670 готовых дипломных работ по программированию

Введение
1 Теоретические аспекты разработки информационных систем
1.1 Понятие автоматизированных информационных систем.
1.2 Жизненный цикл информационных систем.
1.3 Технологические процессы горного производства как объекты управления.
1.4 Среда прог...

Введение
1 Теоретические аспекты разработки информационных систем
1.1 Понятие автоматизированных информационных систем.
1.2 Жизненный цикл информационных систем.
1.3 Технологические процессы горного производства как объекты управления.
1.4 Среда программирования Borland Delphi
1.5 Использование технологии ADO для доступа к данным
2 Анализ современных информационных систем в горнодобывающей промышленности
2.1 Общая характеристика ТОО «Степногорский горно-химический комбинат»
2.2 Анализ современных информационных систем в горнодобывающей промышленности...

СПИСОК СОКРАЩЕНИЙ 5
ВВЕДЕНИЕ 6
1. ПОСТАНОВКА ЗАДАЧИ 11
2. ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ ТЕМЫ 13
2.1. Анализ существующих разработок 14
2.2. Обоснование выбора средств разработки 16
3. РАЗРАБОТКА АЛГОРИТМИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ 22
3.1....

СПИСОК СОКРАЩЕНИЙ 5
ВВЕДЕНИЕ 6
1. ПОСТАНОВКА ЗАДАЧИ 11
2. ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ ТЕМЫ 13
2.1. Анализ существующих разработок 14
2.2. Обоснование выбора средств разработки 16
3. РАЗРАБОТКА АЛГОРИТМИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ 22
3.1. Исследование предметной области 22
3.2. Классификация видов контроля за исполнением документов 24
3.3. Разработка программно-алгоритмической части системы 25
3.4 Проектирование структуры базы данных системы 26
3.5. Инфологическое проектирование базы данных 28
3.6. Даталогическое проектирование базы данных 32
3.7. Полная физическая модель 37
4. РАЗРАБОТКА ПРОГРАММНОЙ ДОКУМЕНТАЦИИ 39
4.1. Назначение и условия применения 39
4.1.1. Назначение программы и выполняемые функции 39
4.1.2. Условия применения 40
4.1.3. Входные и выходные данные 40
4.2. Руководство оператора 41
5. ЭКСПЕРИМЕНТАЛЬНОЕ ТЕСТИРОВАНИЕ 49
5.1.Условия тестирования 49
5.2. Методики проведения испытаний 49
5.3. Результаты проведения испытаний 51
6. ЭКОНОМИЧЕСКАЯ ЧАСТЬ 53
6.1. Планирование работ 53
6.2. Расчет сметы затрат на разработку системы 55
6.2.1. Расчет заработной платы 56
6.2.2. Отчисления на социальные нужды 56
6.2.3. Расходы на эксплуатацию оборудования и лицензионное программное обеспечение 57
6.2.4. Расходы на покупные материалы 59
6.2.5. Накладные расходы 60
6.2.6. Полная плановая себестоимость 60
7.3. Экономическая эффективность использования проекта 62
ЗАКЛЮЧЕНИЕ 67
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 69
ПРИЛОЖЕНИЯ 71
ПРИЛОЖЕНИЕ 1: СХЕМА БАЗЫ ДАННЫХ 71
ПРИЛОЖЕНИЕ 2: ЛИСТИНГ НАИБОЛЕЕ ЗНАЧИМЫХ ЧАСТЕЙ ПРОГРАММЫ 72

...

Введение 4
1 Постановка задачи 6
1.1 Описание предметной области 6
1.2 Функциональная модель предметной области 7
1.3 Описание входной информации 8
1.4 Описание выходной информации 8
1.5 Общие требования к программному продукту 8
1.6 Описание структу...

Введение 4
1 Постановка задачи 6
1.1 Описание предметной области 6
1.2 Функциональная модель предметной области 7
1.3 Описание входной информации 8
1.4 Описание выходной информации 8
1.5 Общие требования к программному продукту 8
1.6 Описание структуры базы данных 8
1.7 Контрольный пример 10
2 Экспериментальный раздел 11
2.1 Описание программы 11
2.2 Протокол тестирования программного продукта 13
2.3 Руководство пользователя 23
3 Экономический раздел 25
...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 МЕТОДЫ КОЛОРИЗАЦИИ ИЗОБРАЖЕНИЙ 10
1.1 Ручной подход 10
1.2 Нейросетевые подходы 10
1.2.1 Цветовое пространство Lab 10
1.2.2 Сверточные нейронные сети 11
1.2.3 Автоэнкодеры 13
1.2.4 Генеративно-состязательные сети...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 МЕТОДЫ КОЛОРИЗАЦИИ ИЗОБРАЖЕНИЙ 10
1.1 Ручной подход 10
1.2 Нейросетевые подходы 10
1.2.1 Цветовое пространство Lab 10
1.2.2 Сверточные нейронные сети 11
1.2.3 Автоэнкодеры 13
1.2.4 Генеративно-состязательные сети 14
1.3 Сервисы колоризации черно-белых изображений 15
1.3.1 Онлайн-сервис Algorithmia 16
1.3.2 Онлайн-сервис colorize.cc 17
1.3.3 Онлайн-сервис MyHeritage 18
1.3.4 Онлайн-сервис colourise.sg 19
1.3.5 Онлайн-сервис color.artlebedev.ru 21
1.3.6 Онлайн-сервис от Mail.ru Group 22
1.4 Выводы по разделу 23
2 ЗАДАЧА КОЛОРИЗАЦИИ 24
2.1 Постановка задачи колоризации 24
2.2 Исходные данные 24
2.3 Нейронная сеть cGAN 25
2.3.1 Определение условной генеративно-состязательной сети 25
2.3.2 Архитектура условной генеративно-состязательной сети 26
2.3.4 Дискриминатор 30
2.4 Операция свертки 31
2.5 Операция транспонированной свертки 32
2.6 Функция пакетной нормализации данных 32
2.7 Операция исключения 33
2.8 Функции активации 34
2.8.1 Функция активации Relu 34
2.8.2 Функция активации LeakyRelu 35
2.8.3 Гиперболический тангенс 35
2.9 Функции потерь 36
2.9.1 Бинарная кросс-энтропия 36
2.9.2 Средняя абсолютная ошибка 36
2.10 Обучение 37
2.10.1 Оптимизатор функции потерь Adam 37
2.10.2 Метод обратного распространения ошибки 38
2.11 Метрики качества 40
2.11.1 Начальная оценка 40
2.11.2 Начальное расстояние Фреше 41
2.12 Выводы по разделу 42
3 РЕАЛИЗАЦИЯ МОДЕЛИ И ПРОВЕРКА НА ТЕСТОВЫХ ДАННЫХ 43
3.1 Архитектура сети 43
3.2 Алгоритмы работы программы и обучения полученной модели 46
3.3 Результаты 49
3.3.1 Графики обучения 49
3.3.2 Метрики 51
3.3.3 Проверка работы модели на тестовых данных 52
3.4 Выводы по разделу 54
ЗАКЛЮЧЕНИЕ 55
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 57
ПРИЛОЖЕНИЯ 62
ПРИЛОЖЕНИЕ 1 Исходный код программы 62
ПРИЛОЖЕНИЕ 2 Код тестирования модели 68
...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 6
1 МЕТОДЫ ДЕТЕКТИРОВАНИЯ ПЕШЕХОДОВ В РЕЖИМЕ РЕАЛЬНОГО
ВРЕМЕНИ 8
1.1 Этапы детектирования пешеходов 8
1.2 Компьютерное зрение 10
1.2.1 Метод вычитания фона 11
1.2.2 HOG дескриптор 13
1.2.3 Поиск контуров 18
1.3 Глубокие не...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 6
1 МЕТОДЫ ДЕТЕКТИРОВАНИЯ ПЕШЕХОДОВ В РЕЖИМЕ РЕАЛЬНОГО
ВРЕМЕНИ 8
1.1 Этапы детектирования пешеходов 8
1.2 Компьютерное зрение 10
1.2.1 Метод вычитания фона 11
1.2.2 HOG дескриптор 13
1.2.3 Поиск контуров 18
1.3 Глубокие нейронные сети 20
1.3.1 Алгоритм R-CNN 20
1.3.2 Алгоритм Fast R-CNN 21
1.3.3 Алгоритм Faster R-CNN 23
1.3.4 Алгоритм YOLO 24
1.3.5 Алгоритм YOLOv3-tiny 27
1.3.6 Алгоритм YOLOv3 27
1.3.7 Алгоритм SSD 28
1.3.8 Алгоритм FPN 29
1.4 Выводы по главе 1 31
2 ДЕТЕКЦИЯ ПЕШЕХОДОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ
YOLOV3 33
2.1 Архитектура нейронной сети 33
2.2 Подготовка данных 34
2.3 Постановка задачи детекции пешеходов 36
2.4 Метрики качества 37
2.4.1 Метрика точности (accuracy) 37
2.4.2 Метрика точности (precision) 38
2.4.3 Метрика полноты 38
2.4.4 Метрика локализации объекта 39
2.5 Обучение сверточной нейронной сети 40
2.5.1 Функции активации 40
2.5.2 Функция потерь 42
2.5.3 Операция свертки 43
2.5.4 Операция субдискретизации (пулинга) 44
2.5.5 Кодировщик. Нейронная сеть DarkNet-53. Декодировщик 45
2.5.6 Метод оптимизации функции потерь 47
2.5.7 Метод обратного распространения ошибки 48
2.6 Выводы по главе 2 52
3 РЕЗУЛЬТАТЫ ДЕТЕКТИРОВАНИЯ, ТРЕКИНГА И ПОДСЧЕТА
ПЕШЕХОДОВ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ СЕТЬЮ YOLOV3 53
3.1 Конфигурация нейронной сети 53
3.2 Алгоритмы обучения и тестирования нейронной сети YOLOv3 55
3.3 Результаты обучения, полученные метрики 58
3.4 Подсчет пешеходов по всем направлениям дорожного узла 61
3.5 Выводы по главе 3 63
ЗАКЛЮЧЕНИЕ 65
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 67
ПРИЛОЖЕНИЯ 71
ПРИЛОЖЕНИЕ 1 Код нормализации файлов с разметкой 71
ПРИЛОЖЕНИЕ 2 Обучение нейронной сети 75
ПРИЛОЖЕНИЕ 3 Код для запуска работы нейронной сети 91
ПРИЛОЖЕНИЕ 4 Код для подсчета пешеходов 95
...

ОГЛАВЛЕНИЕ
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 8
ВВЕДЕНИЕ 9
1 УДАЛЕНИЕ ФОНА НА ИЗОБРАЖЕНИИ 11
1.1 Удаление фона на изображении как задача сегментации. Основные виды сегментации изображений 11
1.2 Классические подходы к сегментации изображения 13
1.2.1...

ОГЛАВЛЕНИЕ
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 8
ВВЕДЕНИЕ 9
1 УДАЛЕНИЕ ФОНА НА ИЗОБРАЖЕНИИ 11
1.1 Удаление фона на изображении как задача сегментации. Основные виды сегментации изображений 11
1.2 Классические подходы к сегментации изображения 13
1.2.1 Методы кластеризации 13
1.2.2 Методы наращивания областей 15
1.2.3 Сегментация по водоразделам (WaterShed) 17
1.2.4 Обнаружение контуров градиентным методом 19
1.2.5 Обнаружение контуров с помощью метода градиентной обра-ботки при линейной фильтрации 20
1.2.6 Алгоритм сегментации FloodFill 21
1.2.7 Ручное кодирование свойств области. Сегментация на основе градаций серого. Алгоритм Split&Merge; 22
1.2.8 Алгоритм сегментации GrabCut 22
1.2.9 Методы разреза графа 23
1.2.10 Суперпикселизация 24
1.3 Сегментация изображений с применением нейронных сетей 26
1.3.1 Общее описание 26
1.3.2 Нейронная сеть FCN 26
1.3.3 Нейронная сеть SegNet 27
1.3.4 Нейронная сеть U-Net 28
1.3.5 Нейронная сеть FPN 29
1.3.6 Нейронная сеть Mask R-CNN 30
1.4 Сервисы для удаления фона с изображения 31
1.4.1 Сервис для удаления фона с изображения Remove.bg 31
1.4.2 Сервис для удаления фона с изображения Background Burner 32
1.5 Выводы по разделу 32
2 ЗАДАЧА СЕГМЕНТАЦИИ 34
2.1 Постановка задачи удаления фона с изображения с помощью предвари¬тельной сегментации 34
2.2 Исходные данные. Работа с исходными изображениями 35
2.2.1 Источники набора данных 35
2.2.2 Предварительная обработка набора данных 35
2.2.3 Пакетное преобразование изображений. Расширение исходного
набора данных 37
2.2.4 Техника дополнительной разметки «Pseudo-labelling» 38
2.3 Операции свёртки 39
2.4 Операция субдискретизации (пулинг) 41
2.5 Функции активации RELU 42
2.6 Функции потерь 42
2.7 Метрика качества 44
2.8 Кодировщик. Нейронная сеть Resnet-50. Перенос обучения 45
2.9 Декодировщик 47
2.10 Операция DropOut 48
2.11 Архитектура нейронной сети U-Net 49
2.12 Архитектура нейронной сети FPN 50
2.13 Метод оптимизации функции потерь Adam 51
2.14 Обучение нейронных сетей U-Net и FPN с помощью алгоритма обрат¬ного распространения 54
2.15 Ансамблирование нейронных сетей U-Net и FPN 57
2.16 Матрица ошибок (Confusion matrix) 57
2.17 Выводы по разделу 58
3 РЕАЛИЗАЦИЯ МОДЕЛЕЙ И ПРОВЕРКА НА ТЕСТОВЫХ ДАННЫХ 60
3.1 Алгоритмы получения масок бинарной сегментации и обучения ней-ронных сетей 60
3.2 Архитектура и обучение нейронной сети U-Net 63
3.2.1 Архитектура 63
3.2.2 Обучение 65
3.2.3 Результаты работы 66
3.3 Архитектура и обучение нейронной сети FPN 69
3.3.1 Архитектура 69
3.3.2 Обучение 71
3.3.3 Результаты работы 71
3.4 Ансамблирование нейронных сетей U-Net и FPN. Результаты объедине-
ния масок бинарной сегментации 73
3.5 Выводы по разделу 75
ЗАКЛЮЧЕНИЕ 77
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 79
ПРИЛОЖЕНИЯ 84
ПРИЛОЖЕНИЕ 1 Исходный код 84
ПРИЛОЖЕНИЕ 2 Примеры набора данных 97
ПРИЛОЖЕНИЕ 3 Результаты работы НС 99...

Python с применением библиотеки машинного обучения TensorFlow в среде разработки Jupyter Notebook. Проведен анализ работы модели с по¬мощью выбранных метрик для оценки качества генерации изображений.
Реализованная модель может быть использована в авт...

Python с применением библиотеки машинного обучения TensorFlow в среде разработки Jupyter Notebook. Проведен анализ работы модели с по¬мощью выбранных метрик для оценки качества генерации изображений.
Реализованная модель может быть использована в автоматизированных системах обработки изображений.
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 МЕТОДЫ КОЛОРИЗАЦИИ ИЗОБРАЖЕНИЙ 10
1.1 Ручной подход 10
1.2 Нейросетевые подходы 10
1.2.1 Цветовое пространство Lab 10
1.2.2 Сверточные нейронные сети 11
1.2.3 Автоэнкодеры 13
1.2.4 Генеративно-состязательные сети 14
1.3 Сервисы колоризации черно-белых изображений 15
1.3.1 Онлайн-сервис Algorithmia 16
1.3.2 Онлайн-сервис colorize.cc 17
1.3.3 Онлайн-сервис MyHeritage 18
1.3.4 Онлайн-сервис colourise.sg 19
1.3.5 Онлайн-сервис color.artlebedev.ru 21
1.3.6 Онлайн-сервис от Mail.ru Group 22
1.4 Выводы по разделу 23
2 ЗАДАЧА КОЛОРИЗАЦИИ 24
2.1 Постановка задачи колоризации 24
2.2 Исходные данные 24
2.3 Нейронная сеть cGAN 25
2.3.1 Определение условной генеративно-состязательной сети 25
2.3.2 Архитектура условной генеративно-состязательной сети 26
2.3.4 Дискриминатор 30
2.4 Операция свертки 31
2.5 Операция транспонированной свертки 32
2.6 Функция пакетной нормализации данных 32
2.7 Операция исключения 33
2.8 Функции активации 34
2.8.1 Функция активации Relu 34
2.8.2 Функция активации LeakyRelu 35
2.8.3 Гиперболический тангенс 35
2.9 Функции потерь 36
2.9.1 Бинарная кросс-энтропия 36
2.9.2 Средняя абсолютная ошибка 36
2.10 Обучение 37
2.10.1 Оптимизатор функции потерь Adam 37
2.10.2 Метод обратного распространения ошибки 38
2.11 Метрики качества 40
2.11.1 Начальная оценка 40
2.11.2 Начальное расстояние Фреше 41
2.12 Выводы по разделу 42
3 РЕАЛИЗАЦИЯ МОДЕЛИ И ПРОВЕРКА НА ТЕСТОВЫХ ДАННЫХ 43
3.1 Архитектура сети 43
3.2 Алгоритмы работы программы и обучения полученной модели 46
3.3 Результаты 49
3.3.1 Графики обучения 49
3.3.2 Метрики 51
3.3.3 Проверка работы модели на тестовых данных 52
3.4 Выводы по разделу 54
ЗАКЛЮЧЕНИЕ 55
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 57
ПРИЛОЖЕНИЯ 62
ПРИЛОЖЕНИЕ 1 Исходный код программы 62
ПРИЛОЖЕНИЕ 2 Код тестирования модели 68...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 7
1 МЕТОДЫ, АЛГОРИТМЫ И МОДЕЛИ АНАЛИЗА ВЕБ-СТРАНИЦ 9
1.1 Методы машинного обучения 9
1.1.1 Деревья решений 10
1.1.2 Наивный байесовский классификатор 13
1.1.3 Выбор общих параметров 15
1.2 Методы анализа признакового прос...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 7
1 МЕТОДЫ, АЛГОРИТМЫ И МОДЕЛИ АНАЛИЗА ВЕБ-СТРАНИЦ 9
1.1 Методы машинного обучения 9
1.1.1 Деревья решений 10
1.1.2 Наивный байесовский классификатор 13
1.1.3 Выбор общих параметров 15
1.2 Методы анализа признакового пространства 16
1.2.1 Корреляция 16
1.2.2 Автокорреляция 18
1.2.3 Факторный анализ 20
1.3 Подготовка данных для анализа 22
1.4 Описание предметной области 22
1.4.1 Веб-скрейпинг 22
1.4.2 Объектная модель документа 24
2 ПОСТРОЕНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА 27
2.1 Постановка задачи 27
2.2 Формирование обучающей выборки 27
2.3 Пример признакового пространства для одной из веб-страниц 28
2.4 Выбор метода для поиска аналога 30
2.4.1 Деревья решений 30
2.4.2 Наивный байесовский классификатор 31
2.4.3 Выбор общих параметров 32
2.5 Отбор оптимальных признаков 33
2.6 Выводы по разделу 37
3 РАЗРАБОТКА ПРОГРАММЫ ДЛЯ ТЕСТИРОВАНИЯ МЕТОДА ПОИСКА
АНАЛОГОВ 38
3.1 Разработка архитектуры приложения 38
3.2 Проверка корректности работы 41
3.4 Выводы по разделу 46
ЗАКЛЮЧЕНИЕ 47
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 48
ПРИЛОЖЕНИЕ 1 Исходный код 52...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ФОТОГРАФИИ 9
1.1 Классификация изображений 9
1.2 Детекция объектов на изображении 12
1.3 Методы для решения задач классификации и сегментации 13
1.4 Модели 14
1.4.1 Нейронные сети глубокого о...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ФОТОГРАФИИ 9
1.1 Классификация изображений 9
1.2 Детекция объектов на изображении 12
1.3 Методы для решения задач классификации и сегментации 13
1.4 Модели 14
1.4.1 Нейронные сети глубокого обучения 14
1.4.2 Сверточные нейронные сети 15
1.5 Балансировка набора данных 18
1.5.1 Удаление миноритарного класса 19
1.5.2 Случайное удаление примеров из мажоритарного класса 19
1.5.3 Дублирование примеров миноритарного класса 19
1.6 Существующие решения и аналоги 19
1.7 Выбор среды разработки 21
1.8 Вывод по главе 1 22
2 АЛГОРИТМ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ 23
2.1 Постановка задачи распознавания 23
2.2 Исходные данные для классификатора 23
2.3 Исходные данные для распознавания 26
2.4 Общий алгоритм для обучения нейронных сетей 28
2.5 Описание классификатора 29
2.6 Описание YOLOv3 31
2.7 Описание EfficentDet 33
2.8 Функции активации и потерь 35
2.9 Функции для оценки точности 36
2.10 Вывод по главе 2 37
3 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ И ПРОВЕРКА НА ТЕСТОВЫХ
ДАННЫХ 38
3.1 Параметры классификатора 38
3.2 Параметры детектирования с использованием YOLOv3 41
3.3 Параметры детектирования с использованием EfficentDet 43
3.4 Сравнение результатов работы YOLOv3 и EfficentDet 45
3.5 Выводы по 3 главе 47
ЗАКЛЮЧЕНИЕ 48
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 49
ПРИЛОЖЕНИЕ 1 Исходный код 53
...

ОГЛАВЛЕНИЕ
Введение 7
1 Демозаика RAW изображений 8
1.1 Методы демозаики RAW изображений 8
1.1.1 Матрица цифровых фотокамер 8
1.1.2 Формат RAW 10
1.1.3 Демозаика RAW изображений 11
1.1.4 Методы демозаики 13
1.2 Применение нейронных сетей...

ОГЛАВЛЕНИЕ
Введение 7
1 Демозаика RAW изображений 8
1.1 Методы демозаики RAW изображений 8
1.1.1 Матрица цифровых фотокамер 8
1.1.2 Формат RAW 10
1.1.3 Демозаика RAW изображений 11
1.1.4 Методы демозаики 13
1.2 Применение нейронных сетей 14
1.2.1 Искусственные нейронные сети 14
1.2.2 Классы нейронных сетей 17
1.2.3 Применение искусственных нейронных сетей 18
1.2.4 Преимущества и недостатки применения нейросетей 20
1.3 Свёрточные нейронные сети 23
1.3.1 Свёрточные нейросети в работе с изображениями 24
1.3.2 Параметры свёрточной нейросети 25
1.3.3 Архитектура свёрточных нейросетей 26
1.3.4 Слои свёртки 27
1.4 Существующие методы обработки RAW нейросетями 28
1.5 Вывод 30
2 Архитектура нейросети для демозаики 32
2.1 Постановка задачи 32
2.2 Исходные данные 32
2.3 Архитектура нейронной сети 34
2.4 Функция активации 34
2.5 Подготовка данных 36
2.6 Обучение нейросети 37
2.7 Вывод 40
3 Программа для преобразования RAW нейросетями 41
3.1 Блок-схема программы 41
3.2 Сравнение качества работы алгоритмов 42
3.3 Скорость преобразования (сравнительные метрики) 44
3.4 Вывод 45
4 Заключение 46
5 Библиографический список 47
Приложение 1 Код программы обучения нейросети 50...

ОГЛАВЛЕНИЕ
1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ УПРАВЛЕНИЯ РОБОТОМ С МОБИЛЬНОГО УСТРОЙСТВА

1.1 Постановка задачи 9
1.2 Виды роботов, управляемые с мобильного устройства 10
1.2.1 Робот-пылесос 10
1.2.2 Конструкторы Mindstorms 11
1.2.3 Plen2 12
1.2.4 He...

ОГЛАВЛЕНИЕ
1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ УПРАВЛЕНИЯ РОБОТОМ С МОБИЛЬНОГО УСТРОЙСТВА

1.1 Постановка задачи 9
1.2 Виды роботов, управляемые с мобильного устройства 10
1.2.1 Робот-пылесос 10
1.2.2 Конструкторы Mindstorms 11
1.2.3 Plen2 12
1.2.4 Hexapod Robot 13
1.2.5 Meet Cubetto 14
1.2.6 Kibo Robot 16
1.2.7 EdBlocks 17
1.2.8 ПиктоМир 17
1.3 История Bluetooth 18
1.4 Проблемы первых Bluetooth устройств 19
1.5 Выводы по первому разделу 20
2 МОДЕЛЬ ВЫЧИСЛИТЕЛЯ 21
2.1 Грамматика языка 21
2.2 Сокращенные грамматики языка 22
2.2.1 Первая сокращенная грамматика 22
2.2.2 Вторая сокращенная грамматика 22
2.2.3 Третья сокращенная грамматика 22
2.2.4 Четвертая сокращенная грамматика 23
2.3 Алгоритмы работы программы для сокращенных грамматик 23
2.3.1 Алгоритм работы программы для первой сокращенной грамматики 23
2.3.2 Алгоритм работы программы для второй сокращенной грамматики 24
2.3.3 Алгоритм работы программы для третьей сокращенной грамматики 24
2.3.4 Алгоритм работы программы для четвертой сокращенной грамматики 26
2.4 Теорема о выполнимости программы 27
2.5 Алгоритм работы программы 29
2.6 Выводы по второму разделу 33
3 РАЗРАБОТКА ПРОГРАММЫ ДЛЯ ТЕСТИРОВАНИЯ РАБОТЫ ИМИТАТОРА 34
3.1 Инструменты разработки 34
3.2.1 Web Bluetooth API 34
3.2.2 Приложение nRF Connect for Mobile 35
3.2.3 Web Progressive App 38
3.2 Описание функций программы 39
3.3 Интерпретация 40
3.4 Описание работы программы 42
3.5 Пример работы программы 43
3.6 Выводы по третьему разделу 51
ЗАКЛЮЧЕНИЕ 52
БИБЛЕОГРАФИЧЕСКИЙ СПИСОК 53
ПРИЛОЖЕНИЕ 1 Исходный код 60...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 7
1 МЕТОДЫ ВОССТАНОВЛЕНИЯ ГЕОМЕТРИИ ПОМЕЩЕНИЙ 9
1.1 Методы обмера объектов разных категорий 9
1.1.1 Фотограмметрический метод 9
1.1.2 Геодезический метод 11
1.1.3 Натурный метод 12
1.2 Способы теодолитной съёмки ситуац...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 7
1 МЕТОДЫ ВОССТАНОВЛЕНИЯ ГЕОМЕТРИИ ПОМЕЩЕНИЙ 9
1.1 Методы обмера объектов разных категорий 9
1.1.1 Фотограмметрический метод 9
1.1.2 Геодезический метод 11
1.1.3 Натурный метод 12
1.2 Способы теодолитной съёмки ситуации 12
1.2.1 Способ перпендикуляров 13
1.2.2 Способ полярных координат 14
1.2.3 Способ биполярных координат 15
1.2.4 Способ створов 15
1.2.5 Способ обхода 16
1.3 Современные устройства для обмера помещения 16
1.4 Метод пространственной полярной засечки 18
1.5 Методы коррекции при восстановлении геометрии помещений 21
1.6 Приложения по восстановлению геометрии 25
1.6.1 Floor Plan Creator 25
1.6.2 Planner 5D 26
1.6.3 Magic Plan 28
1.7 Выводы по первому разделу 29
2 АЛГОРИТМ ВОСТАНОВЛЕНИЯ ГЕОМЕТРИИ ПОМЕЩЕНИЙ 31
2.1 Постановка задачи 31
2.2 Математическая модель 31
2.3 Решение задачи 32
2.4 Реализация алгоритма 37
2.4.1 Описание классов 37
2.4.2 Вычислительный эксперимент 39
2.5 Выводы по второму разделу 40
3 РАЗРАБОТКА МОБИЛЬНОГО ПРИЛОЖЕНИЯ ДЛЯ ВОСТАНОВЛЕНИЯ
ГЕОМЕТРИИ ПОМЕЩЕНИЙ 41
3.1 Язык программирования Java 41
3.2 Среда разработки Android Studio 42
3.3 Разработка мобильного android-приложения 43
3.3.1 Разработка графического интерфейса 43
3.3.2 Разработка общей структуры программы 44
3.3.3 Использование приложения 46
3.4 Выводы по третьему разделу 48
ЗАКЛЮЧЕНИЕ 49
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 51
ПРИЛОЖЕНИЯ 54
ПРИЛОЖЕНИЕ А 54
ПРИЛОЖЕНИЕ Б 65...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 ТЕХНОЛОГИИ МОНИТОРИНГА ТРАНСПОРТНЫХ СРЕДСТВ 10
1.1 Существующие решения 10
1.1.1 Система Sensys 10
1.1.2 Программное обеспечение TrafficData 11
1.1.3 Программное обеспечение Avedex 13
1.2 Нейросетевые подходы к реш...

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 ТЕХНОЛОГИИ МОНИТОРИНГА ТРАНСПОРТНЫХ СРЕДСТВ 10
1.1 Существующие решения 10
1.1.1 Система Sensys 10
1.1.2 Программное обеспечение TrafficData 11
1.1.3 Программное обеспечение Avedex 13
1.2 Нейросетевые подходы к решению задач обнаружения объектов 13
1.2.1 Семейство архитектур на основе R-CNN 13
1.2.2 Архитектура SSD 16
1.2.3 Семейство архитектур на основе YOLO 17
1.3 Обзор библиотек для работы с нейронными сетями 20
1.3.1 Библиотека PyTorch 20
1.3.2 Библиотека TensorFlow 20
1.4 Выводы 21
2 АРХИТЕКТУРА И ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ YOLOV3 22
2.1 Постановка задачи 22
2.2 Исходные данные 22
2.3 Архитектура нейронной сети 24
2.4 Подготовка данных 29
2.5 Обучение нейронной сети YOLOv3 32
2.5.1 Функции активации 34
2.5.2 Функция потерь 34
2.6 Метрики качества 38
2.7 Подсчет транспортных средств 41
2.8 Выводы 43
3 РЕАЛИЗАЦИЯ ПРОГРАММЫ И ПРОВЕРКА НА ТЕСТОВОМ ПЕРЕКРЕСТКЕ 44
3.1 Конфигурация и обучение нейронной сети YOLOv3 44
3.2 Результаты обучения и полученные метрики качества 48
3.3 Алгоритм подсчета транспортных средств 50
3.4 Подсчет транспортных средств в режиме реального времени 53
3.5 Проект «AIMS» 54
3.6 Выводы 56
ЗАКЛЮЧЕНИЕ 57
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 58
ПРИЛОЖЕНИЯ 61
ПРИЛОЖЕНИЕ 1 Текст программы для аугментации изображений 61
ПРИЛОЖЕНИЕ 2 Текст программы для получения кадров с видеопотока ... 66
ПРИЛОЖЕНИЕ 3 Текст программы для обнаружения транспортных средств 70
...

стословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстосл...

стословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословстословн...

СОДЕРЖАНИЕ
Введение, Глава 1 Технология разработки информационных систем, Основные понятия, сравнительный анализ СУБД, среда программирования, Глава 2 Разработка информационной системы АНО «образовательный центр“Форсаж”», Разработка и проектирование...

СОДЕРЖАНИЕ
Введение, Глава 1 Технология разработки информационных систем, Основные понятия, сравнительный анализ СУБД, среда программирования, Глава 2 Разработка информационной системы АНО «образовательный центр“Форсаж”», Разработка и проектирование ИС, пользовательский интерфейс, Заключение , Список использованных источников...

ВВЕДЕНИЕ 5
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 7
1.1. Анализ деятельности предприятия 7
1.2. Функциональное назначение 8
1.3. Средства разработки 8
2. ПРАКТИЧЕСКАЯ ЧАСТЬ 13
2.1 Разработка приложения 13
2.2 Руководство пользователя 14
2.3 Расчет экономической эффе...

ВВЕДЕНИЕ 5
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 7
1.1. Анализ деятельности предприятия 7
1.2. Функциональное назначение 8
1.3. Средства разработки 8
2. ПРАКТИЧЕСКАЯ ЧАСТЬ 13
2.1 Разработка приложения 13
2.2 Руководство пользователя 14
2.3 Расчет экономической эффективности проекта 16
2.3.1 Составление плана по разработке программного средства 17
2.3.2 Определение цены научно-технического продукта 18
2.3.3 Экономическая эффективность разработки 24
2.4 правовые, нормативные, социально-экономические и организационные вопросы охраны труда 26
2.4.1 Обеспечение безопасности труда при использовании персональных компьютеров 27
2.4.2 Пожарная безопасность 34
2.4.3 Охрана окружающей среды 36
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 41
ПРИЛОЖЕНИЕ стр 42 -61...