| Abstract |
Atslēgas vārdi: SĒNES ATPAZĪŠANA ATTĒLĀ, ATTĒLA STRUKTŪRA, ATTĒLA PIRMSAPSTRĀDE, UZ MAŠĪNMĀCĪŠANOS BALSTĪTAS METODES, MOBILENETV2.
Sēnes ir labs uztura avots cilvēkiem, kuru saturā ir vairāki vērtīgie sāļi un vitamīni. Tomēr ne visas sēnes ir ēdamas un uzturā lietoajams, un, kad pastāv tik liela sēņu daudzveidība, starp ēdamu un neēdamu sēni ir grūti atpazīt atšķirību, kā arī visu atcerēties un zināt ir bieži vien grūti vai neiespējami, tāpēc ir jāspēj rast risinājumu, kas spētu ļaut atpazīt sēnes veidu mūsu vietā. Bakalaura darba pirmās daļas ietvaros ir analizēta informācija par attēla pirmsapstrādes iespējām, un otrās daļas ietvaros ir apskatītas dažādas metodes, lai atpazītu noteiktu objektu esamību attēlā un noteiktu tā veidu, kā mērķi izvirzot realizēt metodi, kas ļauj atpazīt sēņu veidu attēlā. Darba rezultātā, izpētot dažādas klasiskās mašīnmācīšanās un dziļās mašīnmācīšanās metodes, kuras ļauj noteikt objekta veidus attēlā, tad mērķa realizācijai tika izvēlēts konvolūcijas neironu tīkls un par pamata modeli tika izvēlēts MobileNetV2 modelis, kurš tika apmācīts ar izveidoto attēlu bāzi, kura sastāvēja no 30 klasēm, kur 20 klases ir ēdamas un 10 neēdamas sēņu klases. Apmācības laikā attēlu bāze tika sadalīta apmācības un validācijas daļās, kur 80% bija apmācības un 20% bija validācijas dati. Modeļa izstrādes gaitā tika eksperimentētas un pielietotas dažādas datu uzlabošanas tehnikas, piemēram, nejauša rotācija, nejauša apgriešana un nejauša pagriešana, lai pakļautu modeli daudzveidīgākam attēlu daudzumam. Lai risinātu modeļa sākotnējas pārapmācīšanās un neprecizitātes problēmas, un uzlabotu modeļa kvalitāti, tika ieviestas dažādas regulācijas un noregulēšanas tehnikas. Eksperimentējot ar epohu, partiju lielumu, apmācības ātrumu, noregulēšanas hiperparametriem un novērojot modeļa apmācības un validācijas, precizitātes un zuduma maiņu kā arī apmācības laikam veltīto laiku un kļūdu matricu, salīdzinot visus datus savā starpā, tika izveidots dotais modelis ar rezultātu 72% precizitāte.
Dati par darba apjomu – 50 lpp., 1 tabula, 28 attēli, 1 pielikums un 30 informācijas avoti. |
