Менциев Адам Умалтович, старший преподаватель, кафедра программирования иинфокоммуникационных технологий,
364060, г. Грозный, Бульвар Дудаева, 17а
Adam U. Mentsiev, Senior Lecturer, Department of Programming and Infocommunication Technologies,
17a Dudaeva Boulevard, Grozny 364060
Айгумов Тимур Гаджиевич, кандидат экономических наук, доцент; заведующий кафедрой программного обеспечения вычислительной техники и автоматизированных систем,
367026, г. Махачкала, пр-т. Имама Шамиля, д. 70
Timur G. Aigumov, Cand. Sci. (Econom), Assoc. Prof.; Head of Department, Department of Computer Software and Automated Systems,
70 I. Shamilya Ave., Makhachkala 367026
Абдулмукминова Элиза Мурадовна, студентка,
367026, г. Махачкала, пр-т. Имама Шамиля, д. 70
Eliza M. Abdulmukminova, Student,
70 I. Shamilya Ave., Makhachkala 367026
Цель. Целью исследования является разработка и обучение модели нейронной сети на основе сверточных нейронных сетей для эффективного распознавания дорожных знаков на изображениях.
Метод. Использованы методы глубокого обучения, а именно сверточные нейронные сети, которые позволяют автоматически извлекать характеристики изображений и обучаться на большом наборе данных. Методика исследования включала следующие этапы: сбор и подготовку разнообразных данных дорожных знаков, создание и обучение модели нейронной сети на основе сверточных слоев, применение методов увеличения данных для повышения производительности модели, и оценку эффективности модели на тестовом наборе данных.
Результат. Разработана модель нейронной сети, способная классифицировать различные типы дорожных знаков на основе входных изображений с высокой точностью. Модель была обучена на разнообразных и качественных данных, что позволило ей обобщать и распознавать дорожные знаки в различных условиях освещения и ракурсах камеры. Применение методов увеличения данных существенно повысило производительность модели и улучшило ее способность к обобщению.
Вывод. Исследование подчеркивает важность использования разнообразных и качественных данных для обучения модели и применение методов увеличения данных для повышения ее производительности. Исследование подтверждает эффективность использования нейронных сетей, особенно сверточных нейронных сетей, для задачи распознавания дорожных знаков на изображениях.
Objective. The purpose of the research is to develop and train a neural network model based on convolutional neural networks for effective recognition of road signs in images.
Method. Deep learning methods were used, namely convolutional neural networks, which allow you to automatically extract image characteristics and train on a large data set. The research methodology included the following steps: collecting and preparing a variety of road sign data, creating and training a neural network model based on convolutional layers, applying data augmentation methods to improve model performance, and evaluating the model’s effectiveness on a test data set.
Result. A neural network model is developed that can classify various types of road signs based on input images with high accuracy. The model was trained on diverse and high-quality data, allowing it to generalize and recognize road signs in different lighting conditions and camera angles. The use of data augmentation techniques significantly increased the model’s performance and improved its generalization ability.
Conclusion. The study highlights the importance of using diverse and high-quality data to train a model and applying data augmentation techniques to improve its performance. The study confirms the effectiveness of using neural networks, especially convolutional neural networks, for the task of recognizing road signs in images.
The authors declare that there are no conflicts of interest present.