Использование нейронных сетей для распознавания автомобильных номеров Текст научной статьи по специальности «Компьютерные и информационные науки»

Таким образом, мы получили модель нечеткого логического вывода Мамдани, которая позволяет провести моделирование угроз с использованием нечеткой логики.

Рисунок 4 - Модель нечеткого логического вывода

Анализ работы разработанной модели проводился с использованием различных входных данных значений. Выходное значение показывает возможность причинения вреда системе. Таким образом, данная система может быть эффективно использована для качественной оценки рисков.

Список использованной литературы:

1. В.А.Седов, Н.А.Седова, Программные системы и вычислительные методы, 4, 456-463 (2014)

2. Л.А.Амаева, Вестник Казанского технологического университета, 18, 1, 320-322 (2015)

© Амаева Л.А., 2018

УДК 004.056

Л.А. Амаева

ст.преподаватель, НХТИ (филиал) ФГБОУ ВО «КНИТУ»,

г. Нижнекамск, Респ. Татарстан E-mail: achaevala@yandex.ru А.И.Закиров

магистрант 2 курса НХТИ (филиал) ФГБОУ ВО «КНИТУ»,

г. Нижнекамск, Респ. Татарстан E-mail: arturzakirov0@gmail.com

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ АВТОМОБИЛЬНЫХ НОМЕРОВ

Аннотация

В данной работе рассмотрен подход к распознаванию автомобильных номеров с использованием нейронной сети. Реализация системы выполняется с использованием инструментов программного продукта MATLAB.

Ключевые слова:

Нейронная сеть, обучающая выборка, Matlab Neural Network, распознавание, классификация, алгоритм Харриса.

Распознавание номерных знаков автотранспорта представляет собой не сложную задачу, если автомобильный номер расположен строго горизонтально, имеет равномерное освещение, различимые

~ 21 ~

границы либо чистую поверхность. Но на практике такие условия встречаются редко: чаще всего освещение неравномерно, на изображении с камеры имеются различные шумы, а сам номер может быть расположен под углом к горизонту, либо покрыт грязью, что затрудняет не только распознавание символов номерного знака, но и определение его местонахождения на изображении.

Для реализации будем использовать возможности математического пакета MATLAB. Пусть в систему распознавания поступает скорректированное с помощью алгоритма Харриса изображение автомобильного номера, которое преобразуем к бинарному виду.

Одной из важных задач при проведении нейросетевого моделирования является формирование обучающей выборки для нейронной сети [1, с.278]. Для этого подготовим шаблоны букв и цифр вида (рис 1.), преобразуем их в бинарный вид и подготовим матрицу шаблонов.

:]

Рисунок 1 - Шаблон буквы «В» и цифры «2»

Реализуем функцию сегментации буквы на изображении. На этом этапе происходит разделения найденного номерного знака на отдельные символы с помощью построения разделителей.

Для классификации и распознавания будем использовать нейронную сеть. На вход нейронной сети поступает сегмент изображения полученный этапе извлечения объектов.

Основной этап работы с нейросетью это ее обучение. При обучении происходит прогон множества примеров через сеть с коррекцией весов нейронов и с указанием значений, которые подаются на вход, и значений, которые должны быть получены на выходе нейросети [2, с.321]

Для обучения нейронной сети используем Matlab Neural Network, где входными данными будет набор шаблонов, таргет дата - сегмент изображения. Выходными данными будет символ.

Crane ftewotcUaa - ~ DI

ЕХ

pz ry:

V«. !>n« Освя

Рисунок 2 - Matlab Neural Network Произведем процесс обучения сети (рис.3.).

Рисунок 3- Обучение нейронной сети

В результате получим обученную нейронную сеть. Проверим работу сети.

Подавая на вход изображение автомобильного номера, получим распознанное изображение символов (рис.4).

5] Figure 4 - п

File Edit View Insert Tools Desktop Window Help

J13di И ч \ о ® « s. ■1 a □ в do

ИЯагЛгйВ

text.txt — Блокнот _ П j , 5?

Файл Правка Формат В д Справка

|ЕК947АВ178

Рисунок 4 - Работа нейронной сети

Завершающим этапом предлагаемой системы распознавания является стадия постобработки. Она печатает соответствующие распознанные символы в структурированной текстовой форме.

Список использованной литературы:

1. Н.А. Седова, В.А.Седов. Нейросетевое решение задачи расхождения двух судов в зоне чрезмерного сближения//Перспективы развития информационных технологий: Тр. всеросс. молод. научно-практич. конф. -Кемерово, 2014. -С.278-279

2. Амаева Л.А. Использование методов интеллектуального анализа данных для моделирования пользователя// Вестник Казанского технологического университета. 2015. Т. 18. № 1. 320-322

© Амаева Л.А., Закиров А.И., 2018

УДК 621.314.2

А.И. Жданов

Академия ФСО России, сотрудник, г. Орёл, РФ E-mail: egpet.petrov2010@yandex.ru Е. В. Петров

Академия ФСО России, сотрудник, г. Орёл, РФ

А.Н. Головачев Академия ФСО России, сотрудник, г. Орёл, РФ

А. Н. Симаков

Академия ФСО России, сотрудник, г. Орёл, РФ E-mail: egpet.petrov2010@yandex.ru

ВЛИЯНИЕ СОВРЕМЕННЫХ ТЕХНОЛОГИЙ И СУЩЕСТВУЮЩИХ СТАНДАРТОВ НА МОДЕРНИЗАЦИЮ ДЕЙСТВУЮЩИХ СИСТЕМ ЭЛЕКТРОСНАБЖЕНИЯ ОБЪЕКТОВ ТЕЛЕКОММУНИКАЦИЙ С УЧЕТОМ ИМПОРТОЗАМЕЩЕНИЯ

Аннотация

Рассмотрено влияние современных технологий и существующих стандартов на модернизацию действующих систем электроснабжения объектов телекоммуникаций с учетом импортозамещения.

Ключевые слова

Иимпортозамещение, системы электроснабжение объектов телекоммуникаций,

источники электроэнергии.