Разработка библиотеки нейросетевого распознавания рукописных символов на машиночитаемых бланках
Обработка экзаменационных бланков в ручную занимает большое количество времени, а существующие программые продукты не удовлетворяют требуемому уровню точности распознавания. В следствие этого, вознилка необходимость разработки библиотеки нейросетевого распознавания, которая удовлетворяет требуемому уровню точности. С помощью разработанной библиотеки нейросетевого распознавания рукописных символов осуществляется обработка машиночитаемых бланков. Данная работа представляет интерес для организаций осуществляющих проверку экзаменационных бланков.
ВВЕДЕНИЕ ……………………………………………………………………………………………… 15
1 ОБЗОР АЛГОРИТМОВ И БИБЛИОТЕК НЕЙРОСЕТЕВОГО
РАСПОЗНАВАНИЯ…………………………………………………………………………………. 17
1.1 Искусственные нейронные сети…………………………………………………….. 17
1.1.1 Модель формального нейрона …………………………………………………. 17
1.1.2 Функция активации …………………………………………………………………. 18
1.1.3 Алгоритм обучения нейронной сети ………………………………………… 21
1.2 Архитектура нейронных сетей ………………………………………………………. 24
1.2.1 Нейросети прямого распространения ………………………………………. 24
1.2.2 Рекуррентные нейросети …………………………………………………………. 25
1.2.3 Сверточные нейронные сети ……………………………………………………. 26
1.3 Обзор библиотек машинного обучения …………………………………………. 30
2 ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ ……………………………………………… 34
2.1 Обучающая выборка …………………………………………………………………….. 34
2.2 Определение оптимальных параметров для реализации CNN ………… 37
2.3 Проектирование логической модели системы ……………………………….. 40
3 РЕЗУЛЬТАТЫ ПРОВЕДЕННОГО ИССЛЕДОВАНИЯ ……………………….. 43
4 ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ…………………………………………………………………………. 44
4.1 Предпроектный анализ …………………………………………………………………. 44
4.1.1 Потенциальные потребители результатов исследования ………….. 44
4.1.2 Анализ конкурентных технических решений …………………………… 46
4.1.3 QuaD-анализ ……………………………………………………………………………. 47
4.1.4 SWOT-анализ ………………………………………………………………………….. 49
4.2 Определение возможных альтернатив разработки …………………………. 50
4.3 Организация и планирование работ ………………………………………………. 51
4.3.1 Продолжительность этапов работ ……………………………………………. 53
4.3.2 Расчет накопления технической готовности …………………………….. 57
4.4 Бюджет научно-технического исследования ………………………………….. 58
4.4.1 Расчет материальных затрат…………………………………………………….. 58
4.4.2 Расчет основной заработной платы исполнителей системы ……… 59
4.4.3 Расчет затрат по дополнительной заработной плате …………………. 60
4.4.4 Расчет отчислений во внебюджетные фонды …………………………… 61
4.4.5 Расчет накладных расходов……………………………………………………… 61
4.4.6 Формирование бюджета затрат проекта …………………………………… 62
4.5 Определение ресурсной (ресурсосберегающей), финансовой,
бюджетной, социальной и экономической эффективности исследования .. 62
4.6 Вывод …………………………………………………………………………………………… 65
5 СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ………………………………………………. 67
5.1 Производственная безопасность ……………………………………………………. 67
5.2 Вредные производственные факторы…………………………………………….. 68
5.2.1 Повышенный уровень электромагнитных излучений ………………….. 68
5.2.2 Повышенные показатели микроклимата ……………………………………… 69
5.2.3 Повышенный уровень шума ……………………………………………………….. 70
5.2.4 Недостаточность освещенности рабочей зоны …………………………….. 70
5.2.5 Психофизические факторы ………………………………………………………… 71
5.3 Опасные производственные факторы ……………………………………………. 72
5.3.1 Опасность поражения электрическим током ……………………………. 72
5.3.2 Опасность возникновения пожара……………………………………………. 73
5.4 Экологическая безопасность …………………………………………………………. 73
5.5 Безопасность в чрезвычайных ситуациях ………………………………………. 74
5.6 Правовые и организационные вопросы обеспечения безопасности … 74
ЗАКЛЮЧЕНИЕ ……………………………………………………………………………………….. 76
ПРИЛОЖЕНИЕ А ……………………………………………………………………………………. 80
ПРИЛОЖЕНИЕ Б …………………………………………………………………………………….. 90
В настоящее время для решения многих практических задач в
различных сферах человеческой деятельности широкое распространение
получили нейронные сети. Данные модели искусственного интеллекта
используются при диагностике, прогнозировании, в решении
оптимизационных задач, а также в задачах распознавания образов и анализа
изображений. Обладая высокой аппроксимирующей способностью,
нейронная сеть, обучившись на экспериментальных данных, способна решать
поставленные задачи с высокой степенью точности.
Целью данной работы является разработка библиотеки нейросетевого
распознавания символов на машиночитаемых бланках.
Для достижения поставленной цели необходимо решить ряд задач:
изучение и анализ предметной области, выявление и документирование
требований к разрабатываемой библиотеке, проектирование архитектуры
ИНС, реализация функциональных возможностей и пользовательского
интерфейса.
Для решения данных задач, используются тип нейронных сетей,
называемый сверточным. Сверточная нейронная сеть (СНС) состоит из серии
слоев. Берётся изображение, пропускается через чередование свёрточных,
нелинейных слоев, и с помощью полносвязного слоя порождается вывод. В
качестве вывода может выступать класс или вероятность класса, которое
лучше всего описывает изображение.
В работе был проведен анализ уже существующих библиотек
нейросетевого распознавания. Вследствие, было принято решение разработки
данной библиотеки, позволяющей упростить процесс ее интеграции с
подсистемой предобработки и сегментации.
Объектом исследования в данной работе являет разработанная
сверточная нейросеть для распознавания объектов – рукописных символов.
Предметом исследования выступает разработка программного
продукта, содержащего в себе библиотеку нейросетевого распознавания.
Распознавание рукописного текста является одной из важнейших задач
при обработке машиночитаемых бланков. В качестве метода машинного
обучения были выбраны нейронные сети.
В данной работе был проведен сравнительный анализ использования
сверточной и простой нейронной сети, типа персептрон для распознавания
рукописных символов. В результате проведенных исследований было
установлено, что использования сверточной нейронной сети будет наиболее
оптимальным для распознавания рукописного текста. Преимуществом данной
сети является меньшее количество настраиваемых параметров и более высокая
точность распознавания символов.
Так же выявлена наиболее подходящая архитектура СНС.
Проанализированы алгоритмы оптимизации на основе метода градиентного
спуска. Выбрана функция активации нейронов. Произведено тестирование
уже существующих библиотек проводились с использованием базы данных
рукописных символов предоставленном предприятием, для которого был
разработан данный продукт.
Итогом проделанной работы является разработка библиотеки,
включающая в себя основные классы и функции необходимые для реализации
распознавания рукописных символов на машиночитаемых бланках. Точность
распознавания рукописных символов составила 96,4%.
Последние выполненные заказы
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!