Розпізнавання небезпечних об'єктів на зображеннях за допомогою нейронних мереж

DOI: 10.31673/2786-8362.2024.010606

Анотація

Протягом останніх років, разом з безперервним підвищенням швидкості роботи комп'ютера, все більше і більше розповсюджуються застосування комп'ютера для проведення експертизи та розпізнавання небезпечних вантажів. З метою подолання недоліків високої частоти помилкового виявлення в процесі класифікації цілей за допомогою існуючих класифікаторів на основі ознак, у цій роботі запропоновано алгоритм виявлення небезпечних предметів з використанням згорткової нейронної мережі на основі глибокого навчання. Для зображення, яке перевіряється, використовуються ковзні вікна різних масштабів для визначення наявності вікна об'єкта. Для виявлення об'єктів навчається згорткова нейронна мережа з великою кількістю позитивних і негативних зразків. Для кращого адаптування до виявлення об'єктів поліпшено топологію згорткової нейронної мережі. Вікно підозрілого небезпечного предмета вводиться в покращену згорткову нейронну мережу для виявлення небезпечних об'єктів, і при цьому зменшується частота помилкового виявлення, зберігаючи при цьому вихідну частоту виявлення.

Ключові слова: виявлення небезпечних об'єктів, диференційна обробка, згорткова нейронна мережа, глибоке навчання.

Список використаної літератури:
1. Мохамед, А. А. С., Берзой, А., Мохамед, О. А., "Дизайн та апаратна реалізація керування FL-MPPT сонячними електростанціями на основі ГА та аналізу малих сигналів," IEEE Transactions on Sustainable Energy, 8(1), 279-290 (2017).
2. Берхон, Д., Куевас, С., Моран, Ф., Гарсіа, Н., "Імплементація на основі GPU оптимізованої непараметричної моделі фону для реального виявлення рухомих об'єктів," IEEE Transactions on Consumer Electronics, 59(2), 361-369 (2013).
3. Вандана, П., Аріндам, Б., Гаррік, О., "Алгоритм фільтрації шуму для сенсорів для виявлення асинхронних змін подій на основі truenorth та його імплементація на truenorth," Frontiers in Neuroscience, 12, 118-125 (2018).
4. Маджумдер, Н., Порія, С., Гельбух, А., Камбріа, Е., "Моделювання документів на основі глибокого навчання для виявлення особистостей з тексту," IEEE Intelligent Systems, 32(2), 74-79 (2017).
5. Карасулу, Б., Корукоглу, С., "Виявлення та відстеження рухомих об'єктів за допомогою методу анізотропного віднімання фону відео: оптимізація продуктивності," Expert Systems with Applications, 39(1), 33-43 (2012).
6. Усама, Й., Лу, С., Імам, Х., Сен, С., Кар, Н. С., "Дизайн та імплементація модуля виявлення та ідентифікації дефектів затишного струму на основі аналізу хвильового пакету для застосування на лініях передач," IET Generation, Transmission and Distribution, 8(3), 431-441 (2014).
7. Тан, Й., Дінг, К., "Огляд реалізації на основі GPU алгоритмів інтелектуальних роїв ORCID="0000-0001-8243-4731"," IEEE Transactions on Cybernetics, 46, (9), 1-14 (2015).
8. Цю, Ц., У, К., Бішоп, М., Піно, Р.Е., Ліндерман, Р.В., "Паралельна нейроморфна система розпізнавання тексту та її імплементація на гетерогенному високопродуктивному обчислювальному кластері," IEEE Transactions on Computers, 62(5), 886-899 (2013).
9. Лі, С., Гуо, Р., Чен, С., "Надійне відстеження та розпізнавання пішоходів з FLIR-відео: уніфікований підхід за допомогою розрідженої кодування," Sensors, 14(6), 11245-11259 (2014).
10. Росас-Ромеро, Р., "Віддалене виявлення лісових пожеж за допомогою відеосигналів з класифікаторами на основі навчених словників K-SVD," Engineering Applications of Artificial Intelligence, 33, 2014.