Kompanijos „Singletonas“ ir M. Grybausko šeimos grupė įteikė 870 eurų vertės stipendiją Ugniui Malūkui, Programų sistemų studijų programos absolventui. U. Malūkas buvo įvertintas už savo I pakopos baigiamąjį darbą „Takų suradimo, panaudojant neuroninius tinklus tyrimas“.
„Stipendiją skyrėme, nes darbas atliktas kokybiškai, pasirinkta inovatyvi, sudėtinga, bet ir perspektyvi sritis, kuri netolimoje ateityje leis kurti naujos kartos produktus ir paslaugas“, – apie stipenijod laimėtojo darbą pasakojo „Singletonas“ vadovas Darius Pečkys.
Darbo santrauka
Dirbtinių neuroninių tinklų panaudojimo galimybės neaprėpiamai plačios ir gali padėti spręsti įvairaus tipo ir sudėtingumo užduotis, įkaitant ir susijusias su vaizdo atpažinimo technologijomis. Atsižvelgiant į tai, kad pažangiausių autonominių robotų kūrimo procese aplinkos pažinimui nebeužtenka pasitelkti vien tik įprastus sensorius, nuspręsta sukurti neuroninį modelį, padėsiantį robotui pažinti aplinką, išskiriant iš vaizdų takus, kelius ir kliūtis.
Šiame darbe nagrinėjami dirbtinių neuroninių tinklų tipai, neuroninio tinklo klasifikavimo architektūros, jų taikymas bei įtaka rezultato tikslumui. Ištirti trys skirtingi neuroninių tinklų tipai: tiesioginio sklidimo, rekurentinis bei konvoliucinis. Nustatyta, kad gilus konvoliucinis neuroninis tinklas, skirtingai nei kiti du, geba ištraukti ypatybes iš erdvinio pikselio išdėstymo ir saugoti tas ypatybes savyje, todėl nuspręsta šį tinklą naudoti kaip pagrindą šiame darbe.
Išanalizavus trijų skirtingų neuroninio tinklo klasifikavimo architektūrų – „AlexNet“, „GoogLeNet“ ir „VGG“ – savybes bei ištyrus semantinio segmentavimo technologijas, naudojant pilnai sujungtus, konvoliucinius neuroninius tinklus, pastebėta, kad pilnai sujungtas „VGG16“ neuroninis tinklas pasižymėjo ypač gerais rezultatais, taikant semantinio segmentavimo principus. Atsižvelgiant į dirbtinio intelekto metodų tinkamo vaizdų semantiniam segmentavimui analizės rezultatus, darbe naudojamas „VGG16“ neuroninis modelis buvo modifikuotas į „FCN-VGG16“ modelį, nes šio tipo neuroninio tinklo architektūra veikia tiksliausiai lyginant su „FCN-VGG8“, „FCN-VGG32“, „DeconvNet“, „SegNet“ neuroninių tinklų architektūromis.
Pasinaudojus realizuotu neuroniniu tinklu, sukurtas algoritmas takų, juose esančių objektų bei takų ribų regionų nustatymui ir išskyrimui. Pastebėta, kad neuroninis modelis veikia geriausiai, kai yra labai aiški riba tarp kelio ir kelio šonų.
Kadangi šis projektas yra ne informacinė sistema, o neuroninis modelis, kuris gali būti naudojamas kitose aplikacijose, informacinių sistemų testavimui būdingos procedūros netaikytos, testuotas tik sukurto neuroninio modelio tikslumas. Patikrintas neuroninio modelio objektų aptikimo tikslumas ir neuroninio tinklo algoritmo veikimo efektyvumas, įvedant duomenis iš nuotraukų, kuriose užfiksuotos skirtingos aplinkos sąlygos (skirtingas apšvietimas, sezoniškumas).
Neuroniniam modeliui duomenys rinkti aštuonis mėnesius, kad vaizdai būtų kuo įvairesni apšvietimo, sezoniškumo ir kitais atžvilgiais. Duomenų rinkinį sudaro dviejų valandų vaizdo medžiaga (2 ⋅ 60 ⋅ 60 ⋅ 30 paveikslų), iš kurios atrinkta 300 paveiksliukų su skirtingomis situacijomis. Remiantis testavimo rezultatais nustatyta, kad algoritmas 96,1 ± 2,6 proc. tikslumu geba nustatyti ir išskirti takus, juose esančius objektus bei takų ribų regionus, geba išskirti išmindžiotų takų žemių, žolių, plytelių ir asfaltuotų kelių ribas. Testavimo rezultatai leidžia teigti, kad užtikrintas sistemos gebėjimas adaptuotis esant skirtingiems objektams, algoritmo autonominis veikimas bei automatiškas klasifikatoriaus veikimas.
Realų neuroninio modelio veikimą galima pamatyti apsilankius internetiniu adresu https://youtu.be/jTj_mzeoVm0
