- •Задание на выпускную квалификационную работу
- •Календарный план выполнения выпускной квалификационной работы
- •Реферат
- •Содержание
- •Введение
- •1 Метрологическая надежность нейросетей
- •1.1 Определение надежности в информационно-измерительной технике
- •1.2 Метрологическая надежность при распознавании видеоизображений нейронной сетью
- •1.3 Определение нейронной сети
- •1.4 Нейронные сети, использующиеся для распознавания объектов на видеоизображениях
- •1.5 Сверточные нейронные сети
- •1.5.1 Сверточный слой
- •1.5.2 Субдискретизирующий слой
- •1.5.3 Функция потери
- •1.5.4 Функция активации
- •1.5.5 Отсев
- •1.5.6 Батч-нормализация
- •1.5.7 Регуляризация
- •1.6 Существующие программные программы на основе сверточных нейросетей
- •1.6.1 Приложение ai Scry
- •1.6.2 Система Im2Calories
- •1.6.3 Система FindFace
- •2 Выбор критериев надежности для тестирования нейроных сетей
- •2.1 Критерии надежности при распознавании видеоизображений нейросетью
- •2.2 Выбор математической модели нейросетей
- •2.2.1 Нейросеть AlexNet
- •2.2.2 Нейросеть SqueezeNet
- •2.2.3 Сравнение нейросетей AlexNet и SqueezeNet
- •2.3 Алгоритм сравнения критериев надежности при распознавании видеоизображений нейросетью
- •2.4 Виды шумов на изображениях
- •2.4.1 Импульсный шум
- •2.4.2 Мультипликативный шум
- •2.4.3 Гауссов шум
- •2.4.4 Шум квантования
- •2.4.5 Применение рассмотренных ранее шумов
- •3 Тестирование на видеоизображении выбранных критериев надежности
- •3.1 Выбор видеоизображения для тестирования на критерии надежности
- •3.1 Эффективность распознавания изображений без шума
- •3.2 Эффективность распознавания при наличии импульсного шума
- •3.3 Эффективность распознавания изображений при наличии мультипликативного шума
- •3.3 Эффективность распознавания при наличии Гауссова шума
- •3.3 Эффективность распознавания при наличии шума квантования
- •3.4 Вывод, по результатам тестирований
- •4 Проблемы безопасности программного средства
- •4.1 Назначение разработки
- •4.2 Оценка риска и опасностей, связанных с разработкой
- •4.3 Основные ограничения факторов
- •4.4 Эргономические вопросы проектирования
- •Заключение
- •Список использованных источников
- •Приложение а
- •Приложение б
- •Приложение в
- •Приложение г
Список использованных источников
Чернышова Т. И., Каменская М. А., Курносов Р. Ю. Математическое моделирование метрологических характеристик при оценке метрологической надежности электронных измерительных средств //Вестник Тамбовского государственного технического университета. – 2017. – Т. 23. – №. 2. – С. 209-215.
Коровайцев А. А., Ломакин М. И., Докукин А. В. Оценка метрологической надежности средств измерений в условиях неполных данных //Измерительная техника. – 2013. – №. 10. – С. 14-17.
Заенцев И. В. Нейронные сети: основные модели. – 1999.
Фаустова К. И. Нейронные сети: применение сегодня и перспективы развития //Территория науки. – 2017. – №. 4. – С. 83-87.
Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. – 2001.
Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. – Новосибирский филиал Федерального государственного унитарного предприятия" Академический научно-издательский и книгораспространительский центр" Наука", 1996. – С. 276-276.
Круг П. Г. Нейронные сети и нейрокомпьютеры. – 2002.
Гафаров Ф. М. и др. Искусственные нейронные сети и приложения. – 2018.
Гришанов К. М., Белов Ю. С. Модель сверточной нейронной сети в задачах машинного зрения //Электронный журнал: наука, техника и образование. – 2017. – №. СВ1. – С. 100-106.
Созыкин А. В. Обзор методов обучения глубоких нейронных сетей //Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. – 2017. – Т. 6. – №. 3. – С. 28-59.
Солдатова О. П., Гаршин А. А. Применение сверточной нейронной сети для распознавания рукописных цифр //Компьютерная оптика. – 2010. – Т. 34. – №. 2. – С. 252-259.
ImageNet. Result list, LSVRC, 2012. URL:http://image-net.org/challenges /LSVRC/2012/results.html (Дата обращения: 15.04.2023).
The Verge. American technology news and media network, 2016. URL:https://www.theverge.com/2016/3/10/11187816/neuraltalk-ai-scry-app (Дата обращения: 15.04.2023).
Myers, A. Im2Calories: towards an automated mobile vision food diary / A. Myers, N. Johnston Google – 8 p.
Tjournal. URL:https://tjournal.ru/tech/87804-razrabotchiki-sozdali-search face-rabochiy-analog-zakrytogo-findface-s-poiskom-polzovateley-vkontakte-po-fo tografii (Дата обращения: 15.04.2023)
Сикорский О. С. Обзор свёрточных нейронных сетей для задачи классификации изображений //Новые информационные технологии в автоматизированных системах. – 2017. – №. 20. – С. 37-42.
Карев Л. Р. и др. Заказная сверхбольшая интегральная схема для реализации сверточной нейронной сети Squeezenet //Состояние и перспективы развития современной науки по направлению «Информатика и вычислительная техника». – 2020. – С. 139-145.
18. ГОСТ 12.3.002–2014. ССБТ. Процессы производственные. Общие требования безопасности. – Введ. 2016-07-01. – М.: Стандартинформ, 2016. – 15 с
19. ГОСТ 12.0.003–2015. ССБТ. Опасные и вредные производственные факторы. Классификация. – Введ. 2017-03-01. – М.: Стандартинформ, 2016. – 16 с.
20. ГОСТ 12.1.019–2017. ССБТ. Электробезопасность. Общие требования и номенклатура видов защиты. – Введ. 2019-01-01. – М.: Стандартинформ, 2019. – 16 с.