- •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
Содержание
ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ Error: Reference source not found
ВВЕДЕНИЕ Error: Reference source not found
1 МЕТРОЛОГИЧЕСКАЯ НАДЕЖНОСТЬ НЕЙРОСЕТЕЙ 10
В настоящей пояснительной записке применяют следующие термины с соответствующими определениями:
Нейросеть — нейронная сеть
ReLU — Rectified Linear Unit (Выпрямленный линейный блок)
ПС — программное средство
Введение
Тестирование нейронных сетей, распознающих объекты на изображениях, является крайне важной задача. Это связано в первую очередь с тем, что в процессе обучения нейронные сети могут ошибаться и производить некорректный вывод, что может привести к серьезным проблемам на последующих этапах работы с распознаванием объекта, это может привести к ошибкам в системах безопасности, автоматическом управлении процессами и других областях применения.
Тестирование критериев надежности позволяет улучшить результаты распознавания объектов на изображениях, повысить точность работы и снизить вероятность ошибок. Кроме того, тестирование на критерии надежности помогает улучшить общую устойчивость нейронной сети и повысить её эффективность в различных условиях эксплуатации.
Также благодаря таким тестам можно выбрать наиболее подходящую нейронную сеть для решения каждой конкретной задачи. Данные тесты могут включать в себя множество критериев, но ключевым в распознавании объектов на изображении всегда является эффективность распознавания. Для проверки эффективности распознавания можно использовать множество методов, например, проверка на конкретные параметры или сравнение скорости распознавания. В данной выпускной квалификационной работе мной был выбран критерий устойчивость к различным зашумлениям видеоизображения. Шумы позволяют эмитировать различные условия работы нейронной сети и позволяют выбрать наиболее подходящую нейронную сеть для решения задачи в самых разных условиях работы.
Таким образом, основной целью данной выпускной квалификационной работы является разработка критериев надежности для тестирования нейронной сети при распознавании видеоизображений, проверка на эти критерии надежности, выбор наиболее подходящей нейронной сети для решения конкретной задачи распознавания видеоизображения в различных условиях работы.
1 Метрологическая надежность нейросетей
1.1 Определение надежности в информационно-измерительной технике
В информационно-измерительной технике надежность играет важную роль. Ее определение звучит, как надежность в информационно-измерительной технике (ИИТ) - это степень уверенности в том, что система ИИТ будет работать без сбоев и отказов в течение определенного периода времени в заданных условиях эксплуатации [1]. В общем случае, надежность ИИТ определяется с помощью вероятностных методов и измеряется как вероятность безотказной работы системы в течение заданного времени или срока службы. В случае несоблюдения критерий надежности, может привести к ошибкам в данных и некорректным результатам, что может иметь серьезные последствия для бизнеса, процесса производства и других сфер деятельности. Поэтому надежность является одним из важнейших критериев для выбора и оценки качества работы информационно-измерительного оборудования.
При оценке надежности учитываются нескольких факторов, включая среднее время восстановления компонентов системы, вероятность восстановления в течение заданного времени, средняя наработка системы на отказ, интенсивность отказов, вероятность безотказной работы.
Оценка метрологической надежности средств измерения проводится с помощью метрологической аттестации, которая включает в себя проверки повторяемости и точности измерений в различных условиях эксплуатации.
Эта проверка так же называется тестированием на стойкость к эксплуатации или тестированием на надежность. Она включает в себя проведение экспериментов в различных условиях эксплуатации, таких как экстремальная температура, вибрация, влажность, и т.д. Данный тип тестирования позволяет определить, насколько устройство устойчиво к различным факторам внешней среды и может ли оно работать достаточно надежно в различных условиях. Результаты тестирования на стойкость к эксплуатации позволяют предотвратить возможные поломки или отказы и улучшить надежность устройства в целом.
