Kasvilajien tunnistaminen neuroverkon avulla
Janatuinen, Toni (2020)
Janatuinen, Toni
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2020070919524
https://urn.fi/URN:NBN:fi:amk-2020070919524
Tiivistelmä
Neuroverkoilla on mahdollista tunnistaa kuvista lukuisia asioita hyvin tarkasti, kuten keuhkokuumetta röntgenkuvista tai luomien pahanlaatuisuutta. Tämä on avannut kuluttajille mahdollisuuden tunnistaa arkipäiväisiä asioita erilaisilla neuroverkkoja hyödyntävillä sovelluksilla.
Työn tavoitteena oli tuottaa neuroverkkosovellus, joka tunnistaa kymmenen asiakasyrityksen määrittelemää kasvilajia. Kuvat kasvilajeista neuroverkon opetusprosessia varten saatiin asiakasyritykseltä. Toisena tavoitteena oli tutkia, päästäänkö konvoluutioverkolla riittävään tarkkuuteen hyödyntäen myös siirrettyä oppimista. Konvoluutioverkko on syvä neuroverkko, jossa on konvoluutiokerroksia, ja sitä opetettiin syöttämällä kuvia valituista kasvilajeista
Tuloksena saavutettiin toimiva malli, joka tunnisti kaikki kuusi testikuvaa jokaisesta kymmenestä lajista. Neuroverkko ei oppinut tunnistamaan kasvilajeja, kun sitä opetettiin ilman siirrettyä oppimista. Kuitenkin siirretyn oppimisen avulla päästiin haluttuun tulokseen. Siirretyssä oppimisessa käytettiin hyödyksi toisessa neuroverkkomallissa opittuja representaatioita, joiden avulla on mahdollista vähentää tarvittavaa opetusdatan määrää.
Johtopäätöksenä voidaan todeta, että kasvilajeja pystytään tunnistamaan neuroverkon avulla myös silloin, kun opetuskuvia on erityisen vähän, kunhan käytetään siirrettyä oppimista. Tämä avaa yrityksille lukuisia mahdollisuuksia toteuttaa neuroverkkoja hyödyntäviä sovelluksia kuluttajille.
Työn tavoitteena oli tuottaa neuroverkkosovellus, joka tunnistaa kymmenen asiakasyrityksen määrittelemää kasvilajia. Kuvat kasvilajeista neuroverkon opetusprosessia varten saatiin asiakasyritykseltä. Toisena tavoitteena oli tutkia, päästäänkö konvoluutioverkolla riittävään tarkkuuteen hyödyntäen myös siirrettyä oppimista. Konvoluutioverkko on syvä neuroverkko, jossa on konvoluutiokerroksia, ja sitä opetettiin syöttämällä kuvia valituista kasvilajeista
Tuloksena saavutettiin toimiva malli, joka tunnisti kaikki kuusi testikuvaa jokaisesta kymmenestä lajista. Neuroverkko ei oppinut tunnistamaan kasvilajeja, kun sitä opetettiin ilman siirrettyä oppimista. Kuitenkin siirretyn oppimisen avulla päästiin haluttuun tulokseen. Siirretyssä oppimisessa käytettiin hyödyksi toisessa neuroverkkomallissa opittuja representaatioita, joiden avulla on mahdollista vähentää tarvittavaa opetusdatan määrää.
Johtopäätöksenä voidaan todeta, että kasvilajeja pystytään tunnistamaan neuroverkon avulla myös silloin, kun opetuskuvia on erityisen vähän, kunhan käytetään siirrettyä oppimista. Tämä avaa yrityksille lukuisia mahdollisuuksia toteuttaa neuroverkkoja hyödyntäviä sovelluksia kuluttajille.