Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- ИСПОЛЬЗОВАНИЕ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ РАСПОЗНАВАНИЯ ОБРАЗОВ В ПРОМЫШЛЕННОСТИ
- Авторы
- Жалялов Руслан Ринатович zhalyalov.rr@mail.ru, магистрант, Московский государственный технический университет имени Н. Э. Баумана (национальный исследовательский университет), Москва, Россия
- В разделе
- ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В РЕШЕНИИ ЗАДАЧ УПРАВЛЕНИЯ
- Ключевые слова
- компьютерное зрение / Computer Vision / свёрточные нейронные сети / идентификация изображений / распознавание объектов / сегментация изображений / затухающий градиент / ImageNet / AlexNet / VGG / Inception / ResNet / SENet / EfficientNet
- Год
- 2023 номер журнала 2 Страницы 21 - 31
- Индекс УДК
- 004
- Код EDN
- JKWIIF
- Код DOI
- 10.52190/2073-2597_2023_2_21
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Приведены примеры использования технологий компьютерного зрения в российских и зарубежных компаниях. Рассмотрены актуальные проблемы промышленности, связанные с применением компьютерного зрения. Описаны различные варианты реализации компьютерного зрения на основе сверточных нейронных сетей. Дан обзор популярных архитектур сверточных нейронных сетей и проведен их сравнительный анализ.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
How Are Robots Used in Car Manufacturing? [Электронный ресурс]. URL: https://www. roboticscareer.org/news-and-events/news/23035 (дата обращения: 08.04.2023).
Let's talk logistics and warehouse automation: how mobile robots improve supply chain efficiencies & solve labor challenges [Электронный ресурс]. URL: <https://www.mobile-industrial-robots.com/the-mir-blog/let-s-talk-logistics-and-warehouse-automation-how-mobile-robots-improve-supply-chain-efficiencies-solve-labor-challenges/> (дата обращения: 08.04.2023).
Using 3D Vision for Assembly Robots in Automotive Manufacturing Automation [Электронный ресурс]. URL: <https://www.mech-mind.com/blog/3d-vision-assembly-robots-automotive-manufacturing-automation.html> (дата обращения: 08.04.2023).
Роботы-сварщики на смену человеку [Электронный ресурс]. URL: https://vektorus.ru/blog/ robotizirovannaya-svarka.html (дата обращения: 08.04.2023).
Плазменная резка [Электронный ресурс]. URL: <https://www.robomatic.ru/robots/plazmennaya-rezka> (дата обращения: 08.04.2023).
Sathiyamoorthy S. Industrial Application of Machine Vision [Электронный ресурс]. URL: <https://www.researchgate.net/publication/271509417_INDUSTRIAL_APPLICATION_OF_MACHINE_VISION> (дата обращения: 08.04.2023).
Савченко А. В. Глаз-алмаз смотрит в цель [Электронный ресурс]. URL: https://nnov.hse.ru/ ma/vision/news/559218902.html (дата обращения: 08.04.2023).
Захаров В. С. Технологии компьютерного зрения на российском и мировом рынках и их перспективы // Вестник Таганрогского института управления и экономики. 2022. № 1(35). С. 114-115.
Гончаренко Д. О. Развитие технологий компьютерного зрения в России на примере компании Dioram: мат. IX Ежегодной Всерос. науч.-практ. конф. "Цифровизация общества: состояние, проблемы, перспективы". Москва, 07 июня 2022 года. Т. 1. - М: ФГБОУ ВО "РЭУ им. Г. В. Плеханова", 2022. С. 186-190.
Калмацкий М. В России бурными темпами растет рынок компьютерного зрения [Электронный ресурс]. URL: <https://rg.ru/2022/01/19/v-rossii-burnymi-tempami-rastet-rynok-kompiuternogo-zreniia.html> (дата обращения: 06.04.2023).
Gandhi R. R-CNN, Fast R-CNN, Faster R-CNN & YOLO - Object Detection Algorithms [Электронный ресурс]. URL: <https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e> (дата обращения: 08.04.2023).
Костерин В. В. Как выполнить обнаружение объектов YOLO с помощью OpenCV и PyTorch в Python [Электронный ресурс]. URL: https:// waksoft.susu.ru/2021/05/19/kak-vypolnit-obnaruzhenie-obektov-yolo-s-pomoshhyu-opencv-i-pytorch-v-python/ (дата обращения: 08.04.2023).
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation [Электронный ресурс]. URL: https://arxiv.org/ abs/1505.04597/ (дата обращения: 08.04.2023).
Kirillov A. et al. Panoptic feature pyramid networks: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019. Р. 6399-6408.
MidJourney Documentation [Электронный ресурс]. URL: <https://docs.midjourney.com/docs/models> (дата обращения: 08.04.2023).
LeCun Y., Boser B., Denker J. S., Henderson D., Howard R. E., Hubbard W., Jackel L. D. Backpropagation Applied to Handwritten Zip Code Recognition // Neural Computation. 1989. V. 1(4). P. 541-551.
AlexNet and ImageNet: The Birth of Deep Learning [Электронный ресурс]. URL: https://www.pinecone.io/learn/imagenet/#:~:text=When%20the%20paper%20detailing%20ImageNet,up%20into%20evermore%20general%20categories <https://www.pinecone.io/learn/imagenet/> (дата обращения: 04.04.2023).
ImageNet [Электронный ресурс]. URL: <https://www.image-net.org/> (дата обращения: 04.04.2023).
Pujara A. Concept of AlexNet Convolutional Neural Network [Электронный ресурс]. URL: <https://medium.com/analytics-vidhya/concept-of-alexnet-convolutional-neural-network-6e73b4f9ee30> (дата обращения: 06.04.2023).
Boesch G. VGG (Very Deep Convolutional Networks) [Электронный ресурс]. URL: https:// viso.ai/deep-learning/vgg-very-deep-convolutional-networks/ (дата обращения: 06.04.2023).
Balov B. Глубокое обучение: разбираемся со свертками [Электронный ресурс]. URL: https:// medium.com/@balovbohdan/глубокое-обучение-разбираемся-со-свертками-6e47bfc27792/ (дата обращения: 06.04.2023).
Raj B. A Simple Guide to the Versions of the Inception Network [Электронный ресурс]. URL: <https://towardsdatascience.com/a-simple-guide-to-the-versions-of-the-inception-network-7fc52b863202> (дата обращения: 06.04.2023).
Liu Xiaoyu, Diyu Yang, Aly El Gamal. Deep neural network architectures for modulation classification [Электронный ресурс]. URL: arXiv:1712.00443 <https://arxiv.org/abs/1712.00443> (дата обращения: 06.04.2023).
Литвинов С. ResNet (34, 50, 101) [Электронный ресурс]. URL: <https://neurohive.io/ru/vidy-nejrosetej/resnet-34-50-101/> (дата обращения: 06.04.2023).
Hu Jie, Li Shen, Gang Sun. Squeeze-and-Excitation Networks. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (2017): 7132-7141 [Электронный ресурс]. URL: arXiv:1709.01507 <https://arxiv.org/abs/1709.01507> (дата обращения: 06.04.2023).
Tan Mingxing, Quoc V. Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. (2019) [Электронный ресурс]. URL: arXiv:1905.11946 <https://arxiv.org/abs/1905.11946> (дата обращения: 06.04.2023).
EfficientNet (paperswithcode.com) [Электронный ресурс]. URL: https://paperswithcode.com/ method/efficientnet (дата обращения: 08.04.2023).
Huang Yanping, Yonglong Cheng, Dehao Chen, HyoukJoong Lee, Jiquan Ngiam, Quoc V. Le, Chen Z. GPipe: Efficient Training of Giant Neural Networks using Pipeline Parallelism [Электронный ресурс]. URL: arXiv:1811.06965 <https://arxiv.org/abs/1905.11946> (дата обращения: 08.04.2023).
Papers with Code: Image Classification [Электронный ресурс]. URL: https://paperswithcode.com/ task/image-classification (дата обращения: 08.04.2023).
Vision Transformers [Электронный ресурс]. URL: <https://blog.xperience.ai/vision-transformers/> (дата обращения: 08.04.2023).
- Купить
- 500.00 руб
