|

Исследование алгоритмов детектирования объектов для системы технического зрения пожарного робота

Авторы: Попов В.В.
Опубликовано в выпуске: #2(19)/2018
DOI: 10.18698/2541-8009-2018-2-252


Раздел: Машиностроение и машиноведение | Рубрика: Роботы, мехатроника и робототехнические системы

Ключевые слова: техническое зрение, распознавание образов, обработка изображений, функция потерь, алгоритм линейной классификации, алгоритм поиска ближайшейго соседа, нейронные сети

Опубликовано: 30.01.2018

Проанализированы современные интеллектуальные алгоритмы распознавания образов с целью выбора наиболее оптимального для последующей реализации в системе технического зрения робота-пожарного. Использованы методы поиска ближайшего соседа, линейной классификации и нейронных сетей. В работе приводятся основные принципы, лежащие в основе работы каждого метода, а так же их достоинства и недостатки. Выбран наиболее совершенный по совокупности показателей качества работы алгоритмов метод, следовательно, наиболее подходящий для использования в системах технического зрения.


Литература

[1] Вазаев А.В., Носков В.П., Рубцов И.В., Цариченко С.Г. Комплексированная СТЗ в системе управления пожарного робота. Известия ЮФУ. Технические науки, 2017, № 1(126), с. 121–132.

[2] Зеленцов И.А. Распознавание образов. Москва, Изд-во МГТУ им. Н.Э. Баумана, 2008, 17 с.

[3] Forsyth D.A., Ponce J. Computer vision: a modern approach. Pearson, 2011, 792 p.

[4] Simon J.D. Prince. Computer vision: models, learning and inference. Cambridge University Press, 2012, 598 p.

[5] Szeliski R. Computer vision: algorithms and applications. Springer, 2010, 812 p.

[6] Каллан Р. Основные концепции нейронных сетей. Москва, Вильямс, 2001, 287 с.

[7] Menshawy A., Karim Md.R., Zaccone G. Deep learning with TensorFlow: explore neural networks with Python. Packt Publishing, 2017, 320 p.

[8] Жуков Л.А., Решетникова Н.В. Учебное пособие по дисциплине «Приложения нейронных сетей». Красноярск, Политехнический институт СФУ, 2007, 154 с.

[9] Хайкин С. Нейронные сети. Полный курс. Москва, Вильямс, 2006, 1104 p.

[10] Goodfellow I., Bengio Y., Courville A. Deep learning. The MIT Press, 2016, 800 p.