Алгоритмы классификации объектов на изображениях приемной камеры современного фандомата

В работе рассматривается задача разработки математического и программного обеспечения для анализа изображений в современных фандоматах. В рамках подхода, основанного на применении методов поверхностного машинного обучения, формулируется задача обработки изображений объектов, подлежащих сырьевой переработке в фандомате, как задача сегментации этих изображений с последующей классификацией по форме. Производится обзор и сравнение известных методов сегментации с целью выделения формы объектов и формирования признаков для классификации. В результате сравнения делается выбор в пользу метода активного контура. Предлагается и исследуется относительно простой алгоритм классификации сегментированных объектов на основе «случайного леса». Также предлагается два алгоритма выделения признаков классификации: алгоритм на основе анализа степени заполненности частей сегментированного изображения и алгоритм, вычисляющий свойства области объекта. Как альтернативный подход также описывается метод классификации получаемых изображений в целом, без предварительного выделения признаков, основанный на глубоком обучении. Обсуждается проблема дефицита обучающих данных, приводятся возможные подходы к её решению. Описывается реализация сверточной нейронной сети — классификатора с архитектурой DenseNet, полученная с применением техники переноса обучения. Представлены результаты экспериментов по оценке эффективности рассмотренных алгоритмов, проведенных на предоставленном обучающем наборе. Выбранный метод сегментации, а также оба рассмотренных классификатора продемонстрировали высокий уровень эффективности. Проведено сравнение результатов классификации для алгоритмов на основе поверхностного («случайный лес») и глубокого машинного обучения (сверточная нейронная сеть).