РГР_РО_ИбрагимваРахимоваСтепановаШакиров_МО417

УФИМСКИЙ ГОСУДАРСТВЕННЫЙ АВИАЦИОННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

ФАКУЛЬТЕТ ИНФОРМАТИКИ И РОБОТОТЕХНИКИ

КАФЕДРА ВЫЧИСЛИТЕЛЬНОЙ МАТЕМАТИКИ И КИБЕРНЕТИКИ

Расчетно-графическая работа

по предмету:

«Распознавание образов»

Выполнили:

студенты группы МО-417

Ибрагимова К.Б.

Рахимова А.М.

Степанова Д.Д.

Шакиров А.Р.

Проверил:

Шахмаметова Г.Р.

Уфа 2021

Цель

Анализ эффективности разработанного при выполнении проекта программного обеспечения.

Задачи

1. Описание выборки, на которой проводилось тестирование

2. Примеры данных из выборки.

3. Анализ точности распознавания на разных типах данных

4. Для НС включить все значения метрик.

Тестовая выборка состоит из 13 изображений с камеры деревни Хиксвилл штата Нью-Йорк США. Видео поток с камеры доступен по ссылке: http://www.insecam.org/ru/view/817801/

Тип погоды на изображении	Кол-во изображений
Солнечно	6
Рассвет/закат	3
Ночь	3
Туман	1

Рисунок 1 – Пример солнечной погоды на изображении

Рисунок 2 – Пример рассвета или заката на изображении

Рисунок 3 – Пример ночного изображения

Рисунок 4 – Пример тумана на изображении

Анализ точности

Проведем анализ точности изображений с солнечной погодой.

Рисунок 5 – Изображение под номером 1

Тип погоды – солнечно.

Распознано автомобилей – 13 из 13.

Распознано пустых парковочных мест – 16 из 16.

Процент ошибок – 0%

Рисунок 6 – Изображение под номером 2

Тип погоды – солнечно.

Распознано автомобилей – 14 из 15.

Распознано пустых парковочных мест – 14 из 14.

Процент ошибок – 3%

Рисунок 7 – Изображение под номером 5

Тип погоды – солнечно.

Распознано автомобилей – 17 из 17.

Распознано пустых парковочных мест – 12 из 12.

Процент ошибок – 0%

Рисунок 8 – Изображение под номером 9

Тип погоды – солнечно.

Распознано автомобилей – 6 из 6.

Распознано пустых парковочных мест – 22 из 23.

Процент ошибок – 3%

Рисунок 9 – Изображение под номером 11

Тип погоды – солнечно.

Распознано автомобилей – 18 из 19.

Распознано пустых парковочных мест – 10 из 10.

Процент ошибок – 3%

Рисунок 10 – Изображение под номером 13

Тип погоды – солнечно.

Распознано автомобилей – 16 из 18.

Распознано пустых парковочных мест – 10 из 11.

Процент ошибок – 10%

Проведем анализ точности изображений с закатом или рассветом.

Рисунок 11 – Изображение под номером 4

Тип погоды – рассвет/закат.

Распознано автомобилей – 10 из 10.

Распознано пустых парковочных мест – 18 из 19.

Процент ошибок – 3%

Рисунок 12 – Изображение под номером 7

Тип погоды – рассвет/закат.

Распознано автомобилей – 3 из 4.

Распознано пустых парковочных мест – 17 из 25.

Процент ошибок – 31%

Рисунок 13 – Изображение под номером 12

Тип погоды – рассвет/закат.

Распознано автомобилей – 15 из 16.

Распознано пустых парковочных мест – 7 из 13.

Процент ошибок – 24%

Проведем анализ точности ночных изображений.

Рисунок 14 – Изображение под номером 3

Тип погоды – ночь.

Распознано автомобилей – 1 из 6.

Распознано пустых парковочных мест – 23 из 23.

Процент ошибок – 17%

Рисунок 15 – Изображение под номером 8

Тип погоды – ночь.

Распознано автомобилей – 0 из 2.

Распознано пустых парковочных мест – 27 из 27.

Процент ошибок – 7%

Рисунок 16 – Изображение под номером 10

Тип погоды – Ночь.

Распознано автомобилей – 0 из 3.

Распознано пустых парковочных мест – 26 из 26.

Процент ошибок – 11%

Проведем анализ точности изображения с туманом.

Рисунок 17 – Изображение под номером 6

Тип погоды – туман.

Распознано автомобилей – 3 из 4.

Распознано пустых парковочных мест – 25 из 25.

Процент ошибок – 3%

Для оценки качества модели были использованы следующие метрики:

Точность (precision) можно интерпретировать как долю объектов, названных классификатором положительными и при этом действительно являющимися положительными.

Полнота (recall) показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм.

Точность (accuracy) показывает долю правильных ответов алгоритма от всех ответов.

№	Тип погоды	Точность, %		Полнота, %		Точность, % (accuracy)
		Авто	Парк. место	Авто	Парк. место
1	Солнечно	100	100	100	100		100
2		100	93	93	100		97
5		100	100	100	100		100
9		86	100	100	96		97
11		100	91	95	100		97
13		94	83	89	91		90
	Среднее:	97	95	96	98		97
4	Рассвет/закат	90	100	100	95		97
7		27	94	75	68		69
12		71	88	94	54		76
	Среднее:	63	94	90	72		81
3	Ночь	100	82	17	100		83
8		0	93	0	100		93
10		0	90	0	100		89
	Среднее:	33	88	6	100		88
6	Туман	100	96	75	100		97
	Среднее итого:	74	93	72	93		91
	Среднее по группам:	73	93	67	92		91

В светлое время суток качество распознавания модели высокое, с понижением уровня освещенности качество распознавания снижается.

Вывод

В ходе выполнения расчётно-графической работы был проведен анализ эффективности разработанного при выполнении проекта программного обеспечения.