University of Oulu

Kangasmerkkien tunnistus neuroverkkojen avulla

Saved in:
Author: Hourula, Oula1; Järvelä, Taru1; Soudunsaari, Joonas1
Organizations: 1University of Oulu, Faculty of Information Technology and Electrical Engineering, Department of Computer Science and Engineering, Computer Science
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 0.9 MB)
Pages: 27
Persistent link: http://urn.fi/URN:NBN:fi:oulu-201906212616
Language: Finnish
Published: Oulu : O. Hourula; T. Järvelä; J. Soudunsaari; J. Soudunsaari, 2019
Publish Date: 2019-09-13
Thesis type: Bachelor's thesis
Description:

Tiivistelmä

Lisätty todellisuus on noussut 2010-luvulla suureksi keskustelun aiheeksi. Ihmiset näkevät tulevaisuuden, jossa teknologia ja todellinen elämä sulautuvat toisiinsa. Tämän suorittamiseen kuvantunnistus ja konenäkö ovat olennaisia osia.

Projektin pohjana oli luoda sovellus, jolla käyttäjä voi kuvata kangasmerkkiä ja sovellus antaa palautteena merkin tarjoajan ja paikan. Sovellus tarvitsi siis sisäänsä jonkinlaisen kuvantunnistusosion. Kuvan tunnistamiseen on kuitenkin tarjolla jo monia erilaisia algoritmeja.

Työssä päädyttiin käyttämään neuroverkkoa, joka käyttää Alexnetin johdannaista mallia. Ideana oli arvioida kuvien määrän vaikutusta neuroverkon oppimiseen sekä neuroverkon sopivuutta ylipäänsä tämän tyyppiseen kuvantunnistusongelmaan. Neuroverkko pyrkii lajittelemaan kuvat haluttuihin luokkiin. Tutkimusmateriaalina käytettiin kangasmerkkejä. Materiaalin määrää moninkertaistettiin pyörittämällä merkkejä eri kulmiin verrattuna alkuperäiseen. Verkon tehokkuutta tutkittiin tekemällä viisi eri versiota, joihin jokaiseen tehtiin muutoksia verrattuna edellisiin. Muutoksia olivat koulutusiteraatioiden määrä sekä koulutusmateriaalin määrä. Hypoteesina oli, että mitä enemmän materiaalia neuroverkolla on käytettävänä koulutuksessa, sitä paremmin sen tulisi myös kyetä arvaamaan kuvan luokka oikein.

Tuloksia käsiteltiin rakentamalla taulukko eri neuroverkon versioista sekä tutkimalla neuroverkon kehitystä samojen kuvien suhteen. Neuroverkon kehittyminen koulutuskuvien määrän suhteen ei muuttunut merkittävästi 1000 koulutuskuvan jälkeen. Tunnistusprosentti säilyi noin 95% kohdalla, vaikka koulutuskuvia käytettiin 3000. Selkeinä eroina nähtiin kuvien värin tai värimaailman vaikutus. Kangasmerkkien muodoilla nähtiin suhteellisen vähän vaikutusta neuroverkon tunnistamiskykyyn.

Tutkimuksen perusteella voidaan todeta, että edellä kuvattu kuvantunnistusmenetelmä kykenee täyttämään sovelluksen vaatimukset kangasmerkkien tunnistamiseksi kohtuullisella määrällä kuvia.

Recognizing patches with neural networks

Abstract

Augmented reality has risen to be a familiar topic in the 2010s. People see the possibilities in merging technology with reality. This is where image recognition and machine vision become essential parts of.

The basic idea of the project was to create an application that an user can take a picture of a patch with and in return get information about the patch provider and their location. The application would, in this case, need some kind of image recognition section. To recognize an image, there have already been developed many different algorithms.

The work ended up using a neural network that uses Alexnet’s derivative model. The idea was to estimate how the amount of images affects the neural network learning and, in general, how well neural networks serve to solving this kind of image recognition problem. The neural network aims at sorting images to desired classes. Cloth patches were used as a research material. The amount of research material was multiplied by rolling each patch to different angles compared to the original. The efficiency of the neural network was studied by creating five different versions, making changes to each of them in comparison to previous version. The changes included the number of training iterations and the amount of training material. The hypothesis was that the more training material there was for the neural network, the better it was guessing the class right.

The results were handled by creating a table of different neural network versions and studying the neural network evolution between the same images. The evolution involving the amount of training images didn’t change much after 1000 training images. The percent of successful recognition stayed at about 95 % although 3000 training images were used. Clear differences were noticed in the effect of image color and color scheme. The shape of the patches had relatively small impact on recognition.

Based on the study, it can be concluded that the above-mentioned image recognition method can fulfill the application’s requirements for identifying patches with a reasonable number of images.

see all

Subjects:
Copyright information: © Oula Hourula; Taru Järvelä; Joonas Soudunsaari; Joonas Soudunsaari, 2019. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited.