АВТОМАТИЗИРОВАННЫЙ ПОДСЧЕТ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ГЛУБОКОГО ОБУЧЕНИЯ НА ПРИМЕРЕ СИГАРЕТНЫХ ФИЛЬТРОВ

Егоров А.Т.

Email: Egorov629@scientifictext.ru

Егоров Артем Тимурович – магистрант, кафедра компьютерных интеллектуальных технологий, Санкт-Петербургский политехнический университет Петра Великого, г. Санкт-Петербург

Аннотация: компьютерные технологии позволяют автоматизировать большое количество задач на производстве, в то же время достижения в увеличении производительности устройств и разработки новых алгоритмов увеличивают круг задач, подверженных автоматизации. В статье рассматривается применение компьютерного зрения и машинного обучения для задачи подсчета объектов на производстве для контроля качества, на примере сигаретных фильтров. Подсчет осуществляется сотрудниками с помощью смартфонов.

Ключевые слова: компьютерное зрение, машинное обучение, нейронные сети, автоматизация.

AUTOMATED CALCULATION OF OBJECTS ON IMAGE WITH THE USE OF DEEP-LEARNING TECHNOLOGY ON THE EXAMPLE OF CIGARETTE FILTERS

Egorov A.T.

Egorov Artem Timurovich – Undergraduate, Computer Intelligent Technologies, PETER THE GREAT ST. PETRSBURG POLYTECHNIC UNIVERSITY, ST. PETERSBURG

Abstract: сomputer technologies allow to automate a large number of tasks in production, at the same time, the achievement in increasing the productivity of devices and the development of new algorithms increase the range of tasks prone to automation. The article deals with the application of computer vision and machine learning for the task of counting objects in the industry for quality control, using the example of cigarette filters. Counting is carried out by employees using smartphones.

Keywords: computer vision, machine learning, neural networks, automation.

Список литературы / References

Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. М.: ИД Вильямс, 2004.
Braggins D. Robots sharpen up their vision. New Scientist, 1983.
DeepAutoencoders [Электронный ресурс]. Режим доступа: http://deeplearning4j./deepautoencoder/ (дата обращения: 05.03.2017).
Hinton G.E. Learning multiple layers of representation // Trends in cognitive sciences, 2007. Т. 11. № 10. С. 428-434.
Hinton G.E., Osindero S., Teh Y.W. A fast learning algorithm for deep belief nets // Neural computation, 2006. Т. 18. № 7. С. 1527-1554.
LeCun Y. et al. Backpropagation applied to handwritten zip code recognition // Neural computation, 1989. Т. 1. – № 4. С. 541-551.
Nielsen M.A. Neural Networks and Deep Learning. Determination Press, 2015.
Viola P., Jones M. Robust real-time object detection //International Journal of Computer Vision.
Viola P., Jones M.J., Snow D. Detecting pedestrians using patterns of motion and appearance //International Journal of Computer Vision, 2005. Т. 63. № 2. С. 153-161.7.

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.
Электронная версия. Egorov A.T. АВТОМАТИЗИРОВАННЫЙ ПОДСЧЕТ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ГЛУБОКОГО ОБУЧЕНИЯ НА ПРИМЕРЕ СИГАРЕТНЫХ ФИЛЬТРОВ // Вестник науки и образования №5 (29), 2017. [Электронный ресурс]. URL: http://scientificjournal.ru/images/PDF/2017/VNO-29/avtomatizirovannyj-podschet.pdf (Дата обращения: ХХ.ХХ.201Х). Печатная версия. Egorov A.T. АВТОМАТИЗИРОВАННЫЙ ПОДСЧЕТ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ГЛУБОКОГО ОБУЧЕНИЯ НА ПРИМЕРЕ СИГАРЕТНЫХ ФИЛЬТРОВ /// Вестник науки и образования №5 (29), 2017, C. {см. журнал}.