Обучение сверточных нейросетей для классификации фотографий лекарств(Сервис FarmHelp) Автор:Полин Сергей Игоревич 10 “Г” класс МАОУ Лицей №110 им. Л. К. Гришиной г.Екатеринбург Руководитель: Тропин Антон Викторович, учитель информатики, МАОУ лицей №110 им. Л.К.Гришиной Консультанты: Обабков Илья Николаевич,Созыкин Андрей Владимирович, Бабикова Евгения Витальевна.

Лекарства зачастую являются дорогостоящими.Многие люди тратят колоссальные деньги на покупку лекарств, но даже не задумываются, что существуют дженерики, которые не уступают дорогостоящим аналогам. Проект соединяет всю необходимую информацию для покупателя в смартфоне и предоставляет дженерики лекарств.

Целью проекта является классифицирование лекарств при помощи нейронных сетей с высокой долей правильных ответов.


Нейронные сети в проекте выступает инструментом для классификации изображений, которые поступают от пользователя.

Выбор нейросети пал на сверточную архитектуру, поскольку такой тип сетей показывает хорошие результаты в решении подобных задач.

Для ее написания был использован язык программирования Python и несколько библиотек: TensorFlow и Keras.

Обучение проводилось на предварительно обученных сверточных нейронных сетях (VGG16, VGG19, Inceptionv3), созданных IT-компаниями, на платформе виртуальных компьютеров Yandex Cloud со следующими характеристиками:

  • 4 ядра Intel Xeon
  • 8 ГБ оперативной памяти

Обучающая выборка состоит из десяти классов по количеству распознаваемых препаратов,в каждом из которых 200 фотографий.

Таким образом, получены следующие результаты.

Обучение нейронной сети, основанной на VGG16, проводилось в течении 17 эпох. В среднем одна эпоха занимает 1800 секунд. В результате достигнута аккуратность 90% на тестовых данных.

Обучение нейронной сети, основанной на VGG19, проводилось в течении 17 эпох. В среднем одна эпоха занимает 9500 секунд. В результате достигнута аккуратность 94% на тестовых данных.

Обучение нейронной сети, основанной на Inceptionv3, проводилось в течении 75 эпох. В среднем одна эпоха занимает 10 секунд. В результате достигнута аккуратность 62% на тестовых данных.

Результаты обучения, полученные в ходе проекта, достаточны для решения поставленной задачи и для работы сервиса. Была выбрана нейросеть VGG19 из-за высокой точности распознавания, несмотря на долгое обучение. В данном случае для работы аккуратность на тестовых данных является решающим фактором.

Технологии нейросетей имеют достаточный потенциал в космической деятельности: они автоматизируют процесс классификации различных объектов. При изучении космоса и космических объектов нейросети будут незаменимы. В работе показан пример использования нейросети для классификации.

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