%34تخفیف

دانلود پروژه: بهبود شناسایی علائم راهنمایی و رانندگی با به کارگیری شبکه های عصبی

تعداد 107 صفحه در فایل word

چکیده

از آنجا که اکثر تصادفات رانندگی، ناشی از بی توجهی رانندگان به علائم راهنمایی و رانندگی است، اهمیت یک سیستم خودکار شناسایی علائم آشکار می شود. شناسایی علائم راهنمایی و رانندگی به عنوان یک موضوع مهم و چالش انگیز در بین محققان قرارگرفته است که شامل مشکلات متعددی در مسیر شناسایی صحیح علائم می باشد. با استفاده از سیستم خودکار شناسایی علائم راهنمایی و رانندگی می توان تا حد قابل ملاحظه ای آمار تصادفات را کاهش داد. در این تحقیق از شبکه های عصبی برای تشخیص استفاده می شود.

روش تشخیص علائم راهنمایی و رانندگی پیشنهاد شده از شبکه های عصبی پرسپترون 4 لایه با تعداد20 نرون جهت شناسایی علائم استفاده کرده است. روش پیشنهادی با استفاده از 39194 نمونه از تصاویر که شامل تابلوهای راهنمایی و رانندگی با نویزهای مختلف می باشند آموزش داده شد و با 131 نمونه از تصاویر، آزمایش شد. نتایج نشان داد که روش شناسایی پیشنهاد شده با نرخ تشخیص 4427/82 علائم را تشخیص می دهد و زمان اجرای آن 433/106 ثانیه می باشد.

کلمات كليدی

علائم راهنمایی و رانندگی ، شبکه عصبی ،پردازش تصویر.

Keywords:

Traffic signals, neural networks, image processing.

دسته: فنی و مهندسی, مهندسی کامپیوتر برچسب: پردازش تصویر, شبکه عصبی, علائم راهنمایی و رانندگیدانلود-پروژه-کارشناسی-ارشد-فایل ناب-خرید

توضیحات

فهرست مطالب

چکیده 1

فصل اول: کلیات تحقیق.. 2

1-1 بیان مسئله اساسی تحقیق.. 3

1-2 اهمیت و ضرورت انجام تحقیق و راهکار موجود. 3

1-3 اهداف، سؤالات و فرضیه های تحقیق.. 5

1-4 تعريف واژه‏ها و اصطلاحات فني و تخصصی.. 5

1-5 ساختار پایان نامه. 8

فصل دوم: مروری بر کارهای پیشین و شبکه عصبی.. 9

2-1 مقدمه. 10

2-2 مروری بر کارهای صورت گرفته در شناسایی علائم راهنمایی و رانندگی.. 11

2-2-1 شناسایی علائم راهنمایی و رانندگی مبتنی بر خطوط مرور. 12

2-2-2 شناسایی علائم راهنمایی و رانندگی با استفاده از طبقه بندی بیزی.. 13

2-2-3 شناسایی علائم هشدار دهنده سرعت در تصاویر جاده ایی.. 14

2-2-4 شناسایی علائم راهنمایی و رانندگی با در نظر گرفتن نسبت رنگ ها در هر پیکسل.. 15

2-2-5 تشخیص علائم راهنمایی و رانندگی با استفاده از قطعه بندی رنگ ها و روش های
تشخیص لبه. 16

2-2-6 شناسایی علائم راهنمایی و رانندگی مبتنی بر قطعه‌بندی تصاویر رنگی با کمک تحلیل
شکل.. 20

2-2-7 شناسایی علائم راهنمایی و رانندگی با استفاده از چند الگوریتم. 23

2-3 مفهوم شبکه‌های عصبی مصنوعی.. 25

2-4 انگیزه‌های بیولوژیکی.. 26

2-5 تشابهات و انتظارات… 29

2-5-1 تشابهات… 29

2-5-2 انتظارات… 30

2-5-2-1 قابلیت یادگیری.. 30

2-5-2-2 پراکندگی اطلاعات “پردازش اطلاعات به صورت متن”. 31

2-5-2-3 قابلیت تعمیم. 31

2-5-2-4 پردازش موازی.. 31

2-5-2-5 مقاوم بودن. 31

2-6 کاربرد شبکه‌های عصبی.. 32

2-6-1 طبقه بندی، شناسایی و تشخیص الگو. 33

2-6-2 پردازش سیگنال. 33

2-6-3 پیش‌بینی سری‌های زمانی.. 33

2-6-4 مدلسازی و کنترل. 34

2-6-5 بهینه سازی.. 34

2-6-6 سیستم‌های خبره و فازی.. 34

2-6-7 مسائل مالی، بیمه، امنیتی، بازار بورس و وسایل سرگرم کننده 34

2-6-8 ساخت وسایل صنعتی، پزشکی و امور حمل و نقل.. 34

2-7 مزایا و معایب شبکه‌های عصبی مصنوعی.. 35

2-8 مدل نرون. 35

2-8-1 مدل تک ورودی.. 35

2-8-2 توابع محرک.. 36

2-9 مدل چند ورودی.. 39

2-9-1 فرم خلاصه شده 40

2-9-2 تعداد عناصر بردار ورودی (R) 40

2-10 ساختار شبکه های عصبی.. 40

2-10-1 شبکه تک لایه. 41

2-10-2 شبکه‌های چند لایه. 41

2-10-3 تعریف لایه خروجی.. 42

2-11 شبکه‌های پسخور یا برگشتی.. 43

2-12 شناسایی الگو. 46

2-13 متدهای کلاسیک و شبکه های عصبی.. 47

2-14 فرآیند یادگیری.. 48

2-15 شبکه‌های عصبی به عنوان سیستم‌های دینامیکی آموزش پذیر. 49

2-15-1 معادله یادگیری در حالت کلی.. 50

2-16 یادگیری شبکه. 51

2-17 انواع یادگیری.. 53

2-17-1 یادگیری با ناظر. 53

2-17-2 یادگیری تشدیدی.. 54

2-17-3 یادگیری بدون ناظر. 54

2-18 شبکه‌های عصبی پرسپترون. 55

2-19 قانون یادگیری پرسپترون (SLPR) 58

2-19-1 شبکه پرسپترون با بیش از یک نرون و R =2. 60

2-19-2 قانون یادگیری شبکه پرسپترون. 61

2-19-2-1 قانون SLPR برای حالت تک نرون. 62

2-19-2-2 قانون SLPR در حالت کلی.. 62

2-19-3 قانون یادگیری شبکه پرسپترون تک لایه به صورت دسته‌ای (BSLPR) 63

2-20 شبکه‌های پرسپترون چند لایه. 64

2-21 الگوريتم پس انتشار خطا 66

2-22 پیاده سازی شناسایی ارقام دست نویس با استفاده از شبکه عصبی.. 68

2-23 خلاصه فصل.. 73

فصل سوم: روش پیشنهادی در شناسایی علائم راهنمایی و رانندگی.. 74

3-1 مقدمه. 75

3-2 روش پیشنهادی در تشخیص علائم راهنمایی و رانندگی.. 76

3-3 پایگاه داده استفاده شده جهت آموزش به شبکه. 78

3-3-1 نحوه به دست آوردن اطلاعات موجود در فایل با پسوند csv. 83

3-4 پیاده سازی شبکه عصبی در روش پیشنهادی.. 84

3-5 خلاصه فصل.. 88

فصل چهارم: ارزیابی روش پیشنهادی تشخیص علائم راهنمایی و رانندگی.. 89

4-1 پارامترهاي ارزيابي شناسایی علائم راهنمایی و رانندگی.. 90

4-1-1 مقایسه روش ارائه شده با برخی از روش های پیشین.. 90

4-2 ارزیابی کلی روش پیشنهادی.. 92

4-3 خلاصه فصل.. 96

فصل پنجم: جمع بندی و کارهای آینده 97

5-1 نتیجه گیری و کارهای آینده 98

منابع و مآخذ. 99

پیوست ها 102

پیوست – الف: کد رابط واسط گرافیکی تشخیص ارقام دست نویس… 103

پیوست – ب: واژه نامه انگلیسی به فارسی.. 108

فهرست جدول ها

جدول 2-1: دقت شناسایی علائم راهنمایی و رانندگی با روش مبتنی بر خطوط مرور [4]………. 13

جدول 2-2: درصد تشخیص متوسط برای فاصله های مختلف [6]……………………………………… 15

جدول 2-3: درصد تشخیص متوسط برای نویزهای مختلف [6]…………………………………………. 15

جدول 2- 4: درصد تشخیص علائم صحیح الگوریتم ها [10]…………………………………………… 24

جدول 2-5: توابع محرک با علائم قراردادی [13، 17]………………………………………………………. 45

جدول 3-1: شماره گروه و تعداد تصاویر پایگاه داده……………………………………………………….. 79

جدول 4-1: دقت شناسایی علائم در روش پیشنهادی و برخی از روش های پیشین………………. 91

جدول 4-2: تعدادتصاویر تست……………………………………………………………………………………. 92

جدول4-3: تعداد131 تصویر برای آزمایش روش پیشنهادی و خروجی حاصل…………………… 94

فهرست شکل ها

شکل 2-1: فرآیند کلی شناسایی علائم راهنمایی و رانندگی [4] 12

شکل 2 –2: تشخیص تابلو با استفاده از رنگ آبی [8] 18

شکل 2-3: محاسبه مقدار cp [8] 19

شکل 2-4: شش ناحیه مورد بررسی در تشخیص گوشه برای تشخیص شکل مثلث یا مربع [8] 19

شکل 2- 5: تشخیص شکل تابلوی عبور عابر پیاده با استفاده از الگوریتم‌های پیش‌گفته[8] 20

شکل 2-6: نقاط مرزی موثر دایره و لوزی [9] 22

شکل 2-7: نقاط مرزی موثر مثلث [9] 22

شکل 2-8: نقاط مرزی موثر مربع و مستطیل [9] 22

شکل 2-9: نمونه ای از آزمون روش ذکر شده [9] 23

شکل 2-10: مدل نرون تک ورودی [16] 36

شکل 2-11: تابع محرک خطی [13] 37

شکل 2-12: تابع محرک آستانه‌ای دو مقداره حدی [19] 38

شکل 2-13: تابع محرک سیگموئید [21] 38

شکل 2-14: مدل چند ورودی یک نرون[19] 39

شکل 2-15: فرم ساده شده نرون با R ورودی [16] 40

شکل 2-16: شبکه تک لایه با S نرون [17] 41

شکل 2-17: شبکه پیش‌خور دو لایه [16] 42

شکل 2-18: فرم ساده شده شبکه پیشخور با دو لایه میانی [17] 43

شکل 2-19: بلوک تاخیر زمانی[13] 43

شکل 2-20: شبکه پسخور[13] 44

شکل 2-21: مدل یادگیری نرون. 51

شکل 2-22: جداسازی الگو. 55

شکل 2-23: نرون با تابع تبدیل دو مقداره متقارن. 56

شکل 2-24: خط مرزی در جداسازی الگو. 57

شکل 2-25: خط مرزی همواره عمود بر بردار وزن. 58

شکل 2-26: پرسپترون تک لایه. 59

شکل 2- 27: تصویر هندسی یک نرون. 59

شکل 2-28: حالت 2=S و 2=R.. 61

شکل 2-29: پرسپترون تک لایه همراه با قانون یادگیری SLPR.. 63

شکل 2-30: شبکه پرسپترون سه لایه. 66

شکل 2-31 : نمونه ای از تصاویر مورد استفاده جهت تست یا آموزش شبکه عصبی.. 69

شکل 2-32: تصویر واسط گرافیکی کاربر. 71

شکل 2-33: تصویری از واسط گرافیکی کاربر، که در آن خروجی صحیح تشخیص داده شده است 72

شکل 3-1: توابع محرک رایج در شبکه های پرسپترون چند لایه MLP [21] 77

شکل 3- 2: یک تابع خطی را نشان می دهد[21] 87

امتیاز 0 از 5 از 0 دیدگاه

قیمت اصلی 35,000 تومان بود.قیمت فعلی 23,000 تومان است.

تاریخ ایجاد آذر 8, 1399
تاریخ بروزرسانی اسفند 13, 1401
فروش 1
دیدگاه 0

شرایط استفاده از محصول

تمام محصولات به ازای پرداخت پروژه تنها قابل استفاده می باشند. این بدین معنی است که برای استفاده از یک یا چند محصول ، لازم به خرید آن محصول است.

مزایای خرید این محصول:

دسترسی به فایل به صورت همیشگی
پشتیبانی رایگان
پشتیبانی 24 ساعته محصول
بازگشت وجه در صورت عدم رضایت مشتری

مشاهده قوانین سایت