Разработка алгоритмов распознавания символов на изображениях табличек домов

Целью работы является повышение эффективности распознавания символов на изображениях со сложным фоном. Результаты работы могут быть использованы в организациях, решающих задачи компьютерного зрения и распознавания символов.

ВВЕДЕНИЕ ……………………………………………………………………………………………… 14

1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ …………………………………………………… 15

1.1 Описание проблемы ………………………………………………………………………… 15

1.2 Описание адресных табличек ………………………………………………………….. 15

1.3 Описание машинного обучения ………………………………………………………. 17

1.4 Искусственные нейронные сети ………………………………………………………. 18

1.4.1 Общее описание ………………………………………………………………………. 18

1.4.2 Обобщенная структура ИНС ……………………………………………………. 19

1.4.3 Нейроны смещения ………………………………………………………………….. 22

1.4.4 Метод градиентного спуска ……………………………………………………… 25

1.4.5 Метод обратного распространения …………………………………………… 26

1.5 Описание сверточной нейронной сети …………………………………………….. 27

1.5.1 Свертка ……………………………………………………………………………………. 28

1.5.2 Субдискретизация ……………………………………………………………………. 29

1.5.3 Softmax ……………………………………………………………………………………. 30

1.6 Описание алгоритма ближайших соседей ………………………………………… 30

1.7 Анализ существующий решений……………………………………………………… 31

1.8 Вывод по разделу 1 …………………………………………………………………………. 32

2 РАЗРАБОТКА АЛГОРИТМА ………………………………………………………………. 33

2.1 Описание алгоритма ……………………………………………………………………….. 33

2.2 Предобработка изображения …………………………………………………………… 34

2.2.1 Преобразование в градации серого …………………………………………… 34

2.2.2 Пороговая классификация изображения …………………………………… 35

2.2.3 Поиск сегментов изображения …………………………………………………. 36
2.3 Выбор структуры ИНС ……………………………………………………………………. 37

2.3.1 Структура для распознавания таблички ……………………………………. 37

2.3.2 Структура для распознавания символа …………………………………….. 39

2.4 Формирование обучающей выборки ……………………………………………….. 40

2.5 Обучение ИНС………………………………………………………………………………… 41

3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ………………………………………………………… 42

3.1 Используемые технологии ………………………………………………………………. 42

3.2 Программные модули ……………………………………………………………………… 42

3.2.1 Augment …………………………………………………………………………………… 43

3.2.2 KNN ……………………………………………………………………………………… 43

3.2.3 CNN ……………………………………………………………………………………… 43

3.2.4 Dataset ……………………………………………………………………………………… 43

4 ОБУЧЕНИЕ И ТЕСТИРОВАНИЕ …………………………………………………………. 44

4.1 Входные данные ……………………………………………………………………………… 44

4.2 Статистика обучения и распознавания …………………………………………….. 45

4.3 Демонстрация распознавания ………………………………………………………….. 46

5 ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ…………………………………………………………………………. 49

5.1 Предпроектный анализ ……………………………………………………………………. 49

5.1.1 Анализ конкурентных технических решений ……………………………. 49

5.2 FAST-анализ …………………………………………………………………………………… 51

5.3 SWOT-анализ ………………………………………………………………………………….. 54

5.4 Оценка готовности проекта к коммерциализации…………………………….. 56

5.5 Инициация разработки ……………………………………………………………………. 57

5.6 Организация и планирование работ …………………………………………………. 59
5.6.1 Иерархическая структура работ ……………………………………………….. 59

5.6.2 План разработки ………………………………………………………………………. 59

5.6.3 Продолжительность этапов работ …………………………………………….. 60

5.6.4 Расчет нарастания технической готовности работ …………………….. 63

5.7 Расчет сметы затрат ………………………………………………………………………… 65

5.7.1 Расчет заработной платы………………………………………………………….. 65

5.7.2 Расчет отчислений от заработной платы …………………………………… 66

5.7.3 Расчет амортизации …………………………………………………………………. 66

5.7.4 Расчет накладных расходов ……………………………………………………… 67

5.7.5 Расчет общей сметы …………………………………………………………………. 67

5.8 Оценка научно-технического уровня НИР……………………………………….. 67

5.9 Вывод по разделу 5 …………………………………………………………………………. 70

6 СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ ………………………………………………… 71

6.1 Правовые и организационные вопросы обеспечения безопасности ….. 71

6.2 Правовые нормы трудового законодательства …………………………………. 71

6.2.1 Организационные мероприятия при компоновке рабочей зоны … 72

6.3 Производственная безопасность ……………………………………………………… 74

6.3.1 Отклонение показателей микроклимата……………………………………. 75

6.3.2 Превышение уровня шума ……………………………………………………….. 76

6.3.3 Недостаточность освещенности рабочей зоны ………………………….. 77

6.3.4 Повышенный уровень электромагнитных полей ………………………. 78

6.3.5 Повышенное значение напряжения в электрической цепи, замыкание
которой может произойти через тело человека. …………………………………… 79

6.4 Экологическая безопасность……………………………………………………………. 79

6.5 Безопасность в чрезвычайных ситуациях…………………………………………. 80
ЗАКЛЮЧЕНИЕ ……………………………………………………………………………………….. 83

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ …………………………………………. 84

ПРИЛОЖЕНИЕ А ……………………………………………………………………………………. 87

ПРИЛОЖЕНИЕ Б …………………………………………………………………………………… 100

В работе представлен анализ существующих видов адресных табличек
домов. Составлен алгоритм для распознавания адресных табличек домов с
использованием сверточной нейронной сети. Для составления алгоритма
изучены методы обработки и классификации изображений. Алгоритм включает
в себя предобработку изображения, сегментирование и последующую
классификацию. В качестве алгоритма классификации было проведено
сравнение точностей распознавания между сверточной нейронной сетью и
алгоритмом ближайшего соседа, что показало целесообразность применения
сверточной нейронной сети. Составлена архитектура для двух сверточных
ИНС: для детектирования адресной таблички и для распознавания символов.
В качестве демонстрации алгоритмов разработано консольное
приложение на языке Python. В приложении реализованы как этап
предобработки изображения, так и классификации. Классификация сегментов
выполнена с помощью сверточной ИНС с обратным распространением ошибки
и функцией активации ReLU. Максимальная точность распознавания в ходе
экспериментов достигала 89%

1.ГОСТР52290-2004//Федеральноеагентствопотехническому
регулированию и метрологии. – Москва, 2006. – 125 с
2.Нейронные сети для начинающих [Электронный ресурс]. – URL:
https://habr.com/ru/post/312450/. (Дата обращения 15.03.2019).
3.Глава 3. Основы ИНС // Нейронные сети [Электронный ресурс]. – URL:
https://neuralnet.info/chapter/основы-инс (Дата обращения 15.03.2019).
4.Вишник М.И. Обобщенные функции // Соровосовский образовательный
журнал. – 1997. – №12. С. 112-117.
5.Знакомство с машинным обучением // Google stories [Электронный
ресурс].–URL:https://www.google.com/intl/ru/about/stories/machine-
learning-qa/. (Дата обращения 15.03.2019).
6.Преобразование цветного изображения в черно-белое // Программирование
на C, C# и Java [Электронный ресурс]. – URL: https://vscode.ru/prog-
lessons/preobrazovanie-tsvetnogo-izobrazheniya-v-cherno-beloe.html.(Дата
обращения 15.03.2019).
7.OpenCV[Электронныйресурс].–URL:https://opencv.org/.(Дата
обращения 15.03.2019).
8.Янковский А.А., Бугрий А.Н.. Критерии выбора метода бинаризации при
обработке изображений лабораторных анализов // Научно-технический
журнал «АСУ и приборы автоматики». – 2010. – №153. С. 53-56.
9.Пелевин Е.Е., Балясный С.В.. Оптимальные алгоритмы выделения
контуров изображения в системе технического зрения // Juvenis scientia. –
2016. – №6. С. 6-8.
10. Хайкин С. Нейронные сети. – 2-е изд. – М.: Вильямс, 2006. – 1103с
11. Джонс М. Программирование искусственного интеллекта в приложениях /
М.Джонс: Пер. с англ. Осипов А.И. – М.: ДМК Пресс, 2013. – 312 с
12. Градиентныйспуск[Электронныйресурс].–URL:
https://ru.wikipedia.org/wiki/Градиентный_спуск.(Датаобращения
15.03.2019).
13. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение – 1-е изд.
– СПб.: Питер, 2018. – 480 с.
14.Street View and reCAPTCHA technology just got smarter [Электронный
ресурс]. – URL: https://security.googleblog.com/2014/04/street-view-and-recaptcha-
technology.html. (Дата обращения 20.04.2019).
15.Multi-digit Number Recognition from Street View Imagery using Deep
ConvolutionalNeuralNetworks[Электронныйресурс].–URL:
https://arxiv.org/abs/1312.6082. (Дата обращения 20.04.2019).
16.ImageNet Classification with Deep Convolutional Neural Networks
[Электронныйресурс].–URL:http://papers.nips.cc/paper/4824-imagenet-
classification-with-deep-convolutional-neural-networks.pdf.(Датаобращения
22.04.2019).
17.Нейронные сети для начинающих. [Электронный ресурс]. – URL:
https://habr.com/ru/post/313216/. (Дата обращения 22.04.2019).
18.Python. [Электронный ресурс]. – URL: https://www.python.org/. (Дата
обращения 10.03.2019).
19.OpenCV. [Электронный ресурс]. – URL: https://www.opencv.org/. (Дата
обращения 10.03.2019).
20.TensorFlow. [Электронный ресурс]. – URL: https://www.tensorflow.org/.
(Дата обращения 10.03.2019).
21.Трудовой кодекс Российской Федерации. [Электронный ресурс]. – URL:
http://www.consultant.ru/document/cons_doc_LAW_34683/.(Датаобращения
10.05.2019).
22.ГОСТ12.2.032-78.[Электронныйресурс].–URL:
http://docs.cntd.ru/document/1200003913/. (Дата обращения 10.05.2019).
23.ГОСТ12.2.061-81ССБТ.[Электронныйресурс].–URL:
http://docs.cntd.ru/document/gost-12-2-061-81-ssbt. (Дата обращения 10.05.2019).
24.СанПиН2.2.2/2.4.1340-03.[Электронныйресурс].–URL:
http://docs.cntd.ru/document/901865498. (Дата обращения 10.05.2019).
25.ГОСТ12.0.003-2015.[Электронныйресурс].–URL:
http://docs.cntd.ru/document/1200136071. (Дата обращения 10.05.2019).
26.ГОСТ12.0.003-2015.[Электронныйресурс].–URL:
http://docs.cntd.ru/document/1200136071. (Дата обращения 10.05.2019).
27.СанПиН2.2.4.548-96.[Электронныйресурс].–URL:
http://docs.cntd.ru/document/901704046. (Дата обращения 10.05.2019).
28.ГОСТ12.1.003-2014[Электронныйресурс].–URL:
http://docs.cntd.ru/document/1200118606. (Дата обращения 10.05.2019).
29.СанПиН2.2.4.3359-16[Электронныйресурс].–URL:
http://docs.cntd.ru/document/420362948. (Дата обращения 10.05.2019).
30.СанПиН2.2.1/2.1.1.1278-03[Электронныйресурс].–URL:
http://docs.cntd.ru/document/901859404. (Дата обращения 10.05.2019).
31.ГОСТ12.1.006–84[Электронныйресурс].–URL:
http://docs.cntd.ru/document/5200272. (Дата обращения 10.05.2019).
32.СанПиН2.2.2/2.4.1340–03[Электронныйресурс].–URL:
http://docs.cntd.ru/document/901865498. (Дата обращения 10.05.2019).
33.Николенко С., Кадурин А., Архангельская Е. Глубокое обучение – 1-е
изд. – СПб.: Питер, 2018. – 480 с.
34.КриницынаЗ.В.,ВидяевИ.Г.Финансовыйменеджмент,
ресурсоэффективность и ресурсосбережение / З.В. Криницына, И.Г. Видяев;
Томскийполитехническийуниверситет.–Томск:Изд-воТомского
политехнического университета, 2014. – 73 с