ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ РАСПОЗНАНИЯ ОБЪЕКТОВ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
DOI:
https://doi.org/10.52167/1609-1817-2025-136-1-246-259Ключевые слова:
искусственный интеллект, нейронные сети, распознавание, классификация, изображения, нормализация, аугментацияАннотация
Данная статья посвящена разработке и исследованию методов автоматического распознавания объектов с использованием искусственного интеллекта и свёрточных нейронных сетей. В качестве экспериментальной базы использовался стандартный набор данных для распознавания дорожных знаков, включающий изображения различных типов объектов, что позволило сосредоточиться на создании модели, способной эффективно классифицировать объекты в различных условиях, включая изменения освещения, углов обзора и качества изображений. Методология включает этапы нормализации и аугментации данных, стратифицированное разбиение выборки, а также оптимизацию архитектуры модели для обеспечения баланса между вычислительной эффективностью и точностью классификации. Разработанная свёрточная нейронная сеть использует слоистую архитектуру с функциями активации и методами регуляризации, что позволяет модели быть устойчивой и адаптивной. Результаты исследования продемонстрировали высокую точность и надёжность предложенной модели. Проведённый анализ ошибок классификации выявил проблемы, связанные с распознаванием визуально схожих объектов, и предложил решения, направленные на их минимизацию. Работа подчёркивает значимость использования искусственного интеллекта и свёрточных нейронных сетей для автоматизации распознавания объектов, открывая перспективы их применения в интеллектуальных системах и высокоточных приложениях.
Библиографические ссылки
[1] Tian, Y. (2020). Artificial intelligence image recognition method based on convolutional neural network algorithm. Ieee Access, 8, 125731-125744. https://doi.org/10.1109/ACCESS.2020.3006097
[2] Alom, M. Z., Hasan, M., Yakopcic, C., Taha, T. M., & Asari, V. K. (2021). Inception recurrent convolutional neural network for object recognition. Machine Vision and Applications, 32, 1-14. https://doi.org/10.1007/s00138-020-01157-3
[3] Hussain, N., Khan, M. A., Sharif, M., Khan, S. A., Albesher, A. A., Saba, T., & Armaghan, A. (2024). A deep neural network and classical features based scheme for objects recognition: an application for machine inspection. Multimedia Tools and Applications, 1-23. https://doi.org/10.1007/s11042-020-08852-3
[4] Zhu, Y., & Yan, W. Q. (2022). Traffic sign recognition based on deep learning. Multimedia Tools and Applications, 81(13), 17779-17791. https://doi.org/10.1007/s11042-022-12163-0
[5] Yang, R., & Yu, Y. (2021). Artificial convolutional neural network in object detection and semantic segmentation for medical imaging analysis. Frontiers in oncology, 11, 638182. https://doi.org/10.3389/fonc.2021.638182
[6] Jalal, A., Ahmed, A., Rafique, A. A., & Kim, K. (2021). Scene semantic recognition based on modified fuzzy C-mean and maximum entropy using object-to-object relations. IEEE Access, 9, 27758-27772. https://doi.org/10.1109/ACCESS.2021.305898
[7] Uganya, G., Sudha, I., Lakshmanan, V., Shadrach, F. D., Krishnammal, P. M., & Nandhini, T. J. (2023, June). Crime Scene Object Detection from Surveillance Video by using Tiny YOLO Algorithm. In 2023 3rd International Conference on Pervasive Computing and Social Networking (ICPCSN) (pp. 654-659). IEEE. https://doi.org/10.1109/ICPCSN58827.2023.00114v
[8] Ge, H., Zhu, Z., Dai, Y., Wang, B., & Wu, X. (2022). Facial expression recognition based on deep learning. Computer Methods and Programs in Biomedicine, 215, 106621. https://doi.org/10.1016/j.cmpb.2022.106621
[9] Zhang, J., Sun, J., Wang, J., & Yue, X. G. (2021). Visual object tracking based on residual network and cascaded correlation filters. Journal of ambient intelligence and humanized computing, 12, 8427-8440. https://doi.org/10.1007/s12652-020-02572-0
[10] Ainur, J., Gulzhan, M., Amandos, T., Venera, R., Bulat, S., Zauresh, Y., & Aizhan, S. (2024). The impact of blockchain and artificial intelligence technologies in network security for e-voting. International Journal of Electrical & Computer Engineering (2088-8708), 14(6). http://doi.org/10.11591/ijece.v14i6.pp6723-6733.
[11] Мектепбаева, А., Сахипов, А., Рыстыгулова, В., Кайбасова, Д., & Белгибаева, Л. (2024). Optimizing machine learning with quantum enhancements for real-time dynamic systems. Вестник КазАТК, 135(6), 243-254. https://doi.org/10.52167/1609-1817-2024-135-6-243-254.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Айгулим Баегизова, Айнур Джумагалиева, Венера Рыстыгулова, Галия Мухамедрахимова, Жанар Ламашева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
