Актуальность статьи обусловлена инфокоммуникационным обеспечением судоходства путем мониторинга речных судов с использованием камер видеонаблюдения. Основной задачей является распознавание судов на изображениях, для чего перспективно применение нейронных сетей. Целью работы является исследование показателей эффективности распознавания судов доступными и предварительно обученными сетями после их дообучения под поставленные задачи и выбор наиболее эффективной сети. В работе рассмотрены различные предварительно обученные нейронные сети. Входными данными для сетей являются изображения судов. Обучающая выборка собрана вручную и включает в себя два независимых DataSet с изображениями речных судов и множества других объектов, за исключением судов. Сети построены и дообучены с использованием библиотек машинного обучения Keras и TensorFlow. Описано применение предварительно обученных сверточных искусственных нейронных сетей для задач распознавания образов и преимущества использования такой сети перед синтезом нейронной сети с нуля. Подробно описана архитектура эффективной предварительно обученной нейронной сети VGG16. Проведен эксперимент по дообучению доступных предварительно обученных сверточных нейронных сетей под поставленную задачу. Проведена оценка эффективности различных дообученных нейронных сетей в процентном соотношении случаев правильного распознавания образов на тестовой выборке. Выбрана наиболее эффективная нейронная сеть для задач распознавания образов судов. Максимальную точность показали сети NASNetMobile и NASNetLarge. Однако минимальный размер изображений, с которым могут работать эти сети, больше, чем для остальных доступных сетей, а большое число параметров в сверточных слоях этих сетей обусловливают намного большее время дообучения и работы, чем для остальных доступных сетей. Вместе с тем нейронная сеть VGG16 при небольшом числе параметров и малом времени на дообучение показала очень высокую эффективность, ввиду чего рекомендована к использованию для задачи распознавания образов судов.
The relevance of the article is due to the information and communication support of navigation by monitoring river vessels using video surveillance cameras. The main goal is to recognize ships in images, for which the application of neural networks has potential. The aim of the paper is to study the performance indicators of vessel recognition by means of available pre-trained networks after their additional training for the assigned tasks and to select the most efficient network. The research considers various pre-trained neural networks. The input data for the networks are ship images. The training sample was collected manually and includes two independent DataSets with images of river vessels and many other objects apart from ships. The networks were built and further trained with the aid of Keras and TensorFlow machine learning libraries. The employment of pre-trained convolutional artificial neural networks for pattern recognition problems and the advantages of utilizing such networks over synthesizing a neural network from scratch are presented. The architecture of efficient pre-trained VGG16 neural network is described in detail. An experiment was conducted in additional training of available pre-trained convolutional neural networks for the assigned task. The efficiency of various pre-trained neural networks was evaluated in terms of the percentage of correct pattern recognition cases on the test set. The most efficient neural network for ship pattern recognition tasks has been selected. NASNetMobile and NASNetLarge networks have shown the maximum accuracy. However, the minimum image size that these networks can work with is larger than for other available networks and the great number of parameters in the convolutional layers of these networks causes a significant increase in retraining and operation time than for other available networks. Concurrently, VGG16 neural network with a small number of parameters and a short time for additional training has proven to be highly efficient which is why it is recommended for the purposes of ship pattern recognition.
The authors declare that there are no conflicts of interest present.