Разработка алгоритма для обнаружения дефектных корнеплодов картофеля
Аннотация
Выпускная квалификационная работа магистра, 116 стр., 86 рисунков, 44 источника.
КОМПЬЮТЕРНОЕ ЗРЕНИЕ, МАШИННОЕ ЗРЕНИЕ, КЛАССИФИКАЦИЯ, КЛАССИФИКАЦИЯ ДЕФЕКТОВ, НЕЙРОННЫЕ СЕТИ
Целью работы является анализ моделей машинного обучения, направленных на решение задачи классификации корнеплодов картофеля с выявлением дефектных и здоровых, с последующим созданием эскизного проекта будущего устройства для сортировки корнеплодов картофеля – фото–сепаратора и оценки эффективности работы алгоритма, расчета экономической эффективности при внедрении такого устройства. Объектом исследования является оценка качества работы разрабатываемых моделей машинного обучения с целью выявления лучшего алгоритма, который бы классифицировал максимальное количество возможных дефектов с минимальной погрешностью. Рассматриваются основные модели машинного обучения, позволяющие классифицировать изображения по различным классам. Рассмотрены нейронные сети DenseNet, ResNet50, EfficientNetB0, ResNext50_32x4d, ResNet101. Для создания алгоритма выбрана нейронная сеть ResNet50, проведены эксперименты на части обучающего набора данных и на независимой выборке.
КОМПЬЮТЕРНОЕ ЗРЕНИЕ, МАШИННОЕ ЗРЕНИЕ, КЛАССИФИКАЦИЯ, КЛАССИФИКАЦИЯ ДЕФЕКТОВ, НЕЙРОННЫЕ СЕТИ
Целью работы является анализ моделей машинного обучения, направленных на решение задачи классификации корнеплодов картофеля с выявлением дефектных и здоровых, с последующим созданием эскизного проекта будущего устройства для сортировки корнеплодов картофеля – фото–сепаратора и оценки эффективности работы алгоритма, расчета экономической эффективности при внедрении такого устройства. Объектом исследования является оценка качества работы разрабатываемых моделей машинного обучения с целью выявления лучшего алгоритма, который бы классифицировал максимальное количество возможных дефектов с минимальной погрешностью. Рассматриваются основные модели машинного обучения, позволяющие классифицировать изображения по различным классам. Рассмотрены нейронные сети DenseNet, ResNet50, EfficientNetB0, ResNext50_32x4d, ResNet101. Для создания алгоритма выбрана нейронная сеть ResNet50, проведены эксперименты на части обучающего набора данных и на независимой выборке.