Form of studies |
Bachelor |
Title of the study programm |
Information Technology |
Title in original language |
Dziļas apmācības mākslīgo neironu tīklu lietošana tēlu atpazīšanai ražošanas ciklu gaitā |
Title in English |
Use of Deep Learning Artificial Neural Networks for Recognizing Production Cycle Images |
Department |
Faculty Of Computer Science Information Tehnology And Energy |
Scientific advisor |
Jurijs Čižovs |
Reviewer |
Mg. sc. phys. Egmonts Treiguts |
Abstract |
Bakalaura darba mērķis ir izpētīt TensorFlow izmantošanas iespējas un novērtēt tā efektivitāti tēla atpazīšanas uzdevumā ražošanas uzņēmumā.
Lai sasniegtu izvirzīto mērķi, autors noformulējis piecus galvenos uzdevumus un to risinājumu aprakstījis darba trijās daļās.
Bakalaura darba pirmajā daļā pasniegts teorētiskais materiāls, kas nepieciešams, lai iepazītos ar izmantotajām metodēm un tehnoloģijām.
Otrajā daļā autors apraksta eksperimenta veikšanai nepieciešamās operācijas. Tiek aprakstīti principi, pēc kuriem tiek formēta attēlu datu bāze un skaidrots, kā izmantot TensorFlow darbā.
Trešajā daļā sniegti vairāku eksperimentu apraksti. Eksperimentos tiek pētīts, kā labāk sagatavot fotomateriālus tīkla treniņam, un kā jāveido apmācošo datu izlasi, lai apmācību kļūda būtu pēc iespējas mazāka. Arī tiek pētīts, vai neironu tīkls ir spējīgs atpazīt nedaudz atšķirīgus no izmantotiem apmācība objektus fotogrāfijā, ka āri, vai tīkls spēj klasificēt attēlus ar lielāku objektu skaitu.
Noslēgumā, balstoties uz veikto eksperimentu rezultātiem, autors izdara secinājumus par TensorFlow efektivitāti diplomdarbā uzdevumos un no tā, vērtē TenforFlow izmantošanas lietderību reālajām uzņēmumam.
Darba apjoms - 48 lpp., 14 tabulas, 27 attēli un 0 pielikumi. |
Keywords |
Mākslīgais neironu tīkls, MNT, dziļa apmācība, TensorFlow, CUDA, tēlu atpazīšana, datorredze |
Keywords in English |
Artificial neural networks, deep learning, TensorFlow, CUDA, image recognition, computer vision |
Language |
lv |
Year |
2018 |
Date and time of uploading |
04.09.2018 18:08:44 |