Сравнение классических и обновленных сверточных нейронных сетей для классификации типов поверхностей
DOI:
https://doi.org/10.52575/2687-0932-2024-51-4-896-906Ключевые слова:
сверточная нейронная сеть, классификация поверхностей, нейронные сети, робототехника, машинное обучение, классификация изображений, искусственный интеллект, анализ данных, компьютерное зрениеАннотация
В данной статье представлены результаты исследования двух архитектур сверточных нейронных сетей (CNN) для классификации изображений с поверхностями. Первая, классическая архитектура, продемонстрировала точность 96,62 % на этапе валидации, однако столкнулась с трудностями при классификации холмов и ям. Вторая, усовершенствованная модель с тремя параллельными CNN, показала улучшение точности до 99 %, а также ускорила процесс обучения и уменьшила количество ошибок. Таким образом, усовершенствованная архитектура CNN позволяет более точно классифицировать сложные поверхности и может быть использована для дальнейшего применения в робототехнических системах [Kharmanda, 2024, Li et al, 2024].
Скачивания
Библиографические ссылки
Chen Z., Yang F., Liu H., Fu C. 2020. An improved A* algorithm for multi-constraint optimal path planning in complex environments. Sensors, 20(5), 1231.
Dijkstra E.W. 1959. A note on two problems in connexion with graphs. Numerische Mathematik, 1(1), 269–271.
Gonzalez R.C., Woods R.E. 2002. Digital Image Processing. Prentice Hall, 793.
Goodfellow Ia., Bengio Yo., Courville A. 2016. Deep learning. The MIT Press, 800.
Hart P., Nilsson N., Raphael B. 1968. A Formal Basis for the Heuristic Determination of Minimum Cost Paths. IEEE Transactions on Systems Science and Cybernetics, 4(2), 100–107. doi:10.1109/tssc.1968.300136.
Jiang X., Kuroiwa T., Zhang H., Yoshida T., Sun L.F., Cao Y. 2024. Enhanced Mobile Robot Odometry With Error Kalman Filtering Incorporating 3D Point Cloud Intensity. IEEE Access, vol. 12, pp. 103673–103686, 2024, doi: 10.1109/ACCESS.2024.3434578.
Kanna B.R., AV S.M., Hemalatha C.S., Rajagopal M.K. 2024. Enhancing SLAM efficiency: a comparative analysis of B-spline surface mapping and grid-based approaches. Applied Intelligence, 54: 10802–10818. https://doi.org/10.1007/s10489-024-05776-5
Kasaei S.H., Melsen J., Floris van Beers, Steenkist Ch., Voncina K. 2021. The State of Lifelong Learning in Service Robots: Current Bottlenecks in Object Perception and Manipulation. The State of Lifelong Learning in Service Robots. 103 (1): 1–31. https://arxiv.org/pdf/2003.08151v3
Kharmanda G. 2024. Identification of Uncertainty Cases in Robots with Focus on Additive Manufacturing Technology: A Mini Review. Journal of Modern Industrial Manufacturing. 3: 11. 8https://doi.org/10.53964/jmim.2024011
Koduru C., Tanveer M.H., Voicu R. 2024. Advancing Pathogen Elimination: A Self-Driving UV Robot System Equipped with Sophisticated Navigation and Smart Disinfection Methods. 28th Annual Symposium of Student Scholars – 2024. https://digitalcommons.kennesaw.edu/undergradsymposiumksu/spring2024/spring2024/228/
Krizhevsky A., Sutskever I., Hinton G.E. 2012. ImageNet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
LeCun Y., Bottou L., Bengio Y., Haffner P. 1998. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324.
Li H., Huang K., Sun Y., Lei X., Yuan Q., Zhang J., Lv X. 2024. An Autonomous Navigation Method for Orchard Mobile Robots Based on Octree 3d Point Cloud Optimization. Li, Hailong and Huang, Kai and Sun, Yuanhao and Lei, Xiaohui and Yuan, Quanchun and Zhang, Jinqi and Lv, Xiaonlan, An Autonomous Navigation Method for Orchard Mobile Robots Based on Octree 3d Point Cloud Optimization. Available at SSRN: https://ssrn.com/abstract=4913231.
Ma Y., Soatto S., Košecká J., Sastry S.S. 2004. An Invitation to 3-D Vision. From Images to Geometric Models. Springer. 528 p. https://doi.org/10.1007/978-0-387-21779-6
Stentz A. 1994. Optimal and efficient path planning for partially-known environments. Proceedings of the 1994 IEEE international conference on robotics and automation. 3310–3317
Thrun S., Burgard W., Fox D. 2006. Probabilistic Robotics. MIT Press, 647.
Wang P., Liu Y., Chen Z., Li X. 2019. Path planning for mobile robot based on hybrid algorithm. Journal of Intelligent & Robotic Systems, 93(3-4), 545–556.
Wong J.Y. 1989. Theory of Ground Vehicles. Wiley, 592.
Zhang T., Wu J., Zhang Y. 2021. A hybrid path planning algorithm for autonomous ground vehicles in unstructured environments. Robotics and Autonomous Systems, 141, 103844.
Yang T., Li Y., Zhao C., Yao D., Chen G., Sun L., Krajnik T., Yan Z. 2022. 3D ToF LiDAR in Mobile Robotics: A Review. Available at: https://arxiv.org/abs/2202.11025
Просмотров аннотации: 8
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2024 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
