Magistrlik dissertatsiyasi 7 bet, 59 ta rasm, ta jadval, 70 ta adabiyot va ilovadan iborat

. Keras da o‘ramli neyron tarmog‘ini amalga oshirish

Tasniflash vazifasi berilgan to‘plamlardan biriga tasvirni belgilash vazifasidir. Segmentatsiya natijasida olingan avtomobil raqami tasvirining har bir hududi haqiqiy belgilar alifbosidan olingan alfavit-raqamli tasvirdir.

Model e’lon qilish model = Model(input_img, x) funksiyasi bilan birga keladi. Birinchisi, yadro o‘lchami “3” dan “3” gacha bo‘lgan o‘ram qatlami va bir qator xususiyatlar xaritalari “64”. Ushbu qatlam uchun faollashtirish funksiyasi "ReLu" dir. Birinchi qatlam kirish shaklini oladi. Bu har bir kirish tasvirining shakli - 28,28,1. Bu yerda 1 raqami tasvirlarning qora va oq ekanligini bildiradi.
Flatten() funksiyasidan foydalanib, biz olingan xususiyatlarni bir o‘lchovli massivga aylantiramiz va " ReLu " faollashtirish funksiyasi bilan Dense() buyrug‘i bilan “150” neyronlarning to‘liq bog‘langan qatlamini yaratamiz.
Dense() funksiyasi tomonidan chiqarilgan sinflar soniga javob beradigan yana bir to‘liq bog‘langan qatlamni yaratamiz , ya’ni neyron tarmog‘ini o‘qitish uchun ishlatiladigan sinflar bo‘lgan papkalar soni ko‘rsatilgan.
Ayni paytda neyron tarmoq yo‘l belgilarining “43” turini tanib olishga o‘rgatiladi. Ushbu qatlam uchun faollashtirish funksiyasi "sigmoid" dir.
Arxitekturani o‘rnatgandan so‘ng, olingan modelni kompilyatsiya qilish kerak:
model.compile( loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']).
“loss='categorical_crossentropy’” parametri yo‘qotish funksiyasi uchun javob beradi, bu yerda funksiya soni “2” dan oshadigan sinflar uchun ishlatiladi, chunki yo‘l belgilarining ikki turidan ortiq. “optimizer='adam'” parametri neyron tarmoqni optimallashtiradi va «metrics = ['accuracy', 'mse', 'mae']» model sifatini hisoblashni aniqlaydi, bu holda u o‘rtacha ildiz hisoblanadi. kvadrat xato va aniqlik, ya’ni to‘g‘ri javoblar nisbati.

8. Mavjud yo‘l belgilarini aniqlash tizimlarining texnik xususiyatlarini taqqoslash

3-jadvalda yo‘l belgilarini aniqlaydigan mavjud dasturiy mahsulotlarning qiyosiy tavsiflari keltirilgan.

3-jadval
Qiyosiy xarakteristikalar

	RoadAR	Opelee	Speed limit assist	Road sign information	Kompyuter laboratoriyasi grafika va multimedia Moskva davlat universiteti. Lomonosov
E’lon qilingan tanib olish aniqligi	95%	90%	95%	96%	95%
Belgining yoritilishi, lk, dan kam emas	50	50	50	50	50
Tezlik chegarasi belgisini aniqlash	+	+	+	+	+
Boshqa taqiqlash belgilarini tanib olish	+	+	-	+	+
Boshqa ma’lumotlar	Smartfonga o‘rnatilishi mumkin	Faqat >60 km/soat tezlikda ishlaydi			Ochiq tizim, Viola-Jons algoritmidan foydalaniladi
Real tanib olish aniqligi	85%	75%	70%	75%	95%

Jadval shuni ko‘rsatadiki, alohida mavjud dasturiy mahsulotlar kamdan-kam uchraydi va faqat ikkita ishlab chiquvchi tomonidan taqdim etiladi. Komplekslarning aksariyati alohida o‘rnatilmagan dasturiy ta’minot, lekin avtomobil ishlab chiqaruvchisining zavod opsiyalarining bir qismidir. Shunday qilib, ularning tijorat qiymati juda yuqori. Bunday mahsulotlarning barchasida tanib olish aniqligining past foizi ma’lum hollarda seziladi, bu belgi egilgan, qisman qoplangan yoki ifloslangan yoki aylantirilganda yanada pasayadi, chunki tasvirlar proyektiv va affin buzilishlarga duchor bo‘ladi. Sinovlar davomida faqat aniq, yuqori kontrastli belgilar ishonchli tarzda tanib olinadi. Tijorat tizimlarida yo‘l belgilarini lokallashtirish va tanib olish uchun foydalanilgan algoritmlar nashr etilmagan. Katta ehtimol bilan tanib olish uchun shablon algoritmlaridan foydalaniladi [19].
Affin va proyektiv o‘zgarishlarga invariant belgilarni aniqlash usulini ishlab chiqish tanib olish aniqligini oshiradi, bu quyidagi hollarda muhim ahamiyatga ega:
yo‘l belgilarining qiya mahkamlash;
boshqaruv hududida avtomobilning manevri;
boshqaruv hududida avtomobil yuqori tezligi;
ko‘p qatorli yo‘lning eng chap bo‘lagida harakatlanayotganda tizimdan foydalanish (faqat o‘ng tomonda belgilar mavjud bo‘lganda).

9.