Дослідження системи штучного інтелекту для розпізнавання військової техніки на зображеннях
Автор: Бешлей Тарас Іванович
Кваліфікаційний рівень: магістр
Спеціальність: Комп'ютеризовані системи управління та автоматика
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2022-2023 н.р.
Мова захисту: англійська
Анотація: Етап розвідки, під час військових дій, є одним з найважливіших аспектів для отримання тактичної та стратегічної переваги на полі бою. Перевагу можна збільшити шляхом зменшення часу на етап розвідки – аналізу, який вимагає найбільше часу. На прикладі повномасштабного вторгнення російської федерації в Україну можна виділити основні джерела надходження інформації: безпілотні літальні апарати, знімки з супутників, соціальні мережі. Кількість інформації, отриманої з цих джерел є дуже великим. Запропоноване програмне забезпечення, розроблене у рамках цієї магістерської кваліфікаційної роботи, дозволить автоматизувати аналіз інформації, отриманої з цих джерел із допомогою сучасної системи штучного інтелекту. На ринку наявна велика кількість фреймворків глибинного навчання, з відкритим вихідним кодом, що дозволяє розробляти та використовувати їхні функції без плати за ліцензію. Був здійснений розширений аналіз наявних фреймворків, щоб виявити переваги та недоліки кодного з них. Правильний вибір технології для розробки програмного забезпечення надасть інструменти для легкої розробки, та подальшу підтримку нового функціоналу Об’єкт дослідження – сучасні системи штучного інтелекту для розпізнавання об’єктів на зображеннях. Предмет дослідження – фреймворк штучного інтелекту TensorFlow 2.0. Побудова моделі на основі власних даних. Здійснення усіх операцій на центральному та графічному процесорах водночас. Мета дослідження – пришвидшення найбільш трудомісткого етапу розвідки – аналізу, шляхом автоматизованого виявлення військових об’єктів. У результаті роботи зроблено наступні висновки: При проектуванні системи штучного інтелекту для комп’ютерного зору доцільно використовувати фреймворк TensorFlow 2.0, який також використовує деякий функціонал з інших аналогів. Дуже важливим аспектом у виборі технології була підтримка обробки на графічному процесорі, що кардинально пришвидшує навчання нейронної мережі, приблизно у 80 разів в порівнянні з центральним процесором. Перелік використаних літературних джерел: 1. Сторінка веб-сайту Wikipedia [Інтернет ресурс] - https://uk.wikipedia.org/wiki/%D0%A8%D1%82%D1%83%D1%87%D0%BD%D0%B8%D0%B9_%D1%96%D0%BD%D1%82%D0%B5%D0%BB%D0%B5%D0%BA%D1%82 2. Харченко В. С., Фесенко Г. В., Ілляшенко О. О. (2022), Базова модель нефункційних характеристик для оцінки якості штучного інтелекту 3. Сторінка веб-сайту Wikipedia [Інтернет ресурс] - https://en.wikipedia.org/wiki/TensorFlow 4. Сторінка веб-сайту CodeGuida [Інтернет ресурс] - https://codeguida.com/post/1150 5. Сторінка веб-сайту Medium [Інтернет ресурс] - https://medium.com/@sophiekholod/%D0%BA%D0%BE%D1%80%D0%BE%D1%82%D0%BA%D0%BE-%D0%BF%D1%80%D0%BE