ПРАКТИЧНІ КЕЙСИ СТВОРЕННЯ ЗГОРТКОВИХ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ЗАДАЧ РОЗПІЗНАВАННЯ ОБРАЗІВ
DOI:
https://doi.org/10.26906/SUNZ.2024.3.136Ключові слова:
комп’ютерний зір, завдання класифікації, глибоке навчання, нейронні мережіАнотація
Мета статті підвищення ефективності розпізнавання образів шляхом створення бінарного класифікатора об’єктів цивільної інфраструктури засобами глибокого навчання. Результати дослідження. Створено згорткові моделі штучного інтелекту для розпізнавання об’єктів цивільної інфраструктури. Побудовано згорткову нейронну мережу Sequential, яка нараховує три згорткових шари, шари пулінгу, шар перетворення, пов’язаний шар та вихідний шар. Оптимальне значення помилки при навчанні/тестуванні становить 0,0650/0,4424, де точність 0,98/0,92 відповідно, у той час як результати третьої епохи демонструють помилку 0,2442/0,2595 відповідно, а точність – 0,93. Використано попередньо навчену модель мережі VGG16, котру перенавчено на досліджуваному датасеті. Вказана модель демонструє мінімальне значення помилки для навчання/тестування 0,0278/0,1538 при точності 0,99/0,96 відповідно. Наукова новизна. Набуло подальшого розвитку використання згорткових нейронних мереж для завдань розпізнавання рівня руйнувань цивільної інфраструктури. Практичне значення. Побудовано дві моделі згорткової нейронної мережі, зокрема модель Sequential й VGG16 для вирішення завдань розпізнавання зруйнованих і цілих будинків. Для виявлення вказаних об’єктів необхідною передумовою є використання камери й відповідного апаратного забезпечення, на кшталт raspberry pi або персонального комп’ютера чи ноутбука.Завантаження
Посилання
S V. Satellite Image Classification using CNN with Particle Swarm Optimization Classifier [Electronic resource] / Vidhya S, Balaji M, Kamaraj V // Procedia Computer Science. – 2024. – Vol. 233. – P. 979–987. – Mode of access: https://doi.org/10.1016/j.procs.2024.03.287
O'Shaughnessy D. Understanding Automatic Speech Recognition [Electronic resource] / Douglas O'Shaughnessy // Computer Speech & Language. – 2023. – P. 101538. – Mode of access: https://doi.org/10.1016/j.csl.2023.101538
Practical principles of integrating artificial intelligence into the technology of regional security predicting [Electronic resource] / Oleksandr Shefer [et al.] // Advanced Information Systems. – 2024. – Vol. 8, no. 1. – P. 86–93. – Mode of access: https://doi.org/10.20998/2522-9052.2024.1.11
Computing the characteristics of defects in wooden structures using image processing and CNN [Electronic resource] / Rana Ehtisham [et al.] // Automation in Construction. – 2024. – Vol. 158. – P. 105211. – Mode of access: https://doi.org/10.1016/j.autcon.2023.105211
Hybrid framework for respiratory lung diseases detection based on classical CNN and quantum classifiers from chest X-rays [Electronic resource] / G. V. Eswara Rao [et al.] // Biomedical Signal Processing and Control. – 2024. – Vol. 88. – P. 105567. – Mode of access: https://doi.org/10.1016/j.bspc.2023.105567
Artificial-intelligence-led revolution of construction materials: From molecules to Industry 4.0 [Electronic resource] / Xing Quan Wang [et al.] // Matter. – 2023. – Vol. 6, no. 6. – P. 1831–1859. – Mode of access: https://doi.org/10.1016/j.matt.2023.04.016
Yasmine G. Anti-drone systems: An Attention Based Improved YOLOv7 model for a real-time detection and identification of multi-airborne target [Electronic resource] / Ghazlane Yasmine, Gmira Maha, Medromi Hicham // Intelligent Systems with Applications. – 2023. – P. 200296. – Mode of access: https://doi.org/10.1016/j.iswa.2023.200296
Deep hypergraph autoencoder embedding: An efficient intelligent approach for rotating machinery fault diagnosis [Electronic resource] / Mingkuan Shi [et al.] // Knowledge-Based Systems. – 2022. – P. 110172. – Mode of access: https://doi.org/10.1016/j.knosys.2022.110172
Onyshchenko S. Improving the efficiency of diagnosing errors in computer devices for processing economic data functioning in the class of residuals [Electronic resource] / Svitlana Onyshchenko, Alina Yanko, Alina Hlushko // Eastern-European access: https://doi.org/10.15587/1729-4061.2023.289185
Lv X.-L. Visual clustering network-based intelligent power lines inspection system [Electronic resource] / Xian-Long Lv, Hsiao-Dong Chiang // Engineering Applications of Artificial Intelligence. – 2024. – Vol. 129. – P. 107572. – Mode of access: https://doi.org/10.1016/j.engappai.2023.107572
A hybrid CNN-GRU based probabilistic model for load forecasting from individual household to commercial building [Electronic resource] / Ming-Chuan Chiu [et al.] // Energy Reports. – 2023. – Vol. 9. – P. 94–105. – Mode of access: https://doi.org/10.1016/j.egyr.2023.05.090
Development of Shared Modeling and Simulation Environment for Sustainable e-Learning in the STEM Field [Electronic https://doi.org/10.3390/su16052197
Sikakollu P. Ensemble of multiple CNN classifiers for HSI classification with Superpixel Smoothing [Electronic resource] / Prasanth Sikakollu, Ratnakar Dash // Computers & Geosciences. – 2021. – Vol. 154. – P. 104806. – Mode of access:https://doi.org/10.1016/j.cageo.2021.104806
Cross-evaluation of a parallel operating SVM – CNN classifier for reliable internal decision-making processes in composite inspection [Electronic resource] / Sebastian Meister [et al.] // Journal of Manufacturing Systems. – 2021. – Vol. 60. – P. 620–639. – Mode of access: https://doi.org/10.1016/j.jmsy.2021.07.022
Hybridizing genetic random forest and self-attention based CNN-LSTM algorithms for landslide susceptibility mapping in Darjiling and Kurseong, India [Electronic resource] / Armin Moghimi [et al.] // Quaternary Science Advances. – 2024. – P. 100187. – Mode of access: https://doi.org/10.1016/j.qsa.2024.100187
Turkiye_Earthquake_2023 [Electronic resource] // Kaggle: Your Machine Learning and Data Science Community. – Mode of access: https://www.kaggle.com/datasets/buraktaci/turkiye-earthquake-2023?resource=download
François Chollet. Deep Learning with Python / François Chollet. – Shelter Island, NY : Manning Publications Co., 2018. – 361 p.
Introduction to the Keras Tuner | TensorFlow Core [Electronic resource] // TensorFlow. – Mode of access: https://www.tensorflow.org/tutorials/keras/keras_tuner
Netron [Electronic resource] // Netron. – Mode of access: https://netron.app/
Home [Electronic resource] // OpenCV. – Mode of access: https://opencv.org/
