Оптимізація параметрів нейронної мережі для системи виявлення злочинців
Автор: Продан Роман Романович
Кваліфікаційний рівень: магістр
Спеціальність: Комп'ютерні системи управління рухомими об'єктами (автомобільний транспорт)
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: англійська
Анотація: Останнім часом великий інтерес в бізнесі та науковій спільноті привертають нейронні мережі, зокрема технології глибокого навчання. Їх використання дозволяє оптимізувати процеси та розв’язувати проблеми набагато ефективніше порівняно з іншими методами. Однією з актуальних задач є виявлення злочинців у житлових приміщеннях, особливо з урахуванням зростаючої кількості крадіжок. Магістерська робота присвячена дослідженню існуючих підходів до виявлення злочинців в квартирах та розробці програмного забезпечення для розпізнавання їхньої поведінки в реальному часі на основі нейронних мереж. У першому розділі нашої роботи ми ретельно проаналізували історію розвитку технологій [1], спрямованих на виявлення злочинців. Піддаючи докладному розгляду цей еволюційний процес, ми визначили ключові етапи та вирішальні моменти, що вплинули на формування сучасних методів. У рамках нашого дослідження ми вивчили різноманітні методи виявлення злочинців, охоплюючи широкий спектр технологічних інновацій. Наш аналіз дозволив нам глибше розібратися у важливості кожного методу та визначити їхню ефективність у конкретних умовах. Ми звернули особливу увагу на те, як кожен з цих підходів може сприяти вирішенню проблем безпеки житла. Окрім того, ми ретельно проаналізували переваги та недоліки кожного методу, враховуючи їхні технічні, етичні аспекти. Це дозволило нам отримати об’єктивний погляд на сучасні технології виявлення злочинців і їхню придатність для вирішення актуальних завдань забезпечення безпеки в приватних просторах. Другий розділ присвячено новому підходу до виявлення злочинців на відео з використанням згорткових нейронних мереж (CNN) [2]. Проведено класифікацію та розглянуто переваги використання CNN. Детально розібрано етапи роботи мережі, включаючи оптимізацію параметрів та аугментацію даних. У третьому розділі описано методи та засоби реалізації використаних технологій. Визначено вибір мови програмування (Python) та необхідних бібліотек для успішної реалізації нейронної мережі. У четвертому розділі нашої роботи ми докладно описано реалізації згорткової нейронної мережі YOLO (You Only Look Once) [3] з метою виявлення злочинців на відео. YOLO відзначається унікальною здатністю розпізнавати та класифікувати об’єкти в реальному часі, що робить його особливо ефективним для використання в сфері кримінального виявлення. Ми не обмежилися лише описом архітектури YOLO, але й ретельно розглянули оптимізаційні техніки, які ми впроваджували для покращення продуктивності моделі. Це включало в себе оптимізацію гіпер параметрів, таких як розмір ядра та глибина мережі, а також вдосконалення процесу навчання для забезпечення оптимального виявлення злочинців. Додатково, ми детально розглянули застосування аугментації даних у контексті YOLO. Ці методи включали розширення обсягу навчального набору даних, використання різних трансформацій та обрізання, щоб покращити роботу моделі в різних умовах та забезпечити її стійкість до різноманітних сценаріїв. Внаслідок впровадження цих оптимізаційних технік та методів аугментації даних, ми досягли суттєвого покращення результатів нашої YOLO-моделі у виявленні злочинців. Ці досягнення визначають нові можливості та відкривають перспективи для вдосконалення систем виявлення кримінальної діяльності на відео в реальному часі. П’ятий розділ присвячений економічній частині. Проведено розрахунок витрат на розробку та порівняння з існуючим аналогом. Виявлено, що розроблене програмне рішення є конкурентоспроможним та економічно доцільним. У висновках підкреслено важливість оптимізації параметрів та аугментації даних для досягнення високої ефективності та точності роботи нейронних мереж у виявленні злочинців у режимі реального часу. Розроблене програмне забезпечення відкриває перспективи для подальших досліджень та розробок в області безпеки та охорони майна. Ключові слова: крадіжки в квартирах, комп’ютерний зір, глибинне навчання, нейронна мережа, камери відеоспостереження. 1. The History and Evolution of Commercial Security Systems. URL -https://www.sutori.com/en/story/the-history-and-evolution-of-commercial- security-systems--eUmjCa8eEHnidnT4h25Rxf84 2. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015. Vol. 521, no. 7553. P. 436–444. URL: https://doi.org/10.1038/nature14539 (date of access: 10.12.2023). 3. H C D. An Overview of You Only Look Once: Unified, Real-Time Object Detection. International Journal for Research in Applied Science and Engineering Technology. 2020. Vol. 8, no. 6. P. 607–609. URL: https://doi.org/10.22214/ijraset.2020.6098 (date of access: 10.12.2023).