Нейромережева Автоматизація Наповнення Набору Даних Аерофотозйомки

Abstract

За останні роки технології та методи машинного навчання досягли суттєвого прогресу. Методи машинного навчання та штучного інтелекту знайшли успішне застосування в широкому та розширюваному діапазоні областей та додатків. Важливим завданням сучасної науки та технологій слід вважати використання штучних нейронних мереж з метою визначення, розпізнавання та подальшої класифікації різних об’єктів, присутніх на конкретному зображенні. Однією з переваг нейронних мереж це те, що всі елементи можуть функціонувати паралельно, тим самим суттєво підвищуючи ефективність розв’язання задачі, особливо в обробці зображень. У даний час існує досить велика кількість систем автоматичного розпізнавання зображень для різних прикладних задач. Нейронні мережі можуть служити як теоретичною так і практичною основою для розробки таких систем. Аспект на який слід звернути увагу при реалізації технології нейромережевого розпізнавання – це база даних (data set), яка необхідна для проведення навчання нейронної мережі. На сьогодні існує велика кількість даних, що отримано з супутників або з літаків. Але безпілотні літальні апарати (БПЛА) мають свою специфіку: вони літають на невеликих висотах, значно більше підлягають вібрації та впливу повітряних мас. Тобто методики відбору даних для навчання мережі з подальшим розпізнаванням саме з бортових камер БПЛА повинні враховувати ці особливості. Метою статті є опис розробленої інформаційної технології автоматизації наповнення навчального набору даних аерофотозйомки для нейромережевого розпізнавання. В даній роботі наведено загальний план розробки інформаційної технології, зроблено опис використовуваної архітектури нейронної мережі, наведено основні положення реалізації програм забезпечення, проведено тестування на реальних даних, проведено процедуру поповнення датасету шляхом тестування сегментації та класифікації тестових зображень, проведено перенавчання моделі та тестування класифікації на нових зображеннях, зроблено аналіз результатів.

Технологія Побудови Моделі Для Прогнозування Максимальної Корегованої Гостроти Зору

“…За цими даними необхідно побудувати модель лінійної багатовимірної регресії для передбачення максимальної корегованої гостроти зору, відібравши найбільш інформативні показники. Враховуючи, що для побудови моделі регресії використовувався метод найменших квадратів, який є чутливим до аномальних значень, було здійснено пошук аномальних значень [1,2]. Знайдені в автоматичному режимі значення після консультації з медичними фахівцями були визнані такими, що не сильно відрізняються від допустимих норм, і залишені у вибірці.…”

“…У ході аналізу розподілу кількісних показників для 13 з них було ідентифіковано нормальний розподіл, після логарифмування показників -для 18. Ідентифікацію було здійснено на основі критерія Шапіро-Уілка та шляхом перевірки коефіцієнтів асиметрії та ексцесу на рівність нулю [1,2].…”

“…Під час кореляційного аналізу [1,2] знаходили показники, які найсильніше корелювали з цільовим. Було знайдено 5 показників, для яких модуль коефіцієнта кореляції Пірсона був більшим за 0.8.…”

“…В пункті меню «Регресійний аналіз» доступно два підпункти -«Лінійна багатовимірна регресія» та «Покрокова регресія».Використовуючи розроблений вебдодаток, було здійснено розв'язання задачі побудови моделі регресії для передбачення максимальної корегованої гостроти зору. Розв'язання задачі було виконано за технологією, яка складалася з трьох етапів: Попередня обробка та аналіз даних[1,2,3].Цей етап включав в себе: опрацювання пропусків, пошук аномальних значень, перевірку кількісних показників на нормальність, аналіз кореляційних зв'язків та мультиколінеарності між показниками, вилучення показників, які дублюють інформацію інших.Рисунок 1 -Вебсторінка «Вхідні дані» Рисунок 2 -Вебсторінка «Розподіл даних» Рисунок 3 -Вебсторінка «Регресійний аналіз» Виявлено, що вхідні дані містили пропуски. В такому вигляді їх не можна було використовувати для побудови моделі.…”