Применение сверточной нейронной сети к решению задачи распознавания продуктов питания на изображении Текст научной статьи по специальности «Компьютерные и информационные науки»

5. Макеев, С.Р. Информационные технологии: теория и практика // М.: Парус, 2009.

6. Статистика | Securelist | Скринсейвер Kaspersky: [Электронный ресурс] // АО «Лаборатория Касперского», 2019. URL: https://securelist.ru/statistics/. (Дата обращения: 07.01.2019).

© Горбунова Д.А., 2019

УДК 004.93

В.А. Горячев

магистр 2 курса Самарского университета,

г. Самара, РФ Е-mail: 2017-02515@ students.ssau.ru Научный руководитель: А.А. Белоусов к.ф.-м.н., доцент Самарского университета,

г. Самара, РФ Е-mail: belousov.aa@ ssau.ru

ПРИМЕНЕНИЕ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ К РЕШЕНИЮ ЗАДАЧИ РАСПОЗНАВАНИЯ ПРОДУКТОВ ПИТАНИЯ НА ИЗОБРАЖЕНИИ

Аннотация

Данное исследование посвящено изучению применения сверточной нейронной сети к решению задачи распознавания продуктов питания на изображении. В ходе работы рассмотрены некоторые современные подходы к решению задачи распознавания продуктов питания по изображению, выполнен анализ возможных исходных данных для проведения исследования, а также реализован подход к решению поставленной задачи с использованием сверточных нейронных сетей. Для обучения нейронной сети использовались исходные данные из набора Food-101 [1]. В ходе исследования была разработана модель нейронной сети, способная распознавать на изображении продукты питания с точностью более 35%. В качестве выводов приведены факторы, которые необходимо учесть для модернизации модели нейронной сети с последующим увеличением точности распознавания.

Ключевые слова:

Распознавание образов, обработка изображений, нейронные сети, Keras, Python, CNN, Food-101.

Несмотря на высокий уровень развития современной компьютерной техники, остается целый ряд практических задач, решение которых оказывается достаточно проблематичным. К числу подобных задач относится задача распознавания и интерпретации информации, полученной визуально [2]. Одной из наиболее актуальных проблем распознавания объектов на изображении является распознавание продуктов питания. С развитием сферы мобильных приложений люди хотят получить сервис, способный точно определять блюда по их фотографии. Обнаружение пищевых ингредиентов по изображению является ключевым процессом в системах измерения калорий, используемых для лечения хронических заболеваний, таких как диабет, нарушение артериального давления, ожирение и т.д. [3].

Основной задачей данной работы является разработка и исследование метода решения задачи распознавания продуктов питания на изображении с применением сверточной нейронной сети. Помимо этого, необходимо изучить существующие решения задачи, а также выбрать исходные данные.

Среди нескольких изученных современных работ, посвящённых решению поставленной задачи, было отмечено исследование [1], в котором представлен набор данных из 101 000 изображений продуктов

питания. В этом наборе 101 категория по 1000 изображений в каждой, представляющие собой, в основном, изображения готовых блюд. Преимущество описанных исходных данных в том, что они также представлены в удобном для быстрого обучения виде, то есть переформатированы как HDF5 файлы. Это позволяет легко и быстро их использовать для обучения и тестирования.

В ходе работы построена простая сверточная нейронная сеть, архитектура которой включает в себя четыре сверточных и два полносвязных слоя (рис. 1). Для создания модели был использован язык программирования Python 3.6, среда разработки Jupyter Notebook, а также библиотека Keras. Размер исходных изображений - 64x64 пикселей, размер обучающей выборки - 10099, размер тестовой выборки -1000, количество итераций обучения - 10.

Рисунок 1 - Структурная схема сверточной нейронной сети

На рисунке 2 представлен график зависимости точности (при обучении и валидации) от этапа обучения нейронной сети. На представленном графике видно, что итоговая точность алгоритма составила около 35%, что является сравнительно неплохим результатом.

Accuracy (Точность)

О 10__т_т__^___г_____1

2 А 6 8 10

Рисунок 2 - График зависимости точности нейронной сети (при обучении и валидации) от этапа обучения

Однако, если интегрировать модель с такой точностью распознавания в конечное пользовательское приложение, оно не будет в полной мере удовлетворять потребностям пользователя. Поэтому необходимо добиться улучшения работы нейронной сети.

Стоит отметить факторы, которые могли повлиять на итоговый результат, такие как сложность и качество исходных изображений, маленькая обучающая выборка, слишком простая архитектура сети, неудачный выбор параметров обучения.

В дальнейших исследованиях по данной теме планируется усложнение архитектуры нейронной сети, увеличение количества итераций обучения, а также использования более крупной выборки для обучения модели сети.

Список использованной литературы: 1. Bossard L, Guillaumin M, Van Gool L. Food-101-mining discriminative components with random forests //

European Conference on Computer Vision 2014. С. 446-461.

2. Методы распознавания образов и анализа изображений [Электронный ресурс] : электрон. учеб.-метод. комплекс по дисциплине в LMS Moodle / М-во образования и науки Рос. Федерации, Самар. гос. аэрокосм. ун-т им. С. П. Королева (нац. исслед. ун-т) (СГАУ); [авт.-сост. Э. И. Коломиец]. - Самара, 2013. - on-line

3. P. Pouladzadeh, A. Yassine, S. Shirmohammadi. FooDD: Food detection dataset for calorie measurement using food images // ICIAP 2015 Workshops, V. Murino, E. Puppo, D. Sona, M. Cristani, and C. Sansone (eds.). Lecture Notes in Computer Science, Springer, Vol. 9281. C.441-448.

© Горячев В.А., 2019

УДК 625.746.533.85

Добросердова Н.Н.

ст.гр.МДС-17-01 УГНТУ г. Уфа, РФ e-mail: [email protected] Урманшина Н.Э. канд. техн. наук, доцент, УГНТУ г. Уфа, РФ e-mail: [email protected] Галимнурова О.В. канд. техн. наук, доцент, УГНТУ г. Уфа, РФ

РОЛЬ ДОРОЖНОЙ РАЗМЕТКИ В ОБЕСПЕЧЕНИИ БЕЗОПАСНОСТИ НА ДОРОГАХ

РЕСПУБЛИКИ БАШКОРТОСТАН

Аннотация

Безопасность дорожного движения - одна из самых злободневных проблем нашего времени. Чтобы предотвратить значительную часть ДТП на дорогах, необходимо устройство качественной, своевременной и повсеместной дорожной разметки. Применение современных высокотехнологичных разметочных материалов и соблюдение технологии их нанесения во многом помогают решить проблему безопасности на дорогах. Для приемки работ по нанесению разметки должны привлекаться компетентные организации, обладающие квалифицированными кадрами и необходимым оборудованием, что обеспечит качественно выполненные работы и долговечность разметки.

Ключевые слова Безопасность, дорога, дорожная разметка, разметочные материалы.

Обеспечение безопасности дорожного движения является одной из важнейших проблем современности. По данным рейтинга 2017 года, составленного по результатам всесторонней оценки дорожный условий, Республика Башкортостан занимает 28 место из 50 российских регионов с населением свыше 1 миллиона человек.

Как правило, в больших городах со сложившейся исторической планировкой не всегда возможно найти решение различных транспортных задач путём строительства новых объездных магистралей и расширения проезжей части. Подобные решения требуют значительных капиталовложений и времени реализации. В то же время, значительный рост парка транспортных средств и динамика аварийности

~ 28 ~