Курсовая работа: Актуальность нейросетевого модуля по классификации мяса по свежести

Оглавление

ВВЕДЕНИЕ. 3

АНАЛИТИЧЕСКИЙ РАЗДЕЛ.. 4

1.1 Актуальность нейросетевого модуля по классификации мяса по свежести 4

1.2 Цели, объект исследования и задачи работы.. 5

1.3 Существующие подходы к проектированию нейронных сетей для классификации свежести мяса по изображениям. 5

1.4 Постановка проблемы.. 8

2. Проектный раздел. 10

2.1 Метод и алгоритм сбора картинок мяса для обучения модели. 10

2.2 Метод обработки данных. 11

2.3 Постановка задачи обучения. 11

2.4 Проектирование архитектуры нейронной сети. 12

2.5 Алгоритм обучения сети. 12

2.6 Валидация нейросетевого модуля классификации мяса. 14

3. Программная реализация. 17

3.1 Выбор инструментария для реализации поставленной задачи. 17

3.2 Реализация нейросетевого модуля. 17

3.3 Тестирование нейросетевого модуля. 19

ЗАКЛЮЧЕНИЕ. 22

Приложение А.. 23

Приложение Б. 25

Приложение В.. 27

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ……………………27

ВВЕДЕНИЕ

Хранение мяса — сложный процесс, требующий строгого соблюдения температурного режима, влажности и санитарных норм. На практике условия хранения часто нарушаются: отключается электричество, размораживаются камеры, нарушается герметичность упаковки. В результате мясо портится раньше срока, и сотрудникам приходится вручную перебирать большие партии, чтобы отделить испорченные куски от пригодных. Человеческий фактор здесь играет негативную роль. Недобросовестные работники могут относиться к контролю формально, пропуская испорченное мясо. Другие, наоборот, из-за излишней осторожности или отсутствия опыта выбрасывают качественное мясо, заметив на нём безобидную чёрную точку, жилку или кровоподтёк. Оба случая ведут к прямым убыткам: в первом страдает репутация и здоровье покупателей, во втором — производство теряет тонны годной продукции. Автоматизация с использованием систем машинного зрения могла бы снизить влияние человеческого фактора. Однако традиционные алгоритмы компьютерного зрения часто ошибочно принимают естественные структуры мяса (жилки, плёнки, капилляры) за признаки порчи, что также ведёт к ложной отбраковке. Современные нейросетевые решения, основанные на глубоком обучении, способны обучаться на размеченных данных. Однако существующие решения требуют значительных вычислительных ресурсов. Поэтому в данной работе ставится задача разработки нейросетевого модуля классификации свежести мяса по изображениям.