Обработка изображений с помощью методов машинного обучения
В результате данной выпускной квалификационной работы изучены различные методы машинного обучения для анализа изображений, области их применения и способы решения задач данными методами. Решена задача распознавания и сегментирования дефектов на изображениях стальных изделий. В практической части работы предложено несколько подходов для решения поставленной задачи, реализованы некоторые модели на языке Python.
Введение 3
Постановка задачи 4
Обзор литературы 5
1. Обзор технологий и подходов в решении задачи 6
1.1. U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2. SENet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. PSPNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4. Rectified Adam оптимизация . . . . . . . . . . . . . . . . . 10
1.5. Коэффициент Жаккара . . . . . . . . . . . . . . . . . . . 12
1.6. Псевдо-маркировка данных . . . . . . . . . . . . . . . . . 12
2. Данные 13
3. Модель решения 18
4. Исследование 21
4.1. Подготовка данных и инструментария для исследования 21
4.2. Многоклассовая классификация . . . . . . . . . . . . . . . 21
4.3. Многоклассовая сегментация . . . . . . . . . . . . . . . . 23
4.4. Бинарная сегментация . . . . . . . . . . . . . . . . . . . . 25
4.5. Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Выводы 29
Заключение 30
Список литературы 31
Сталь является одним из важнейших строительных материалов со-
временности. Стальные изделия устойчивы к естественному и искус-
ственному износам, что поспособствовало популярности данного мате-
риала во всем мире. Компания Северсталь лидирует в сфере добычи и
производства стали и считает, что будущее металлургии требует раз-
вития в экономических, экологических и социальных аспектах отрасли,
а также серьезно относится к корпоративной ответственности. Недав-
но компания создала крупнейшее в стране хранилище промышленных
данных с петабайтами информации, которая ранее никак не изучалась.
В настоящее время Северсталь ищет возможности в области машинного
обучения для улучшения автоматизации, повышения эффективности и
поддержания высокого качества своей продукции.
Процесс производства листовой стали особенно деликатный. От на-
грева и прокатки до сушки и резки – к моменту готовности листа стали
несколько машин соприкасаются с ним. Сегодня Северсталь использу-
ет изображения с высокочастотных камер для алгоритма обнаружения
дефектов.
Основной идей данной работы было создание алгоритма для авто-
матического анализа, локализации и классификации поверхностных де-
фектов на стальном листе.
Постановка задачи
Цель этого исследования – предсказать местоположение и тип де-
фектов, обнаруженных при производстве стали, используя предостав-
ленные изображения. Названия изображений имеют уникальный иден-
тификатор, и задача состоит в том, чтобы сегментировать каждое изоб-
ражение и классифицировать дефекты в наборе тестовых данных.
Даны обучающая выборка состоящая из 12568 уникальных изобра-
жений и тестовая выборка, состоящая из 1801 изображения. Так же
предлагается текстовый файл, с информацией о дефекте на каждом
изображении.
Целью данной выпускной квалификационной работы являлись ис-
следование задачи обнаружения дефектов на листах стали, а также
практическая реализация модели решения на языке Python с исполь-
зованием фреймворков и библиотек глубокого обучения.
На первом этапе были формально определены задача и исходные
данные для дальнейшего исследования. Произведено подробное опи-
сание изображений, представленных в качестве обучающей и тестовой
выборок. Исследованы структура выборок, распределение изображений
по классам, отличия классов дефектов.
Представлено несколько моделей, которые были использованы для
решения данной задачи, описаны их недостатки и особенности приме-
нения, а также выбрана модель для практической реализации.
На следующем этапе была программно реализована модель и по-
дробно описаны алгоритмы для каждой части полученного решения.
Заключительным этапом стали подведение итогов и оценка качества
предсказаний построенной модели.
В результате данной выпускной квалификационной работы изуче-
ны различные методы машинного обучения для анализа изображений,
области их применения и способы решения задач данными методами.
Подробно проанализирована и описана задача обнаружения дефектов
на листах стали от компании Северсталь. В практической части выпуск-
ной квалификационной работы предложено несколько подходов для ре-
шения поставленной задачи, реализовано несколько моделей на языке
Python.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
5 (18 отзывов)
4 (15 отзывов)
5 (91 отзыв)
4.7 (96 отзывов)
5 (14 отзывов)
4.3 (248 отзывов)
5 (9 отзывов)
4.5 (80 отзывов)
4.6 (30 отзывов)
Другие учебные работы по предмету
2019год 
Санкт-Петербургский государственный университет
2019год Санкт-Петербургский государственный университет
2021год Санкт-Петербургский государственный университет
2019год Санкт-Петербургский государственный университет
2021год Санкт-Петербургский государственный университет
2020год Санкт-Петербургский государственный университет
2020год Санкт-Петербургский государственный университет
