Обработка изображений с помощью методов машинного обучения

В результате данной выпускной квалификационной работы изучены различные методы машинного обучения для анализа изображений, области их применения и способы решения задач данными методами. Решена задача распознавания и сегментирования дефектов на изображениях стальных изделий. В практической части работы предложено несколько подходов для решения поставленной задачи, реализованы некоторые модели на языке Python.

Введение 3

Постановка задачи 4

Обзор литературы 5

1. Обзор технологий и подходов в решении задачи 6
1.1. U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2. SENet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. PSPNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4. Rectified Adam оптимизация . . . . . . . . . . . . . . . . . 10
1.5. Коэффициент Жаккара . . . . . . . . . . . . . . . . . . . 12
1.6. Псевдо-маркировка данных . . . . . . . . . . . . . . . . . 12

2. Данные 13

3. Модель решения 18

4. Исследование 21
4.1. Подготовка данных и инструментария для исследования 21
4.2. Многоклассовая классификация . . . . . . . . . . . . . . . 21
4.3. Многоклассовая сегментация . . . . . . . . . . . . . . . . 23
4.4. Бинарная сегментация . . . . . . . . . . . . . . . . . . . . 25
4.5. Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Выводы 29

Заключение 30

Список литературы 31

Целью данной выпускной квалификационной работы являлись ис-
следование задачи обнаружения дефектов на листах стали, а также
практическая реализация модели решения на языке Python с исполь-
зованием фреймворков и библиотек глубокого обучения.
На первом этапе были формально определены задача и исходные
данные для дальнейшего исследования. Произведено подробное опи-
сание изображений, представленных в качестве обучающей и тестовой
выборок. Исследованы структура выборок, распределение изображений
по классам, отличия классов дефектов.
Представлено несколько моделей, которые были использованы для
решения данной задачи, описаны их недостатки и особенности приме-
нения, а также выбрана модель для практической реализации.
На следующем этапе была программно реализована модель и по-
дробно описаны алгоритмы для каждой части полученного решения.
Заключительным этапом стали подведение итогов и оценка качества
предсказаний построенной модели.
В результате данной выпускной квалификационной работы изуче-
ны различные методы машинного обучения для анализа изображений,
области их применения и способы решения задач данными методами.
Подробно проанализирована и описана задача обнаружения дефектов
на листах стали от компании Северсталь. В практической части выпуск-
ной квалификационной работы предложено несколько подходов для ре-
шения поставленной задачи, реализовано несколько моделей на языке
Python.