Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://elar.urfu.ru/handle/10995/133796
Название: | Модель нейронной сети для определения вида фракции щебня в кузове грузовика |
Другие названия: | NEURAL NETWORK MODEL FOR DETERMINING GRAVEL FRACTION TYPE IN TRUCK BODY |
Авторы: | Тряпицын, Д. Л. Решетников, К. И. Tryapitsyn, D. L. Reshetnikov, K. I. |
Дата публикации: | 2024 |
Издатель: | Издательский Дом «Ажур» |
Библиографическое описание: | Тряпицын Д. Л. Модель нейронной сети для определения вида фракции щебня в кузове грузовика / Д. Л. Тряпицын, К. И. Решетников. — Текст : электронный // ИНТЕР – Информационные технологии и радиоэлектроника : сборник тезисов студенческой конференции (Екатеринбург, 13-14 мая 2024 г.). — Екатеринбург : Издательский Дом «Ажур», 2024. — C. 93-98. |
Аннотация: | В строительной сфере применяют различные фракции щебня в качестве засыпных смесей. Учитывая, что стоимость щебня зависит от его вида, требуется автоматизированная система для проверки его типа и исключения человеческих ошибок. В данной работе предлагается метод классификации фракции щебня на изображении с помощью архитектуры EfficientNetb1 с использованием пространственного внимания (Spatial Attention), совмещенный с функцией потерь LDAM. Для обучения и тестирования модели использовался набор из 635 изображений, разделенный на 7 фракций щебня. Полученная модель показала высокую точность, достигнув уровня 97 %. In the construction industry, various fractions of gravel are used as aggregate materials. Considering that the cost of gravel depends on its type, an automated system is required to verify its type and eliminate human errors. This work proposes a method for classifying gravel fractions in images using the EfficientNetb1 architecture with the addition of Spatial Attention, combined with the LDAM loss function. A dataset of 635 images, divided into 7 gravel fractions, was used for training and testing the model. The resulting model demonstrated high accuracy, reaching a level of 97 %. |
Ключевые слова: | COMPUTER VISION CRUSHED STONE FRACTION EFFICIENTNET SPATIAL ATTENTION LDAM IMAGE CLASSIFICATION КОМПЬЮТЕРНОЕ ЗРЕНИЕ ФРАКЦИЯ ЩЕБНЯ EFFICIENTNET ПРОСТРАНСТВЕННОЕ ВНИМАНИЕ LDAM КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ |
URI: | http://elar.urfu.ru/handle/10995/133796 |
Конференция/семинар: | Всероссийская научная студенческая конференция «ИНТЕР – Информационные технологии и радиоэлектроника» |
Дата конференции/семинара: | 13.05.2024-14.05.2024 |
ISBN: | 978-5-91256-646-2 |
Источники: | ИНТЕР – Информационные технологии и радиоэлектроника (2024) |
Располагается в коллекциях: | Конференции, семинары |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
978-5-91256-646-2_2024_020.pdf | 543,08 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.