депото за скрап , включително снимки отгоре на камионите и вагоните , които влизат в депото , както и снимки на вече разтоварения скрап , за да разпознае и класифицира 19 различни вида материал и да подобри чувствително процесите по рециклиране , извършвани в депото .
Фиг . 9 . Технологичен ред на работа на системата SCRAPE за автоматично разпознаване и класифициране на материали в депата за скрап в „ Стомана Индъстри “ АД , гр . Перник
В разработката се използва нов тип невронна мрежа , която използва директно облаци от точки и отчита пермутационната инвариантност на точките от облака като входни данни . Такива невронни мрежи осигуряват унифицирана архитектура на приложения в различна област – от класификация на обекти , семантично групиране до семантичен разбор на сцена .
За работа с неподредени множества от входни данни , ключов подход е използването на единична максимално обединяваща симетрична функция . Мрежата изучава ефективно множество оптимизационни функции / критерии , които избират интересни или информативни точки от облака и кодират основанията за техния избор . В края на процеса напълно свързани слоеве на мрежата обединяват тези проучени оптимални стойности в глобален дескриптор за цялата фигура ( класифициране на обекти ) или се използват за предсказване на етикетите на точки ( сегментация на форми ):
Фиг . 10 . Схема на приложение на невронна мрежа за класификация и сегментиране на облак от точки
ГКЗ 5-6 ’ 2021 29