Проектна робота Оптичний контроль яблук на гнилі речовини - Редактор нейронних мереж MemBrain

Для німецькомовних користувачів: Мовою дошки за замовчуванням є англійська. Під час реєстрації мову дошки можна змінити на німецьку! Існують окремі зони форуму для англійської та німецької публікацій.

контроль

Проектна робота Візуальний огляд яблук на гнилі порції

У вас є конкретний проект, над яким слід працювати, і ви не знаєте, як підійти до завдання? Ви не впевнені, чи відповідає ваш дизайн мережі вашій проблемі чи є можливості для оптимізації? Чи є сенс взагалі підходити до своїх даних за допомогою підходу, заснованого на NN? Чи є MemBrain правильним інструментом для вирішення вашої проблеми та вашої інфраструктури?

Тут є правильне місце для таких типів запитань.

Проектна робота Візуальний огляд яблук на гнилі порції

Допис від Локнар »Середа, 5 серпня 2009 р., 12:53 вечора

Привіт,
Зараз я пробую свої сили в Mebrain для проектної роботи в рамках магістерського курсу.
Я думаю, що я досить добре зрозумів основи, але я завжди стикаюся з незначними проблемами і досі не впевнений, як правильно підійти до проблеми.

Тепер коротко до проекту:
Я вивчав харчові технології і маю працювати над проектом в магістерській програмі (за словами мого керівника, це займає близько половини магістерської роботи).
Мій керівник працює в галузі сільськогосподарських технологій, і проект, в якому я беру участь, стосується сортування яблук. Проводяться дослідження системи, яка дозволяє сортувати яблука неруйнівним способом та без оптичних засобів залежно від ступеня ліні. Для цього яблука гниють і вимірюють за допомогою системи. Однак після кожного вимірювання частка гниття в яблуці викреслюється з яблука для перевірки і таким чином яблуко руйнується.

Тепер щодо моєї участі в цьому проекті:
Для того, щоб мати можливість спостерігати процес гниття яблук, не можна їх знищувати, тому я спочатку спробував виміряти гнилі ділянки на поверхні яблук за допомогою оптичного аналізу. Для цього я сфотографував яблуко з усіх боків за допомогою камери та вертушки з сервомотором у рівномірно освітленій коробці та об’єднав окремі ділянки яблука, щоб сформувати «загальну панораму» (у мене є програмне забезпечення для фото + обертання + панорама в Labview і вимірювання займає близько 1 хв на яблуко).

На жаль, це корелює лише в обмеженій мірі з часткою загнивання в яблуці, оскільки я не бачу прогресу процесу гниття всередині яблука. Тож я зібрав інші цінності, які міг записати швидко і неруйнівно. Це час зберігання, початкова вага, втрата ваги та сорт яблук.

Зараз я створив просту ANN з оптичною гнилою порцією, часом зберігання, початковою вагою, втратою ваги та різноманітністю яблук як вхідними речовинами та реальною гнилою порцією як вихідною. Я виміряв дані з 200 яблук і взяв 150 на тренування та 50 на перевірку мережі. Перші спроби з ANN виглядають дуже багатообіцяючими, але я ще не впевнений у своєму підході.

Чи існує якийсь рекомендований підхід, якого слід дотримуватися при створенні ANN (наприклад, пройти шлях до кількості прихованих шарів або спробувати різних викладачів) і як ви підходите до цього у своїй роботі? Я знайшов джерело в були вказані різні кореляції та помилки (RMSE, SE та ін.) для різних викладачів, передавальні функції та кількість нейронів, але тип зв'язку нейронів та кількість прихованих шарів не змінилися. Чи рекомендується такий підхід? Чи існують інші способи визначення якості мережі?

Крім того, у мене завжди є незначні проблеми з учителем:
Час від часу трапляється, що викладач спочатку досягає відносно невеликої чистої помилки (наприклад, 0,13), а потім раптово чиста помилка знову швидко зростає (наприклад> 3) і більше не покращується. Крім того, у мене завжди виникає проблема, що якщо я добре навчився мережі (Net Error 0.1) і хочу перевірити її (я завантажую 50 тестових значень через Lessen Editor і натискаю Evaluate Net), я отримую значно вищу Net Error (наприклад, 0, 5). Якщо я знову беру навчальні дані і перевіряю мережу, чиста помилка також набагато вища, хоча я нічого не змінював у мережі. (Я тут роблю якусь помилку?)

Велике спасибі Thomas Jetter за те, що зробив цю просту у використанні та чудову програму доступною.

Re: Проектна робота Візуальний огляд яблук на гнилі порції

Допис від Адміністратор »5 серпня 2009 р., 22:11

спочатку коротке запитання: Ви вже читали інші теми на цьому форумі? Там може бути якась цікава інформація, навіть якщо, звичайно, кожен проект відрізняється.

Хорошим підходом є використання спочатку лише одного прихованого шару, кількість нейронів, які я вибрав би вдвічі менший, ніж у вас є вхідні дані (тобто 2-3 прихованих нейрона у вашому випадку). Зазвичай у вас це досить добре, і подальші спроби рідко приносять значні покращення.

Щодо вчителя:
Найкращий учитель у більшості випадків - RPROP. Ви рідко досягаєте кращих результатів тренувань із зворотним імпульсом, і навчання завжди займає набагато більше часу.

Щодо функцій активації: Використовуйте 'LOGISTIC' для прихованих та вихідних нейронів, я мав найкращий досвід із цим. Однак іноді TAN-HYP також кращий, тут теж немає правила. Тож, безумовно, варто спробувати.

PS: Чи можете ви знайти більше 200 записів? 1000 було б краще