Контроль качества продукции с использованием методов глубокого машинного обучения

Основное содержимое статьи

С. В. Ульянов
А. В. Филипьев
К. В. Кошелев

Аннотация

Основная цель данной работы – продемонстрировать эффективность применения алгоритмов глубокого машинного обучения в деятельности различных коммерческих компаний. Создание интеллектуальных систем для поддержки различных коммерческих проектов – довольно актуальная задача на сегодняшний день. В работе описывается применение сверточных нейросетевых моделей для решения задачи распознавания различных продуктов, использующихся при приготовлении пиццы. Обсуждается возможность использования таких моделей для поддержки принятия решений в бизнес-процессах. Также в работе рассматриваются важнейшие этапы построения интеллектуальных систем – сбор данных и их предварительная обработка.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
Ulyanov, S. ., Filipiev, A., & Koshelev, K. (2021). Контроль качества продукции с использованием методов глубокого машинного обучения. Системный анализ в науке и образовании, (2), 1–10. https://doi.org/10.37005/2071-9612-2020-2-177-186
Раздел
Статьи

Библиографические ссылки

Nemkov R. M. Development of neural network algorithms for invariant pattern recognition: dissertation of the candidate of technical sciences: 05.13.18. Stavropol. — 2015. — P. 162.

Haykin S. Nejronnije seti: polnij kurs [Neural networks: full course]. — Moscow, 2008. — Pp. 113, 281-330.

Gonzalez R. Tsifrovaya obrabotka izobrazhenij [Digital image processing]. — Moscow, 2012. — P. 1104.

Ranzato M. A., Jarrett K., Kavukcuoglu K., LeCun Y. What is the best multi-stage architecture for object recognition? In ICCV, 2009.

Richard S. Sutton. Obuchenije s podkreplenijem [Reinforcement training]. — Moscow, 2011. — P. 399.

Ackley D. H., Hinton G. E., Sejnowski T. J. A learning algorithm for Boltzmann machines. Cognitive Science. — 1985. — Vol. 9. — Pp. 147-169.

Bengio Y. Learning deep architectures for AI. Foundations and Trends in Machine Learning. — 2009. — Vol. 2. — Issue 1. — Pp. 1-127.

Ciresan D., Meier U., Schmidhuber J. Multicolumn Deep Neural Networks for Image Classification [R]. In Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), CVPR '12, pp.3642-3649, Washington, DC, USA, 2012. — IEEE ComputerSociety.

Ranzato M., Huang F., Boureau Y., LeCun Y. Unsupervised learning of invariant feature hierarchies with applications to object recognition [R]. In Proceedings of the Computer Vision and Pattern Recognition Conference (CVPR’07), IEEE Press, 2007.

Gill F. Prakticheskaya optimizatsiya [Practical optimization]. — Moscow, 1985. — P. 509.

Izmajlov A. F. Chislennije metody optimizatsii [Numerical optimization methods]. — Moscow, 2005. — P. 304.

Tarkhov D. A. Nejrosetevije modeli i algoritmy [Neural network models and algorithms]. — Moscow, 2014. — P. 352.

Lemley J., Bazrafkan S., Corcoran P. Smart augmentation learning an optimal data augmentation strategy. — IEEE Access, 2017. — Vol. 5. — Pp. 5858-5869.

Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. — arXiv:1409.1556.

Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions. — arXiv:1610.02357.

Saining Xie, Ross Girshick, Piotr Dollár, Zhuowen Tu, Kaiming He Aggregated Residual Transformations for Deep Neural Networks. — arXiv:1611.05431.

Buslaev A., Parinov A., Khvedchenya E., Iglovikov V., Kalinin A. Albumentations: fast and flexible image augmentations. — arXiv:1809.06839.