Разработка алгоритма системы технического зрения для семантического анализа изображений

Авторы: Васильева Е.А.
Опубликовано в выпуске: #9(26)/2018
DOI: 10.18698/2541-8009-2018-9-366
Раздел: Машиностроение и машиноведение | Рубрика: Роботы, мехатроника и робототехнические системы
Ключевые слова: техническое зрение, беспилотный летательный аппарат, групповое управление, распознавание образов, машинное обучение, классификация изображений, нейронная сеть, алгоритм SVM
Опубликовано: 04.09.2018

Исследована проблема автономного контроля сельскохозяйственного сектора, для решения которой предложено использовать группу роботов. Определена подходящая стратегия группового управления. Рассмотрена задача обнаружения угнетенных участков полей с помощью беспилотных летательных аппаратов. Для распознавания образов и приведения объектов к семантическим моделям выбрана комбинация методов на основе предварительно обученной нейронной сети VGG16, разработанной группой ученых из Оксфорда, и алгоритма машинного обучения SVM (метод опорных векторов). Разработан алгоритм распознавания и классификации образов, а также программное обеспечение, реализующее этот алгоритм. Предложенный алгоритм написан на языке программирования Python. Приведено описание алгоритма распознавания образов и представлены результаты тестирования эффективности работы разработанной системы. Установлено, что формирование семантических моделей внешней среды позволит существенно повысить эффективность решения навигационных задач при автономном управлении группой роботов.

Литература

[1] Каляев И.А., Рубцов И.В. Боевым роботам нужна программа. Национальная оборона, 2012, № 8(77), с. 34–48.

[2] Шеремет И.Б., Рудианов Н.А., Рябов А.В., Хрущев В.С., Комченков В.И. Обоснование семейства боевых и обеспечивающих роботов для боя в городе. Известия ЮФУ. Технические науки, 2012, № 3(128), с. 31–41.

[3] Каляев И.А., Гайдук А.Р., Капустян С.Г. Модели и алгоритмы коллективного управления в группах роботов. Москва, Физматлит, 2009, 278 с.

[4] Рубцов И.В., Машков К.Ю., Наумов В.Н. 185 лет МГТУ им. Н.Э. Баумана – Состояние и перспективы развития специальной робототехники. Сб. мат. 10й Всеросс. науч.-практ. конф. Перспективные системы и задачи управления, 2015, № 1, с. 247–255.

[5] Dobbs T. Farms of the future will run on robots and drones. URL: http://www.pbs.org/wgbh/nova/next/tech/farming-with-robotics-automation-and-sensors/ (дата обращения 27.05.2018).

[6] Местецкий Л.М. Математические методы распознавания образов. URL: http://www.cs.ru/frc/papers/mestetskii04course.pdf (дата обращения 27.05.2018).

[7] Тархов Д.А. Нейросетевые модели и алгоритмы. Москва, Радиотехника, 2014, 352 с.

[8] Chen L.-C., Papandreou G., Kokkinos I., Murphy K., Yuille A.L. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, vol. 40, no. 4, pp. 834–848.

[9] Cristianini N., Shawe-Taylor J. An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press, 2000, 204 p.

[10] Вапник В.Н. Восстановление зависимостей по эмпирическим данным. Москва, Наука, 1979, 448 с.