1. Trang chủ
  2. » Luận Văn - Báo Cáo

Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav

71 4 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Nghiên Cứu, Ứng Dụng Học Sâu Trong Nhận Diện Bất Thường Chuỗi Sứ Cách Điện Từ Ảnh UAV
Tác giả Vũ Việt Vương
Người hướng dẫn TS. Nguyễn Thị Thanh Tân
Trường học Trường Đại Học Điện Lực
Chuyên ngành Công Nghệ Thông Tin
Thể loại Luận Văn Thạc Sĩ
Năm xuất bản 2019
Thành phố Hà Nội
Định dạng
Số trang 71
Dung lượng 4,73 MB

Cấu trúc

  • CHƯƠNG 1: TỔNG QUAN VỀ HỌC SÂU VÀ CÁC BÀI TOÁN ỨNG DỤNG (12)
    • 1.1 Mạng nơ-ron nhân tạo (12)
    • 1.2 Một số khái niệm cơ bản trong học sâu (20)
    • 1.3 Mạng nơ-ron tích chập (Convolutional Neural Network-CNN) (25)
    • 1.4 Ứng dụng của học sâu trong bài toán phát hiện và nhận dạng bất thường từ hình ảnh (28)
    • 1.5 Kết luận chương (29)
  • CHƯƠNG 2: PHƯƠNG PHÁP PHÁT HIỆN VÀ NHẬN DẠNG BẤT THƯỜNG DỰA TRÊN MÔ HÌNH HỌC SÂU (31)
    • 2.1. Bài toán phát hiện và nhận dạng bất thường từ hình ảnh (31)
    • 2.2. Các hướng tiếp cận trong phát hiện và nhận dạng bất thường từ hình ảnh (32)
    • 2.3. Phương pháp phát hiện đối tượng dựa trên kiến trúc mạng học sâu Yolo (33)
    • 2.3. Các kiến trúc mạng Yolo (37)
    • 2.4. Kết luận chương (52)
  • CHƯƠNG 3: ỨNG DỤNG HỌC SÂU TRONG PHÁT HIỆN VÀ NHẬN DIỆN BẤT THƯỜNG CHUỖI SỨ CÁCH ĐIỆN TỪ ẢNH UAV (54)
    • 3.1. Bài toán phát hiện và nhận diện bất thường chuỗi sứ cách điện (54)
    • 3.2. Xây dựng tập dữ liệu chuỗi cách điện (56)
    • 3.3. Các kỹ thuật làm giàu tập dữ liệu huấn luyện (59)
    • 3.4. Đề xuất mô hình phát hiện và nhận diện bất thường chuỗi cách điện dựa trên kiến trúc mạng học sâu Yolo (61)
    • 3.5 Đánh giá thực nghiệm (65)
    • 3.6 Kết luận chương (69)
  • KẾT LUẬN (70)

Nội dung

Trang 1 BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC VŨ VIỆT VƯƠNG NGHIÊN CỨU, ỨNG DỤNG HỌC SÂU TRONG NHẬN DIỆN BẤT THƯỜNG CHUỖI SỨ CÁCH ĐIỆN TỪ ẢNH UAV LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

TỔNG QUAN VỀ HỌC SÂU VÀ CÁC BÀI TOÁN ỨNG DỤNG

Mạng nơ-ron nhân tạo

Mạng nơ-ron nhân tạo (ANN - Artificial Neural Network) được mô phỏng theo các nơ-ron trong não người (Hình 1 1) ANN chứa các tế bào thần kinh nhân tạo (nơ- ron) được gọi là đơn vị Các đơn vị này được sắp xếp trong một loạt các lớp cùng nhau tạo thành toàn bộ Mạng nơ-ron nhân tạo trong một hệ thống Một lớp có thể chỉ có hàng chục đơn vị hoặc hàng triệu đơn vị vì điều này phụ thuộc vào cách các mạng thần kinh phức tạp sẽ được yêu cầu để tìm hiểu các mẫu ẩn trong tập dữ liệu

Nơ-ron: Giống như tế bào thần kinh tạo thành phần tử cơ bản của bộ não của chúng ta, tế bào thần kinh tạo thành cấu trúc cơ bản của mạng thần kinh Một nơ-ron nhận đầu vào, xử lý nó và tạo ra một đầu ra được gửi đến các nơ-ron khác để tiếp tục xử hoặc đó là đầu ra cuối cùng

Hình 1 1: Mô hình nơ-ron sinh học

Trọng số (weights) – Khi đầu vào đi vào nơ-ron, nó sẽ được nhân với trọng số

Ví dụ: nếu một nơ-ron có hai đầu vào, thì mỗi đầu vào sẽ có một trọng số liên quan được gán cho nó Chúng tôi khởi tạo các trọng số một cách ngẫu nhiên và các trọng số này được cập nhật trong quá trình huấn luyện mô hình Mạng thần kinh sau khi huấn luyện sẽ gán trọng số cao hơn cho đầu vào mà nó cho là quan trọng hơn so với những cái được coi là ít quan trọng hơn Trọng số bằng 0 biểu thị rằng đặc trưng cụ thể là không đáng kể

Giả sử đầu vào là a và trọng số tương ứng là W1 Sau đó, sau khi đi qua nút, đầu vào trở thành a*W1

4 Độ lệch (bias) – Ngoài các trọng số, một thành phần tuyến tính khác được áp dụng cho đầu vào, được gọi là độ lệch Nó được thêm vào kết quả của phép nhân trọng số với đầu vào Độ lệch về cơ bản được thêm vào để thay đổi phạm vi của đầu vào được nhân trọng số Sau khi thêm độ lệch, kết quả sẽ là a *w1 + bias Đây là thành phần tuyến tính cuối cùng của phép biến đổi đầu vào

Hàm kích hoạt (Activation Function) – Khi thành phần tuyến tính được áp dụng cho đầu vào, một chức năng phi tuyến tính sẽ được áp dụng cho nó Điều này được thực hiện bằng cách áp dụng hàm kích hoạt cho tổ hợp tuyến tính Hàm kích hoạt dịch tín hiệu đầu vào thành tín hiệu đầu ra Đầu ra sau khi áp dụng hàm kích hoạt sẽ giống như f(a*W1+b) trong đó f() là hàm kích hoạt

Trong sơ đồ bên dưới, chúng ta có “n” đầu vào được cho là X1 đến Xn và các trọng số tương ứng từ Wk1 đến Wkn tôi có một độ lệch được đưa ra là bk Trước tiên, các trọng số được nhân với đầu vào tương ứng của nó và sau đó được cộng cùng với độ lệch Điều này được gọi là u u=∑w*x+b

Hàm kích hoạt được áp dụng cho u tức là f(u) và chúng ta nhận được đầu ra cuối cùng từ nơ-ron là yk = f(u)

Các hàm kích hoạt thường được áp dụng phổ biến nhất là – Sigmoid, ReLU và softmax a) Sigmoid – Một trong những chức năng kích hoạt phổ biến nhất được sử dụng là Sigmoid Nó được định nghĩa là: 𝑠𝑖𝑔𝑚𝑜𝑖𝑑 = 1

Phép biến đổi sigmoid tạo ra một dải giá trị mượt mà hơn trong khoảng từ 0 đến

1 Chúng ta có thể cần quan sát những thay đổi ở đầu ra với những thay đổi nhỏ ở các giá trị đầu vào b) ReLU (Rectified Linear Units) – Thay vì sigmoids, các mạng gần đây thích sử dụng các chức năng kích hoạt ReLu cho các lớp ẩn Hàm được định nghĩa là: f(x) = max(x,0) Đầu ra của hàm là X khi X>0 và 0 cho X

Ngày đăng: 27/02/2024, 11:24

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] W. Lan, J. Dang, Y. Wang, and S. Wang, “Pedestrian detection based on yolo network model,” in 2018 IEEE international conference on mechatronics and automation (ICMA), pp. 1547–1551, IEEE, 2018 Sách, tạp chí
Tiêu đề: Pedestrian detection based on yolo network model
[2] W.-Y. Hsu and W.-Y. Lin, “Adaptive fusion of multi-scale yolo for pedestrian detection,” IEEE Access, vol. 9,pp. 110063–110073, 2021 Sách, tạp chí
Tiêu đề: Adaptive fusion of multi-scale yolo for pedestrian detection
[3] A. Benjumea, I. Teeti, F. Cuzzolin, and A. Bradley, “Yolo-z: Improving small object detection in yolov5 for autonomous vehicles,” arXiv preprint arXiv:2112.11798, 2021 Sách, tạp chí
Tiêu đề: Yolo-z: Improving small object detection in yolov5 for autonomous vehicles
[4] N. M. A. A. Dazlee, S. A. Khalil, S. Abdul-Rahman, and S. Mutalib, “Object detection for autonomous vehicles with sensor-based technology using yolo,”International Journal of Intelligent Systems and Applications in Engineering, vol.10, no. 1, pp. 129–134, 2022 Sách, tạp chí
Tiêu đề: Object detection for autonomous vehicles with sensor-based technology using yolo
[5] S. Liang, H. Wu, L. Zhen, Q. Hua, S. Garg, G. Kaddoum, M. M. Hassan, and K. Yu, “Edge yolo: Real-time intelligent object detection system based on edge-cloud cooperation in autonomous vehicles,” IEEE Transactions on Intelligent Transportation Systems, vol. 23, no. 12, pp. 25345–25360, 2022 Sách, tạp chí
Tiêu đề: Edge yolo: Real-time intelligent object detection system based on edge-cloud cooperation in autonomous vehicles
[6] Q. Li, X. Ding, X. Wang, L. Chen, J. Son, and J.-Y. Song, “Detection and identification of moving objects at busy traffic road based on yolo v4,” The Journal of the Institute of Internet, Broadcasting and Communication, vol. 21, no. 1, pp.141–148, 2021 Sách, tạp chí
Tiêu đề: Detection and identification of moving objects at busy traffic road based on yolo v4
[7] S. Shinde, A. Kothari, and V. Gupta, “Yolo based human action recognition and localization,” Procedia computer science, vol. 133, pp. 831–838, 2018 Sách, tạp chí
Tiêu đề: Yolo based human action recognition and localization
[8] A. H. Ashraf, M. Imran, A. M. Qahtani, A. Alsufyani, O. Almutiry, A. Mahmood, M. Attique, and M. Habib, “Weapons detection for security and video surveillance using cnn and yolo-v5s,” CMC-Comput. Mater. Contin, vol. 70, pp. 2761–2775, 2022 Sách, tạp chí
Tiêu đề: Weapons detection for security and video surveillance using cnn and yolo-v5s
[9] Y. Zheng and H. Zhang, “Video analysis in sports by lightweight object detection network under the background of sports industry development,” Computational Intelligence and Neuroscience, vol. 2022, 2022 Sách, tạp chí
Tiêu đề: Video analysis in sports by lightweight object detection network under the background of sports industry development
[10] H. Ma, T. Celik, and H. Li, “Fer-yolo: Detection and classification based on facial expressions,” in Image and Graphics: 11th International Conference, ICIG 2021, Haikou, China, August 6–8, 2021, Proceedings, Part I 11, pp. 28–39, Springer, 2021 Sách, tạp chí
Tiêu đề: Fer-yolo: Detection and classification based on facial expressions

HÌNH ẢNH LIÊN QUAN

Hình 1. 4: Gradient descent - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 1. 4: Gradient descent (Trang 15)
Hình 1. 6: Dropout - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 1. 6: Dropout (Trang 21)
Hình 1. 7: Batch Normalization - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 1. 7: Batch Normalization (Trang 22)
Hình 1. 8: Filters - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 1. 8: Filters (Trang 23)
Hình 1. 13: Các lớp Convolutional Neural Network - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 1. 13: Các lớp Convolutional Neural Network (Trang 26)
Hình 2. 1: Hình Dòng thời gian của các phiên bản YOLO - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 1: Hình Dòng thời gian của các phiên bản YOLO (Trang 33)
Hình 2. 2: Ví dụ về ba giá trị IoU khác nhau cho các vị trí hộp khác nhau - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 2: Ví dụ về ba giá trị IoU khác nhau cho các vị trí hộp khác nhau (Trang 35)
Hình 2. 3: Đầu ra khi áp dụng thuật toán NMS - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 3: Đầu ra khi áp dụng thuật toán NMS (Trang 37)
Hình 2. 7: Yolov2 xác định nhiều anchor box cho mỗi ô lưới - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 7: Yolov2 xác định nhiều anchor box cho mỗi ô lưới (Trang 40)
Hình 2. 8: Dự đoán hộp giới hạn - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 8: Dự đoán hộp giới hạn (Trang 41)
Hình 2. 9: Kiến trúc backbone Darknet 53 - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 9: Kiến trúc backbone Darknet 53 (Trang 42)
Hình 2. 10: Kiến trúc phát hiện đa quy mô của Yolov3 - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 10: Kiến trúc phát hiện đa quy mô của Yolov3 (Trang 43)
Hình 2. 12: Kiến trúc Yolov4 để phát hiện đối tượng - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 12: Kiến trúc Yolov4 để phát hiện đối tượng (Trang 45)
Hình 2. 13: CSPResBlock trong Yolov4 (trên) và C3 Module (dưới) - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 13: CSPResBlock trong Yolov4 (trên) và C3 Module (dưới) (Trang 46)
Hình 2. 14: Kiến trúc của module SPPF - Nghiên cứu, ứng dụng học sâu trong nhận diện bất thường chuỗi sứ cách điện từ ảnh uav
Hình 2. 14: Kiến trúc của module SPPF (Trang 46)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w