Высокоточное нейросетевое распознавание в системах технического зрения

• Автор: Руденко, Ольга Валентиновна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Краснодар
• Количество страниц: 139 с. : ил.

СОДЕРЖАНИЕ РАБОТЫ ВВЕДЕНИЕ
1. Анализ современных подходов к разработке систем технического зрения
1.1. Структурная организация систем технического зрения
1.2. Модели информативных признаков для распознавания
1.2.1. Общая модель классификации
1.2.2. Выбор информативных признаков
1.3. Нейросетевой метод распознавания и способы его реализации
1.3.1. Математическая модель нейрона и нейронной сети
1.3.2. Применение нейросетевого метода
1.3.3. Применение нейронных сетей в экспертных системах
1.3.4. Программное обеспечение для имитационного моделирования нейронной сети
1.4. Основные проблемы разработки и адаптации систем технического зрения в промышленности
1.5. Цели и задачи исследований
1.6. Выводы
2. Методы решения задачи распознавания в системах технического зрения
2.1. Структура методов распознавания
2.2 Методы и алгоритмы предварительной обработки изображений
2.2.1. Отделение объекта от фона методом связных компонент
2.2.2 Преобразование реальных контуров изображений
2.3. Вейвлет- спектр цветовой окраски и формы исследуемых объектов
2.4. Исследование и понижение размерности признакового пространства51
2.4.1 .Г енетический алгоритм
2.4.2. Анализ главных компонент

2.4.3. Факторный анализ
2.5.Выводы
3. Алгоритм нейросетевого распознавания
3.1. Выбор объектов исследования для нейросетевого алгоритма
3.2. Математическое описание нейронной сети
3.3. Структура нейронной сети
3.4. Оценка сложности задачи классификации
3.5. Минимизация функции ошибки обучения с помощью градиентных методов
3.6. Оценка точности работы распознающего устройства по экспериментальным данным
3.7. Сравнение точности распознавания нейросетевого алгоритма с другими методами классификации
3.8. Выводы
4. Нейросетевой блок распознавания экспертной системы мониторинга качества при производстве консервов из растительного сырья
4.1. Автоматизация инспекции сырья как этап технологического процесса и часть вычислительного ядра ЭС
4.2. Нейросетевой блок контроля сырья экспертной системы (ЭС) мониторинга показателей безопасности и качества
4.3. Работа нейросетвого алгоритма по выделению примесей из сырья
4.4. Оценка точности работы нейросетевого блока контроля сырья экспертной системы
4.5. Выводы
Заключение
Список литературы
Приложение А. Свидетельство о государственной регистрации программы для ЭВМ «Нейросетевая модель для классификации сортов риса»

Приложение Б. Свидетельство о государственной регистрации программы для ЭВМ «Программная оболочка для базы данных обучающей выборки для высокоточного распознавания плоских изображений сортов зерновых
культур»
Приложение В. Акт об использовании результатов кандидатской диссертационной работы

1.5. Цели и задачи исследований.
Цель исследования состоит в разработке методов и алгоритмов по применению в СТЗ нейронных сетей для распознавания с достаточной заданной точностью массового количества объектов природного происхождения с сильной визуальной внутриклассовой вариабельностью.
Объектом исследования является процесс распознавания экспертного уровня точности объектов природного происхождения.
Основными задачами исследования являются:
• совершенствование методик и технологий для распознавания объектов природного происхождения с большой визуальной внутриклассовой вариабельностью в промышленных СТЗ с заданной точностью;
• отбор информативных признаков, участвующих в классификации;
• выбор топологии и обучение нейронной сети;
• создание «обучающей» базы данных программного комплекса нейросетевого распознавания;
• разработка программного обеспечения, позволяющего проводить высокоточное распознавание, на основе нейронных сетей;
• оценка точности распознающего алгоритма;
• обоснование эффективности нейросетевого метода распознавания по сравнению с другими методами.
Методы исследования. В диссертации использованы методы системного анализа, распознавания образов, компьютерного зрения, нейронных сетей, математической статистики, спектрального анализа. Положения, выносимые на защиту:
1) выбор типа признакового пространства для распознавания объектов с большой визуальной внутриклассовой вариабельностью;
2) выбор типа пользовательской топологии и подбор методов обучения нейронной сети для высокоточного распознавания;