Нейросетевые модели для систем компьютерного зрения - Основные результаты

- Методы анализа, предсказания и иерархической классификации временных рядов на основе двух уровневых ассамблей нейронных сетей.

- Алгоритм инкрементного обучения АНС идентификации для синтеза многослойного персептрона, который позволяет избежать эвристического процесса выбора размеров скрытых слоев в модели двухуровневого обучения АНС при нестационарных входных данных и увеличивает общую точность классификации за счет поэтапной концентрации на плохо идентифицируемых данных. С целью повышения точности анализа за счет снижения избыточности обрабатываемых данных предложен алгоритм формирования обучающих выборок, который включает: удаление временных рядов, принимающих константные значения на всем протяжении; удаление выбросов; обработку отсутствующих значений; выполнение шкалирования данных; построение автоассоциативной нейронной сети, предназначенной для нелинейного уменьшения размерности входных данных; разделение обработанного набора данных на обучающую, тестовую и валидационную выборки.

- Методика тестирования АНС для сравнительного анализа различных подходов к построению АНС прогнозирования состояния технических объектов по данным телеметрии. Формирование обучающих примеров осуществляется по принципу скользящего окна. При подготовке генеральной совокупности телеметрической информации выполняется ресемплирование (преобразование исходных данных в форму с фиксированным временем дискретизации) и масштабирование (приведение данных в диапазон [‑1, 1]). Выходы сети также масштабируются. Входной набор разделяется в соотношении 9:1 на общую обучающую и итоговую тестовую выборки. Общая обучающая выборка разделялась на валидационную (15 %), тестовую (15 %) и обучающую (70 %) выборки случайным образом. Для оценки качества обученных АНС, а также для сравнения различных архитектур АНС, используются средний квадрат ошибки и средняя абсолютная ошибка.

- Нейросетевые модели в виде многослойного персептрона и неокогнитрона для идентификации и классификации объектов топологических слоев интегральных схем, а также алгоритмы их обучения с использованием критерия Липшица, обеспечивающие гарантированную сходимость обучения и стабильность распознавания на уровне 94,55 %.

- Модели искусственных нейронных сетей на базе нечеткой логики для цветоделения и анализа изображений. На их основе создана компьютерная технология, которая существенно повышает достоверность распознавания участков растительности с заданными цветовыми характеристиками и выявления изменений на наблюдаемом участке на различных этапах болезни растений. Предложенная технология может быть положена в основу систем мониторинга окружающей среды, контроля изменений и картографирования участков растительности в сельском и лесном хозяйствах.

- Методология построения функций принадлежности нечетких множеств, соответствующих консеквентам продукционных правил механизма нечеткого вывода типа Мамдани, строящегося на основе результатов обработки обучающей выборки эвристическим алгоритмом возможностной кластеризации для распознавания объектов на изображениях полей сельскохозяйственной растительности. В качестве признакового пространства используются: цвет, яркости мультиспектральных каналов, индекс листовой поверхности, усовершенствованный вегетационный индекс, нормализованный относительный индекс биомассы, локальные текстурные признаки. Методология позволяет сократить число нечетких продукций, формирующих базу правил системы нечеткого вывода, в сравнении с традиционным методом проектирования систем нечеткого вывода.

- Методика распознавания объектов на аэрофотоснимках сельскохозяйственной растительности для мониторинга заболеваний. Данная методика включает отбор наиболее информативных признаков и свойств классифицируемых объектов на основе интервально-значного представления исходных данных об объектах, построения дескрипторов объектов на основе нечеткой логики, кластеризации одним из алгоритмов нечеткой и возможностной кластеризации и построения системы нечеткого вывода типа Мамдани, применение системы вывода для классификации пикселей, извлекаемых из входных изображений. При этом собственно распознавание объектов на аэрофотоснимках сельскохозяйственной растительности производится в системе нечеткого вывода. При мониторинге заболеваний растительности на основе данной методики генерируется последовательность систем вывода, соответствующая изменению состояния растительности. Экспериментальные программные средства распознавания реализованы на языке Python. Для визуализации используются встроенные средства библиотеки OpenCV.Распознаваение реализовано с использованием сверточных нейронных сетей, построенных на базе четырехклассовых нейросетевых моделей SegNet и U-Net. Представленные программные средства позволили выполнить сегментацию аэрофотоснимков со средней точностью 92-93 %. Результаты работы могут найти практическое использование в системах обработки данных дистанционного зондирования Земли для решения задач точного земледелия, устойчивого лесопользования и мониторинга состояния растительных покровов.

- Методология определения класса кластер-процедур, которая включает: выбор алгоритма нечеткой кластеризации, исходя из априорных предположений о виде кластерного разбиения; определение показателей качества разбиения; определение способа инициализации начальных значений разбиения; оценку с помощью выбранного показателя ряда разбиений при различных параметрах выбранного алгоритма и выделение наилучших параметров для последующей обработки изображений. Данная методология позволяет определить алгоритм нечеткой кластеризации, исходя из конкретной тематической задачи и в соответствии с характеристиками обрабатываемых данных.

- Модель обработки изображений в виде последовательного выполнения синтеза цветных снимков высокого разрешения по данным панхроматической съемки высокого разрешения и мультиспектральных снимков низкого разрешения, вычисления базового набора признаков с использованием прямого реляционного эвристического алгоритма возможностной кластеризации, идентификации и классификации на основе взвешенного ансамбля многослойных нейронных сетей с одним скрытым слоем с нелинейной функцией активации гиперболический тангенс и выходным слоем с функцией активации мягкий максимум. Такая модель позволяет повысить точность по сравнению с одиночной НС и работать с сжатым признаковым описанием площадных объектов изображений. Экспериментальное программное обеспечение реализовано на языке python и предназначено для организации экспериментальной проверки предложенной методики синтеза

- Экспериментальное программное обеспечение детектирования участков земной поверхности, подвергшихся стихийным бедствиям, основано на использовании нейросетевых моделей SegNet и U-Net, что позволило достичь точности 90-93 % (для U-Net). Данное программное обеспечение реализовано с использованием библиотеки Keras (в качестве вычислительной библиотеки использовалась библиотека Tensorflow).

- Иерархическая нейросетевая модель идентификации состояний бортовых подсистем на базе ансамблей однотипных нейронных сетей с инкрементным обучением.

- Нейросетевой метод поиска и классификации дефектов топологии печатных плат, основанный на использовании нечеткого описания объектов и предложенного алгоритма его формирования.

- Алгоритм обучения ансамбля нейронных сетей для классификации дефектов топологии на изображениях печатных плат и технологических слоев интегральных микросхем. Основан на модели двухуровневого обучения, которая позволяет реализовать обучение ансамблей разнородных нейронных сетей. Отличительной особенностью алгоритма является использование в качестве входных данных редуцированных нормализованных гистограмм, характеризующих окрестность некоторой точки изображения, а не только цветовых признаков в виде отдельных значений яркости каналов RGB и HSV. В результате, использование предложенного алгоритма позволяет минимизировать ошибки классификации.

[«Обработка изображений в проектровании и производстве ИС.pdf» (монография)]

[Ф16МС-012, Ф18ПЛШГ-008, Ф18В-005, ИК704, Ф15М-059, 6МСГ/13-222, Ф16-070]