Интеграл 4/2023

Posted by adminwp

Посмотреть текст статьи

РАСПОЗНАВАНИЕ ДОРОЖНЫХ ЗНАКОВ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ

RECOGNITION OF ROAD SIGNS USING CONVOLUTIONAL NEURAL NETWORK

 

Стахеева Алина Алексеевна, магистрант, Северный (Арктический) федеральный университет им. М. В. Ломоносова, г. Архангельск, staheeva.a@narfu.ru

Крайников Александр Николаевич, магистрант, Северный (Арктический) федеральный университет им. М. В. Ломоносова, г. Архангельск, krajnikov.a@edu.narfu.ru

Вяткин Дмитрий Андреевич, старший преподаватель, Северный (Арктический) федеральный университет им. М. В. Ломоносова, г. Архангельск, d.vyatkin@narfu.ru

 

Stakheeva Alyona Alekseevna, Master’s student, M. V. Lomonosov Northern (Arctic) Federal University, Arkhangelsk, staheeva.a@narfu.ru

Kraynikov Alexander Nikolaevich, Master’s student, M. V. Lomonosov Northern (Arctic) Federal University, Arkhangelsk, krajnikov.a@edu.narfu.ru

Vyatkin Dmitry Andreevich, Senior Lecturer, M. V. Lomonosov Northern (Arctic) Federal University, Arkhangelsk, d.vyatkin@narfu.ru

 

Аннотация. Одной из важнейших задач автопилотирования автомобиля является распознавание дорожных знаков. В данной статье рассматривается возможность распознавания знаков ПДД на изображениях с помощью сверточных нейронных сетей. Для этого в данной работе был написан код для модели определения дорожных знаков на языке Python, а затем эта модель была обучена на большом наборе данных с изображениями различных дорожных знаков. Также был написан код для применения уже обученной модели к входным изображениям и вывода результата на экран. На основании тестирования модели на изображениях различной сложности был сделан вывод о качестве распознавания дорожных знаков обученной моделью.

Annotation. One of the most important tasks of autopiloting a car is the recognition of road signs. This article discusses the possibility of recognizing traffic signs in images using convolutional neural networks. To do this, in this paper, code was written for a model for determining road signs in Python, and then this model was tested on a large data set with images of various road signs. Code was also written to apply the already trained model to the input image and output the result to the screen. Based on testing the model on images of varying complexity, a conclusion was made about the quality of recognition of road signs by the trained model.

Ключевые слова: автопилотирование автомобиля, дорожные знаки, сверточные нейронные сети, машинное обучение, Python, распознавание на изображении.

Keywords: car autopiloting, road signs, convolutional neural networks, machine learning, Python, image recognition.

Литература

  1. Traffic Sign Classification [Электронный ресурс]: [офиц. сайт] / CV Zone – Электрон. дан. – Режим доступа: https://www.computervision.zone/courses/traffic-sign-classification/, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  2. Archive Meta Data [Электронный ресурс]: [офиц. сайт] / Electronic research data archive – Электрон. дан. – Режим доступа: https://sid.erda.dk/public/archives/daaeac0d7ce1152aea9b61d9f1e19370/published-archive.html, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  3. Как работает сверточная нейронная сеть (CNN) [Электронный ресурс]: [офиц. сайт] / Neurohive – Электрон. дан. – Режим доступа: https://neurohive.io/ru/osnovy-data-science/glubokaya-svertochnaja-nejronnaja-set/, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  4. Расширяем датасет с помощью Data Augmentation в Tensorflow [Электронный ресурс]: [офиц. сайт] / Python school – Электрон. дан. – Режим доступа: https://python-school.ru/blog/data-augmentation/, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  5. Обзор Keras для TensorFlow [Электронный ресурс]: [офиц. сайт] / Хабр – Электрон. дан. – Режим доступа: https://habr.com/ru/articles/482126/, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  6. Слои Keras: параметры и свойства keras 5 [Электронный ресурс]: [офиц. сайт] / Python Ru – Электрон. дан. – Режим доступа: https://pythonru.com/biblioteki/sloi-keras-parametry-i-svojstva-keras-5, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  7. Шпаргалка по OpenCV — Python [Электронный ресурс]: [офиц. сайт] / Tproger – Электрон. дан. – Режим доступа: https://tproger.ru/translations/opencv-python-guide/, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  8. NumPy, часть 1: начало работы [Электронный ресурс]: [офиц. сайт] / Python 3 для начинающих – Электрон. дан. – Режим доступа: https://pythonworld.ru/numpy/1.html, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  9. Split Your Dataset With scikit-learn’s train_test_split() [Электронный ресурс]: [офиц. сайт] / Real Python – Электрон. дан. – Режим доступа: https://realpython.com/train-test-split-python-data/#application-of-train_test_split, свободный (дата обращения: 09.08.2023). – Загл. с экрана.
  10. ML_CNN — about the batch size , epochs , steps , steps_per_epoch , iteration [Электронный ресурс]: [офиц. сайт] / Medium – Электрон. дан. – Режим доступа: https://medium.com/@pinyuanhuang/ml-cnn-about-the-batch-size-epochs-steps-steps-per-epoch-iteration-6d6f9b4621f7, свободный (дата обращения: 09.08.2023). – Загл. с экрана.

References

  1. Traffic Sign Classification [Electronic resource]: [official. website] / CV Zone – Electron. dan. – Access mode: https://www.computervision.zone/courses/traffic-sign-classification /, free (accessed: 09.08.2023). – Blank from the screen.
  2. Archive Meta Data [Electronic resource]: [official. website] / Electronic research data archive – Electron. dan. – Access mode: https://sid.erda.dk/public/archives/daaeac0d7ce1152aea9b61d9f1e19370/published-archive.html , free (accessed: 09.08.2023). – Blank from the screen.
  3. How the convolutional neural network (CNN) works [Electronic resource]: [ofic. website] / Neurohive – Electron. dan. – Access mode: https://neurohive.io/ru/osnovy-data-science/glubokaya-svertochnaja-nejronnaja-set /, free (accessed: 09.08.2023). – Blank from the screen.
  4. Expanding the dataset using Data Augmentation in Tensorflow [Electronic resource]: [ofic. website] / Python school – Electron. dan. – Access mode: https://python-school.ru/blog/data-augmentation /, free (accessed: 09.08.2023). – Blank from the screen.
  5. Review of Keras for TensorFlow [Electronic resource]: [official. website] / Habr – Electron. dan. – Access mode: https://habr.com/ru/articles/482126 /, free (accessed: 09.08.2023). – Blank from the screen.
  6. Keras layers: parameters and properties of keras 5 [Electronic resource]: [ofic. website] / Python Ru – Electron. dan. – Access mode: https://pythonru.com/biblioteki/sloi-keras-parametry-i-svojstva-keras-5 , free (accessed: 09.08.2023). – Blank from the screen.
  7. Cheat sheet on OpenCV — Python [Electronic resource]: [official. website] / Tproger – Electron. dan. – Access mode: https://tproger.ru/translations/opencv-python-guide /, free (accessed: 09.08.2023). – Blank from the screen.
  8. NumPy, part 1: getting started [Electronic resource]: [ofic. website] / Python 3 for beginners – Electron. dan. – Access mode: https://pythonworld.ru/numpy/1.html , free (accessed: 09.08.2023). – Blank from the screen.
  9. Split Your Dataset With scikit-learn’s train_test_split() [Electronic resource]: [ofic. website] / Real Python – Electron. dan. – Access mode: https://realpython.com/train-test-split-python-data/#application-of-train_test_split , free (accessed: 09.08.2023). – Blank from the screen.
  10. ML_CNN — about the batch size , epochs , steps , steps_per_epoch , iteration [Electronic resource]: [official. website] / Medium – Electron. dan. – Access mode: https://medium.com/@pinyuanhuang/ml-cnn-about-the-batch-size-epochs-steps-steps-per-epoch-iteration-6d6f9b4621f7 , free (accessed: 09.08.2023). – Blank from the screen.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *