27375

تركيب شبكه‌هاي عصبي گرافي و پيچشي براي مدل‌سازي دو بعدي توپولوژي ميوه‌ها

كارشناسي ارشد

مهندسي مكانيك- ساخت و توليد- مكاترونيك

1401

1401/07/02

دكتر محمد شهبازي

دكتر اسماعيل خان ميرزا

مكانيك

شناسايي اجسام در تصاوير ويدئويي يكي از مهم‌ترين بخش‌هاي بينايي ماشين است كه به ربات‌ها در گرفتن، رهاكردن و دست‌كاري اجسام بصورت برخط كمك مي‌كند. يكي از روش‌هاي شناسايي اجسام استفاده از شبكه‌ گازي عصبي رشد يابنده مي‌باشد كه جداي از شناسايي جسم به ربات در درك توپولوژي جسم نيز كمك مي‌كند. در اين پايان‌نامه سعي برآن است كه با بهبود عملكرد شبكه گاز عصبي رشديابنده يا به اختصار GNG و اعمال آن بر داده‌هاي بدست آمده از تصاوير ويدوئي، يك گراف بدون جهت تشكيل شود تا به ربات در انجام عمليات‌هاي برخط كمك كند. شبكه GNG از آنجايي كه با دو نود شروع به يادگيري مي‌كند و همزمان با يادگيري، فاز رشد را نيز دارد، بسيار كند عمل مي‌كند از اين رو براي انجام كارهاي برخط مناسب نيست. براي بهينه سازي شبكه GNG، مدلي پيشنهاد شده است كه در ابتدا ابر نقاط جسم را استخراج مي‌كند سپس به كمك شبكه عصبي كانولوشني جسم را از منظر شكل هندسي آن طبقه بندي مي‌كند و گراف اوليه‌ جسم را از پايگاه داده بارگذاري مي‌كند سپس شبكه گاز عصبي رشد يابنده بهبود يافته اجراء مي‌شود. طبق نتايج بدست آمده شبكه گاز عصبي طراحي شده مي‌تواند گرافي بهينه و منظم را در كمتر از يك ثانيه تشكيل دهد. همچنين يكي از خصوصيات اصلي اين گراف اين است كه نودها پس از تغييرشكل جسم از بين نمي‌روند بلكه نسبت به شكل جديد جايگاهشان بروزرساني مي‌شود.شناسايي اجسام در تصاوير ويدئويي يكي از مهم‌ترين بخش‌هاي بينايي ماشين است كه به ربات‌ها در گرفتن، رهاكردن و دست‌كاري اجسام بصورت برخط كمك مي‌كند. يكي از روش‌هاي شناسايي اجسام استفاده از شبكه‌ گازي عصبي رشد يابنده مي‌باشد كه جداي از شناسايي جسم به ربات در درك توپولوژي جسم نيز كمك مي‌كند. در اين پايان‌نامه سعي برآن است كه با بهبود عملكرد شبكه گاز عصبي رشديابنده يا به اختصار GNG و اعمال آن بر داده‌هاي بدست آمده از تصاوير ويدوئي، يك گراف بدون جهت تشكيل شود تا به ربات در انجام عمليات‌هاي برخط كمك كند. شبكه GNG از آنجايي كه با دو نود شروع به يادگيري مي‌كند و همزمان با يادگيري، فاز رشد را نيز دارد، بسيار كند عمل مي‌كند از اين رو براي انجام كارهاي برخط مناسب نيست. براي بهينه سازي شبكه GNG، مدلي پيشنهاد شده است كه در ابتدا ابر نقاط جسم را استخراج مي‌كند سپس به كمك شبكه عصبي كانولوشني جسم را از منظر شكل هندسي آن طبقه بندي مي‌كند و گراف اوليه‌ جسم را از پايگاه داده بارگذاري مي‌كند سپس شبكه گاز عصبي رشد يابنده بهبود يافته اجراء مي‌شود. طبق نتايج بدست آمده شبكه گاز عصبي طراحي شده مي‌تواند گرافي بهينه و منظم را در كمتر از يك ثانيه تشكيل دهد. همچنين يكي از خصوصيات اصلي اين گراف اين است كه نودها پس از تغييرشكل جسم از بين نمي‌روند بلكه نسبت به شكل جديد جايگاهشان بروزرساني مي‌شود.

1401/08/29

Combining graph and convolutional neural networks for two-dimensional modeling of fruit's topology

9/24/2023 12:00:00 AM

Identifying objects in video images is one of the most important parts of machine vision that helps robots grasp, release and manipulate objects online. One of the methods of identifying objects is using a growing neural network, which, apart from identifying the object, also helps the robot to understand the topology of the object. In this thesis, an undirected graph is formed by improving the performance of the growing neural gas network (GNG) and applying it to the data obtained from video images to help the robot perform online operations. Since the GNG network starts learning with two nodes and has a growth phase at the same time as learning, it works very slowly, so it is not suitable for doing online tasks. To optimize the GNG network, a model has been proposed that first extracts the point cloud of the object, then classifies the object from the point of view of its geometric shape with the help of convolutional neural network, and loads the initial graph of the object from the database, then grows the neural gas network. The innovative finder is implemented. According to the obtained results, the designed neural gas network can form an optimal and regular graph in less than one second. Also, one of the main characteristics of this graph is that the nodes are not destroyed after changing the shape of the object, but their position is updated according to the new shape

شبكه گاز عصبي رشد يابنده , شبكه عصبي كانولوشن , طبقه بندي ابرنقاط , بينايي ماشين , يادگيري ماشين

Growing Neural Gas , Convolutional Neural Network , Point Cloud Classification , Machine Vision , Machine Learning

Korosh Eskandari Alughare

Dr. Mohammad Shahbazi