студент
Москва, Россия
Россия
Москва, Россия
Приведен метод формирования синтетических данных для обучения нейронной сети (далее – нейросеть) распознавать существующие объекты. Данный метод призван упростить процесс составления начального набора данных и его изменения для дальнейшего использования в компьютерном зрении. В качестве образца объекта для распознавания используется напечатанный с помощью аддитивных технологий редуктор авиационного двигателя. Трехмерные модели загружались в трехмерный редактора Houdini, где с помощью подпрограммы (далее – скрипт) на Python сохранялась коллекция скриншотов детали на разном фоне. Полученный набор данных использовался для обучения трех нейронных сетей на сайте Roboflow, а полученные результаты анализировались для возможности дальнейшего использования данного метода. В статье подробно показан процесс создания скриншотов и результат распознавания напечатанной детали с помощью трех нейронных сетей
распознавание объекта, компьютерное зрение, двигателестроение, трехмерный редактор, Houdini, Python, нейронные сети, машиностроение, производство
1. Richard J. Chen, Ming Y. Lu, Tiffany Y. Chen, Drew F. K. Williamson, Faisal Mahmood, «Synthetic data in machine learning for medicine and healthcare» Nature Biomedical Engineering (5), 2021. p. 493-497.
2. В. Кондаратцев, А. Крючков, Р. Чумак, «Машинное зрение в промышленной дефектоскопии» PHYGI-TALISM. Москва. 2020.
3. Aleksei Boikov, Vladimir Payor, Roman Savelev, Alexandr Kolesnikov, «Synthetic Data Generation for Steel Defect Detection and Classification Using Deep Learning» Symmetry. 2021. № 13.
4. Erfanian Ebadi, Salehe; Jhang, You-Cyuan; Zook, Alex; Dhakad, Saurav; Crespi, Adam; Parisi, Pete; Borkman, Steven; Hogins, Jonathan; Ganguly, Sujoy, «PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision» Unity technologies, 2021.
5. Matteo Fabbri, Guillem Brasó, «MOTSynth: How Can Synthetic Data Help Pedestrian Detection and Tracking?» Modena. 2021.
6. Damien Trentesaux, Theodor Borangiu, Paulo Leitão, Jose-Fernando Jimenez, Jairo R. Montoya-Torres, « SOHOMA: International Workshop on Service Orientation in Holonic and Multi-Agent Manufacturing,» в Service Oriented, Holonic and Multi-Agent Manufacturing Systems for Industry of the Future. Bogota. Colombia. 2021.
7. Pablo Martinez-Gonzalez, Sergiu Oprea, John Alejandro Castro-Vargas, Alberto Garcia-Garcia, Sergio Orts-Escolano, Jose Garcia-Rodriguez, Markus Vincze, «International Joint Conference on Neural Networks (IJCNN),» в UnrealROX+: An Improved Tool for Acquiring Synthetic Data from Virtual 3D Environments. Shenzhen. China. 2021.
8. «Houdini help» [В Интернете]. Available: https://www.sidefx.com/docs/houdini/index.html.
9. D. Rutland, «Orenda 9/10 jet engine power take off gearbox». 2021. [В Интернете]. Available: grabcad.com.
10. S. Gutta, «Object Detection Algorithm - YOLO v5 Architecture. Object Detection Algorithm - YOLO v5 Architecture» [В Интернете]. Available: https://medium. com/analytics-vidhya/object-detection-algorithm-yolo-v5-architecture-89e0a35472ef.
11. A.A.f. Python, «How RetinaNet works» [В Интер-нете]. Available: https://developers.arcgis. com/python/ guide/how-retinanet-works/.
12. S. Ananth, «Faster R-CNN for object detection» [В Интернете]. Available: https://towardsdatascience.com / faster - r - cnn - for - object - detection - a - technical-summary-474c5b857b46.
