Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Convolutional Neural Network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 72
Tytuł:
Zastosowanie sieci konwolucyjnej głębokiego uczenia w detekcji pojazdów
Use of deep learning convolutional network in vehicle detectionmears
Autorzy:
Oszutowska-Mazurek, D. A.
Mazurek, P.
Powiązania:
https://bibliotekanauki.pl/articles/136004.pdf
Data publikacji:
2017
Wydawca:
Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie
Tematy:
sieć konwolucyjna
uczenie głębokie
detekcja pojazdów
przetwarzanie obrazów
image processing
deep learning
convolutional neural network
vehicle detection
Opis:
Wstęp i cel: Detekcja pojazdów na znaczenie w bezpieczeństwie ruchu drogowego oraz programowaniu pojazdów autonomicznych. Celem pracy jest detekcja pojazdów odróżniająca obrazy pojazdów od innych obrazów nie zawierających pojazdów. Materiał i metody: W pracy wykorzystano bazę pojazdów zawierającą obrazy ekstrahowane z sekwencji wideo, które przetwarzano za pomocą sieci konwolucyjnej głębokiego uczenia. Wyniki: Uzyskana sieć konwolucyjna charakteryzuje się bardzo dobrymi parametrami, krzywa PSNR względem kroku uczenia rośnie co oznacza, że zachodzi proces odszumiania kerneli w całym procesie uczenia. Wniosek: Proponowana metoda może być wykorzystana w programowaniu pojazdów autonomicznych oraz implementacji w Inteligentnych Systemach Transportowych ITS do detekcji pojazdów; bazuje na uczeniu a nie na projektowaniu algorytmu syntetycznego, dzięki temu jest potrzebny relatywnie krótki czas opracowania klasyfikatora.
Introduction and aim: Vehicle detection plays essential role in road safety and automatic vehicle programming. The aim of study is vehicle detection distinguishing car and non-car images Material and methods: Vehicle database images extracted from video sequences were processed by deep learning convolutional network. Results: Obtained convolutional network is characterised by very good parameters, PSNR curve indicates denoising of kernels in learning process. Conclusion: Proposed method is potentially useful in autonomic vehicles programming and Intelligent Transportation Systems (ITS) for vehicles detection. The solution is based on learning, not on synthetic algorithm design, thanks to this, a relatively short time of classifier development is needed.
Źródło:
Problemy Nauk Stosowanych; 2017, 7; 47-56
2300-6110
Pojawia się w:
Problemy Nauk Stosowanych
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
VMD and CNN-Based Classification Model for Infrasound Signal
Autorzy:
Lu, Quanbo
Li, Mei
Powiązania:
https://bibliotekanauki.pl/articles/31339812.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Czasopisma i Monografie PAN
Tematy:
infrasound signal
variational mode decomposition
convolutional neural network
Fast Fourier Transform
Opis:
Infrasound signal classification is vital in geological hazard monitoring systems. The traditional classification approach extracts the features and classifies the infrasound events. However, due to the manual feature extraction, its classification performance is not satisfactory. To deal with this problem, this paper presents a classification model based on variational mode decomposition (VMD) and convolutional neural network (CNN). Firstly, the infrasound signal is processed by VMD to eliminate the noise. Then fast Fourier transform (FFT) is applied to convert the reconstructed signal into a frequency domain image. Finally, a CNN model is established to automatically extract the features and classify the infrasound signals. The experimental results show that the classification accuracy of the proposed classification model is higher than the other model by nearly 5%. Therefore, the proposed approach has excellent robustness under noisy environments and huge potential in geophysical monitoring.
Źródło:
Archives of Acoustics; 2023, 48, 3; 403-412
0137-5075
Pojawia się w:
Archives of Acoustics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Towards a new deep learning algorithm based on GRU and CNN: NGRU
Autorzy:
Atassi, Abdelhamid
el Azami, Ikram
Powiązania:
https://bibliotekanauki.pl/articles/2141895.pdf
Data publikacji:
2020
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
Tematy:
Convolutional Neural Network
CNN
Gated Recurrent Unit
GRU
SemEval
Twitter
word2vec
Keras
TensorFlow
Adadelta
Adam
soft-max
deep learning
Opis:
This paper describes our new deep learning system based on a comparison between GRU and CNN. Initially we start with the first system which uses Convolutional Neural Network (CNN) which we will compare with the second system which uses Gated Recurrent Unit (GRU). And through this comparison we propose a new system based on the positive points of the two previous systems. Therefore, this new system will take the right choice of hyper-parameters recommended by the authors of both systems. At the final stage we propose a method to apply this new system to the dataset of different languages (used especially in socials networks).
Źródło:
Journal of Automation Mobile Robotics and Intelligent Systems; 2020, 14, 4; 45-47
1897-8649
2080-2145
Pojawia się w:
Journal of Automation Mobile Robotics and Intelligent Systems
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Tomato disease detection model based on densenet and transfer learning
Autorzy:
Bakr, Mahmoud
Abdel-Gaber, Sayed
Nasr, Mona
Hazman, Maryam
Powiązania:
https://bibliotekanauki.pl/articles/2097440.pdf
Data publikacji:
2022
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
leaf disease detection
convolutional neural network
deep learning
transfer learning
Opis:
Plant diseases are a foremost risk to the safety of food. They have the potential to significantly reduce agricultural products quality and quantity. In agriculture sectors, it is the most prominent challenge to recognize plant diseases. In computer vision, the Convolutional Neural Network (CNN) produces good results when solving image classification tasks. For plant disease diagnosis, many deep learning architectures have been applied. This paper introduces a transfer learning based model for detecting tomato leaf diseases. This study proposes a model of DenseNet201 as a transfer learning-based model and CNN classifier. A comparison study between four deep learning models (VGG16, Inception V3, ResNet152V2 and DenseNet201) done in order to determine the best accuracy in using transfer learning in plant disease detection. The used images dataset contains 22930 photos of tomato leaves in 10 different classes, 9 disorders and one healthy class. In our experimental, the results shows that the proposed model achieves the highest training accuracy of 99.84% and validation accuracy of 99.30%.
Źródło:
Applied Computer Science; 2022, 18, 2; 56--70
1895-3735
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Theory I: Deep networks and the curse of dimensionality
Autorzy:
Poggio, T.
Liao, Q.
Powiązania:
https://bibliotekanauki.pl/articles/200623.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
deep network
shallow network
convolutional neural network
function approximation
deep learning
sieci neuronowe
aproksymacja funkcji
uczenie głębokie
Opis:
We review recent work characterizing the classes of functions for which deep learning can be exponentially better than shallow learning. Deep convolutional networks are a special case of these conditions, though weight sharing is not the main reason for their exponential advantage.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 761-773
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The recognition of partially occluded objects with support vector machines, convolutional neural networks and deep belief networks
Autorzy:
Chu, J. L.
Krzyżak, A.
Powiązania:
https://bibliotekanauki.pl/articles/91650.pdf
Data publikacji:
2014
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
neural networks
belief networks
convolutional neural networks
artificial neural networks
Deep Belief Network
generative model
Opis:
Biologically inspired artificial neural networks have been widely used for machine learning tasks such as object recognition. Deep architectures, such as the Convolutional Neural Network, and the Deep Belief Network have recently been implemented successfully for object recognition tasks. We conduct experiments to test the hypothesis that certain primarily generative models such as the Deep Belief Network should perform better on the occluded object recognition task than purely discriminative models such as Convolutional Neural Networks and Support Vector Machines. When the generative models are run in a partially discriminative manner, the data does not support the hypothesis. It is also found that the implementation of Gaussian visible units in a Deep Belief Network trained on occluded image data allows it to also learn to effectively classify non-occluded images.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2014, 4, 1; 5-19
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The feature selection problem in computer-assisted cytology
Autorzy:
Kowal, M.
Skobel, M.
Nowicki, N.
Powiązania:
https://bibliotekanauki.pl/articles/329941.pdf
Data publikacji:
2018
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
nuclei segmentation
feature selection
breast cancer
convolutional neural network
segmentacja jądra
selekcja cech
rak piersi
sieć neuronowa konwolucyjna
Opis:
Modern cancer diagnostics is based heavily on cytological examinations. Unfortunately, visual inspection of cytological preparations under the microscope is a tedious and time-consuming process. Moreover, intra- and inter-observer variations in cytological diagnosis are substantial. Cytological diagnostics can be facilitated and objectified by using automatic image analysis and machine learning methods. Computerized systems usually preprocess cytological images, segment and detect nuclei, extract and select features, and finally classify the sample. In spite of the fact that a lot of different computerized methods and systems have already been proposed for cytology, they are still not routinely used because there is a need for improvement in their accuracy. This contribution focuses on computerized breast cancer classification. The task at hand is to classify cellular samples coming from fine-needle biopsy as either benign or malignant. For this purpose, we compare 5 methods of nuclei segmentation and detection, 4 methods of feature selection and 4 methods of classification. Nuclei detection and segmentation methods are compared with respect to recall and the F1 score based on the Jaccard index. Feature selection and classification methods are compared with respect to classification accuracy. Nevertheless, the main contribution of our study is to determine which features of nuclei indicate reliably the type of cancer. We also check whether the quality of nuclei segmentation/detection significantly affects the accuracy of cancer classification. It is verified using the test set that the average accuracy of cancer classification is around 76%. Spearman’s correlation and chi-square test allow us to determine significantly better features than the feature forward selection method.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2018, 28, 4; 759-770
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The concept of an intelligent system of an outfit completion
Autorzy:
Semianchuk, Sofiia
Shestakevych, Tetiana
Powiązania:
https://bibliotekanauki.pl/articles/1833886.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Oddział w Lublinie PAN
Tematy:
neural network
wardrobe
pattern recognition
image classification
convolutional neural networks
Analytic Hierarchy Process
Opis:
The article considers the main criteria for the selection and formation of the wardrobe, which is one of the areas of application of methods and means for image classification. Typical software solutions for the task are analyzed, and the Analytic Hierarchy Process was used to analyze such applications. To improve the wardrobe selection process, the concept of an intelligent information system based on the use of convolutional neural networks was proposed.
Źródło:
ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes; 2020, 9, 2; 30--36
2084-5715
Pojawia się w:
ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
SpeakerNet for Cross-lingual Text-Independent Speaker Verification
Autorzy:
Habib, Hafsa
Tauseef, Huma
Fahiem, Muhammad Abuzar
Farhan, Saima
Usman, Ghousia
Powiązania:
https://bibliotekanauki.pl/articles/1953543.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Czasopisma i Monografie PAN
Tematy:
convolutional neural network
deep learning
Siamese network
speaker verification
text-independent
binary operation
Urdu speaker recognition
Opis:
Biometrics provide an alternative to passwords and pins for authentication. The emergence of machine learning algorithms provides an easy and economical solution to authentication problems. The phases of speaker verification protocol are training, enrollment of speakers and evaluation of unknown voice. In this paper, we addressed text independent speaker verification using Siamese convolutional network. Siamese networks are twin networks with shared weights. Feature space can be learnt easily by training these networks even if similar observations are placed in proximity. Extracted features from Siamese then can be classified using difference or correlation measures. We have implemented a customized scoring scheme that utilizes Siamese’ capability of applying distance measures with the convolutional learning. Experiments made on cross language audios of multi-lingual speakers confirm the capability of our architecture to handle gender, age and language independent speaker verification. Moreover, our designed Siamese network, SpeakerNet, provided better results than the existing speaker verification approaches by decreasing the equal error rate to 0.02.
Źródło:
Archives of Acoustics; 2020, 45, 4; 573-583
0137-5075
Pojawia się w:
Archives of Acoustics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Skin Lesion Analysis Toward Melanoma Detection Using Deep Learning Techniques
Autorzy:
Sherif, Fatma
Mohamed, Wael A.
Mohra, A.S.
Powiązania:
https://bibliotekanauki.pl/articles/226719.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
melanoma
skin cancer
convolutional neural network
deep learning
Opis:
In the last few years, a great attention was paid to the deep learning Techniques used for image analysis because of their ability to use machine learning techniques to transform input data into high level presentation. For the sake of accurate diagnosis, the medical field has a steadily growing interest in such technology especially in the diagnosis of melanoma. These deep learning networks work through making coarse segmentation, conventional filters and pooling layers. However, this segmentation of the skin lesions results in image of lower resolution than the original skin image. In this paper, we present deep learning based approaches to solve the problems in skin lesion analysis using a dermoscopic image containing skin tumor. The proposed models are trained and evaluated on standard benchmark datasets from the International Skin Imaging Collaboration (ISIC) 2018 Challenge. The proposed method achieves an accuracy of 96.67% for the validation set. The experimental tests carried out on a clinical dataset show that the classification performance using deep learning-based features performs better than the state-of-the-art techniques.
Źródło:
International Journal of Electronics and Telecommunications; 2019, 65, 4; 597-602
2300-1933
Pojawia się w:
International Journal of Electronics and Telecommunications
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Simultaneous monitoring of chromatic dispersion and optical signal to noise ratio in optical links using convolutional neural network and asynchronous delay-tap sampling
Autorzy:
Mrozek, Tomasz
Perlicki, Krzysztof
Jakubiak, Andrzej
Powiązania:
https://bibliotekanauki.pl/articles/1835803.pdf
Data publikacji:
2020
Wydawca:
Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Tematy:
deep learning
convolutional neural network
chromatic dispersion
OSNR
asynchronous delay-tap sampling
Opis:
The article presents a method for image analysis using asynchronous delay-tap sampling (ADTS) technique and convolutional neural networks (CNNs), allowing simultaneous monitoring of many phenomena occurring in the physical layer of the optical network. The ADTS method makes it possible to visualize the course of the optical signal in the form of characteristics (so-called phase portraits), which change their shape under the influence of phenomena (including chromatic dispersion, amplified spontaneous emission noise and other). Using the VPI photonics software,a simulation model of the ADTS technique was built. After the simulation tests, 10000 images were obtained, which after proper preparation were subjected to further analysis using CNN algorithms. The main goal of the study was to train a CNN to recognize the selected impairment (distortion); then to test its accuracy and estimate the impairment for the selected set of test images. The input data consisted of processed binary images in the form of two-dimensional matrices, with the position of the pixel. This article focuses on the analysis of images containing simultaneously the phenomena of chromatic dispersion and optical signal to noise ratio.
Źródło:
Optica Applicata; 2020, 50, 3; 331-341
0078-5466
1899-7015
Pojawia się w:
Optica Applicata
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Segmentation of cancer masses on breast ultrasound images using modified U-net
Segmentacja mas nowotworowych na obrazach ultrasonografii piersi z użyciem zmodyfikowanego modelu U-net
Autorzy:
Khallassi, Ihssane
El Yousfi Alaoui, My Hachem
Jilbab, Abdelilah
Powiązania:
https://bibliotekanauki.pl/articles/27315434.pdf
Data publikacji:
2023
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
convolutional neural network
segmentation
u-net
residual neural network
konwolucyjna sieć neuronowa
segmentacja
rezydualna sieć neuronowa
Opis:
Breast cancer causes a huge number of women’s deaths every year. The accurate localization of a breast lesion is a crucial stage. The segmentation of breast ultrasound images participates in the improvement of the process of detection of breast anomalies. An automatic approach of segmentation of breast ultrasound images is presented in this paper, the proposed model is a modified u-net called Attention Residual U-net, designed to help radiologists in their clinical examination to determine adequately the limitation of breast tumors. Attention Residual U-net is a combination of existing models (Convolutional Neural Network U-net, the Attention Gate Mechanism and the Residual Neural Network). Public breast ultrasound images dataset of Baheya hospital in Egypt is used in this work. Dice coefficient, Jaccard index and Accuracy are used to evaluate the performance of the proposed model on the test set. Attention residual u-net can significantly give a dice coefficient = 90%, Jaccard index = 76% and Accuracy = 90%. The proposed model is compared with two other breast segmentation methods on the same dataset. The results show that the modified U-net model was able to achieve accurate segmentation of breast lesions in breast ultrasound images.
Każdego roku rak piersi powoduje ogromną liczbę zgonów kobiet. Dokładna lokalizacja zmiany piersi jest kluczowym etapem. Segmentacja obrazów ultrasonograficznych piersi przyczynia się do poprawy procesu wykrywania nieprawidłowości piersi. W tym artykule przedstawiono automatyczne podejście do segmentacji obrazów ultrasonograficznych piersi, proponowany model to zmodyfikowany U-net, nazwany Attention Residual U-net, zaprojektowany w celu wspomagania radiologów podczas badania klinicznego, w celu odpowiedniego określenia zasięgu guzów piersiowych. Attention Residual U-net jest połączeniem istniejących modeli (konwolucyjną siecią neuronową U-net, Attention Gate Mechanism i Residual Neural Network). W tym badaniu wykorzystano publiczny zbiór danych obrazów ultrasonograficznych piersi szpitala Baheya w Egipcie. Do oceny wydajności zaproponowanego modelu na zbiorze testowym wykorzystano współczynnik Dice'a, indeks Jaccarda i dokładność. Attention Residual U-net może znacznie przyczynić się do uzyskania współczynnika Dice'a równego 90%, indeksu Jaccarda równego 76% i dokładności równiej 90%. Proponowany model został porównany z dwoma innymi metodami segmentacji piersi na tym samym zbiorze danych. Wyniki pokazują, że zmodyfikowany model U-net był w stanie osiągnąć dokładną segmentację zmian piersiowych na obrazach ultrasonograficznych piersi.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 3; 11--15
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Restoration of Remote Satellite Sensing Images using Machine and Deep Learning : a Survey
Autorzy:
Abdellaoui, Meriem
Benabdelkader, Souad
Assas, Ouarda
Powiązania:
https://bibliotekanauki.pl/articles/31339413.pdf
Data publikacji:
2023
Wydawca:
Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Instytut Informatyki Technicznej
Tematy:
image restoration
remote sensing images
artificial intelligence
AI
machine learning
ML
deep learning
DL
convolutional neural network
CNN
Opis:
Remote sensing satellite images are affected by different types of degradation, which poses an obstacle for remote sensing researchers to ensure a continuous and trouble-free observation of our space. This degradation can reduce the quality of information and its effect on the reliability of remote sensing research. To overcome this phenomenon, the methods of detecting and eliminating this degradation are used, which are the subject of our study. The original aim of this paper is that it proposes a state of art of recent decade (2012-2022) on advances in remote sensing image restoration using machine and deep learning, identified by this survey, including the databases used, the different categories of degradation, as well as the corresponding methods. Machine learning and deep learning based strategies for remote sensing satellite image restoration are recommended to achieve satisfactory improvements.
Źródło:
Machine Graphics & Vision; 2023, 32, 2; 147-167
1230-0535
2720-250X
Pojawia się w:
Machine Graphics & Vision
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Remanufacturing process improvement by image recognition methods. Application of the mechanical part
Poprawa procesu regeneracji poprzez metody rozpoznawania obrazu. Zastosowanie części mechanicznej
Autorzy:
Kos, Mateusz
Powiązania:
https://bibliotekanauki.pl/articles/1818701.pdf
Data publikacji:
2021
Wydawca:
Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Tematy:
remanufacturing
convolutional neural network
automation
improvement
image recognition
regeneracja
konwolucyjne sieci neuronowe
automatyzacja
ulepszanie
rozpoznawanie obrazu
Opis:
The paper describes the possibility of using, building, and implementing an image recognition system in a company performing remanufacturing processes. It is based on a thesis prepared with the help of Wabco Reman Solutions. The tests were conducted using one of the parts remanufactured by the company – a manifold. The research focuses on different variants of the obtained image recognition models in order to identify differences that may affect their effectiveness and possible application in real work conditions. The environment used to build the models is Jupyter Notebook, and convolutional neural networks were implemented.
W artykule opisano możliwości wykorzystania, budowy i wdrożenia systemu rozpoznawania obrazu w firmie realizującej proces regeneracji. Artykuł powstał na podstawie pracy magisterskiej przygotowanej przy pomocy Wabco Reman Solutions. Przeprowadzone testy zostały wykonane na jednej z regenerowanych części w firmie - kolektorze. W badaniach skupiono się na różnych wariantach powstałych modeli rozpoznawania obrazów w celu dostrzeżenia różnic, które mogą wpłynąć na ich skuteczność i możliwość zastosowania w rzeczywistych warunkach pracy. Do budowy modeli, w których zaimplementowano konwolucyjne sieci neuronowe, wykorzystano środowisko Jupyter Notebook.
Źródło:
Journal of TransLogistics; 2021, 7, 1; 147--162
2450-5870
Pojawia się w:
Journal of TransLogistics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Remanufacturing process improvement by image recognition methods. Application of the mechanical part
Poprawa procesu regeneracji poprzez metody rozpoznawania obrazu. Zastosowanie części mechanicznej
Autorzy:
Kos, Mateusz
Powiązania:
https://bibliotekanauki.pl/articles/1818687.pdf
Data publikacji:
2021
Wydawca:
Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Tematy:
remanufacturing
convolutional neural network
automation
improvement
image recognition
regeneracja
konwolucyjne sieci neuronowe
automatyzacja
ulepszanie
rozpoznawanie obrazu
Opis:
The paper describes the possibility of using, building, and implementing an image recognition system in a company performing remanufacturing processes. It is based on a thesis prepared with the help of Wabco Reman Solutions. The tests were conducted using one of the parts remanufactured by the company – a manifold. The research focuses on different variants of the obtained image recognition models in order to identify differences that may affect their effectiveness and possible application in real work conditions. The environment used to build the models is Jupyter Notebook, and convolutional neural networks were implemented.
W artykule opisano możliwości wykorzystania, budowy i wdrożenia systemu rozpoznawania obrazu w firmie realizującej proces regeneracji. Artykuł powstał na podstawie pracy magisterskiej przygotowanej przy pomocy Wabco Reman Solutions. Przeprowadzone testy zostały wykonane na jednej z regenerowanych części w firmie - kolektorze. W badaniach skupiono się na różnych wariantach powstałych modeli rozpoznawania obrazów w celu dostrzeżenia różnic, które mogą wpłynąć na ich skuteczność i możliwość zastosowania w rzeczywistych warunkach pracy. Do budowy modeli, w których zaimplementowano konwolucyjne sieci neuronowe, wykorzystano środowisko Jupyter Notebook.
Źródło:
Journal of TransLogistics; 2021, 7, 1; 147--162
2450-5870
Pojawia się w:
Journal of TransLogistics
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 72

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies