Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/44461| Назва: | Розробка інформаційної системи контролю самостійного тестування COVID на основі нейронних згорткових глибоких мереж |
| Інші назви: | Development of an information control system for self-testing of COVID based on neural convolutional deep networks |
| Автори: | Цебрій, Олексій Романович Tsebriy, Oleksiy |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя |
| Бібліографічний опис: | Цебрій О. Р. Розробка інформаційної системи контролю самостійного тестування COVID на основі нейронних згорткових глибоких мереж : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „121 — інженерія програмного забезпечення“ / О. Р. Цебрій. — Тернопіль: ТНТУ, 2023. — 81 с. |
| Дата публікації: | гру-2023 |
| Дата подання: | гру-2023 |
| Дата внесення: | 6-лют-2024 |
| Видавництво: | Тернопільський національний технічний університет імені Івана Пулюя |
| Країна (код): | UA |
| Місце видання, проведення: | Тернопіль |
| Науковий керівник: | Петрик, Михайло Романович |
| Члени комітету: | Осухівська, Галина Богданівна |
| УДК: | 004.9 |
| Теми: | 121 інженерія програмного забезпечення нейронні згорткові глибокі мережі COVID-19 мобільний додаток MediaPipe Face Mesh біологічні зразки YOLOv5 медичні дослідження FastAPI |
| Короткий огляд (реферат): | Метою роботи є створення системи для контролю проведення самостійних тестів на COVID-19 з використанням нейронних згорткових глибоких мереж. Використання передових технологій, таких як YOLOv5, MediaPipe Face Mesh та FastAPI, забезпечує високу ефективність та точність системи. The aim of the work is to create a system for monitoring self-administered COVID19 tests using convolutional neural networks. The utilization of cutting-edge technologies such as YOLOv5, MediaPipe Face Mesh, and FastAPI ensures high efficiency and accuracy of the system. |
| Зміст: | ЗМІСТ РЕФЕРАТ ABSTRACT 4 ПЕРЕЛІК СКОРОЧЕНЬ 7 ВСТУП 8 1 АНАЛІЗ ПРЕДМЕНОЇ ОБЛАСТІ 11 1.1 Аналіз попередніх досліджень у сфері автоматизованого збору біологічних зразків 11 1.2 Вивчення використовуваних алгоритмів та технологій 14 1.3 Ідентифікація невирішених аспектів та проблем області 15 1.4 Методологія 16 2 ВИКОРИСТОВУВАНІ МЕТОДИ ТА ТЕХНІЧНІ РІШЕНЯ 18 2.1 Розробка та оптимізація алгоритму обробки зображень та взаємодії з користувачем 20 2.2 Проектування алгоритму 21 2.3 Модель алгоритму 29 2.4 Перебіг обробки даних 30 3 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 34 3.1 Охорона праці 34 3.2 Фактори ризику і можливості ураження здоров'я користувачів комп'ютерів 36 ВИСНОВКИ 40 ПЕРЕЛІК ПОСИЛАНЬ 41 ДОДАТКИ 43 Додаток А – Наукові публікації 44 Додаток Б – Код проекту 52 |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/44461 |
| Власник авторського права: | © Цебрій Олексій Романович, 2023 |
| Перелік літератури: | 1. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. You Only Look Once: Unified, Real-Time Object Detection. Відомості про конференцію з комп'ютерного бачення та розпізнавання образів IEEE. 2016. С. 779-788. 2. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv preprint arXiv:1704.04861. 2017. 3. Bradski, G. The OpenCV Library. Dr. Dobb's Journal of Software Tools. 2000. С. 120. 4. ISO/IEC 19794-5:2005. Information technology — Biometric data interchange formats — Part 5: Face image data. Женева: ISO, 2005. 5. "YOLOv5: Scalable Object Detection in Image and Video". [Електронний ресурс] URL: https://arxiv.org/abs/2106.09920 (дата звернення: 08.08.2023). 6. "MediaPipe: A Framework for Building Perception Pipelines". [Електронний ресурс] URL: https://google.github.io/mediapipe/ (дата звернення: 08.08.2023). 7. "OpenCV: Open Source Computer Vision Library". [Електронний ресурс] URL: https://opencv.org/ (дата звернення: 08.08.2023) 8. "Shapely: Manipulation and analysis of geometric objects". [Електронний ресурс] URL: https://pypi.org/project/Shapely/ (дата звернення: 08.08.2023). 9. "FastAPI: A modern, fast (high-performance), web framework for building APIs with Python 3.6+ based on standard Python type hints". [Електронний ресурс] URL: https://fastapi.tiangolo.com/ (дата звернення: 08.08.2023). 10. "Automated Biological Sample Collection using Convolutional Neural Networks: A Review". [Електронний ресурс] URL: https://www.researchgate.net/publication/334417045_Automated_Biological_Sample_ Collection_using_Convolutional_Neural_Networks_A_Review (дата звернення: 08.08.2023). 11. Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning. MIT Press. 2016. 775 с. 12. Krizhevsky, A., Sutskever, I., & Hinton, G. E. ImageNet Classification with Deep Convolutional Neural Networks. Advances in neural information processing systems. 2012. С. 1097-1105. 13. He, K., Zhang, X., Ren, S., & Sun, J. Deep Residual Learning for Image Recognition. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. С. 770-778. 14. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. Going Deeper with Convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. С. 1-9. 15. LeCun, Y., Bengio, Y., & Hinton, G. Deep learning. Nature. 2015. Т. 521. № 7553. С. 436-444. 16. Основи охорони праці: Навч. посіб. / Воронов І.О., Коваленко І.Д., Афанасьєв П.В., Булгач Т.В. – К.: Генеза, 2004. – С.96 – 116 17. Гандзюк М.П., Желібо Є.П., Халімовський М.О. Основи охорони праці.- Київ: Вища освіта в Україні, 2013. – С.200 – 244 18. В.М. Іванов, О.І. Петренко, С.А. Сидоренко.\ Охорона праці: Навч. посібник для студентів вищих навчальних закладів – К.: Центр учбової літератури, 2017. – С. 120–150. 19. Л.В. Завадська, Л.О. Кузьменко, О.А. Савченко. \ Системи управління охороною праці: Навч. посібник – К.: Літера ЛТД, 2018. – С. 80–105. 20. В.І. Григоренко, О.М. Литвиненко, І.В. Семенов. \ Охорона праці та техніка безпеки в промисловості – К.: Техніка, 2019. – С. 160–185. |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 121 — інженерія програмного забезпечення |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| dyplom_Tsebriy_O_2023.pdf | 1,26 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора