Kuva-aineiston generointi neuroverkkoa varten
Tenhunen, Joona (2021)
2021
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2021052812336
https://urn.fi/URN:NBN:fi:amk-2021052812336
Tiivistelmä
Syväoppimisen avoimen lähdekoodin kirjastot ja tietokoneiden laskentatehon kasvu mahdollistavat monenlaiset kuvantunnistusprojektit, myös kotikäyttäjille. Mutta esteeksi nousee usein laadukkaan koulutusaineiston saatavuus ja hankinta. Tavoitteena oli kehittää menetelmä tuottaa kuva-aineistoa liikennemerkeistä 3D-mallintamisen avulla, ja käyttää aineistoa konvoluutioneuroverkon koulutuksessa.
Kirjoitettiin Blender-mallinnusohjelmaan lisäosa, jonka avulla generoitiin useasta liikennemerkistä koostuva datasetti, jonka avulla koulutettiin konvoluutioneuroverkkoa. Vertailuarvona käytettiin ennustetarkkuutta, kun saman rakenteista konvoluutioneuroverkkoa koulutettiin oikeilla kuvilla. Tarkkuutta testattiin erillisellä kuvajoukolla, jota ei käytetty mallien koulutuksissa.
Generoidun kuvajoukon avulla koulutettu malli ei pärjännyt vertailussa oikeiden kuvien
avulla koulutettuun malliin. Kuitenkin kuvien keinotekoisella muokkauksella tulokset paranivat hieman, joka osoittaa, että menetelmää kehittämällä saattaa olla mahdollista tuottaa vertailussa paremmin menestyviä kuva-aineistoja.
Testitulosten lisäksi toimeksiantajalle jäi käytettäväksi työssä käytetty Blender-lisäosa,
jonka avulla voi generoida lisää erilaisia kuvia liikennemerkeistä.
Kirjoitettiin Blender-mallinnusohjelmaan lisäosa, jonka avulla generoitiin useasta liikennemerkistä koostuva datasetti, jonka avulla koulutettiin konvoluutioneuroverkkoa. Vertailuarvona käytettiin ennustetarkkuutta, kun saman rakenteista konvoluutioneuroverkkoa koulutettiin oikeilla kuvilla. Tarkkuutta testattiin erillisellä kuvajoukolla, jota ei käytetty mallien koulutuksissa.
Generoidun kuvajoukon avulla koulutettu malli ei pärjännyt vertailussa oikeiden kuvien
avulla koulutettuun malliin. Kuitenkin kuvien keinotekoisella muokkauksella tulokset paranivat hieman, joka osoittaa, että menetelmää kehittämällä saattaa olla mahdollista tuottaa vertailussa paremmin menestyviä kuva-aineistoja.
Testitulosten lisäksi toimeksiantajalle jäi käytettäväksi työssä käytetty Blender-lisäosa,
jonka avulla voi generoida lisää erilaisia kuvia liikennemerkeistä.