Разработка системы компьютерного зрения для определения вида фракции щебня
Аннотация
Выпускная квалификационная работа состоит из 63 страниц, в том числе 31 рисунок, 8 таблиц и 7 приложений.
ФРАКЦИЯ ЩЕБНЯ, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, НЕЙРОННЫЕ СЕТИ, ОБНАРУЖЕНИЕ ОБЪЕКТОВ, КЛАССИФИКАЦИЯ, YOLO, РАЗМЕТКА ДАННЫХ, DOCKER, FASTAPI. Основная цель выпускной квалификационной работы состоит в разработке системы компьютерного зрения для определения вида фракции щебня. А также определении наиболее эффективного метода для определения фракции щебня, сравнивая задачи компьютерного зрения: обнаружение объектов и классификация.
Первая часть исследования посвящена анализу существующий методов и алгоритмов классификации изображений на основе нейронных сетей. Были проанализированы модели, предназначенные для обнаружения объектов и классификации. Для задачи классификации изображений сравнение выполнялось для моделей: Resnet, Efficientnet, Deit, Tinyvit. Для задачи обнаружения объектов: Yolo, Faster R-CNN и SSD.
Во второй части исследования была обучена модель обнаружения объектов и обучены модели классификации. После произведено сравнение производительности данных моделей для решаемой задачи – определения фракции щебня.
Третья часть выпускной квалификационной работы направлена на разработку системы компьютерного зрения для определения фракции щебня. Для работоспособности системы было развернуто два Docker-контейнера и сервер Uvicorn с работающим приложением FastAPI.
ФРАКЦИЯ ЩЕБНЯ, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, НЕЙРОННЫЕ СЕТИ, ОБНАРУЖЕНИЕ ОБЪЕКТОВ, КЛАССИФИКАЦИЯ, YOLO, РАЗМЕТКА ДАННЫХ, DOCKER, FASTAPI. Основная цель выпускной квалификационной работы состоит в разработке системы компьютерного зрения для определения вида фракции щебня. А также определении наиболее эффективного метода для определения фракции щебня, сравнивая задачи компьютерного зрения: обнаружение объектов и классификация.
Первая часть исследования посвящена анализу существующий методов и алгоритмов классификации изображений на основе нейронных сетей. Были проанализированы модели, предназначенные для обнаружения объектов и классификации. Для задачи классификации изображений сравнение выполнялось для моделей: Resnet, Efficientnet, Deit, Tinyvit. Для задачи обнаружения объектов: Yolo, Faster R-CNN и SSD.
Во второй части исследования была обучена модель обнаружения объектов и обучены модели классификации. После произведено сравнение производительности данных моделей для решаемой задачи – определения фракции щебня.
Третья часть выпускной квалификационной работы направлена на разработку системы компьютерного зрения для определения фракции щебня. Для работоспособности системы было развернуто два Docker-контейнера и сервер Uvicorn с работающим приложением FastAPI.