Detekce a klasifikace poškození otisku prstu s využitím neuronových sítí

Abstract

Cieľom diplomovej práce je naštudovať a navrhnúť vylepšenie súčasnej konvolučnej neurónovej siete pre klasifikáciu a detekciu ochorenia odtlačkov prstov. Vylepšením súčasnej konvolučnej neurónovej siete je zmena knižnice pre algoritmus učenia, detekcie a klasifikácie poškodenia odtlačkov prsta. Ďalšími vylepšeniami sú zmena modelu konvolučnej neurónovej siete a zmena aktivačnej funkcie. Zároveň bude pridané predspracovanie pomocou Gáborovho filtra. Ďalšia zmena je v oblasti prahovania. Ďalej bude zmena algoritmov pre všeobecné použitie, ktoré zjednoduší prácu pre rožšírenie tvorby databázy, samotný učiaci proces, proces pre klasifikáciu a detekciu a proces pre testovanie siete. Táto sieť bude zároveň rozšírená o novú predikciu a klasifikáciu. Konkrétne o poškodenia ekzémom, psoriázou, tlakom a vlhkosťou. Vylepšená konvolučná neurónová sieť je implementovaná pomocou PyTorch. Sieť detekuje aká časť odtlačku prsta je poškodená a túto časť vykreslí do odtlačku prsta. Zároveň pri detekcii prebieha aj klasifikácia o aký typ ochorenia alebo poškodenia odtlačku ide. Pri trénovaní siete sú použité syntetické odtlačky prstov a sú doplnené o reálne odtlačky prstov.

The aim of the diploma thesis is to study and propose improvement of the current convolutional neural network for the classification and detection of fingerprint disease. An improvement of the current convolutional neural network is the change of library for the algorithm of learning, detecting and classifying fingerprint damage. Other improvements are to change the convolutional neural network model and a change in the activation function. At the same time, preprocessing using the Gabor filter will be added. Another change is in the area of thresholding. Next, there will be a change in general-purpose algorithms that will simplify the work for expanding database creation, the learning process itself, the classification and detection process, and the network testing process. At the same time, this network will be expanded with a new prediction and classification. Specifically the damage caused by eczema, psoriasis, pressure and moisture. The improved convolutional neural network is implemented by PyTorch. The network detects which part of the fingerprint is damaged and draws this part into the fingerprint. At the same time, the type of disease or imprint damage is classified during detection. Synthetic fingerprints are used in network training and are supplemented by real fingerprints.