СИСТЕМА РОЗПІЗНАВАННЯ ОБ'ЄКТІВ ДЛЯ АВТОМАТИЗАЦІЇ СКЛАДІВ З ВИКОРИСТАННЯМ ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ
DOI:
https://doi.org/10.26906/SUNZ.2023.2.068Ключові слова:
нейрона мережа, машинне навчання, розпізнавання об’єктів, CPU, GPUАнотація
Актуальність. З збільшенням онлайн продаж в світі, зростає потреба в системах автоматизації складів. При великій кількості товарів постає питання розпізнавання схожих за виглядом товарів, але які мають різні характеристики. В зв’язку з цим використання елементів штучного інтелекту та побудові систем комп’ютерного зору для великих складських підприємств є необхідністю. Метою роботи є побудова системи розпізнавання різноманітних товарів за допомогою згорткових нейронних мереж. Об’єктом дослідження є процеси побудови та навчання системи розпізнавання товарів на складі. Предметом дослідження є методи розпізнавання об’єктів на базі нейронної мережі з використанням CPU та GPU. Висновок. Побудована система розпізнавання об’єктів на базі згорткових нейронних мереж в середовищі MatLab. Проведено експерименти з використанням CPU та GPU для навчання нейронної мережі. Отримані результати показали, що підвищення якості розпізнавання необхідно збільшувати тестову вибірку.Завантаження
Посилання
Kuchuk, H., Kovalenko, A., Ibrahim, B.F. and Ruban, I. (2019), “Adaptive compression method for video information”, Int. Journal of Advanced Trends in Computer Science and Engineering, 8(1), pp. 66-69, DOI: http://dx.doi.org/10.30534/ijatcse/2019/1181.22019
Коваленко А. А., Кучук Г. А. Методи синтезу інформаційної та технічної структур системи управління об’єктом критичного застосування. Сучасні інформаційні системи. 2018. Т. 2, № 1. С. 22–27. DOI: https://doi.org/10.20998/2522-9052.2018.1.04
Свиридов А. C., Коваленко А. А., Кучук Г. А. Метод перерозподілу пропускної здатності критичної ділянки мережі на основі удосконалення ON/OFF-моделі трафіку. Сучасні інформаційні системи. 2018. Т. 2, № 2. С. 139–144. DOI: https://doi.org/10.20998/2522-9052.2018.2.24
R. Bekkerman, M. Bilenko, J. Langford, Scaling Up Machine Learning, Cambridge University Press, January 2012
Mitchell, T. (1997). Machine Learning. McGraw Hill.
Goodfellow, Ian, Yoshua Begnio, and Aaron Courville. 2016. Deep Learning. Cambridge:MIT Press
Krizhevsky, A., Sutskever, I., Hinton, G. E. (2017), "ImageNet classification with deep convolutional neural networks", Communications of the ACM, Vol. 60, No. 6
Alexander Toshev, Christian Szegedy (2014), “DeepPose: Human Pose Estimation via Deep Neural Networks”, DOI: https://doi.org/10.1109/CVPR.2014.214
I. Mykhailichenko, H. Ivashchenko, O. Barkovska and O. Liashenko, "Application of Deep Neural Network for Real-Time Voice Command Recognition," 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, 2022, pp. 1-4, doi: 10.1109/KhPIWeek57572.2022.9916473.
