Штучний інтелект в задачах обробки зображень - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Силабус освітнього компонента «Штучний інтелект в задачах обробки зображень» розроблено відповідно до стандарту вищої освіти зі спеціальності 126 Інформаційні системи та технології галузі знань 12 Інформаційні технології для першого (бакалаврського) рівня вищої освіти.

Вибіркова ОК "Штучний інтелект в задачах обробки зображень" спрямована на вивчення технологій та методів, що застосовуються в галузі штучного інтелекту для аналізу та обробки зображень. Сучасні методи обробки зображень використовуються в різноманітних областях, включаючи медицину, промисловість, автоматизоване виробництво, розпізнавання обличчя, автономні автомобілі та інші.

Студенти цієї дисципліни будуть вивчати основні поняття та техніки, пов'язані з обробкою зображень, такі як фільтри, виявлення країв, сегментація та класифікація об'єктів на зображеннях. Особливий акцент буде зроблено на використанні різноманітних моделей глибокого навчання для розв'язання завдань в галузі обробки зображень, а також на вивченні практичних аспектів реалізації цих методів за допомогою популярних бібліотек Python, таких як TensorFlow або PyTorch.

Студенти також матимуть можливість розглядати прикладні аспекти використання штучного інтелекту в обробці зображень, такі як розпізнавання облич, виявлення аномалій та застосування в медичній діагностиці. Ця дисципліна дозволить студентам розвинути навички роботи з сучасними інструментами та розуміння принципів застосування штучного інтелекту в одній з найбільш динамічних галузей сучасної технології.

Метою навчальної дисципліни є надання студентам комплексне розуміння, навичок та компетенцій у сфері використання штучного інтелекту для аналізу та обробки зображень:

• Надання студентам теоретичних знань та основних понять, пов'язаних із штучним інтелектом та обробкою зображень, включаючи алгоритми, методи та моделі.

• Ознайомлення з основами цифрової обробки зображень та його застосування для вирішення завдань обробки зображень, таких як класифікація, сегментація, виявлення об'єктів тощо

• Навчання студентів практичним аспектам реалізації моделей обробки зображень за допомогою популярних бібліотек і фреймворків

• Розгляд прикладних сценаріїв та вирішення реальних проблем, пов'язаних з обробкою зображень, таких як розпізнавання облич, медична діагностика чи вирішення завдань в автоматизованому виробництві.

Предмет навчальної дисципліни – об'єднує теоретичні знання та практичні навички, щоб студенти могли ефективно використовувати штучний інтелект у сфері обробки зображень у різних областях:

• Ознайомлення з базовими поняттями та методами штучного інтелекту, такими як машинне навчання, глибоке навчання, нейронні мережі.

• Розгляд методів та алгоритмів для обробки зображень, включаючи фільтрацію, виявлення країв, сегментацію областей, а також основи кольорової моделі.

• Вивчення застосувань глибокого навчання для різних завдань, таких як класифікація, виявлення об'єктів, сегментація та генерація зображень.

• Дослідження конкретних застосувань штучного інтелекту в обробці зображень, таких як медичне зображення, відеоспостереження, автономні транспортні засоби тощо.

• Навчання студентів практичним аспектам розробки та реалізації моделей штучного інтелекту для обробки зображень, використовуючи популярні фреймворки та бібліотеки.

• Вивчення методів оцінки ефективності моделей штучного інтелекту в задачах обробки зображень та вибір оптимальних архітектур.

Програмні результати навчання, на формування та покращення яких спрямована дисципліна: Студент, який успішно завершив цей курс, буде мати навички та знання у наступних областях: високий рівень розуміння фахової термінології та ключових понять у сфері обробки та аналізу цифрових зображень; вміння ефективно обробляти та аналізувати зображення, використовуючи бібліотеку Python Open CV; оволодіння сучасними технологіями для візуального покращення та відновлення зображень; навички з перетворення зображень в різні формати; здатність визначати оптимальні алгоритми для покращення та відновлення як в чорно-білих, так і кольорових зображень; проведення морфологічної обробки зображень; вміння витягати цінну інформацію з зображень; використання традиційних технологій розпізнавання образів; здатність проектувати та навчати нейронні мережі в середовищі Keras та TensorFlow для класифікації зображень; розроблення програмного забезпечення для обробки та аналізу зображень.

Пререквізити та постреквізити дисципліни

Для успішного засвоєння дисципліни студент повинен володіти освітніми компонентами «Вища математика», «Теорія ймовірностей і математична статистика». Компетенції, знання та уміння, одержані в процесі вивчення освітнього компонента є необхідними для подальшого вивчення освітніх компонентів «Переддипломна практика», «Дипломне проєктування».

2. Зміст навчальної дисципліни

Тема 1. Вступ до цифрової обробки та аналізу зображень

Тема 2. Основні поняття цифрової обробки та аналізу зображень

Тема 3. Перетворення яскравості та просторова фільтрація

Тема 4. Двомірне перетворення Фур'є і частотна фільтрація зображень

Тема 5. Відновлення та реконструкція зображень

Тема 6. Морфологічна обробка зображень

Тема 7. Сегментація зображень

Тема 8. Представлення, аналіз та опис ознак

Тема 9. Розпізнавання образів

Тема 10. Обробка кольорових зображень

Тема 11. Нейронні мережі

Навчальні матеріали та ресурси

Основна література

1. Gonzalez R., Woods R. Digital Image Processing, Fourth Edition, Pearson Education, 2018.-1022c

2. Garsia B., Learning Image Processing with OpenCV, Packt Publishing, 2015, -319c

3. Sonka M., Hlavac V., Boyle R., Image Processing, Analysis, and Machine Vision, Cengage Learning, 2013, -930c

4. Pratt W., Introduction to Digital Image Processing, CRC Press, 2014, - 750p

5. Chollet F., Deep Learning with Python, Manning Publications Co., 2018, 386 pp

6. Рашкевич Ю.М., Ткаченко Р.О., Цмоць Г.І., Пелешко Д.Д. Нейроподібні методи, алгоритми та структури обробки зображень у реальному часі: монографія — Львів: Вид-во Львів. політехніки, 2014. — 256 с.

7. Творошенко І. С. Конспект лекцій з дисципліни «Цифрова обробка зображень» – Харків : ХНУМГ ім. О. М. Бекетова, 2017. – 75 с.

8. Chityala R., Pudipeddi S., Image Processing and Acquisition using Python, CRC Press, - 388p

9. Dawson-Howe K., A practical introduction to computer vision with OpenCV, Wiley, 2014,-235p.

10. Russ J., Neal B., Image processing Handbook, Taylor & Francis, 2016, - 1046с.

Додаткова література

1. Shih F., Image Processing and Pattern Recognition, Fundamentals and Techniques, Wiley, 552p

2. Kinser I., Image Operators, Image Processing in Python, CRC Press, 2019, – 366с.

3. Sridevi P., Ravishankar C., Image processing and acquisition using Python, Chapman and Hall/CRC, 2015, 372pp

4. Fernández V. Mastering OpenCV 4 with Python : A Practical Guide Covering Topics from Image Processing, Augmented Reality to Deep Learning with OpenCV 4 and Python 3. 7., Packt Publishing, 2019, 617pp

5. Pajankar A., Python 3 Image Processing: Learn Image Processing with Python 3, NumPy, Matplotlib, and Scikit-image, Packt Publishing, 2019, 752 pp

6. Flusser, J., Suk, T., Zitová, B.: 2D and 3D Image Analysis by Moments. Wiley, Berlin, 2017, 548 pp

7. Howse J., Joshi P., Beyeler M., Opencv: Computer Vision Projects with Python, Packt Publishing, 2016, 570pp

8. Solem J.E., Programming Computer Vision with Python, O’Reilly Media, Inc, 2012, 261 pp

9. den Bakker I., Python Deep Learning Cookbook, Packt P., 2017, 436pp

10. Rosebrock А., Deep Learning for Computer Vision with Python, Pyimagesearch, 2017, 210 pp

11. Sandipan Dey, Hands-On Image Processing with Python, Packt Publishing Ltd, 2018, 435pp

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

Лекційні заняття

Лабораторні роботи

Самостійна робота студента

6. Контрольна робота

Метою контрольної роботи є закріплення та перевірка теоретичних знань із освітнього компонента, набуття студентами практичних навичок самостійного вирішення задач та складанні та компіляції програм.

Модульна контрольна робота (МКР) виконується після вивчення Розділів 1-4 та після Розділу 5-8. Контрольна робота проводяться у формі тесту. Кожен студент отримує індивідуальний набір питань.

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Курс складається з 18 лекційних та 9 лабораторних занять.

За курс необхідно виконати 6 лабораторних робіт. Додатковий бал дає активність студента на лекціях або лабораторних роботах - max 5 балів.

1-6 лабораторні роботи – по 10 балів

Сума балів за семестр за лабораторні роботи – 6х10=60 балів.

На лекціях з теоретичного матеріалу будуть експрес-контрольні – max 40 бал за семестр

Увага: Якщо лабораторна робота здана не вчасно (після завершення періоду лекційно-практичних занять семестру) – max оцінка 8 балів!

Лабораторні роботи

Ваговий бал. Лабораторні роботи 1-6 мають ваговий бал 10. Максимальна кількість балів за всі лабораторні роботи складає 6х10=60 балів.

На лабораторних роботах студенти перевіряють працездатність написаних програм або схем за попередньо вирішеними вдома задачами. Для допуску до поточної лабораторної роботи необхідно мати Протокол, оформлений відповідно до норм оформлення технічної документації, який має містити всі необхідні пункти, відповідно до Методичних вказівок. Також для допуску до лабораторної роботи (окрім 1-ї) необхідно захистити попередню. Студенти, що не захистили попередню лабораторну роботу можуть бути не допущені до виконання наступної. Лабораторні роботи можуть виконуватись як самостійно так і бригадою.

Критерії оцінювання лабораторної роботи:

- вірно виконаний синтез всіх задач, продемонстрована працездатність всіх програм (схем), вірні відповіді на запитання до захисту, вчасно виконана робота – 10 балів;

- за несвоєчасність виконання лабораторних робіт 1-6 знімаються 2 бали,

- вірно виконаний синтез всіх задач, продемонстрована працездатність всіх програм (схем), відповіді на питання до захисту мають неточності – знімаються 2 бали від максимальної кількості;

- виконаний синтез всіх задач, але деякі з них містять помилки або неточності, продемонстрована працездатність не всіх програм (схем), відповіді на питання до захисту мають неточності – знімаються від 3 до 5 балів від максимальної кількості;

- лабораторна робота не виконана або протокол не представлений – повертається на відпрацювання або доопрацювання.

Якщо студент за семестр отримав 60 балів і більше:

залік не складає, за умови згоди, отримує оцінку автоматично.

Залік: отримані бали за семестр х ½ + бал залікової роботи (max 50 балів)

Залікова робота складається з двох частин:

25 балів за теоретичну частину (форма тест),

25 балів – задача з практичною реалізацією

Тематика доповідей на додатковий бал (max-5 балів)

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Поточний контроль: вправи на лекційних заняттях, тестування, МКР, виконання та захист лабораторних робіт.

Календарний контроль: провадиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.

Календарний контроль базується на поточній кількості зарахованих лабораторних робіт. Умовою отримання першого календарного контролю є зарахована першої та другої лабораторних робіт, другого календарного контролю – зараховані 4 лабораторні роботи.

Семестровий контроль: залік.

Умови допуску до семестрового контролю: виконані та захищені лабораторні роботи, виконані завдання до практичних занять, семестровий рейтинг більше 30 балів.

Таблиця відповідності рейтингових балів оцінкам за університетською шкалою:

Загальна рейтингова оцінка студента після завершення семестру складається з балів, отриманих за:

• тестування з лекційних занять;

• виконання та захист лабораторних робіт;

• виконання модульної контрольної роботи (МКР);

• відповіді на заліку.

Робочу програму навчальної дисципліни (силабус):

Складено професором кафедри ІСТ, д.т.н., проф. В.В.Онищенко

Ухвалено кафедрою ІСТ (протокол № 21 від 29.06.2023)

Погоджено Методичною комісією факультету (протокол № 11 від 29.06.2023)