1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки (бакалаври)
Använd denna länk för att citera eller länka till detta dokument: http://elartu.tntu.edu.ua/handle/lib/49556
Titel: Застосування машинного навчання для розпізнавання об’єктів на зображеннях
Övriga titlar: Application of machine learning for object recognition in images
Författare: Іщук, Валентин Богданович
Ishchuk, Valentyn Bogdanovych
Affiliation: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Bibliographic description (Ukraine): Іщук В. Б. Застосування машинного навчання для розпізнавання об’єктів на зображеннях : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. С. В. Марценко. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 66 с.
Utgivningsdatum: 25-jun-2025
Submitted date: 11-jun-2025
Date of entry: 4-jul-2025
Utgivare: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Country (code): UA
Place of the edition/event: Тернопіль
Supervisor: Марценко, Сергій Володимирович
Martsenko, Serhii
UDC: 004,04
Nyckelord: 122
зображення
об’єкт
розпізнавання зображення
image
object
image recognition
Page range: 66
Sammanfattning: Кваліфікаційна робота присв’ячена розробці програми по розпізнаванню об’єктів на зображенні, для прикладу взято в якості об'єктів на зображення - ктота та людину. В роботі здійснена розробка прогами по розпізнаванню об’єктів при цьому проаналізовано технології які використовуються під час розпізнавання. Описано основні понятя, принципи та етапи які необхідні для розпізнавання об’єктів на зображенні. При цьому використані різні моделі нейронних мереж (Yolo v8n, Yolo v8m, Yolo v8x) та здійснено їх порівння результатів виявлення об’єктів на зображенні. В першому розділі кваліфікаційної роботи описано типоі технологій, які застосовуються при розпізнаванні об’єктів на зображенні. Наведений опис всіх етапів розпізнавання об’єктів на зображенні та дана їх коротка характеристика. У другому розділі описано розробку програми для розпізнавання об’єктів, для прикладу ми обрали в якості об’єктів – людину та кота. Проведено порівняльний аналіз різних моделей нейронних мереж (Yolo v8n, Yolo v8m, Yolo v8x) та обрана та яка найкраще здійснює розпізнавання об'єктів на зображенні. У третьому розділі кваліфікаційної роботи було опрацьовано такі питання як поняття мети та завдання БЖД це стосувалося безпеки життедіяльності. Крім цього розкриті питання при дії при ліквідації аварій на об’єкті. А також наведена характеристика катастроф і типові дії та аварійно-відновні роботи при ліквідації наслідків катастроф та аварій. Об’єкт дослідження: Процес розпізнавання об’єктів на зображенні. Предмет дослідження: Технології та методи які застосовуються при розпізнаванні об’єктів на зображенні. Практичне значення одержаних результатів полягає у стовренні програми для розпізнавання об’єктів на зображенні, яка може бути після доопрацювання використана в системах, наприклад, відеоспостереження
The qualification work is devoted to the development of a program for recognizing objects in an image, for example, a person and a person are taken as objects in an image. The work develops programs for recognizing objects using this analyzed technology, which is used during recognition. The basic concepts, principles and stages necessary for recognizing objects in an image are described. In this case, different models of neural networks (Yolo v8n, Yolo v8m, Yolo v8x) are used and their results for objects in an image are compared. The first section of the qualification work describes the types of technologies used in recognizing objects in an image. A description of all stages of recognizing objects in an image is given and their brief characteristics are given. The second section describes the development of a program for recognizing objects, for example, we chose a person and a cat as objects. A comparative analysis of various neural network models (Yolo v8n, Yolo v8m, Yolo v8x) was conducted and the best recognition of objects in the image was selected. In the third section of the qualification work, such issues as the concept of the purpose and task of the BZH were worked out, this concerned the safety of life. In addition, the issue of actions during the elimination of accidents at the facility was revealed. And the characteristics of disasters and types of actions and emergency recovery work during the elimination of the consequences of disasters and accidents are also given. Object of study: The process of recognizing objects in the image. Subject of study: Technologies and methods used in recognizing objects in the image. The practical significance of the results obtained was in the creation of a program for recognizing objects in the image, which can be used in systems, for example, video surveillance, after refinement
Beskrivning: Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 25.06.2025р. на засіданні екзаменаційної комісії №30 у Тернопільському національному технічному університеті імені Івана Пулюя
Content: ВСТУП 8 РОЗДІЛ 1. РОЗГЛЯД ТИПОВИХ РІШЕНЬ ТА ЗАСОБІВ ДЛЯ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ НА ЗОБРАЖЕННЯХ 9 1.1 Розпізнавання об'єктів на зображеннях 9 1.2 Типові підходи до розпізнавання об’єктів на зображеннях 10 1.3 Перший етап збір та підготовка даних 11 1.4 Другий етап попередне опрацювання даних 13 1.5 Третій етап виділення ознак (feature extraction) 14 1.7 Четвертий етап розпізнавання на нових даних або Inference 18 1.7 Етап оцінки якості розпізнавання. Використання метрик точності 19 1.8 Висновок до першого розділу 29 РОЗДІЛ 2. РОЗРОБКА ПРОГРАМИ ДЛЯ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ НА ЗОБРАЖЕННІ 30 2.1 Переваги та аналіз версії нейронної мережі YOLO v8 30 2.2 Попередня обробка 33 2.3 Застосування карти ознак (feature maps) 38 2.4 Зображення розпізнаних об’єктів (Inference) 39 2.5 Розпізнавання об’єктів на зображенні та виділення їх контуром 41 2.6 Висновок до другого розділу 43 РОЗДІЛ 3. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 44 3.1 Безпека життєдіяльності. Мета та завдання 44 3.1 Інформаційне забезпечення БЖД 46 3.1 План ліквідації аварій на виробничому об’єкті 48 3.1 Висновок до третього розділу 53 ВИСНОВКИ 54 ПЕРЕЛІК ДЖЕРЕЛ 55 ДОДАТКИ
URI: http://elartu.tntu.edu.ua/handle/lib/49556
Copyright owner: © Іщук Валентин Богданович, 2025
References (Ukraine): 1. Шевченко, С. І. Комп’ютерний зір: алгоритми розпізнавання та обробки зображень : монографія / С. І. Шевченко. Київ : Наукова думка, 2020. – 312 с.
2. Гончаренко, І. В. Методи машинного навчання для задач комп’ютерного зору : навч. посіб. / І. В. Гончаренко, М. О. Коваль. Львів : Львівська політехніка, 2021. 148 с.
3. Goodfellow, I. Deep Learning / Ian Goodfellow, Yoshua Bengio, Aaron Courville. Cambridge : MIT Press, 2016. 775 p.
4. Redmon, J. You Only Look Once: Unified, Real-Time Object Detection [Електронний ресурс] / Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi // arXiv preprint. 2016. arXiv:1506.02640. Режим доступу: https://arxiv.org/abs/1506.02640
5. Bochkovskiy, A. YOLOv4: Optimal Speed and Accuracy of Object Detection [Електронний ресурс] / Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao // arXiv preprint. 2020. arXiv:2004.10934. Режим доступу: https://arxiv.org/abs/2004.10934
6. Ultralytics. YOLOv8 Docs [Електронний ресурс]. 2023. Режим доступу: https://docs.ultralytics.com/
7. Соловйов, В. М. Обробка та аналіз зображень в Python / В. М. Соловйов. Харків : ХНУРЕ, 2022. – 120 с.
8. Опанасенко, Л. П. Основи глибинного навчання з застосуванням TensorFlow та Keras : навч. посіб. / Л. П. Опанасенко. Київ : КНЕУ, 2022. 198 с.
9. Конспект лекцій з дисципліни «Основи безпеки життєдіяльності».
10. Influence of deformation process in material at multiple cracking and fragmentation of nanocoating PO Maruschak, SV Panin, SR Ignatovich, IM Zakiev, IV Konovalenko, Theoretical and Applied Fracture Mechanics 57 (1), 43-48
11. Пам’ятка-інструктаж з питань охорони праці для студентів Тернопільського державного технічного університету імені Івана Пулюя. – Тернопіль.
12. Стручок, В. С., Стручок, О. С., & Мудра, Д. В. (2017). Навчальний посібник до написання розділу дипломного проекту та дипломної роботи ″Безпека в надзвичайних ситуаціях ″для студентів всіх спец. денної, заочної (дистанційної) та екстернатної форм навчання.
13. Стручок, В. С. (2022). Техноекологія та цивільна безпека. Частина «Цивільна безпека». Навчальний посібник.
14. Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання / укл.: Стручок В. С. Тернопіль: ФОП Паляниця В. А., 2022. 156 с
15. Automated algorithm for determining surface’s oil capacity based on the analysis of the Abbot-Firestone diagram’s parameters. Iaroslav Lytvynenko, Volodymyr Dzyura, Pavlo Maruschak CEUR Workshop Proceedings, 2024, 3896, pp. 74–79.
16. Development of an algorithm for identification of damage types on the surface of sheet metal Palianytsia, Y., Lytvynenko, I., Menou, A., Shymchuk, G., Dubchak, A. CEUR Workshop Proceedings, 2024, 3742, pp. 84–96.
17. Methodology of the Formation of Sports Matches Statistical Information Using Neural Networks Sorokivska, O., Lytvynenko, I., Sorokivskyi, O., Kozbur, H., Strutynska, I. CEUR Workshop Proceedings, 2023, 3628, pp. 389–403.
18. The Method of Computer Modeling of Heart Rhythm based on the Vector of Stationary and Stationary-related Random Sequences Onyskiv, P., Lytvynenko, I., Oleksandr, V., Shymchuk, G., Hotovych, V. CEUR Workshop, 2023, 3468, pp. 223–232.
19. Computer modeling of cardiac rhythm based on vector of stationary random sequences. Serhii Lupenko, Iaroslav Lytvynenko, Petro Onyskiv, Anatolii Lupenko, Oleksandr Volianyk, Olena Tsitsiura // Scientific Journal of TNTU. Tern.: TNTU, 2023. Vol 108. No 4. P. 131–143.
20. Krizhevsky, A. ImageNet Classification with Deep Convolutional Neural Networks / Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton // Communications of the ACM. 2017. Vol. 60, No. 6. P. 84–90. DOI: https://doi.org/10.1145/3065386
21. Ren, S. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39, No. 6. – P. 1137–1149.
22. Liu, W. SSD: Single Shot MultiBox Detector / Wei Liu et al. // Computer Vision ECCV 2016. Springer, Cham, 2016. P. 21–37. DOI: https://doi.org/10.1007/978-3-319-46448-0_2
23. Lin, T.-Y. Microsoft COCO: Common Objects in Context / Tsung-Yi Lin et al. // European Conference on Computer Vision. Springer, Cham, 2014. P. 740–755. – DOI: https://doi.org/10.1007/978-3-319-10602-1_48
24. He, K. Deep Residual Learning for Image Recognition / Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770–778.
25. Russakovsky, O. ImageNet Large Scale Visual Recognition Challenge / Olga Russakovsky et al. // International Journal of Computer Vision. 2015. Vol. 115. P. 211–252. – DOI: https://doi.org/10.1007/s11263-015-0816
26. Khan, A. A survey of the recent architectures of deep convolutional neural networks / Asifullah Khan et al. // Artificial Intelligence Review. 2020. Vol. 53. – P. 5455–5516. – DOI: https://doi.org/10.1007/s10462-020-09825-6
27. Zisserman, A. Very Deep Convolutional Networks for Large-Scale Image Recognition / Karen Simonyan, Andrew Zisserman // arXiv preprint. 2014. – arXiv:1409.1556. Режим доступу: https://arxiv.org/abs/1409.1556
28. OpenCV. Open Source Computer Vision Library [Електронний ресурс]. – Режим доступу: https://opencv.org/ Дата звернення: 18.06.2025.
29. Tan, M. EfficientDet: Scalable and Efficient Object Detection / Mingxing Tan, Ruoming Pang, Quoc V. Le // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. P. 10781–10790.
Content type: Bachelor Thesis
Samling:122 — Компʼютерні науки (бакалаври)

Fulltext och övriga filer i denna post:
Fil Beskrivning StorlekFormat 
2025_KRB_SN-41_Ishchuk_VB.pdfДипломна робота1,41 MBAdobe PDFVisa/Öppna
Visa fullständig post


Materialet i DSpace är upphovsrättsligt skyddat och får ej användas i kommersiellt syfte!

Administrativa verktyg