Кваліфікаційні роботи студентів
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/61740
Browse
Search Results
Item Інформаційна інтелектуальна система виявлення збігів в колекціях графічних зображень(Національний університет "Львівська політехніка", 2023) Бельтюков, Вячеслав Русланович; Beltiukov, Viacheslav Ruslanovych; Кравець, Петро Олексійович; Національний університет "Львівська політехніка"У сучасному світі неперервний обмін графічними зображеннями є повсякденним явищем для багатьох з нас. Проте це також викликає ряд проблем, які потребують розв'язання. Способів представлення графічної інформації існує дуже багато, і з кожним днем кількість зображень лише зростає, що ускладнює роботу з великими обсягами даних. Тому ручний пошук схожостей та спільних характеристик між зображеннями є малоефективним і недоцільним методом. Завдяки створенню автоматизованої системи, яка може приймати на вхід набори графічних зображень та порівнювати їх різними методами, індивідуально підібраними для кожного типу зображень, цей процес можна значно прискорити та спростити. Для реалізації такого функціоналу у системі використовувалися такі алгоритми пошуку ключових точок, як ORB(Oriented FAST Rotated BRIEF), SIFT(Scale Invariant Feature Transform) [1], а також нейромережа VGG16 [2]. ORB (Oriented FAST and Rotated BRIEF) – це ефективний метод виявлення ключових точок та їх опису для використання в комп'ютерному зорі. ORB використовує алгоритм FAST (Features from Accelerated Segment Test) для швидкого виявлення ключових точок, після чого оцінює їхню орієнтацію, що робить його інваріантним до поворотів. Для опису ключових точок ORB застосовує метод BRIEF (Binary Robust Independent Elementary Features), обертаючи шаблони BRIEF відповідно до орієнтації ключової точки для підвищення інваріантності до поворотів. SIFT (Scale-Invariant Feature Transform) – це метод виявлення ключових точок та їх опису, що використовується в комп'ютерному зорі. SIFT виявляє ключові точки, визначаючи масштабно-інваріантні особливості зображення, що робить його стійким до змін масштабу, обертання та освітлення. Метод використовує Gaussian blur для виявлення екстремумів в масштабно-просторовому просторі. Після виявлення ключових точок, SIFT оцінює їхню орієнтацію, що дозволяє створювати інваріантні до обертання дескриптори. Для опису ключових точок SIFT будує гістограму градієнтів в локальному околі точки, що забезпечує детальний і надійний опис. VGG16 – це згорткова нейронна мережа, яка використовується для аналізу зображень в комп'ютерному зорі. Вона складається з 16 шарів, включаючи 13 згорткових шарів та 3 повнозв'язних шари. Кожен згортковий шар супроводжується функцією активації ReLU, що допомагає моделі вивчати нелінійні залежності. Після кількох згорткових шарів додаються шари max-pooling, які зменшують розмір просторових даних, зберігаючи найважливіші ознаки. VGG16 показує високу точність у задачах класифікації зображень. Використання VGG16 значно спрощує роботу з великими об'ємами графічних даних і забезпечує високу точність визначення ознак. Також одним з важливих компонентів реалізації став користувацький інтерфейс, що був реалізований за допомогою бібліотеки CustomTkinter, яка дозволила реалізувати зручний та повноцінний інтерфейс для взаємодії з програмою простих користувачів. Об’єкт дослідження – процес перевірки та виявлення рівня подібності одного або декількох графічних зображень до заданої вибірки зображень. Предмет дослідження – методи, алгоритми та програмні засоби, що дозволять обробляти та аналізувати однакові зображення для виявлення плагіату або множинних копій, а також забезпечити найвищу якість та швидкість у пошуку таких зображень. Мета та задачі дослідження – створення інтелектуальної інформаційної системи для пошуку збігів графічних зображень у певній вибірці. Проектування цієї системи включало вирішення наступних завдань: • Створення програмного забезпечення, яке може приймати набір зображень для обробки. • Розробка алгоритму аналізу зображень для покращення продуктивності та точності розпізнавання подібності. • Створення зручного інтерфейсу для кінцевого користувача. • Забезпечення можливості роботи з різними форматами графічних об’єктів. • Надання можливості точного налаштування параметрів для виявлення подібності серед графічних зображень. Науковою новизною одержаних результатів є не лише детальний опис, оцінка якості та реалізація базових принципів алгоритмів, що здатні формувати чіткі критерії порівняння графічних зображень між собою, а й імплементація більш складних новітніх інтелектуальних технологій, що базуються на використанні методів машинного навчання та штучного інтелекту. Результатом даної роботи є спроектована програма пошуку схожих характеристик в колекціях графічних зображень. Ця програма дозволяє здійснювати вибір зображень для порівняння, вибрати та настроїти під себе кожен з типів пошуку та швидко і у простому вигляді представити результати виконаного пошуку.