Następny  

1. Wprowadzenie

Sieci neuronowe są obecnie dynamicznie rozwijającą się dziedziną uczenia maszynowego. Obserwujemy intensywny rozwój modeli językowych (jak czat GPT) oraz modeli do generacji obrazów. Wiele algorytmów wykorzystujących sieci możemy napotkać w codziennym życiu. Do przykładowych zastosowań należą [Chollet, 2022]:

  • klasyfikacja obrazów (rozpoznawanie jaki obiekt jest na zdjęciu),

  • detekcja obiektów na obrazach (np. detekcja twarzy na obrazie z kamery),

  • dopasowanie treści i reklam na portalach społecznościowych do użytkownika,

  • tłumaczenie maszynowe i korekta tekstu,

  • systemy odpowiadające na pytania w języku naturalnym,

  • pojazdy autonomiczne,

  • cyfrowi asystenci (np. Amazon Alexa),

  • zamiana mowy na tekst i tekstu na mowę,

  • programy grające w gry (np. szachy).

Sieci neuronowe znajdują również zastosowania w automatyce i robotyce. Do przykładowych zastosowań należą:

  • Budowa modeli odwzorowujących wartości zmiennych procesowych (np. model temperatury pary za przegrzewaczem na podstawie temperatury przed przegrzewaczem i wartości sygnału sterującego zaworem). Modele takie mogą być wykorzystywane jako sensory wirtualne, w celu zastąpienia drogich urządzeń pomiarowych, w sterowaniu predykcyjnym lub w diagnostyce przemysłowej, gdzie wyjście modelu porównujemy z mierzonym sygnałem i istotna różnica może być symptomem wystąpienia uszkodzenia [Rostek et al., 2015] [Sztyber-Betley et al., 2023].

  • Detekcja anomalii. Modele detekcji anomalii mogą być budowane dla pomiarów w dziedzinie czasu (np. temperatura), częstotliwości (np. wibroakustyczna diagnostyka łożysk) oraz dla wizyjnych systemów kontroli jakości [Kocon et al., 2024].

  • Systemy wizyjne w robotyce - pozwalają robotom na rozpoznawanie i lokalizację obiektów na podstawie obrazu z kamery [Koguciuk et al., 2019] [Gromada et al., 2022].

  • Interfejsy człowiek-maszyna w robotyce. Tu zastosowania znajdują systemy wizyjne rozpoznawania twarzy i emocji oraz rozwiązania do przetwarzania języka naturalnego, syntezy i rozpoznawania mowy.

  • Inteligentne rolnictwo - systemy wizyjne do rozpoznawania i lokalizacji roślin mogą być wykorzystywane w robotach do automatycznego zbioru owoców lub usuwania chwastów [Chechliński et al., 2019]. Systemy wizyjne pozwalają również na rozpoznawanie i klasyfikację chorób roślin.

  • Optymalizacja. Modele predykcyjne (np. cen energii elektrycznej [Kuliński and Sztyber-Betley, 2024]) pozwalają racjonalne planowanie produkcji i gospodarowanie zasobami.

Celem modułu jest przybliżenie zasady działania i algorytmów uczenia sieci neuronowych. Omówimy również bibliotekę Keras (https://keras.io/), pozwalającą na proste i szybkie budowanie złożonych modeli. W części dotyczącej sieci konwolucyjnych przybliżone zostanie działanie systemów wizyjnych wykorzystujących sieci neuronowe. W części projektowej skoncentrujemy się na modelach zmiennych ciągłych, wykorzystywanych w diagnostyce i sterowaniu.

Literatura

[Chollet, 2022]
 Chollet, F. (2022). Deep Learning with Python, Second Edition. Manning.
[Rostek et al., 2015]
 Rostek, K., Łukasz Morytko, and Jankowska, A. (2015). Early detection and prediction of leaks in fluidized-bed boilers using artificial neural networks. Energy, 89:914--923. [ | DOI | http ]
[Sztyber-Betley et al., 2023]
 Sztyber-Betley, A., Syfert, M., Kościelny, J. M., and Górecka, Z. (2023). Controller cyber-attack detection and isolation. Sensors, 23(5). [ | DOI | http ]
[Kocon et al., 2024]
 Kocon, M., Malesa, M., and Rapcewicz, J. (2024). Ultra-lightweight fast anomaly detectors for industrial applications. Sensors, 24(1). [ | DOI | http ]
[Koguciuk et al., 2019]
 Koguciuk, D., Chechliński, L., and El-Gaaly, T. (2019). 3d object recognition with ensemble learning---a study of point cloud-based deep learning models. In Bebis, G., Boyle, R., Parvin, B., Koracin, D., Ushizima, D., Chai, S., Sueda, S., Lin, X., Lu, A., Thalmann, D., Wang, C., and Xu, P., editors, Advances in Visual Computing, pages 100--114, Cham. Springer International Publishing.
[Gromada et al., 2022]
 Gromada, K., Siemiątkowska, B., Stecz, W., Płochocki, K., and Woźniak, K. (2022). Real-time object detection and classification by uav equipped with sar. Sensors, 22(5). [ | DOI | http ]
[Chechliński et al., 2019]
 Chechliński, L., Siemiątkowska, B., and Majewski, M. (2019). A system for weeds and crops identification—reaching over 10 fps on raspberry pi with the usage of mobilenets, densenet and custom modifications. Sensors, 19(17):3787.
[Kuliński and Sztyber-Betley, 2024
 Kuliński, W. and Sztyber-Betley, A. (2024). Day ahead electricity price forecasting with neural networks - one or multiple outputs?
Następny