Технические науки

MACHINE LEARNING TO PROCESS IMAGES BY INCREASING THE RESOLUTION OF LOW QUALITY IMAGES [МАШИННОЕ ОБУЧЕНИЕ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ПУТЕМ ПОВЫШЕНИЯ РАЗРЕШЕНИЯ ИЗОБРАЖЕНИЙ НИЗКОГО КАЧЕСТВА]

Mukhamadiyeva K.В.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Mukhamadiyeva Kibriyo Bahodirovna - Applicant, Senior Lecturer, DEPARTMENT OF INFORMATION AND COMMUNICATION TECHNOLOGIES,

BUKHARA ENGINEERING TECHNOLOGICAL INSTITUTE,

BUKHARA, REPUBLIC OF UZBEKISTAN

Abstract: аrtificial neural networks (ANNs) are currently undergoing their second birth, which is primarily due to the increased computing power of modern computers and the emergence of extra-large data sets for training, present in global networks. Solutions in the field of data classification, image segmentation, decision support, which are comparable in quality and often exceed the results obtained from classical methods of image recognition, are developed on the basis of the ANN.  The applied field of research is related to solving problems of segmentation, classification and categorization of identification numbers of wagons that do not have a template and standard, based on the use of convolution neural networks (CNN). Recently, the research in this field has been actively conducted [1]. The work is devoted to the development of algorithms and architecture of a convolution neural network (CNN) to solve the problems of segmentation, classification and categorization of images of identification numbers of wagons.

Keywords: image recognition, neural network, ANN, CNN, OpenCV, pixel filtr, Softmax function.

Мухамадиева К.Б. 

Мухамадиева Кибриё Баходировна - соискатель, старший преподаватель, кафедра информационных и коммуникационных технологий,

Бухарский инженерно-технологический институт,

г. Бухара, Республика Узбекистан

Аннотация: искусственные нейронные сети (ИНС) в настоящее время переходят в основное направление развития, что, в первую очередь, связано с увеличением вычислительной мощности современных компьютеров и появлением сверхбольших наборов данных для обучения, присутствующих в глобальных сетях. На базе ИНС разрабатываются решения в области классификации данных, сегментации изображений, поддержки принятия решений, сопоставимые по качеству и зачастую превосходящие результаты, полученные с помощью классических методов распознавания образов.  Прикладная область исследований связана с решением задач сегментации, классификации и категоризации идентификационных номеров вагонов, не имеющих шаблона и стандарта, основанных на использовании сверточных нейронных сетей (CNN). В последнее время исследования в этой области активно проводятся [1]. Работа посвящена разработке алгоритмов и архитектуры сверточной нейронной сети (CNN) для решения задач сегментации, классификации и категоризации изображений идентификационных номеров вагонов.

Ключевые слова: распознавание образов, нейронная сеть, ИНН, CNN, OpenCV, фильтр пикселей, функция Softmax.

References / Список литературы

• Abkar A.-A., Sharifi M.A., Mulder N.J. Likelihood-based image segmentation and classification: a framework for the integration of expert knowledge in image classification procedures. Int. J. Appl. Earth Obs. Geoinformation 2, 2000. Р 104–119.
• Bahrampour S., Ramakrishnan N., Schott L., Shah M. Comparative study of deep learning software frameworks. ArXiv Prepr. In: ArXiv151106435, 2015.
• Barbedo J.G.A. Digital image processing techniques for detecting. quantifying and classifying plant diseases. SpringerPlus 2, 2013. Р 660.
• Davies H.G., Bowman C., Luby S.P. Cholera – management and prevention. J. Infect., Hot Topics in Infection and Immunity in Children 74 (17). Р 30194–30199, 2017. [Electronic Resource]. URL: undefined S. 66–S73/ (date of access: 31.08.2020).
• El Hatri C., Boumhidi J. Fuzzy deep learning based urban traffic incident detection. Cogn. Syst. Res., [Electronic Resource]. URL: undefined (date of access: 31.08.2020).
• Grinblat G.L., Uzal L.C., Larese M.G., Granitto P.M. Deep learning for plant identification using vein morphological patterns. Comput. Electron. Agric., 2016, Р 418–424.
• Guo Y., Liu Y., Oerlemans A., Lao S., Wu S., Lew M.S. Deep learning for visual understanding: A review. Neurocomputing 2016. Р 27–48.
• Boukaye Boubacar Traoré, Bernard Kamsu-Foguem, Fana Tangara. Deep convolution neural network for image recognition, 2018.10.02. Рp. 3-14.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования. Мухамадиева К.Б. МАШИННОЕ ОБУЧЕНИЕ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ПУТЕМ ПОВЫШЕНИЯ РАЗРЕШЕНИЯ ИЗОБРАЖЕНИЙ НИЗКОГО КАЧЕСТВА [MACHINE LEARNING TO PROCESS IMAGES BY INCREASING THE RESOLUTION OF LOW QUALITY IMAGES] // XVII INTERNATIONAL SCIENTIFIC REVIEW OF THE TECHNICAL SCIENCES, MATHEMATICS AND COMPUTER SCIENCE Свободное цитирование при указании авторства: https://scientific-conference.com/grafik/2019-vtoroe-polugodie.html ( Boston. USA. - 14 September, 2020). с. {см. сборник}

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях