Автоматизація ідентифікації об’єктів при сортуванні

Abstract

UA : Робота викладена на 49 сторінках друкованого тексту, містить 17 рисунків, 1 таблицю, 28 джерел, 1 додаток. Об’єкт дослідження – процес ідентифікації зображень у задачах промислового сортування. Мета роботи – розробити застосунок для автоматичної ідентифікації об’єктів за зображенням з використанням нейронних мереж на мові Python. Методи дослідження – аналіз літературних джерел, математичне моделювання, архітектурне проєктування, програмна реалізація, тестування. У роботі проаналізовано сучасні підходи до ідентифікації об’єктів на зображеннях, розглянуто базові архітектури штучних нейронних мереж, такі як згорткові (CNN), багатошарові перцептрони (MLP), а також специфічні моделі виявлення об’єктів, зокрема YOLOv3. Описано принципи функціонування згорткових шарів, активації ReLU, пулінгу, повнозв’язних шарів та функцій втрат, таких як крос-ентропія. Запропоновано архітектуру програмного засобу, реалізованого мовою Python з використанням бібліотеки OpenCV. Модель навчено на наборі даних COCO з використанням попередньо натренованої архітектури YOLOv3. Розроблений застосунок дозволяє здійснювати автоматизоване розпізнавання об’єктів на зображеннях у режимі реального часу та може бути інтегрований у промислові системи сортування. Використання нейромережевих підходів забезпечило високу точність розпізнавання та адаптивність до різних умов роботи.EN : The work is presented on 49 pages of printed text, 17 figures, 1 table, 28 references, 1 supplement. The object of the study is the process of image identification in industrial sorting tasks. The aim of the study is to develop an application for automatic object identification from images using neural networks implemented in Python. The research methods include the analysis of literature sources, mathematical modeling, architectural design, software implementation, and testing. The paper analyzes modern approaches to object identification in images, describes fundamental architectures of artificial neural networks such as convolutional neural networks (CNN), multilayer perceptrons (MLP), as well as object detection models including YOLOv3. It discusses the principles of convolutional layers, ReLU activation, pooling, fully connected layers, and loss functions such as categorical cross-entropy. A software architecture is proposed and implemented using the Python programming language and the OpenCV library. The model is trained on the COCO dataset using a pre-trained YOLOv3 architecture. The developed application enables automated object recognition in images in real time and can be integrated into industrial sorting systems. The use of neural network approaches ensures high recognition accuracy and adaptability to varying operating conditions.