PRACTICAL USE CASES FOR CREATING CONVOLUTIONAL NEURAL NETWORK MODELS FOR IMAGE RECOGNITION TASKS

ID елемента: 22642
2026/05/05
Властивості
Назва
Англійська
PRACTICAL USE CASES FOR CREATING CONVOLUTIONAL NEURAL NETWORK MODELS FOR IMAGE RECOGNITION TASKS
Російська
.
Українська
ПРАКТИЧНІ КЕЙСИ СТВОРЕННЯ ЗГОРТКОВИХ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ЗАДАЧ РОЗПІЗНАВАННЯ ОБРАЗІВ
Опис
Англійська
The aim of the article is to improve the efficiency of image recognition by creating a binary classifier for objects of civil infrastructure using deep learning techniques. Research results. Convolutional neural network models have been created for the recognition of civil infrastructure objects. A Sequential convolutional neural network has been constructed, consisting of three convolutional layers, pooling layers, a transformation layer, a fully connected layer, and an output layer. The optimal error values during training/testing are 0.0650/0.4424, with accuracies of 0.98/0.92 respectively. Results from the third epoch show errors of 0.2442/0.2595 and an accuracy of 0.93. A pre-trained VGG16 model was also utilized, fine-tuned on the dataset, demonstrating minimal error values of 0.0278/0.1538 during training/testing, with accuracies of 0.99/0.96 respectively. Scientific novelty. Further development of using convolutional neural networks for recognizing the level of civil infrastructure damage has been achieved. Practical significance. Two convolutional neural network models, Sequential and VGG16, have been built to address the recognition of damaged and intact buildings. The prerequisite for detecting these objects is the use of a camera and appropriate hardware such as a Raspberry Pi or a personal computer/laptop.
Російська
136-140
Українська
Мета статті підвищення ефективності розпізнавання образів шляхом створення бінарного класифікатора об’єктів цивільної інфраструктури засобами глибокого навчання. Результати дослідження. Створено згорткові моделі штучного інтелекту для розпізнавання об’єктів цивільної інфраструктури. Побудовано згорткову нейронну мережу Sequential, яка нараховує три згорткових шари, шари пулінгу, шар перетворення, пов’язаний шар та вихідний шар. Оптимальне значення помилки при навчанні/тестуванні становить 0,0650/0,4424, де точність 0,98/0,92 відповідно, у той час як результати третьої епохи демонструють помилку 0,2442/0,2595 відповідно, а точність – 0,93. Використано попередньо навчену модель мережі VGG16, котру перенавчено на досліджуваному датасеті. Вказана модель демонструє мінімальне значення помилки для навчання/тестування 0,0278/0,1538 при точності 0,99/0,96 відповідно. Наукова новизна. Набуло подальшого розвитку використання згорткових нейронних мереж для завдань розпізнавання рівня руйнувань цивільної інфраструктури. Практичне значення. Побудовано дві моделі згорткової нейронної мережі, зокрема модель Sequential й VGG16 для вирішення завдань розпізнавання зруйнованих і цілих будинків. Для виявлення вказаних об’єктів необхідною передумовою є використання камери й відповідного апаратного забезпечення, на кшталт raspberry pi або персонального комп’ютера чи ноутбука.
Автор
Українська
Laktionov, O.
Українська
Pedchenko, N.
Українська
Yanko, A.
Тематика
Англійська
computer vision
Англійська
classification tasks
Англійська
deep learning
Англійська
neural networks
Російська
26
Українська
комп’ютерний зір
Українська
завдання класифікації
Українська
глибоке навчання
Українська
нейронні мережі
Видавництво
Українська
Національний університет «Полтавська політехніка імені Юрія Кондратюка»
Тип
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Українська
Рецензована Стаття
Формат
application/pdf
Ідентифікатор
https://journals.nupp.edu.ua/sunz/article/view/3460
10.26906/SUNZ.2024.3.136
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 3 No. 77 (2024): Control, Navigation and Communication Systems; 136-140
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 3 № 77 (2024): Системи управління, навігації та зв’язку; 136-140
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 3 № 77 (2024): Системи управління, навігації та зв’язку; 136-140
2073-7394
10.26906/SUNZ.2024.3
2024. №3 (77)
Мова
uk
Відношення
https://journals.nupp.edu.ua/sunz/article/view/3460/2881
Права
Українська
Авторське право (c) 2024 O. Laktionov, N. Pedchenko, A. Yanko
Набори елементів 1
Збірник наукових праць. Системи управління, навігації та зв’язку
20733 423 items
Інформація про метадані
Створено
2026-5-5 12:56
Остання зміна
2026-5-5 12:56
ID елемента
#22642