CC BY
40ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ
ЗАПРЕЩЕННЫХ ОБЪЕКТОВ
USING MACHINE LEARNING TO DETECT FORBIDDEN OBJECTS
УДК-51
Зинченко Антон Викторович, Студент Санкт-Петербургского государственного экономического университета, Россия, г. Санкт-Петербург Zinchenko Anton Viktorovich, antonzinch@gmail .com
АННОТАЦИЯ
В работе рассматривается возможность применения машинного обучения для повышения эффективности и качества охранных мероприятий, применяемых сотрудниками предприятия в процессе работы. Для этого используется нейронная сеть и изучается возможность повышения её точности с помощью предобработки изображений. Результатом является нейронная сеть, решающая задачу классификации с точностью распознавания 83.9%. Предобработка изображений увеличивает точность на 1.1%.
ANNOTATION
The paper considers the possibility of using machine learning to improve the efficiency and quality of security measures used by employees of the enterprise in the process of work. To do this, a neural network is used and the possibility of improving its accuracy using image preprocessing is being studied. The result is a neural network that solves the classification problem with 83.9% recognition accuracy. Image preprocessing increases accuracy by 1.1%.
Ключевые слова: машинное обучение, искусственный интеллект, нейронные сети, классификация, предобработка изображений.
Keywords: machine learning, artificial intelligence, neural networks, classification, image preprocessing.
Для досмотра персонала и посетителей подведомственных организаций применяется оборудование SafeScout, которое предназначено для бесконтактного досмотра людей с целью обнаружения на их теле и в предметах одежды любых веществ, материалов и изделий скрытого ношения. Устройства помогают оператору с высокой скоростью обнаруживать предметы сразу на всем теле человека. Несмотря на то, что сканирующие порталы имеют большой ряд преимуществ (безопасность использования, высокий уровень автоматизации, удобное ПО, быстрота работы), оно имеет существенный недостаток - необходимость постоянного наблюдения оператора. Учитывая, что во многих организациях используется более 50
сканирующих порталов, их обслуживание становится дорогим. Поэтому разрабатываемая система автоматического детектирования нежелательных предметов позволит в несколько раз сократить число операторов, тем самым повысив экономическую эффективность всего охранного департамента.
Для разработки программного решения было решено воспользоваться методами машинного обучения. Для реализации был выбран язык Python. Имеющийся ряд преимуществ в данном языке отлично подходит для создания сверточной нейронной сети. В качестве фреймворка был выбран Tensorflow.
Выбранная сверточная нейронная сеть состоит из нескольких слоев свертки и подвыборки, где в конце идет полносвязная часть. Архитектура нейронной сети представлена на рисунке 1.
В модели используется 12 слоев свертки, 7 слоев подвыборки и 5 полносвязных слоя. Слои свертки и подвыборки отвечают за выделение важных признаков изображений. Полносвязная часть необходима для классификации изображений.
Исходные данные представлены в виде изображений в формате JPEG. В наличии оказалось 656 изображений. Получился набор данных для бинарной классификации. Пример изображений из обучающей выборки представлен на рисунке 2.
224 х 224 х 3 224 х 224 х 64
Рисунок 1. Архитектура нейронной сети
1 > -
ш " *
f % Г
Рисунок 2. Внешний вид субъекта со скрытым объектом и без него
Для оценки классификатора используются метрики accuracy, precision, recall, f1. Precision можно интерпретировать как долю объектов, названных классификатором положительными и при этом действительно являющимися положительными, а recall показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм. Для разработанной сети были получены следующие результаты:
Таблица 1.
Результаты тестирование нейронной сети
Классификатор accuracy precision recall f1-score
Нейронная сеть 80.7 83.9 80.9 82.4
В качестве предобработки будем использовать инструмент «Кривые». Этот инструмент способен менять яркость пикселей изображения в различных диапазонах: от самого темного, расположенного в левом нижнем углу, до самого светлого, который находится в правом верхнем углу.
Рассматриваемый инструмент чаще всего используется для увеличения контрастности того или иного диапазона тонов изображения. В нашем случае наибольший контраст получается в средних тонах, тогда как на области темных и светлых он уменьшается. Гистограмма стала более выравненной. Несмотря на то, что видна потеря данных (гистограмма стала с пропусками), классификационная модель улучшила свои характеристики (таблица 2).
Таблица 2.
Результаты тестирование нейронной сети с предобработкой
изображений
Наличие предобработки accuracy precision recall f1-score
Нет 80.7 83.9 80.9 82.37
Есть 81.8 85.0 82.0 82.39
Было доказано, что задачу распознавания можно успешно решить с помощью сверточных нейронных сетей, которые обладают рядом преимуществ для работы с изображениями.
Предобработка изображений влияет на результат. Это объясняется тем, что неоднородности на изображениях иногда не имеют четко выраженных контуров. Наблюдается увеличение precision на 1.1%, а значит, у такой манипуляции с данными, как работа с кривыми есть потенциал.
Литература:
1. Петер Флах, Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. Издательство: ДМК Пресс, 2015 г. - 400 стр.
2. Саймон Хайкин, Нейронные сети. Полный курс// Вильямс. 2016.
3. Стюарт Рассел, Искусственный интеллект. Современный подход. Издательство: Вильямс, 2018 г. - 1408 стр.
4. Chen, M. Automated Segmentation of the Choroid in EDI-OCT Images with Retinal Pathology Using Convolution Neural Networks/ Min Chen, Jiancong Wang, Ipek Oguz, Brian L. VanderBeek, James C. Gee - Springer Cham, 2017
- 643 p.
5. Hai Le, H. Automatic Detection of Singular Points in Fingerprint Images Using Convolution Neural Networks/ Hong Hai Le, authorNgoc, Hoa NguyenTri-Thanh Nguyen - Springer Cham, 2017 - 342 p.
6. . Glorot X., Bordes A., Bengio Y. Deep Sparse Rectifier Neural Networks. Journal of Machine Learning Research. 2011. vol. 15. pp. 315-323.
Literature:
1. Peter Flach, Machine learning. The science and art of building algorithms that extract knowledge from data. Publisher: DMK Press, 2015, 400 p.
2. Simon Haikin, Neural networks. Full course// Williams. 2016.
3. Stuart Russell, Artificial intelligence. Modern approach. Publisher: Williams, 2018 - 1408 page
4. Chen, M. Automated Segmentation of the Choroid in EDI-OCT Images with Retinal Pathology Using Convolution Neural Networks/ Min Chen, Jiancong Wang, Ipek Oguz, Brian L. VanderBeek, James C. Gee - Springer Cham, 2017
- 643 p.
5. Hailea, H. Automatic Detection of Singular Points in Fingerprint Images Using Convolutional Neural Networks/ Hong Hai Le, authorNgoc, Hoa NguyenTri-Thanh Nguyen - Springer Cham, 2017 - 342 p.
6. Glorot X., Border A., Bengio Y. Deep Space Rectifier Neural Networks. Journal of Machine Learning Research. 2011. vol. 15. pp. 315-323.
