Projektová práca Optická kontrola hniloby jabĺk - MemBrain Neural Network Editor
Pre nemecky hovoriacich používateľov: Predvoleným jazykom nástenky je angličtina. Pri registrácii je možné zmeniť jazyk nástenky na nemčinu! Pre príspevky v angličtine a nemčine existujú samostatné oblasti fóra.
Projektová práca Vizuálna kontrola jabĺk na zhnitú porciu
Máte na rozpracovaní konkrétny projekt a neviete, ako sa k úlohe postaviť? Nie ste si istí, či návrh vašej siete vyhovuje vášmu problému alebo či existujú príležitosti na optimalizáciu? Má vôbec zmysel pristupovať k vašim údajom pomocou prístupu založeného na NN? Je MemBrain tým správnym nástrojom pre váš problém a vašu infraštruktúru?
Tu je správne miesto pre tieto typy otázok.
Projektová práca Vizuálna kontrola jabĺk na zhnitú porciu
Príspevok od Loknar »St 5. augusta 2009, 12:53 hod
Ahoj,
Momentálne si vyskúšam prácu na projekte Mebrain ako súčasť magisterského kurzu.
Myslím, že som celkom dobre pochopil základy, ale vždy sa stretnem s menšími problémami a stále si nie som istý, ako k problému správne pristupovať.
Teraz krátko k projektu:
Vyštudoval som technológiu jedla a musím pracovať na projekte v magisterskom programe (podľa môjho vedúceho to trvá asi polovicu diplomovej práce).
Môj nadriadený je v oblasti poľnohospodárskej techniky a projekt, ktorého sa zúčastňujem, je o triedení jabĺk. Vykonáva sa výskum systému, ktorý dokáže nedeštruktívne a bez optických prostriedkov triediť jablká na základe stupňa ich lenivosti. Za týmto účelom sú jablká zhnité a merané pomocou systému. Po každom meraní sa však podiel hniloby v jablku zoškrabne z jablka na kontrolu, a tak sa jablko zničí.
Teraz, pokiaľ ide o moju účasť v tomto projekte:
Aby bolo možné pozorovať proces rozpadu jabĺk, nesmiete ich zničiť, a tak som sa najskôr pokúsil pomocou optickej analýzy zmerať zhnité oblasti na povrchu jabĺk. Za týmto účelom som jablko vyfotografoval zo všetkých strán pomocou fotoaparátu a otočného taniera so servomotorom v rovnomerne osvetlenej skrinke a jednotlivé časti jablka spojil, aby vytvorili „celkovú panorámu“ (softvér pre Photo + Rotate + Panorama mám v Labview a meranie trvá asi 1 minútu na jablko).
Bohužiaľ to koreluje iba čiastočne s mierou hniloby v jablku, pretože nevidím pokrok v procese rozpadu vo vnútri jablka. Zhromaždil som teda ďalšie hodnoty, ktoré som mohol zaznamenať rýchlo a nedeštruktívne. Sú to doba skladovania, počiatočná hmotnosť, chudnutie a odroda jabĺk.
Teraz som vytvoril jednoduchý ANN s optickou prehnitou časťou, časom skladovania, počiatočnou hmotnosťou, úbytkom hmotnosti a odrodou jabĺk ako vstupmi a skutočnou prehnitou časťou ako výstupom. Nameral som údaje z 200 jabĺk a vzal som 150 na trénovanie a 50 na kontrolu siete. Prvé pokusy s ANN vyzerajú veľmi sľubne, ale zatiaľ si nie som istý svojím prístupom.
Existuje nejaký odporúčaný prístup, ktorým by ste sa mali riadiť pri vytváraní ANN (napr. Prepracovať sa k počtu skrytých vrstiev alebo vyskúšať širokú škálu učiteľov) a ako k tomu vo svojej práci pristupujete? Našiel som zdroj v boli špecifikované rôzne korelácie a chyby (RMSE, SE atď.) pre rôznych učiteľov, prenosové funkcie a počet neurónov, ale typ spojenia neurónov a počet skrytých vrstiev sa nezmenili. Je takýto prístup odporúčateľný? Existujú nejaké ďalšie spôsoby, ako určiť kvalitu siete?
Okrem toho mám s učiteľom vždy menšie problémy:
Občas sa stane, že učiteľ spočiatku dosiahne relatívne malú čistú chybu (napr. 0,13) a potom zrazu čistá chyba opäť rýchlo stúpa (napr.> 3) a už sa nezlepšuje. Okrem toho mám vždy problém, že ak som sa dobre naučil sieť (Čistá chyba 0,1) a chcem ju skontrolovať (načítam 50 testovacích hodnôt cez editor Lessen a stlačím Vyhodnotiť sieť), dostanem podstatne vyššiu Čistú chybu (napr. 0, 5). Ak potom znova vezmem údaje o učení a skontrolujem sieť, chyba siete je tiež oveľa vyššia, aj keď som na sieti nič nezmenil. (Robím tu nejakú chybu?)
Veľká vďaka patrí Thomasovi Jetterovi za sprístupnenie tohto ľahko použiteľného a skvelého programu.
Re: Projektová práca Optická kontrola jabĺk na zhnitú porciu
Príspevok od Admin »St 5. augusta 2009, 22:11
najskôr krátka otázka: Už ste si prečítali ďalšie vlákna na tomto fóre? Mohli by tam byť zaujímavé informácie, aj keď je samozrejme každý projekt iný.
Dobrý prístup je spočiatku použiť iba jednu skrytú vrstvu, počet neurónov by som vybral o polovicu väčší ako máte vstupy (t. J. Vo vašom prípade 2 - 3 skryté neuróny). Spravidla ste v tom celkom dobrí a ďalšie pokusy zriedka prinesú veľké zlepšenie.
Pokiaľ ide o učiteľa:
Najlepším učiteľom je vo väčšine prípadov RPROP. Lepšie výsledky tréningu dosiahnete zriedka s hybnou silou backpropu a tréning vždy trvá oveľa dlhšie.
Pokiaľ ide o aktivačné funkcie: Používajte výraz „LOGISTIC“ pre skryté a výstupné neuróny, mal som s ním najlepšie skúsenosti. Niekedy je však TAN-HYP tiež lepší, ani tu neplatí pravidlo. Určite to teda stojí za vyskúšanie.
PS: Nájdete viac ako 200 záznamov? 1000 by bolo lepšie