Вас вітає Інтернет конференція!
Вітаємо на нашому сайті
НЕЙРОМЕРЕЖНЕ РОЗПІЗНАВАННЯ ЗОБРАЖЕНЬ ПОКАЗНИКІВ ІЗ ЛІЧИЛЬНИКІВ КОМУНАЛЬНИХ ПОСЛУГ
07.11.2023 19:48
[1. Інформаційні системи і технології]
Автор: Войценко Владислав Юрійович, бакалавр, Чернівецький національний університет ім. Юрія Федьковича, м.Чернівці
Автоматизація зняття показань лічильників за допомогою штучних нейронних мереж (ШНМ) являє собою трансформаційний стрибок у вітчизняному управлінні ресурсами. Ця інновація з'явилася як рішення для історично трудомісткого процесу ручного зняття показань, що може призвести до неточностей та неефективності. ШНМ імітують складні обчислювальні можливості людського мозку, використовуючи масивний, розподілений і паралельний процесор, що складається з простих одиниць - штучних нейронів, які вміють виконувати складні перетворення вхідних даних у реальному часі. Завдяки навчанню на різноманітних прикладах ці системи розвивають здатність до узагальнення емпіричних даних, поступово покращуючи точність прогнозування без чітких програмних інструкцій для конкретного завдання [1].
Основна перевага ШНМ полягає в їхніх можливостях паралельної обробки інформації та вродженій здатності до навчання. Кожен нейрон обробляє дані незалежно, але колективна паралельна робота безлічі нейронів і широка мережа взаємозв'язків призводять до надійного і складного розпізнавання образів і обробки сигналів. Стійкість нейронних мереж до помилок та їхня здатність адаптивно налаштовувати міжнейронні зв'язки - так звані ваги - шляхом навчання підвищує їхню ефективність для таких застосувань, як зчитування показань лічильників комунальних послуг [3].
Для даного проекту було зроблено акцент на розробці алгоритму та навчанні ШНМ, який здатний ідентифікувати та класифікувати цифрові дисплеї на лічильниках комунальних послуг. Було розпочато процес зі збору повного набору даних, де різноманітні зображення лічильників слугують навчальним матеріалом. Ретельна побудова набору даних має першорядне значення, оскільки різноманітність і якість даних безпосередньо впливають на здатність мережі узагальнювати і точно розпізнавати показання за різних умов, таких як різне освітлення і кути огляду. Згодом мережа навчається за допомогою зворотнього поширення - методу, коли модель навчається шляхом коригування вагових коефіцієнтів у відповідь на рівень помилок між прогнозованими та фактичними результатами [2].
Дана стратегія реалізації охоплює мову програмування Python та бібліотеку глибокого навчання TensorFlow завдяки їхній універсальності та надійній підтримці робочих процесів машинного навчання [4]. TensorFlow надає модульне середовище, що дозволяє ітеративно вдосконалювати нейронні моделі та їхні параметри, що є критично важливим для розробки масштабованого та надійного рішення для зняття показань лічильників. Крім того, ця платформа дозволяє безперешкодно інтегрувати ШНМ у веб-сайт, що розширює його корисність, полегшуючи доступ користувачів до завантаження фото лічильника та отримання результату показників і подальшої подачі до комунальних установ.
Таким чином, розгортання ШНМ для розпізнавання показань лічильників не тільки підвищує операційну ефективність, але й сприяє значному скороченню ручної праці та зменшенню ймовірності помилки. Перехід до автоматизованої та інтелектуальної системи зчитування показань лічильників є значним кроком в управлінні енергоспоживанням у житловому секторі, що відповідає більш широким цілям сталого розвитку та технологічного прогресу у сфері комунальних послуг.
СПИСОК ЛІТЕРАТУРИ
1.F. Rosenblatt, "The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain," Psychological Review, vol. 65, no. 6, pp. 386–408, 1958.
2.D. E. Rumelhart, G. E. Hinton, and R. J. Williams, "Learning representations by back-propagating errors" Nature, vol. 323, pp. 533–536, 1986.
3.J. Hertz, A. Krogh, and R. G. Palmer, "Introduction to the Theory of Neural Computation," Addison-Wesley, Redwood City, CA, 1991.
4.M. Abadi et al., "TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems," , 2016.
_________________________________________________________________________________________
Науковий керівник: Одайська Христина Савеліївна, кандидат технічних наук, асистент, Чернівецький національний університет ім. Юрія Федьковича, м.Чернівці
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter
Інші наукові праці даної секції
-
АКТУАЛЬНІСТЬ ВИКОРИСТАННЯ ПРОГРАМНОГО ПРОДУКТУ «СИСТЕМА КУР'ЄРСЬКОЇ СЛУЖБИ»
31.10.2023 12:26 -
КОМП'ЮТЕРНА СИСТЕМА ДЛЯ ПЛАНУВАННЯ ПРИМІЩЕННЯ
12.11.2023 20:34 -
КОМП'ЮТЕРНА СИСТЕМА ДЛЯ ЧИСЕЛЬНОГО ІНТЕГРУВАННЯ
12.11.2023 20:23 -
ДОСЛІДЖЕННЯ МОДЕЛЮВАННЯ МЕРЕЖ ПЕТРІ НА БАЗІ РОЗРОБЛЕНОГО ПРОГРАМНОГО ПРОДУКТУ
12.11.2023 20:13 -
ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ ДЛЯ АВТОМАТИЗАЦІЇ ОСВІТНІХ ПРОЦЕСІВ
12.11.2023 20:03
Конференції
Конференції 2024
Конференції 2023
Конференції 2022
Конференції 2021
