагаева. – 13, 2, 2021. – 429-435.

13. Адамова, А.А. Нейрокомпьютеры: разработка, применение / А.А. Адамова, В.А. Зайкин, Д.В. Гордеев. – 23, 4, 2021. – 25-39.

14. Емельянов, С.В. Искусственный интеллект и принятие решений / С.В. Емельянов. – Москва: Огни, 2018. – 484 c.

Жданов, А.А. Автономный искусственный интеллект / А.А. Жданов. – М.: Бином. Лаборатория знаний, 2020. – 213 c.