наш проект представляет собой средство для помощи в эксплуатации денежных средств

Цель нашего проекта - распознавание банкнот разных стран. Мы считаем проблему путаницы в банкнотах достаточно актуальной на сегодняшний день, так как на данный момент не каждый турист может точно определить, что за купюра сейчас находится у него в руках. Для демонстрации нашего проекта мы выбрали такие страны как: Таиланд, Япония и Китай. Нейросети способна распознать валюту - следовательно, и номинал.

Мы столкнулись с проблемой распознавания купюр с помощью нейронной сети. Для решения этой проблемы мы решили использовать нейросети, а именно свёрточные нейронные сети с предобученым набором данных. Так как именно этот тип нейросетей больше всего подходит под нашу задачу. Свёрточная нейронная сеть — это специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном в 1988 году и нацеленная на эффективное распознавание образов. Достоинства свёрхточных нейросетей: 1. Использование ядер свёртки дает, в сравнении с полно связанной нейросетью, меньшее количество настраиваемых весовых коэффициентов, что приводит к уменьшению времени и вычислительных ресурсов на обучение сети. 2. Использование ядер свёртки также помогает избежать попиксельного запоминания, подталкивая сеть к обобщению демонстрируемой информации. Локальное восприятие позволяет сохранить топологию изображения от слоя к слою при значительном сокращении вычислений. Благодаря сканированию целой области, а не отдельных точек, подход позволяет учесть свойства изображения, что увеличивает качество распознавания. 3. Робастность алгоритмов к повороту и сдвигу. 4. Обучается при помощи классического метода обратного распространения ошибки, при этом могут быть задействованы и другие методы обучения сети (в том числе и методы «без учителя», например, patch-based training, когда следующий слой свёртки обучается на кусочках уже обученного первого слоя). Также могут быть задействованы другие технологии глубокого обучения: свёрточный авто-ассоциатор, свёрточная версия каскадных машин Больцмана, обучающихся за счёт математического аппарата, свёрточная версия разреженного кодирования (sparce coding), также известная как развёртывающая сеть (deconvolutional networks, DNN)
Главным движущим механизмом нашего проекта является свёрточная нейронная сеть с предобученым набором данных. Для того, чтобы нейронная сеть функционировала, нам нужно создать папку в проводнике и поместить нейронную сеть туда, после нам требуется обучить нейронную сеть. Для того чтобы обучить нейронную сеть распознавать купюры, нам нужен набор данных, содержащий в себе фотографии купюр, которые мы выбрали. Для поиска мы использовали скрипт Google. После того, как мы нашли достаточное количество фотографий, нам нужно их отсортировать и выбрать те фотографии, которые подходят для нашей задачи. Когда мы отсортировали изображения, мы должны создать три папки в папке, в которой, находится нейронная сеть. Первую папку мы называем “train” и создаём в ней, несколько папок. Это количество зависит от того сколько у нас номиналов купюр. Например, мы взяли “100 бат”,”100 юань” и ”1000 йен”, следовательно, мы создаём три папки, названия которых зависит от номинала и названия купюры, которые будут в них размещаться. На фотографиях, которые находятся в этой папке нейронная сеть будет обучаться. Вторую папку мы называем “test” и создаём в ней тоже самое количество, и с такими же названиями. На фотографиях, которые лежат в этой папке нейронная сеть будет тренироваться. Третью папку мы называем ”val”, val- это сокращение от “validation”. По фотографиям, которые находятся в ней нейронная сеть определяет количество верных и неверных ответов. Так же, чтобы увеличить количество данных, в самом коде мы создаём генератор, который может увеличивать, уменьшать, приближать, отдалять изображения. Далее нам нужно подобрать оптимальные параметры для обучения нейронной сети. Например, количество эпох обучения и размер мини-выборки(mini-batch). После нескольких экспериментов с параметрами, которые описаны выше, мы выбираем более подходящие и начинаем обучать нейронную сеть. После того, как нейронная сеть обучилась, нам нужно оценить ее работу способность на фотографиях купюр, которые мы выбрали. Нам получилось добиться 100% правильных.

Итак, когда этап обучения уже пройден, мы получаем готовый проект. Нейросеть научилась различать и показывать государства-владельцев. Наш проект уже возможно применять для трёх выбранных стран, а также возможны в будущем перспективные расширения функционала и списка доступных стран.

0
Объявления

Я – Радиоинженер

Молодежный проектный центр радиоэлектронных систем

Партнеры:

ИнФО УрФУ – Генеральный партнер в проведении проектной практики

Роботология – Российское оборудование для программирования и конструирования роботов

Уральский клуб нового образования – общественная организация, которая разрабатывает и реализует социально-образовательные проекты

Архив событий:

проектный практикум 3 курса

проектный практикум 4 курса

Молодежный космический форум – 2019 (VI Семихатовские чтения)О Форуме-2019 Новое

Школа наставников - 2018 “Как создать проект в новом технологическом укладе” Актуальное

Проектная практика для студентов Института фундаментального образования УрФУСобытие

Молодежный космический форум - 2017 (Четвертые Семихатовские чтения)Конкурс

Выбор темы работы для участия в IV Семихатовских чтенияхО Форуме-2017

Подписка на новости
Контакты

Адрес: г. Екатеринбург, ул. Мамина-Сибиряка 145, к. 1119 (на карте)

Тел.: +7 (343) 355-93-88

info@cosmoport.club