Стажировка по проекту
Компания: ООО «зеница»
определение глаукомы по изображению радужной оболочки
Суть 1 этапа проекта
Задача
Для чего
Вводные данные
Выходные данные
Идентификация пациента по радужной оболочке глаза (Iris ID)
Класс идентификации. Embedding извлекаются из снимков и сохраняются/читаются из файла iris.csv. Финальный этап реализована идентификация пациентов на оборудовании заказчика
Цветные изображения переднего сегмента глаз в формате png с разрешением 1920x1080. В качестве источника датасета задействованы 10 человек
Проект реализован для применения в системе цифровой биомикроскопии глаз, для автоматизации процесса идентификации, а также для идентификации в случаях, когда пациент не находится в сознании или психически нормальном состоянии (например, находится в алкогольном или наркотическом опьянении)
Участники
команды 1 этапа проекта
команды 1 этапа проекта
- Терещенко АлексейТимлид проектаАлексей - руководитель группы разработчиков, отвечал за полную разработку проекта
- Нестеров николайИнженер-сметчик в строительной компании и главный инженер Завода ППСБ№1 в Севастополе
- Разработка альтернативной системы выделения значимых признаков из радужной оболочки глаза;
- Написание кода для упрощенного сегментирования картинки на Python;
- Опробование различных типов сетей на массиве, выделенном из значимых признаков;
- Доработка альтернативной системы под редкие случаи глазных болезней, при которых зрачок имеет оттенок, не являясь черным;
- Испытание различных подходов обработки информации, выделенной из значимых признаков, для снижения нагрузки на оборудование;
- Разработка варианта выделения значимых признаков радужной оболочки путем сшивания зон вокруг зрачка с удалением бликов от засветки;
- Разработка варианта определения повторяющихся сегментов радужной оболочки на основе выделенных вокруг зрачка зон при помощи простых нейросетей
- Закуцкий АндрейВеб-предприниматель (интернет-магазины, онлайн-курсы)/менеджер по сетям связи (работал в Skylink, Tele2, ЭР-Телеком)
- Подготовка датасетов для корректного обучения и тестирования различных моделей;
- Тестирование моделей простых сверточных сетей;
- Тестирование гипотез аугментации данных средствами TF;
- Создание, обучение и тестирование модели классификации на основе пред обученной сети ResNet 50v2 + Transfer learning
- Шляпников СергейИнженер строитель – технолог. Малоэтажное строительство домов и коттеджей
- Анализ данных/поиск материалов;
- Загрузка моделей и датасета Iris. Эксперименты с обученными моделями на платформе Терры АI;
- Обучение модели, классификации, на датасете Iris;
- Перебор активационных функций и оптимизаторов;
- Создание журнал экспериментов
- Кобызев ЮрийНачальник отдела информационных систем ООО СТЭККОМ
(специалист по биллинговым системам операторов связи)- Подготовка датасетов для идентификации по радужной оболочке глаза;
- Выбор архитектуры и дообучение сети для получения эмбеддингов радужки;
- Подготовка класса для инференса и идентификации человека на основании эмбеддинг изображения радужки обученной моделью;
- Развертывание кода инференса на raspberry pi 4 aarch64 bullseye + Intel NCS 2
- Смирнов ДаниилГеодезист: занимается инженерно-геодезическими изысканими под строительство
- Анализ данных/поиск материалов;
- Разработка сети кластеризации на основе Resnet_50_v2 с применением triple loss;
- Обучение модели, классификации;
- Перебор активационных функций и оптимизаторов;
- Создание журнал экспериментов
- Носова СветланаСотрудник банка по работе с Юридическими лицами
- Подготовка базы данных;
- Запуск Yolo 8 для классификации;
- Тестирование всех моделей Yolo 8 и выбор максимально точной для данного проекта;
- Запуск нейросети для классификации, предобученной на xception;
- Работа по карте признаков из Yolo 5 классификация
- Вусатая НаталияПисатель в жанре научной фантастики
- Анализ сбора данных;
- Применение сиамских нейронных сетей;
- Сбор нейронные сети по классификации;
- Моделирование архитектуры сетей
Суть 2 этапа проекта
Задача
Для чего
Вводные данные
Выходные данные
Идентификация пациента по радужной оболочке глаза (Iris ID)
Точность определения класса достигает 100%, используются метод подготовки данных с развёртыванием изображений круглой радужной оболочки из полярной в декартову систему координат
Сегментированные цветные изображения области глаза с радужной оболочкой в формате png с разрешением 768x576. В качестве источника датасета задействованы 64 человека. Для дообучения были получены изображения от ещё 25 пациентов с разрешением 396х366
Для получения дообучаемой модели нейронной сети, способной с высокой точностью определять личность пациента по цифровому сегментированному снимку его радужной оболочки
Участники
команды 2 этапа проекта
команды 2 этапа проекта
- Рубцов АнтонТимлид проектаАнтон - руководитель группы разработчиков, отвечал за полную разработку проекта
- Красиков ВиталийДоцент кафедры информатики в Российском экономическом университете им. Г.В. Плеханова
- Анализ данных и подбор алгоритмов решения;
- Преобразование изображений радужной оболочки от полярной системы координат к декартовой с.к. средствами Numpy, os, OpenCV, Math;
- Сегментация и разметка радужки вручную;
- Аугментация данных с использованием класса ImageDataGenerator;
- Решение задачи классификации изображений с помощью модели CNN;
- Дообучение модели на новых классах. Создание функции, которая позволяет добавить в модель новые классы, сохранив при этом веса, отвечающие за старые;
- Визуализация результатов обучения. Matplotlib, Confusion Matrix
- Шалунов АндрейТехнический руководитель, Системный Архитектор. Работал по всему миру на проектах внедрения OSS, BSS в Telecom и IoT сфере
- Анализ данных и подбор алгоритмов решения;
- Преобразование изображений радужной оболочки от полярной системы координат к декартовой системе средствами Numpy, os, OpenCV, Math, PIL;
- Аугментация данных средствами OpenCV, random, ImageDataGenerator;
- Подбор архитектуры CNN для обучения модели нейронной сети;
- Визуализация результатов обучения. Matplotlib, Confusion Matrix
- Прохоренко ЕвгенийИнженер слаботочных систем: работает на проекте определение стоимости объектов в Москве и Московской области
- Анализ данных и подбор алгоритмов решения;
- Преобразование изображений радужной оболочки от полярной системы координат к декартовой системе средствами Numpy, os, OpenCV, Math;
- Аугментация данных. Использование os, Augmentor, PIL;
- Подбор гиперпараметров в AutoKeras, CNN для решения задачи;
- Визуализация результатов обучения. Matplotlib, Seaborn и Confusion Matrix
- Бойков СергейРазработчик ПО (С# .NET, ASP.NET Core, Angular, SQL, Python / Django, C++)
- Изучение и корректировка готового кода Python;
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных, использование os, shutil и OpenCV, PIL;
- Применение ImageDataGenerator и Callback при обучении CNN;
- Дообучение модели на новых классах с изменение нейронов последнего слоя модели;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Рюнтю СергейQA инженер в SberDevices
- Загрузка и подготовка данных. Библиотеки os и OpenCV;
- Применение ImageDataGenerator и Callbacks при обучении сети;
- Подбор предобученных моделей VGG16, Resnet50 и самописной CNN для решения задачи;
- Визуализация результатов обучения. Matplotlib, Seaborn и Confusion Matrix;
- Разработка алгоритма для анализа фотографии, определяющий успешность идентификации на основе вероятности распределения классов моделью.
- Ищенко ЕкатеринаРиэлтор, индивидуальный предприниматель
- Изучение и корректировка готового кода Python;
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных, использование os, zipfile;
- Применение ImageDataGenerator при обучении CNN;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Жакыпакунова АйгулБухгалтер
- Изучение и корректировка готового кода Python;
- Подготовка данных, использование os, zipfile;
- Применение ImageDataGenerator и Callback при обучении CNN;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Гайдаш АлексейВедущий разработчик в RussOutdoor. Занимается разработкой front и back части приложения, которое упрощает выход рекламодателей, рекламных агентств на рынок наружной и транзитной рекламы
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных библиотекой os и предобработка изображений библиотекой PIL;
- Обучение нейронной сети CNN, с помощью tensorflow.keras.layers;
- Визуализация результатов обучения. Использование Matplotlib, Seaborn и Confusion Matrix;
- Дообучение модели на новых классах с изменение нейронов последнего слоя модели
- Кулешов АлексейГеолог, инженер-изыскатель, строитель: участвовал в реализации строительства объектов ВСТО (ВостокОйл)
- Изучение и корректировка готового кода Python;
- Подготовка данных, использование os, zipfile;
- Применение ImageDataGenerator при обучении CNN;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Кузьминов РусланПредприниматель
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных. Numpy, os, OpenCV;
- Аугментация данных средствами math, random, PIL;
- Использование PyTorch, Keras и Callbacks для решения задачи;
- Визуализация результатов обучения. Matplotlib
- Морозов АртемИнженер-проектировщик
- Анализ данных и подбор алгоритмов решения;
- Загрузка и подготовка данных. Библиотеки os и PIL;
- Применение ImageDataGenerator и Callback при обучении сети;
- Использование модели VGG16 и cамописной CNN;
- Разметка изображений в CVAT для YOLO v8 решения задачи
- Ким СергейРуководитель работ по экспресс-аналитике в здравоохранении, Казахстан, Астана
- Изучение и корректировка готового кода Python;
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных, использование os, zipfile;
- Сегментация и разметка радужки вручную;
- Применение ImageDataGenerator и Callback при обучении CNN;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Антимонова Анастасия
- Изучение и корректировка готового кода Python;
- Подготовка данных, библиотеки os, PIL;
- Аугментация данных, ImageDataGenerator;
- Подбор архитектуры CNN для обучения модели нейронной сети;
- Визуализация результатов обучения. Matplotlib, Confusion Matrix
- Татаринов Алексей
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных. Использование os, shutil и OpenCV, Augmentor, PIL;
- Подбор гиперпараметров в AutoKeras, Resnet50, CNN для решения задачи;
- Визуализация результатов обучения. Использование Matplotlib, Seaborn и Confusion Matrix
Демонстрация проекта 1 команды (youtube)
Демонстрация проекта 1 команды (VK)
Демонстрация проекта 2 команды (youtube)
Демонстрация проекта 2 команды (VK)
Благодарность университетУ