Automation and modeling in design and management Automation and modeling in design and management Автоматизация и моделирование в проектировании и управлении 2658-3488 2658-6436 55943 10.30987/2658-6436-2022-4-18-28 Автоматизация и управление технологическими процессами и производствами, системы автоматизации проектирования Automation and control of technological processes and production, automated design systems Автоматизация и управление технологическими процессами и производствами, системы автоматизации проектирования Forming synthetic data for training a computer vision system Формирование синтетических данных для обучения системы компьютерного зрения Копылов Денис Александрович Kopylov Denis Alexandrovich Агешин Егор Сергеевич Ageshin Yegor Sergeevich Хомутская Ольга Владиславовна Khomutskaya Olga Vladislavovna Московский Авиационный институт Москва Россия Moscow Aviation Institute Москва Russian Federation Московский Авиационный институт Москва Россия Moscow Aviation Institute Москва Russian Federation Московский Авиационный институт Россия Moscow Aviation Institute Russian Federation 30 12 2022 30 12 2022 2022 4 18 28 21 06 2022 02 08 2022 https://bstu.editorum.ru/en/nauka/article/55943/view

Приведен метод формирования синтетических данных для обучения нейронной сети (далее – нейросеть) распознавать существующие объекты. Данный метод призван упростить процесс составления начального набора данных и его изменения для дальнейшего использования в компьютерном зрении. В качестве образца объекта для распознавания используется напечатанный с помощью аддитивных технологий редуктор авиационного двигателя. Трехмерные модели загружались в трехмерный редактора Houdini, где с помощью подпрограммы (далее – скрипт) на Python сохранялась коллекция скриншотов детали на разном фоне. Полученный набор данных использовался для обучения трех нейронных сетей на сайте Roboflow, а полученные результаты анализировались для возможности дальнейшего использования данного метода. В статье подробно показан процесс создания скриншотов и результат распознавания напечатанной детали с помощью трех нейронных сетей

The article presents a method for generating synthetic data for training a neural network (hereinafter referred to as a neural network) to recognize existing objects. This method is designed to simplify the process of compiling the initial data set and modifying it for further application in the computer vision. An aircraft engine gearbox printed using additive technologies is used as a sample object for recognition. Three-dimensional models are loaded into Houdini three-dimensional editor, where a screenshot collection of the part on different backgrounds is saved using a sub-programme (hereinafter referred to as script) in Python. The received data set is applied to train three neural networks on the Roboflow website, and the results obtained are analysed for the possibility of using this method further. The article shows in detail the process of creating screenshots and the result of recognizing a printed part using three neural networks

 распознавание объекта компьютерное зрение двигателестроение трехмерный редактор Houdini Python нейронные сети машиностроение производство object recognition computer vision engine building 3D editor Houdini Python neural networks mechanical engineering manufacturing

Richard J. Chen, Ming Y. Lu, Tiffany Y. Chen, Drew F. K. Williamson, Faisal Mahmood, «Synthetic data in machine learning for medicine and healthcare» Nature Biomedical Engineering (5), 2021. p. 493-497. Richard J. Chen, Ming Y. Lu, Tiffany Y. Chen, Drew F. K. Williamson, Faisal Mahmood, «Synthetic data in machine learning for medicine and healthcare» Nature Biomedical Engineering (5), 2021. p. 493-497. В. Кондаратцев, А. Крючков, Р. Чумак, «Машинное зрение в промышленной дефектоскопии» PHYGI-TALISM. Москва. 2020. V. Kondaratcev, A. Kryuchkov, R. Chumak, «Mashinnoe zrenie v promyshlennoy defektoskopii» PHYGI-TALISM. Moskva. 2020. Aleksei Boikov, Vladimir Payor, Roman Savelev, Alexandr Kolesnikov, «Synthetic Data Generation for Steel Defect Detection and Classification Using Deep Learning» Symmetry. 2021. № 13. Aleksei Boikov, Vladimir Payor, Roman Savelev, Alexandr Kolesnikov, «Synthetic Data Generation for Steel Defect Detection and Classification Using Deep Learning» Symmetry. 2021. № 13. Erfanian Ebadi, Salehe; Jhang, You-Cyuan; Zook, Alex; Dhakad, Saurav; Crespi, Adam; Parisi, Pete; Borkman, Steven; Hogins, Jonathan; Ganguly, Sujoy, «PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision» Unity technologies, 2021. Erfanian Ebadi, Salehe; Jhang, You-Cyuan; Zook, Alex; Dhakad, Saurav; Crespi, Adam; Parisi, Pete; Borkman, Steven; Hogins, Jonathan; Ganguly, Sujoy, «PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision» Unity technologies, 2021. Matteo Fabbri, Guillem Brasó, «MOTSynth: How Can Synthetic Data Help Pedestrian Detection and Tracking?» Modena. 2021. Matteo Fabbri, Guillem Brasó, «MOTSynth: How Can Synthetic Data Help Pedestrian Detection and Tracking?» Modena. 2021. Damien Trentesaux, Theodor Borangiu, Paulo Leitão, Jose-Fernando Jimenez, Jairo R. Montoya-Torres, « SOHOMA: International Workshop on Service Orientation in Holonic and Multi-Agent Manufacturing,» в Service Oriented, Holonic and Multi-Agent Manufacturing Systems for Industry of the Future. Bogota. Colombia. 2021. Damien Trentesaux, Theodor Borangiu, Paulo Leitão, Jose-Fernando Jimenez, Jairo R. Montoya-Torres, « SOHOMA: International Workshop on Service Orientation in Holonic and Multi-Agent Manufacturing,» v Service Oriented, Holonic and Multi-Agent Manufacturing Systems for Industry of the Future. Bogota. Colombia. 2021. Pablo Martinez-Gonzalez, Sergiu Oprea, John Alejandro Castro-Vargas, Alberto Garcia-Garcia, Sergio Orts-Escolano, Jose Garcia-Rodriguez, Markus Vincze, «International Joint Conference on Neural Networks (IJCNN),» в UnrealROX+: An Improved Tool for Acquiring Synthetic Data from Virtual 3D Environments. Shenzhen. China. 2021. Pablo Martinez-Gonzalez, Sergiu Oprea, John Alejandro Castro-Vargas, Alberto Garcia-Garcia, Sergio Orts-Escolano, Jose Garcia-Rodriguez, Markus Vincze, «International Joint Conference on Neural Networks (IJCNN),» v UnrealROX+: An Improved Tool for Acquiring Synthetic Data from Virtual 3D Environments. Shenzhen. China. 2021. «Houdini help» [В Интернете]. Available: https://www.sidefx.com/docs/houdini/index.html. «Houdini help» [V Internete]. Available: https://www.sidefx.com/docs/houdini/index.html. D. Rutland, «Orenda 9/10 jet engine power take off gearbox». 2021. [В Интернете]. Available: grabcad.com. D. Rutland, «Orenda 9/10 jet engine power take off gearbox». 2021. [V Internete]. Available: grabcad.com. S. Gutta, «Object Detection Algorithm - YOLO v5 Architecture. Object Detection Algorithm - YOLO v5 Architecture» [В Интернете]. Available: https://medium. com/analytics-vidhya/object-detection-algorithm-yolo-v5-architecture-89e0a35472ef. S. Gutta, «Object Detection Algorithm - YOLO v5 Architecture. Object Detection Algorithm - YOLO v5 Architecture» [V Internete]. Available: https://medium. com/analytics-vidhya/object-detection-algorithm-yolo-v5-architecture-89e0a35472ef. A.A.f. Python, «How RetinaNet works» [В Интер-нете]. Available: https://developers.arcgis. com/python/ guide/how-retinanet-works/. A.A.f. Python, «How RetinaNet works» [V Inter-nete]. Available: https://developers.arcgis. com/python/ guide/how-retinanet-works/. S. Ananth, «Faster R-CNN for object detection» [В Интернете]. Available: https://towardsdatascience.com / faster - r - cnn - for - object - detection - a - technical-summary-474c5b857b46. S. Ananth, «Faster R-CNN for object detection» [V Internete]. Available: https://towardsdatascience.com / faster - r - cnn - for - object - detection - a - technical-summary-474c5b857b46.