Распознавание тест-объектов на тепловизионных изображениях
Автор: Мингалев Александр Владимирович, Белов Андрей Вячеславович, Габдуллин Ильдар Масхутович, Агафонова Регина Ренатовна, Шушарин Сергей Николаевич
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 3 т.43, 2019 года.
Бесплатный доступ
Представлен сравнительный анализ нескольких способов распознавания тест-объектов на тепловизионном изображении при настройке и проверке характеристик тепловизионных каналов в автоматизированном режиме. Рассмотрены способы распознавания изображений на основе корреляционного сопоставления изображений, на основе метода Виолы-Джонса, на основе классифицирующей сверточной нейронной сети LeNet, на основе классифицирующей сверточной нейронной сети GoogleNet (Inception v. 1), на основе детектирующей сверточной нейронной сети глубокого обучения типа Single Shot Multibox Detector (SSD) VGG16. Самое высокое значение функционала качества получено с использованием детектирующей сверточной нейронной сети глубокого обучения типа SSD VGG16. К основным достоинствам данного способа следует отнести инвариантность к изменению размеров тест-объектов, высокие значения таких параметров, как точность и полнота, а также отсутствие необходимости применения дополнительных методов для локализации областей интереса.
Классификация изображений, детектирование объектов на изображениях, распознавание изображений, сверточные нейронные сети глубокого обучения, тепловизионное изображение, тепловизионный прибор
Короткий адрес: https://sciup.org/140246468
IDR: 140246468 | DOI: 10.18287/2412-6179-2019-43-3-402-411
Список литературы Распознавание тест-объектов на тепловизионных изображениях
- Gonzalez, R. Digital image processing / R. Gonzalez, R. Woods. - 3rd ed. - Prentice Hall, Inc., 2008. - 976 p.
- Viola, P. Rapid object detection using a boosted cascade of simple features / P. Viola, M.J. Jones // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2001). - 2001.
- Viola, P. Robust real-time face detection / P. Viola, M.J. Jones // International Journal of Computer Vision. - 2004. - Vol. 57, Issue 2. - P. 137-154.
- LeCun, Y. Gradient basedlearning applied to document recognition / Y. LeCun, L. Bottou, Y. Bengio, P. Haffner // Proceedings of the IEEE. - 1998. - Vol. 86, Issue 11. - P. 2278-2324.
- LeCun, Y. Convolutional networks for images, speech and time series / Y. LeCun, Y. Bengio. - In: The handbook of brain theory and neural networks / ed. by M.A. Arbib. - Cambridge, MA: MIT Press, 1998. - P. 255-258.
- Szegedy, Ch. Going deeper with convolutions [Electronical Resource] / Ch. Szegedy, W. Liu, Ch. Hill, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A. Rabinovich // arXiv:1409.4842v1 [cs.CV]. - URL: https://arxiv.org/abs/1409.4842 (request date 14.03.2019).
- Liu, W. SSD: Single shot multibox detector [Electronical Resource] / W. Liu, D. Anguelov, D. Erhan, Ch. Szegedy, S. Reed, Ch.-Y. Fu, A.C. Berg // arXiv:1512.02325v5 [cs.CV]. - URL: https://arxiv.org/abs/1512.02325 (request date 14.03.2019).
- Saito, T. The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets / T. Saito, M. Rehmsmeier // PLoS One. - 2015. - Vol. 10, Issue 3. - e0118432.
- Šochman, J. AdaBoost / J. Šochman, J. Matas. - Prague: Center for Machine Perception, Czech Technical University, 2010.
- Freund, Y. A short introduction to boosting / Y. Freund, R.E. Schapire. - Shannon Laboratory, USA, 1999. - P. 771-780.
- The MNIST database of handwritten digits [Electronical Resource]. - URL: http://yann.lecun.com/exdb/mnist (request date 12.09.2017).
- Caffe [Electronical Resource]. - URL: http://Caffe.berkeleyvision.org (request date 02.10.2017).
