XI Международная студенческая научная конференция Студенческий научный форум - 2019

Задача распознавания образов живыми системами, в том числе и человеком, решается постоянно с момента своего появления. Информация, поступающая с органов чувств человека, обрабатывается мозгом, который в свою очередь сортирует информацию, обеспечивает принятие решения, а далее с помощью электрохимических импульсов передает необходимый сигнал далее, например, органам движения, которые реализуют необходимые действия, затем происходит изменение окружающей обстановки, и процесс распознавания образов происходит заново.

В теории распознавании образов, под образом понимают классификационную группировку в системе классификации, объединяющую определенную группу объектов по некоторому признаку [1]. Образы обладают характерным свойством, проявляющимся в том, что ознакомление с конечным числом явлений из одного и того же множества дает возможность узнавать сколь угодно большое число его представителей.

Распознавание образов, по сути, является задачей идентификации объекта и отнесения его к определенному классу посредством определения и выделения его признаков.

Человек в процессе его жизнедеятельности постоянно и непрерывно осуществляет распознавание различных объектов. Создание устройств, выполняющих функции распознавания различных объектов, в большинстве случаев обеспечивает возможность замены человека специализированным автоматом. Основные причины замены человеческого участия в задачах распознавания:

освобождение человека от однообразных операций для решения других более важных задач;

повышение качества и скорости принимаемых решений.

Для создания устройств, которые смогли бы повторить функции распознавания, осуществляемые человеком, необходимо понимание главных особенностей и принципов распознавания, заложенных природой в человеке.

При цифровой обработке изображений, существуют стандартные этапы распознавания образов. Они объединены в две большие категории: этапы, в результате которых осуществляется обработка поступившего изображения, результатом данных этапов является обработанное изображение; и этапы, осуществляющие обработку изображения с целью выделения, описания и классификации объектов распознавания, собственно само распознавание. Результатом этих этапов являются атрибуты изображения.

К первой категории этапов распознавания образов относятся:

получение и при необходимости масштабирование изображения;

фильтрация и улучшение изображения;

обработка цветных изображений;

вейвлеты и крупномасштабная обработка изображений;

сжатие изображения;

морфологическая обработка;

Перечисленные выше этапы создают предпосылки для перехода к этапам по выделению, классификации объектов и их распознаванию:

сегментация изображения;

анализ;

выбор признаков/атрибутов для классификации;

распознавание образов;

обучение.

Одним из основных этапов при распознавании образов является описание объектов, выявление характерных признаков и их классификация. Объектом распознавания могут являться как физические объекты, так и математические, нематериальные модели. По причине большого количества и разнообразия объектов и групп объектов распознавания на данный момент существует большое количество методов распознавания.

Выделяют три основных метода распознавания образов [1].

1. Метод перебора. В этом случае производится сравнение с базой данных, где для каждого вида объектов представлены всевозможные модификации отображения. Например, для оптического распознавания образов можно применить метод перебора вида объекта под различными углами, масштабами, смещениями, деформациями и т.д.; для букв нужно перебирать шрифт, свойства шрифта и т.д.; в случае распознавания звуковых образов, соответственно, происходит сравнение с некоторыми известными шаблонами, например, слово, произнесенное несколькими людьми.

2. Более глубокий анализ характеристик образа. В случае оптического распознавания, это может быть определение различных геометрических характеристик. Звуковой образец в этом случае подвергается частотному, амплитудному анализу и т.д.

3. Использование искусственных нейронных сетей (ИНС). Этот метод требует либо большого количества примеров задачи распознавания при обучении, либо специальной структуры нейронной сети, учитывающей специфику данной задачи. Метод ИНС отличает более высокая эффективность и производительность [2].

По характеру информации о признаках распознаваемых объектов среди методов распознавания образов выделяют следующие основные группы [1]:

детерминированные методы – методы, использующие для распознавания геометрические меры близости, и основанные на определении расстояний между объектом распознавания и эталоном;

вероятностные методы – методы, основанные на теории статистических решений и использующие для распознавания наличие вероятностных зависимостей между признаками объекта распознавания и классами, к которым эти объекты относятся;

логические методы – методы, основанные на дискретном анализе и базирующемся на нем исчислении высказываний. Данные методы предусматривают наличие логических связей, выраженных через систему булевых уравнений;

структурные или лингвистические методы – методы, использующие аппарат математической лингвистики для описания структуры изображения, т.е. описание образов в виде иерархической структуры подобразов, аналогичной синтаксической структуре языка. Применяется в случаях, когда объекты не могут быть описаны числовыми измерениями, или настолько сложны, что локальные признаки идентифицировать не удается.

Общая структура системы распознавания и этапы в процессе ее разработки показаны на рисунке 1.

Рисунок 1 – Структура системы распознавания [1]

Таким образом, задачи распознавания образов имеют следующие характерные черты:

преобразование исходных данных к виду, удобному для распознавания;

указание принадлежности объектов распознавания к определенному классу.

Для указания принадлежности объекта к классу вводят понятие аналогии или подобия объектов и формулируют правила, на основании которых объект зачисляется в один и тот же класс или в разные классы. В этих задачах можно оперировать набором прецедентов-примеров, классификация которых известна и которые в виде формализованных описаний могут быть предъявлены алгоритму распознавания для настройки на задачу в процессе обучения.

Выделяют следующие типы задач распознавания:

задача распознавания – отнесение предъявленного объекта по его описанию к одному из заданных классов (обучение с учителем) [3];

задача автоматической классификации – разбиение множества объектов, ситуаций, явлений по их описаниям на систему непересекающихся классов (таксономия, кластерный анализ, самообучение);

задача выбора информативного набора признаков при распознавании;

задача приведения исходных данных к виду, удобному для распознавания;

динамическое распознавание и динамическая классификация;

задача прогнозирования, в которой решение должно относиться к некоторому моменту в будущем.

Для задач распознавания образов трудно строить формальные теории и применять классические математические методы, так как часто недоступна информация для точной математической модели или выигрыш от использования модели и математических методов несоизмерим с затратами, поэтому так стремительно развиваются новые методы их решения, в основе которых теории искусственного интеллекта.

Распознавание образов связано с множеством различных областей исследований, в том числе с таким научным направлением как искусственный интеллект, в рамках которого выделяют нейросетевые методы, базирующиеся на применении различных типов нейронных сетей.

Нейронные сети – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести способность нервной системы человека обучаться и исправлять ошибки [4]. Искусственные нейросети моделируют работу человеческого мозга, в их структуре выделяют входной, выходной слои нейронов и внутренние слои нейронов, которые обеспечивают обучаемость нейронной сети, в том числе и распознаванию образов.

Примерами технологии распознавания образов на основе обучения нейронной сети являются: распознавание соцсетями лиц на фотографиях; классификация картинок поисковыми системами; обнаружение запрещенного контента в облачных хранилищах и соцсетях. Успех использования нейронных сетей в современном сельском хозяйстве обусловлен тем, что они работают с большими объемами данных быстрее и эффективнее человека. В сельском хозяйстве большие объемы данных определены сотнями гектаров площадей, тысячами сотрудников, миллионным поголовьем [5].

Таким образом, существует большое количество методов распознавания образов, которые классифицируются на группы по ряду критериям. Распознавание образов имеет самые разнообразные применения в науке, технике, социальной сфере, сельском хозяйстве. Одним из успешных методов распознавания образов являются нейросетевые методы, которые обеспечивают быстрое и надежное распознавание изображений.

Список использованной литературы:

Попова, Л.П. Обзор существующих методов распознавания образов [Электронный ресурс] / Л.П. Попова, И.О. Датьев // Сайт http://textarchive.ru. – Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book5/1_3.phphttp://textarchive.ru/c-2235514.html

Ротштейн, А.П. Интеллектуальные технологии идентификации [Электронный ресурс] // MATLAB. Exponenta: сайт. – Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book5/1_3.php

Обучение нейронной сети [Электронный ресурс] // Портал знаний об искусственном интеллекте. – М., 2013-2018. – Режим доступа: https://neuronus.com/theory/nn/238-obucheniya-nejronnoi-seti.html

Чубукова, И.А. Data Mining Элементы нейронных сетей. Электронная книга [Электронный ресурс]. – М.: ИНТУИТ.РУ «Интернет –Университет Информационных Технологий», 2006. – 336с. – Режим доступа: https://www.intuit.ru/studies/courses/6/6/lecture/178?page=2

Нейронные сети в сельском хозяйстве. Инновации: [Электронный ресурс] // Ассоциация "Крестьянских (фермерских) хозяйств и организаций агропромышленного комплекса Сибири". – М., 2019. – Режим доступа: http://www.akfhsibiri.ru/index.php/novosti/innovatsii

Код для цитирования: Скопировать