ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 1
ГЛАВА 1. АНАЛИТИЧЕСКАЯ ЧАСТЬ 4
1.1. Общая информация о системе контроля и управления доступом 4
1.2. Уязвимости СКУД на основе карт доступа 6
1.3. Необходимость модернизации системы идентификации на предприятии 7
1.4. Биометрическая идентификация и её методы 9
1.5. Анализ рынка готовых систем 19
1.6. Обзор методов обнаружения и распознавания лица 20
1.7. Современные архитектуры нейронных сетей для распознавания лиц 24
1.8. Выбор средств разработки 28
1.9. Методология, стандарты, ГОСТы 32
ГЛАВА 2. ПРОЕКТНАЯ ЧАСТЬ 36
2.1. Общее описание организации 36
2.2 Архитектура предприятия 37
2.3. Бизнес-процесс идентификации и учета AS IS/ TO BE 38
2.4. Разработка ИТ-проекта 39
ГЛАВА 3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И РАСЧЕТ ПОКАЗАТЕЛЕЙ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ 47
3.1. Выбор решения 47
3.2. Описание и реализация работы комплекса учета и идентификации сотрудников 47
3.3. Проектирование БД 53
3.4. Разработка интерфейса 54
3.5. Тестирование 56
3.6. Система показателей эффективности 57
3.7. Инструкция пользователя 57
3.8. Расчет показателей экономической эффективности 61
ЗАКЛЮЧЕНИЕ 66
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 67
...
Введение 7
1. Аналитический раздел 9
1.1. Анализ предметной области 9
1.2. Обзор существующих решений 13
1.3. Анализ требований к программной системе 18
1.4. Техническое задание на разработку программной системы 21
Выводы по разделу 1 24
2. Проектный раздел 26
2.1. Архитектура программной системы 26
2.2. Математическое и техническое обеспечение программной системы 28
2.3. Организация хранения данных 30
2.4. Обоснование выбора средств разработки ПС 32
Выводы по разделу 2 35
3. Экономический раздел 36
3.1. Организация и планирование работ по теме 36
3.2. Расчет стоимости проведения работ по теме 38
Выводы по разделу 3 44
4. Технологический раздел 45
4.1. Разработка программных компонентов 45
4.2. Описание реализации клиентской части 49
4.3. Описание реализации базы данных системы 50
4.4. Тестирование программной системы 52
4.5. Руководство пользователя по использованию программной системы 56
Выводы по разделу 4 58
Заключение 59
Список источников 60
...
ВВЕДЕНИЕ 8
1 АНАЛИТИЧЕСКИЙ РАЗДЕЛ 10
1.1 Анализ предметной области 10
1.2 Обзор существующих решений 14
1.2.1 Roam Research 14
1.2.2 Obsidian 15
1.2.3 Remnote 17
1.3 Анализ требований к программной системе 20
1.4 Техническое задание на разработку программной системы 22
Выводы по разделу 1 24
2 ПРОЕКТНЫЙ РАЗДЕЛ 26
2.1 Архитектура программной системы 26
2.2 Математическое и техническое обеспечение программной системы 31
2.3 Организация хранения данных 34
2.3.1 Хранение данных в СУБД 34
2.3.2 Хранение данных в бинарных пакетах 35
2.3.3 Хранение данных в форме отдельных файлов 36
2.4 Обоснование выбора средств разработки 37
2.4.1 Обоснование выбора инструментальных средств разработки ИС 37
2.4.2 Обоснование выбора формата хранения данных 39
Выводы по разделу 2 39
3 ЭКОНОМИЧЕСКИЙ РАЗДЕЛ 41
3.1 Организация и планирование работ по теме 41
3.2 Расчет стоимости проведения работ по теме 43
Выводы по разделу 3 48
4 ТЕХНОЛОГИЧЕСКИЙ РАЗДЕЛ 49
4.1 Разработка программных компонентов 49
4.2 Описание разработки пользовательского интерфейса 54
4.3 Тестирование программной системы 55
4.4 Руководство пользователя по использованию программной системы 57
Выводы по разделу 4 62
ЗАКЛЮЧЕНИЕ 63
СПИСОК ИСТОЧНИКОВ 64
ПРИЛОЖЕНИЯ 67
...
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. 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
...
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 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
...
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 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 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 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 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...
