Статья:

Системы искусственного интеллекта для распознавания образов

Конференция: XVIII Студенческая международная научно-практическая конференция «Молодежный научный форум»

Секция: Технические науки

Выходные данные
Тарбеев А.В. Системы искусственного интеллекта для распознавания образов // Молодежный научный форум: электр. сб. ст. по мат. XVIII междунар. студ. науч.-практ. конф. № 17(18). URL: https://nauchforum.ru/archive/MNF_interdisciplinarity/17(18).pdf (дата обращения: 18.07.2019)
Лауреаты определены. Конференция завершена
Эта статья набрала 0 голосов
Мне нравится
Дипломы
лауреатов
Сертификаты
участников
Дипломы
лауреатов
Сертификаты
участников
на печатьскачать .pdfподелиться

Системы искусственного интеллекта для распознавания образов

Тарбеев Александр Викторович
студент, Лесосибирский педагогический институт – филиал СФУ, РФ, г. Лесосибирск
Румянцев. Максим Валерьевич
научный руководитель, доцент, СФУ, РФ, г. Красноярск

 

Аннотация. Предмет. С первых дней жизни человек неустанно сталкивается с распознаванием различных образов биосистем. Это происходит по заданному алгоритму: мозг обрабатывает информацию, поступающую с органов чувств, посредством электрохимических импульсов поступает определенный сигнал, например, органам, отвечающим за движение, которые в свою очередь осуществляют «запланированные» действия. После этого происходит преображение окружающей действительности и все снова повторяется. Таким образом, каждая ступень события, или, совершаемого действия, подвержена распознаванию. Цели. Цель данной работы – распознавание образов посредством изучения систем искусственного интеллекта. Методология. Для достижения поставленной цели используем объектно-ориентированный язык программирования C#. Результаты. Проработка системы распознавания номера автомобиля с изображения на языке C#(.NET). В результате разработки мы получили приложение для консоли. В папке IMG оно берет все фотографии с машинами и распознает на них номера. Выводы. Одной из основных проблем развития и применения искусственного интеллекта остается проблема распознавания звуковых и визуальных образов. Но, несмотря на это, в настоящее время существует достаточно большое количество систем автоматического распознавания образов для различных прикладных задач. Одной из главных трудностей применения и развития искусственного интеллекта остается трудность в распознавании визуальных и звуковых образов для различных практических задач. Формальные методы для распознавания образов являются неисчерпаемыми в плоскости фундаментального научного направления.

Обработка изображений математическими методами имеет широкую область применения: социальная область, техника, медицина, наука. В ближайшем будущем роль распознавания образов в человеческой деятельности будет возрастать все больше. Одним из наиболее перспективных подходов с массой достоинств, является нейросетевой метод, который обеспечивает надежное и быстрое распознавание изображений.

Ключевые слова: распознавание образов, системы искусственного интеллекта, C#.

 

Соотнесение исходных данных к определенному классу посредством вычленения существенных признаков, характеризующих эти данные, из общей массы несущественных данных,- называется распознаванием образов.

Мозг человека, в той же степени, что и мозг животного, с самого дня появления и на протяжении всей жизнедеятельности ежеминутно выполняет задачи по распознаванию образов. Младенец или детеныш животного с первых минут жизни узнает мать, ее голос, пищу и окружающие его предметы. По мере роста ребенок начинает узнавать свою комнату, дом, различные игрушки и множество различных предметов, а также лица друзей, их голоса, звуки, слова и.т.д. В своей ежедневной деятельности человек настолько легко разбирается с задачами распознавания, что даже не придает этому особого значения, это считается само собой разумеющимся.

Тогда как при попытках смоделировать на компьютерах эти высокоинтеллектуальные функции, человек встречает серьезные затруднения.[1, с. 93]

Для сознательного восприятия человеком информации, должен пройти довольно продолжительный цикл преждевременной обработки.

Возьмем в качестве примера восприятие зрительного образа:

1. Сначала в глаз попадает свет. Минуя всю оптическую систему, фотоны попадают на сетчатку (клетки светочувствительного слоя). Так происходит первый этап обработки данных. За светочувствительными клетками, у класса Млекопитающие, находится два слоя нервных клеток, которые исполняют относительно несложную обработку.

2. В головной мозг, в так называемые «зрительные бугры», информация поступает по зрительному нерву.

3. Затем, зрительные данные поступают в отделы мозга, которые уже выделили из неё отдельные составляющие (вертикальные, горизонтальные, диагональные линии; контуры и области темного, светлого и цветного). До этого момента, применяя различные (графические) фильтры, можно без особых трудностей смоделировать мозговую работу.

4. Дальше, образы все более сложные и размытые, но (графический) образ пройдет еще не малый путь, прежде чем доберется до сознания. При этом, к образу, на уровне сознания, также еще примешиваются запахи, вкусовые ощущения и звуки.

Обучение и распознавание – две основные проблемы распознавания образов.

Первое, осуществляется путем соотнесения отдельных объектов с указанием их принадлежности тому или иному образу. В результате этого распознающая система должна приобрести способность реагировать однотипными реакциями на все аспекты одного образа

За обучением следует процесс распознавания новых объектов, который характеризует действия уже обученной системы.

Задачи распознавания имеют следующие специфические черты.

Это информационные задачи, состоящие из двух этапов:

 – преобразование исходных данных к виду, удобному для распознавания;

– собственно распознавание (указание принадлежности объекта определенному классу).

В этих задачах вводят понятие подобия объектов или понятие аналогии, а также формулируют правила, на основании которых объект зачисляется в один и тот же класс или в разные классы.

Выделяют следующие типы задач распознавания:

– задача распознавания;

– соотнесение предъявленного объекта по его описанию к одному из заданных классов (обучение с учителем);

 – задача автоматической классификации;

 – разбиение множества объектов, ситуаций, явлений по их описаниям на систему непересекающихся классов (таксономия, кластерный анализ, самообучение);

– задача выбора информативного набора признаков при распознавании;

– задача приведения исходных данных к виду, удобному для распознавания;

 – динамическое распознавание и динамическая классификация - задачи 1 и 2 для динамических объектов;

– задача прогнозирования – суть предыдущий тип, в котором решение должно относиться к некоторому моменту в будущем [2].

Примеры задач распознавания образов:

– Распознавание штрих-кодов;

– Распознавание букв;

– Распознавание лиц и других биометрических данных;

– Распознавание автомобильных номеров;

– Распознавание речи [3, c. 75].

Воспользуемся библиотекой Emgu CV для создания нового консольного приложения, которое будет брать все изображения с автомобилями в папке IMG и распознавать на них номера. Установив свежую версию Emgu CV, найдем тестовые примеры для изучения в созданной папке: \Solution\Windows.Desktop\Emgu CV.Example.sln.

После запуска программы, мы должны увидеть распознанные номера с изображений в папке IMG.

Выглядеть будет примерно так

 

Рисунок. Распознанные номера с изображений в папке IMG

 

Рядом с исполняемым файлом, в дополнение, будет создан *.log файл, в который выгрузится все тоже самое.

 

Список литературы:
1. Ясницкий Л.Н. Введение в искусственный интеллект. – М: Академия, 2005 – 176 с.
2. Портал Национальной электронной библиотеки им. Н.Э. Баумана – Bauman Nation Library. 
3. Загоруйко Н.Г., Методы распознавания и их применение. - М: Советское радио, 1972 – 108 с.