Spis treści
1. Wstęp..... 9
2. Historia i etapy rozwoju .... 10
3. Biologiczne inspiracje .... 13
4. Topologie sieci neuronowych.... 17
4.1. Sieci neuronowe liniowe .... 18
4.2. Sieci neuronowe nieliniowe .... 18
Perceptron wielowarstwowy typu MLP .... 18
Sieci o radialnych funkcjach bazowych RBF.... 19
Sieci regresyjne typu PNN .... 20
Sieci Kohonena .... 21
5. Zagadnienie klasyfikacji
6. Wykorzystanie sieci neuronowych
Rozpoznawanie obrazów .... 24
Rozpoznawanie mowy.... 24
Analiza sygnałów.... 25
Prognozowanie.... 25
Sterowanie .... 25
Projektowanie.... 25
6.1. Zastosowanie w diagnostyce medycznej..... 26
Termografia - jedna z technik diagnostyki obrazowej.... 26
Rak endometrium - błony śluzowej macicy.... 26
6.2. Zastosowanie w medycynie weterynaryjnej.... 26
Identyfikacja poziomu zawartości tłuszczu w tkance mięśniowej.... 26
7. Koputerowe widzenie .... 27
7.1. Charakterystyka .... 27
7.2. Akwizycja obrazu .... 30
7.3. Przetworniki obrazowe optyczno elektryczne .... 32
7.4. Cyfrowa prezentacja obrazów .... 32
7.5. Przetwarzanie wstępne obrazu cyfrowego .... 33
7.6. Analiza obrazu .... 34
7.7. Rozpoznawanie obrazu .... 36
8. Inżynieria oprogramowania
8.1. Wprowadzenie.... 37
8.2. Dziedzina problemowa.... 37
8.3. Zastosowane technologie .... 38
Microsoft Visual Studnio 2010.... 38
Statistica 7.1 .... 38
Visual Paradigm for UML 8.0 .... 39
8.4. Cykl wytwarzania oprogramowania .... 40
Wprowadzenie.... 40
Modele cyklu życia oprogramowania.... 40
Model kaskadowy.... 40
Prototypowanie .... 41
Programowanie odkrywcze.... 41
Testowanie systemu.... 41
Realizacja przyrostowa .... 42
Montaż z gotowych elementów .... 42
Model spiralny .... 42
8.5. Modelowanie obiektowe w notacji UML .... 43
Wprowadzenie .... 43
Diagramy podstawowe .... 43
Diagramy dynamiczne .... 44
Diagramy interakcji .... 44
Diagramy implementacyjne.... 44
9. Cel i zakres pracy
10. Metodyka
10.1. Wymagania funkcjonalne .... 45
10.2. Projektowanie programu .... 52
11. System informacyjny 'USG Recognizer'
11.1. Implementacja aplikacji.... 58
11.2. Opis głównych funkcji programu .... 58
11.3. Okno główne programu .... 58
11.4. Kadrowanie zdjęcia .... 59
11.5. Binaryzacja z progiem .... 59
11.6. Usuwanie 'szumów' oraz obliczenia .... 60
11.7. Eksport zebranych danych do pliku CSV .... 60
12. Podsumowanie i wnioski 62
12.1. Propozycje dalszego rozwoju aplikacji.... 62
13. Spis ilustracji .... 63
14. Spis tabel .... 64
15. Cytowane prace .... 65
Niniejsza praca magisterska została poświęcona problemowi zastosowania sieci neuronowych do neuronowej identyfikacji obrazów ultrasonograficznych przedstawiających stan brzemienności krowy. Na dzień dzisiejszy sieci neuronowe, ze względu na swoją uniwersalność oraz szybkość działania są często wykorzystywane do rozwiązywania różnego rodzaju problemów (klasyfikacja i rozpoznawanie obrazów, analiza notowań giełdowych, filtracja dźwięku).
Badanie ultrasonograficzne jest jednym z niewielu nieinwazyjnych, a zarazem najczęściej używanych metod badania organizmów żywych. Obrazy pozyskiwanie podczas badania ultrasonografem mają jednak bardzo dużą wadę. Są niewyraźne. Nierzadko zdarza się, że wykwalifikowany lekarz ma problem z odczytem danych z wspomnianego obrazu. Jeśli człowiek, przy pomocy potężnej maszyny – mózgu, nie jest czasem w stanie w pełni odczytać informacji ze zdjęcia USG to czy sztuczna sieć neuronowa będzie potrafiła?
Postęp techniczny i technologiczny, którego jesteśmy dzisiaj częścią, nadal w niektórych dziedzinach życia, nie jest w stanie osiągnąć, chociaż w połowie takich wyników jak matka natura. Wprawdzie człowiek stworzył potężne narzędzia, takie jak m.in. sieci neuronowe oraz komputery o ogromnej mocy obliczeniowej, które są w stanie wykonywać miliony operacji na raz. Jednak droga do w pełni satysfakcjonujących wyników, a co za tym idzie, sztucznej inteligencji jest bardzo daleka. Na dzień dzisiejszy możemy jedynie pokusić się o tworzenie maleńkich fragmentów naszego systemu nerwowego pod postacią prostych sieci neuronowych, a może jedynie symulacji pracy pojedynczej komórki nerwowej.
