1 Алгоритмы технического зрения для обнаружения локализации объектов интереса 2 Алгоритмы обнаружения интереса на основе сверточных нейронных сетей с регионами

1 Алгоритмы технического зрения для обнаружения локализации объектов интереса

1 ОСНОВНЫЕ ПРИНЦИПЫ РАБОТЫ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
1.1 Алгоритм работы систем технического зрения для обнаруже-ния объектов интереса
Системы технического зрения представляют собой комплексные ал-горитмы и методы компьютерного зрения, разработанные для обнаруже-ния, распознавания и локализации объектов на изображениях или в видео-потоке. Они находят применение в различных сферах, таких как автомати-зация производства, медицинская диагностика, видеонаблюдение, авто-номные транспортные средства и другие области.
Основные компоненты систем технического зрения для обнаружения объектов интереса включают в себя:
1. Захват изображения:
Захват изображения представляет собой первоначальный этап в про-цессе работы с изображениями в системах компьютерного зрения. Этот этап включает в себя захват данных изображения с помощью различных устройств и сенсоров, таких как цифровые камеры, видеокамеры, сканеры и другие устройства, способные регистрировать визуальную информацию.
2. Предобработка изображений:
Процессы фильтрации, улучшения контрастности, устранения шума и другие методы для оптимизации изображений перед обработкой.
3. Обнаружение объектов:
3.1 Выделение признаков. Алгоритмы и методы для выделения характеристических признаков объектов на изображении, таких как гра-ницы, текстуры, цвета.
3.2 Обучение с учителем и без учителя. Применение методов ма-шинного обучения, таких как нейронные сети, SVM (Support Vector Machines), каскады Хаара и другие, для распознавания и классификации объектов.
4. Локализация объектов:
4.1 Bounding Boxes (ограничивающие рамки). Методы для точной локализации объектов путем создания ограничивающих рамок вокруг них.
4.2 Segmentation (сегментация). Техники разделения изображения на части, которые соответствуют объектам, позволяя более точно опреде-лить их форму и положение.
5. Постобработка и интерпретация:
5.1 Фильтрация и анализ результатов. Этап проверки и фильтра-ции результатов обнаружения объектов.
5.2 Интерпретация и дальнейший анализ. Анализ результатов для принятия решений или применения дополнительных действий на основе обнаруженных объектов.
Примеры применения систем технического зрения:
1. Автономные автомобили. Обнаружение и отслеживание дорожных знаков, пешеходов, других транспортных средств.
2. Медицинская диагностика. Обнаружение и анализ медицинских изображений для выявления патологий и заболеваний.
3. Промышленность. Контроль качества на производстве, обнаруже-ние дефектов, сортировка товаров и т.д.
4. Видеонаблюдение и безопасность. Обнаружение нежелательной активности или объектов на видеозаписях для обеспечения безопасности.
Системы технического зрения постоянно развиваются благодаря со-вершенствованию методов машинного обучения, улучшению аппаратного обеспечения и новым подходам в обработке изображений, что делает их более точными и эффективными в различных сферах применения.



1.2 Основные этапы в работе сверточных нейронных сетей
1.2.1 Сверточные слои
Сверточные слои (Convolutional Layers) являются основным строи-тельным блоком сверточных нейронных сетей (Convolutional Neural Networks, CNN) и играют ключевую роль в анализе изображений, видео, аудио и других типов данных, имеющих пространственную или времен-ную структуру.
Основные характеристики сверточных слоев:
1. Свертка (Convolution):
Основной операцией в сверточных слоях является свертка, которая представляет собой перемещение фильтра (ядра) по входному изображе-нию для извлечения различных признаков. Фильтр проходит через каж-дую область изображения, производя элементарное умножение и сложение значений пикселей, создавая карты признаков.
2. Фильтры (Kernels):
Фильтры представляют собой матрицы весов, которые применяются к каждому фрагменту входных данных для извлечения определенных при-знаков, таких как углы, края, текстуры и другие характеристики.
3. Структура сверточного слоя:
Сверточный слой обычно состоит из нескольких фильтров, каждый из которых выделяет определенные признаки. Результат работы этих фильтров объединяется для формирования карты признаков (feature map).
4. Пулинг (Pooling):
После свертки обычно применяется операция пулинга, которая поз-воляет уменьшить размер карты признаков, сохраняя важные признаки и снижая вычислительную нагрузку.


2 Алгоритмы обнаружения интереса на основе сверточных нейронных сетей с регионами

АЛГОРИТМ ОБНАРУЖЕНИЯ ЗАЩИТНЫХ КАСОК И ЛЮДЕЙ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ YOLOV8
3.1 Архитектура нейронной сети
YOLOv8 – это последняя версия YOLO от Ultralytics. YOLOv8 пред-ставляет собой передовую, современную (state-of-the-art (SOTA)) модель, основанную на успехе предыдущих версий, с новыми функциями и улуч-шениями для повышения производительности, гибкости и эффективности. YOLOv8 поддерживает полный спектр задач искусственного интеллекта, включая детектирование (detection), сегментацию (segmentation), оценку позы (pose estimation), отслеживание (tracking) и классификацию (classifica-tion). Эта универсальность позволяет пользователям использовать воз-можности YOLOv8 в различных приложениях и областях.
YOLOv8 использует сверточную нейронную сеть, которую можно разделить на две основные части: позвоночник (backbone) и голову (head). Позвоночник – это модифицированная версия архитектуры CSPDarknet53. Эта архитектура состоит из 53 сверточных слоев и использует частичные межэтапные соединения для улучшения информационного потока между различными слоями. Голова YOLOv8 состоит из нескольких сверточных слоев, за которыми следует ряд полносвязных. Эти слои отвечают за про-гнозирование ограничивающих прямоугольников (bounding boxes), оценки объектности (objectness scores) и вероятности классов для объектов, обна-руженных на изображении. Одной из ключевых особенностей YOLOv8 яв-ляется использование механизма самоконтроля в голове сети. Этот меха-низм позволяет модели сосредоточиться на разных частях изображения и устанавливать важность различных признаков в зависимости от их приме-нимости к задаче [15]. Еще одной важной особенностью YOLOv8 является его способность выполнять многомасштабное обнаружение объектов. Мо-дель использует пирамидальную сеть признаков (feature pyramid network) для обнаружения объектов разных размеров и масштабов на изображе-нии. Она состоит из нескольких слоев, которые обнаруживают объекты в разных масштабах, что позволяет модели обнаруживать большие и ма-ленькие объекты на изображении.
3.2 Подготовка данных
В качестве набора данных для реализации алгоритма по обнаруже-нию касок и людей использовался «SafetyHelmetWearing» датасет, вклю-чающий набор данных с разметкой двух классов – люди и защитные кас-ки.