Готові роботи
Система розпізнавання образів на базі одноплатного комп’ютера Raspberri Pi

Система розпізнавання образів на базі одноплатного комп’ютера Raspberri Pi (ID:268301)

ПредметМікропроцесорні засоби автоматизації
Тип роботи бакалаврська
Рік виконання 2017
Кількість сторінок 74
Зміст ЗМІСТ ВСТУП РОЗДІЛ 1. ОСНОВИ ТЕОРІЇ РОЗПІЗНАВАННЯ ОБРАЗІВ 1.1 Основні завдання та методи адаптивного розпізнавання образів 1.2 Алгоритми які використовуються для розпізнавання образів 1.3 Бібліотеки для розпізнавання образів 1.4 Постановка задачі діпломної роботи РОЗДІЛ 2. УЧБОВИЙ СТЕНД ДЛЯ РОЗПІЗНАВАННЯ ОБРАЗІВ НА БАЗІ RASPBERRY PI 2.1. Загальні характеристики одноплатного комп’ютера RASPBERRY PI 2.2. Камера RASPBERRY PI, особливості підключення та роботи 2.3. Схема та алгоритм роботи учбового стенду РОЗДІЛ 3. Програмна реалізація системи розпізнавання образів з застосуван-ням бібліотеки OpenCV 3.1. Огляд бібліотеки OpenCV 3.2. Реалізація алгоритмічного забезпечення системи 3.3. Моделювання роботи системи розпізнавання образів РОЗДІЛ 4. ОХОРОНА ПРАЦІ 4.1 Загальний аналіз небезпечних факторів при роботі з ПК 4.2. Аналіз впливу небезпечних і шкідливих факторів на користувача характерних при роботі навчального стенду. 4.3. Методи захисту від небезпечних і шкідливих факторів користувачів. ВИСНОВКИ ПЕРЕЛІК ПОСИЛАНЬ ДОДАТОК A (КОД ПРОГРАМИ НА МОВІ C++ )
Ціна(грн.) 1200
Зразок роботи:
РОЗДІЛ 1 ОСНОВИ ТЕОРІЇ РОЗПІЗНАВАННЯ ОБРАЗІВ 1.1 Основні завдання та методи адаптивного розпізнавання образів Розпізнаванням є інформаційний процес, що реалізовується перетворю-вачями інформації (інтелектуальним інформаційним каналом, системою розпі-знавання), які мають вхід та вихід. На вхід системи подається інформація про те, які ознаки мають мати запропоновані об'єкти. На виході системи відобража-ється інформація про те, до яких класів віднесені розпізнавальні об'єкти. При створенні та експлуатації автоматизованої системи розпізнавання об-разів вирішується ряд завдань. Розглянемо коротко і спрощено ці завдання. - Завдання формалізації предметної області По суті це завдання є завданням кодування. Складається список узагальнених класів, до яких можуть відноситися конкретні реалізації об'єктів, а також спи-сок ознак, якими ці об'єкти в принципі можуть володіти. - Завдання формування навчальної вибірки Навчальна вибірка представляє собою базу даних, яка містить описи конк-ретних реалізацій об'єктів на мові ознак, доповнену інформацією про принале-жність цих об'єктів до певних класів розпізнавання. - Завдання навчання системи розпізнавання Навчальна вибірка використовується для формування узагальнених обра-зів класів розпізнавання на основі узагальнення інформації про те, якими озна-ками мають об'єкти навчальної вибірки, що відносяться до цього класу і інших класів. - Завдання зниження розмірності простору ознак Після навчання системи розпізнавання (отримання статистики розподілу частот ознак за класами) стає можливим визначити для кожної ознаки його цінність для вирішення задачі розпізнавання. Після цього найменш цінні озна-ки можуть бути видалені з системи ознак. Потім система розпізнавання повинна бути навчена заново, так як в резуль-таті видалення деяких ознак статистика розподілу решти ознак за класами змі-нюється. Цей процес може повторюватися, тобто бути ітераційним. - Завдання розпізнавання Розпізнаються об'єкти розпізнається вибірки, яка, зокрема, може полягати і з одного об'єкта. Розпізнавана вибірка формується аналогічно навчальної, але не містить інформації про приналежність об'єктів до класів, так як саме це і ви-значається в процесі розпізнавання. Результатом розпізнавання кожного об'єкта є розподіл або список всіх кла-сів розпізнавання в порядку убування ступеня подібності розпізнається об'єкта з ними. - Завдання контролю якості розпізнавання Після розпізнавання може бути встановлена його адекватність. Для об'єктів навчальної вибірки це може бути зроблено відразу, так як для них просто ві-домо, до яких класів вони належать. Для інших об'єктів ця інформація може бути отримана пізніше. У будь-якому випадку може бути визначена фактична середня ймовірність помилки по всіх класах розпізнавання, а також ймовір-ність помилки при віднесенні розпізнається об'єкта до певного класу. Якщо в результаті виконання процедури контролю якості встановлено, що воно незадовільне, то опису неправильно розпізнаних об'єктів можуть бути скопійовані з розпізнається вибірки в навчальну, доповнені адекватної класифі-каційної інформацією і використані для переформування вирішальних правил, тобто враховані. Більш того, якщо ці об'єкти не належать до вже наявних кла-сів розпізнавання, що і могло бути причиною їх неправильного розпізнавання, то цей список може бути розширений. В результаті система розпізнавання ада-птується і починає адекватно класифікувати ці об'єкти. - Завдання кластерного і конструктивного аналізу Кластерами називаються такі групи об'єктів, класів або ознак, що всередині кожного кластера вони максимально подібні, а між різними кластерами - мак-симально різні. Конструктом (в контексті, що розглядається в даному розділі) називається система протилежних кластерів. Таким чином, в певному сенсі конструкти є ре-зультат кластерного аналізу кластерів. У кластерному аналізі кількісно вимірюється ступінь подібності та відмін-ності об'єктів (класів, ознак), і ця інформація використовується для класифіка-ції. Результатом кластерного аналізу є сама класифікація об'єктів по кластерам. Ця класифікація може бути представлена у формі семантичних мереж. Формальна постанова задачі Розпізнавання образів - це віднесення вихідних даних до певного класу за допомогою виділення істотних ознак, що характеризують ці дані, із загальної маси несуттєвих даних. При постановці завдань розпізнавання треба користуватися математичною мовою, прагнучі - на відміну від теорії штучних нейронних мереж, де основою є отримання результату шляхом експерименту, - замінити експеримент логіч-ними міркуваннями і математичними доказами. Найбільш часто в задачах розпізнавання образів розглядаються монохро-мні зображення, що дає можливість розглядати зображення як функцію на площині. Якщо розглянути точкове безліч на площині , де функція F(х, у) висловлює в кожній точці зображення його характеристику - яскравість, про-зорість, оптичну щільність, то така функція є формальна запис зображення. Безліч всіх можливих функцій F (х, у) на площині T - є модель безлічі всіх зображень X. Вводячи поняття подібності між образами можна поставити за-дачу розпізнавання. Конкретний вид такої постановки сильно залежить від на-ступних етапів при розпізнаванні відповідно до тих чи інших підходів. Методи розпізнавання образів Для оптичного розпізнавання образів можна застосувати метод перебору виду об'єкта під різними кутами, масштабами, зміщеннями і т. д. Для букв пот-рібно перебирати шрифт, властивості шрифту і т. д. Другий підхід - знайти контур об'єкта і досліджувати його властивості (. Можливості підключення, наявність кутів і т д.) Ще один підхід - використовувати штучні нейронні мережі. Цей метод ви-магає або великої кількості завданнь розпізнавання (з правильними відповідя-ми), або спеціальної структури нейронної мережі, яка враховує специфіку да-ного завдання. Персептрон як метод розпізнавання образів Найпростіший експеримент, на основі якого можна отримати психологічно значиму інформацію про деяку систему, зводиться до того, що моделі пред'яв-ляються два різних стимула і потрібно, щоб вона реагувала на них по-різному. Метою такого експерименту може бути дослідження можливості їх спонтанного розрізнення системою при відсутності втручання з боку експериментатора, або, навпаки, вивчення примусового розрізнення, при якому експериментатор пра-гне навчити систему проводити необхідну класифікацію. Під час експерименту з навчанням персептрону зазвичай пред'являється деяка послідовність образів, в яку входять представники кожного з класів, які підлягають розрізнення. Відповідно до деяких правилом модифікації пам'яті правильний вибір реакції підкріплюється. Потім персептрону пред'являється контрольний стимул і визначається ймовірність отримання правильної реакції для стимулів даного класу. Залежно від того, збігається чи не збігається обра-ний контрольний стимул з одним з образів, які використовувалися в навчаль-ній послідовності, отримують різні результати: Якщо контрольний стимул не збігається ні з одним з навчальних стимулів, то експеримент пов'язаний не тільки з чистим розрізненням, але включає в себе і елементи узагальнення. Якщо контрольний стимул збуджує деякий набір сенсорних елементів, абсолю-тно відмінних від тих елементів, які активізувалися при впливі раніше пред'яв-лених стимулів того ж класу, то експеримент є дослідженням чистого узагаль-нення. Персептрони не володіють здатністю до чистого узагальнення, але вони ці-лком задовільно функціонують в експериментах по розрізнення, особливо як-що контрольний стимул досить близько збігається з одним з образів, щодо яких персептрон вже накопичив певний досвід. 1.2 Алгоритми які використовуються для розпізнавання образів Будь-який алгоритм розпізнавання можна уявити як абстрактну R функціо-льну систему, що складається з трьох компонентів: (1.1) А = {Ak}, к = 1, ..., K - алфавіт класів - безліч категорій, за якими ми по-винні розподілити наші образи, S = {Sj}, J = 1, ..., п - словник ознак - безліч характеристик, з яких складається опис способу, P = {Pl}, л = 1, ..., L - безліч правил прийняття рішення...

Замовлення

Замовлення

Хочу такой виджет