2021, випуск 4, c. 51-60
Одержано 09.12.2021; Виправлено 13.12.2021; Прийнято 21.12.2021
Надруковано 30.12.2021; Вперше Online 27.01.2022
https://doi.org/10.34229/2707-451X.21.4.6
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Два підходи для розпізнавання структури блок-схем
К.П. Сосненко
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Робота з графічними зображеннями є найважливішим елементом практично будь-яких сучасних систем автоматизованого проектування.
Результатом нейромережевої, у тому числі глибокої обробки зображень, може бути розпізнавання класів об'єктів, які знаходяться на них. Об'єкти реального світу вимагають великих витрат на розробку та реалізацію вузькоспеціалізованих систем комп'ютерного зору.
За останні роки спостерігається покращення якісних характеристик, отриманих у галузі технічного зору. Це стало можливим завдяки штучним нейронним мережам.
У статті розглядається розпізнавання плоского чорно-білого зображення блок-схеми. Це двовимірні зображення або виділені частини, які відображаються у довільному графічному форматі системними засобами на екрані монітора комп'ютера. Базові фігури блок-схем: прямокутник, ромб, паралелограм, коло, еліпс (овал) і т. п.
Мета роботи. Вирішення задачі розпізнавання графічних зображень. До систем розпізнавання графічних зображень можна віднести сучасні системи автоматизованого проектування, управління та документообігу. Сформовано базову множину навчальних та тестових зображень вузлів блок-схем. Запропоновано нейромережеві моделі для підвищення точності детектування вузлів блок-схем на основі повнозв'язкових та згорткових нейронних мереж.
Результати. Основні процедури алгоритму розпізнавання зображень блок-схембули частково апробовані на програмному рівні, і дозволяють затвердити ефективність запропонованих структурних методів. Проведено порівняльний аналіз нейромережевих та синтаксичних структурних підходів для вирішення цього завдання.
Висновки. Запропоновано два методи розпізнавання плоских графічних фігур та розпізнавання зв'язків між фігурами в блок-схемах: метод рекурсивного обходу всіх гілок дерева поточного об'єднання зв'язків між фігурами та самих фігур, а також проведено дослідження для створеної нейронної мережі в PyTorch для вирішення цього завдання нейромережними методами, що навчаються.
Ключові слова: розпізнавання зображень, згорткові нейронні мережі, синтаксичний аналіз.
Цитувати так: Сосненко К.П. Два підходи для розпізнавання структури блок-схем. Cybernetics and Computer Technologies. 2021. 4. С. 51–60. https://doi.org/10.34229/2707-451X.21.4.6
Список літератури
1. Howard A.G., Zhu M., Chen B., Kalenichenko B., Wang W., Wey T., Andreetto M., Adam H. MobileNets: Efficient convolutional neural networks for mobile vision applications, 2017. https://arxiv.org/abs/1704.04861 (звернення: 09.12.2021)
2. Хант Е. Искусственный интеллект. М .: Мир, 1978. 560 с.
3. Патент США № 6775411, кл. МПК G 06 K 9/62, від 13.01.2005.
4. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977. 320 с.
5. Чичирин Е.Н. Распознавание структуры графических изображений блок-схем. Комп`ютерні засоби, мережі та системи. 2017. № 16. С. 87 – 96. http://dspace.nbuv.gov.ua/handle/123456789/131513
6. LeCun Y. LeNet-5, convolutional neural networks. November 2015. LeNet-5, convolutional neural networks. (звернення: 09.12.2021)
7. Палагін О.В, Чічірін Є.М., Сосненко К.П. Спосіб розпізнання структури плоских графічних зображень. Патент на корисну модель № 13061.
8. Чічірін Є.М., Сосненко К.П. Нейромережеве моделювання процесів розпізнавання графічних схем. Комп`ю-терні засоби, мережі та системи. 2019. № 18. С. 79 – 85. http://dspace.nbuv.gov.ua/handle/123456789/168481
9. Палагін О.В., Семотюк М.В., Чічірін Е.Н., Сосненко К.П. Моделююче середовище для створення і налагодження систем цифрової обробки. Управляющие системы и машины. 2013. № 1. С. 37 – 41, 70. http://usim.org.ua/arch/2013/1/5.pdf
10. Canziani A., Paszke A., Culurciello E. An analysis of deep neural network models for practical applications. ISCAS, 2017. https://arxiv.org/abs/1605.07678 (звернення: 09.12.2021)
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна