Анализ результатов работы нейросетевой модели поиска позиции точки контура

Анализ модельной задачи показал высокое качество поиска координат точек (средняя ошибка составляет 0.3 размера пикселя).

Следующий этап анализа эффективности алгоритма состоял в оценке быстродействия нейросетевой модели в сравнении с быстродействием исходного алгоритма поиска точек контура. Исходная модель анализа точного положения точек контура опирается на поиск центра тяжести фигуры сформированной фильтром Собеля и не учитывает полутоновые оттенки результатов градиентного анализа изображения [5]. Причем следует отметить, что поскольку оба алгоритма реализованы в рамках среды моделирования MathLab, то их быстродействие существенно отличается от скорости выполнения алгоритма реализованного автономно. Поэтому проводился сравнительный анализ, который показал, что нейросеть, исполняемая последовательно, обработает блок размера nxn за.

.

а исходная модель обработает блок того же размера за Очевидно, что даже последовательное исполнение операций вычисления выхода нейронной сети незначительно проигрывает в эффективности исходной модели алгоритма, а их оценки вычислительной сложности эквивалентны и составляют и при n=7:

.

Однако следует учитывать, что разрядность представления данных для поиска центра тяжести значительно ниже (выше было отмечено, что анализируем бинарную форму описания изображения), и это приводит к существенной экономии ресурсов системы. Исходная модель алгоритма обеспечивает точность определения угловых параметров размещения реальной мишени в пространстве с ошибкой в пределах 7−10 угловых минут. Результаты обработки модельного примера приведенного на Рис. 8 для обоих алгоритмов отличаются незначительно. Причем нейросетевая модель проводит более точный контур (ошибка алгоритма центра тяжести не превышает 0.5 пикселя, а нейросети — 0.3 пикселя).

Кроме того, реализация алгоритмов в виде параллельной модели вывода позволяет построить цепей для нейронной сети и только в случае поиска центра тяжести. Таким образом, параллельное исполнение нейронной сети даст алгоритм анализа независимый от размера блока и обладающий необходимым быстродействием для анализа 20−30 точек кадра с частотой 2−3 кадра в минуту.

Следует отметить, что увеличение апертуры для алгоритма центра тяжести приводит к необоснованному сглаживанию и сужению контура, а нейросетевая система может быть обучена и для анализа большего размера блоков без потери быстродействия и качества. В настоящий момент на основании экспериментов в качестве основного выбран размер блока n=7. Выбор связан с балансом быстродействия модели и ее аппроксимирующей силой.