Розроблення та дослідження інтелектуальної системи оцінки ризиків відволікання водія під час руху
Автор: Люзняк Ігор Володимирович
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні технології проектування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: Люзняк І.В., Соколовський Я.І. (керівник). Розроблення та дослідження інтелектуальної системи оцінки ризиків відволікання водія під час руху . Магістерська кваліфікаційна робота – Національний університет «Львівська політехніка», Львів, 2023. Розширена анотація. У першому розділі проведено аналіз сучасного стану проблеми, а саме: розпізнавання та класифікації об’єктів за допомогою глибоких згорткових нейронних мереж. Окрім того, ми ознайомилися з бібліотекою Keras із відкритим кодом. І переконалися, що вона забезпечує зручний інтерфейс для розробки і навчання нейронних мереж. А це дозволяє швидко виконувати експерименти з різними архітектурами мереж, оптимізаторами та функціями втрати. На підставі проведеного огляду сучасного стану досліджень у даній предметній області визначено мету та завдання магістерської кваліфікаційної роботи. У другому розділі було розглянуто математичні моделі, які використовуються у дипломній роботі для розпізнавання та класифікації об’єктів. Основною моделлю, котру ми використовуємо, є глибока згорткова нейронна мережа (CNN), зокрема, модель VGG16. Зокрема, детально було розглянуто алгоритми згортки та пулінгу. Саме вони використовуються для отримання представлення зображень. Дані алгоритми дають змогу зменшити кількість параметрів мережі та покращити ефективність обробки зображень. У третьому розділі магістерської кваліфікаційної роботи розглянуто питання інформаційного забезпечення нашого дослідження.Варто відзначити, що використовуючи платформу Kaggle, ми мали змогу знайти та використовувати відповідні набори даних для нашого дослідження. А це значно спростило процес збору і підготовки даних для аналізу.Використовуючи бібліотеку Keras, нам вдалось швидко та зручно побудувати та навчити модель глибокої згорткової мережі для класифікації та розпізнавання об’єктів на зображеннях.У даному розділі ми також розглянули процес поділу даних на тренувальний та тестовий набори. Здійснили попередню обробку даних, включаючи зміну розмірів зображень та перетворення класів на 5 категоріальний формат. У четвертому розділімагістерської роботи було зосереджено увагу на програмній реалізації нашого дослідження. Описано використані технології, зокрема, мову програмування Python та бібліотеку Keras. Вона дала можливість нам побудувати та навчити глибоку згорткову мережу. Також розглянуто процес підготовки даних, включаючи при цьому, завантаження зображень із використанням бібліотеки OpenCV. А також поділ даних на тренувальний та тестовий набори, перетворення класів у формат категорій. Ми завантажили попередньо навчену модель VGG16 із використанням бібліотеки Keras і заморозили перші 15 шарів моделі для використання їх в якості екстрактора ознак.А дальше побудували додатковий повнозв’язний шар для класифікації та розпізнавання об’єктів. При цьому використали функціонал бібліотеки Keras. Завдяки використанню функціоналу бібліотеки Keras, було створено модель VGG16. Вона була адаптована для нашої задачі класифікації водіїв. Післятого, як модель було побудовано та налаштовано, нами було здійснено її навчання на тренувальному наборі даних за допомогою функції fit(). Ми використали стандартні параметри. Це такі як: кількість епох, розмір пакета і оптимізатор SGD зі швидкістю навчання 1e-4. Закінчивши навчання, нами було використано навчену модель для класифікації зображень із тестового набору. В результаті ми отримали прогнозовані класи для кожного зображення. Нам вдалось виміряти точність класифікації. Задля цього використали метрику accuracy_score. Потім нам вдалось побудувати матрицю плутанини для оцінки результатів. Ключові слова: інтелектуальна система, бібліотека Keras, згорткові нейронні мережі, класифікації зображень ,водій, рух. Перелік використаних джерел 1. State Farm Distracted Driver Detection [Електронний ресурс]: [сайт]. – Режим доступу: https://www.kaggle.com/competitions/state - farm - distracted - driver detection/overview 2. VGG-16 convolutional neural network [Електронний ресурс]: [сайт]. – Режим доступу: https:// www.mathworks.com/help/deeplearning/ref/vgg16.html