ВЫЯВЛЕНИЕ ДЕВИАНТНОГО ПОВЕДЕНИЯ ЧЕЛОВЕКА (НАРКОТИЧЕСКОГО ХАРАКТЕРА) ПО ИЗОБРАЖЕНИЮ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ

Вопрос о девиантном поведении человека, понимаемое как социальное поведение, отклоняющееся от принятого, социально приемлемого поведения в определенном обществе, приобрел в последние годы массовый характер. К основным видам девиантного поведения относятся: преступность, алкоголизм и наркомания, а также самоубийства, проституция [1]. В нашей научной работе мы рассмотрим такой вид девиантного поведения, как наркомания. С помощью искусственной нейронной сети, обученной на специально подготовленном наборе данных, мы попытаемся выявить девиантное поведение наркотического характера по изображению.

Искусственная нейронная сеть

Искусственная нейронная сеть (ИНС) – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Данное понятие появилось во время изучения процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Данные модели пытаются повторять архитектуру нервных клеток головного мозга [2]. Нейронные сети используют в задачах прогнозирования, для распознавания образов, в задачах управления и др.

ИНС представляет собой систему соединённых и взаимодействующих между собой искусственных нейронов. Каждый нейрон обрабатывает только сигналы, которые он периодически получает и посылает другим нейронам. В итоге, такие по отдельности простые нейроны способны выполнять довольно сложные задачи.

Нейронные сети обучаются, как человек. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искажённых данных [2].

Свёрточная нейронная сеть

Свёрточная нейронная сеть (англ. convolutional neural network, CNN) – специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном в 1988 году и нацеленная на эффективное распознавание изображений. В сети осуществляется операция свёртки, суть которой в том, что каждый фрагмент изображения умножается на матрицу свёртки поэлементно, а результат суммируется и записывается в аналогичную позицию выходного изображения, поэтому сеть и получила такое название. Идея свёрточных нейронных сетей заключается в чередовании свёрточных слоёв (англ. convolution layers) и субдискретизирующих слоёв (англ. subsampling layers или англ. pooling layers, слоёв подвыборки). Свёрточная сеть – однонаправленная, то есть, не имеет  обратных связей, многослойная, и для ее обучения чаще всего используется метод обратного распространения ошибки [3].

В данной работе мы использовали уже обученную нейронную сеть Google типа Inception v3 со своими доработками и настройками. Inception v3 – нейронная сеть компании Google для распознавания объектов на изображениях. Архитектура Inception появилась в 2015 году. Её идея заключается в том, чтобы перестать выбирать размер ядра, а вместо этого взять несколько вариантов сразу и использовать их одновременно, конкатенируя результаты, также перед каждым свёрточным блоком делать свёртку с размером ядра 1х1, снижая тем самым размерность входного сигнала. Получившаяся конструкция, составляющая полный модуль Inception, представлена на рисунке 1 [4].

Рисунок 1. Модель Inception

Создание и подготовка набора данных

Создание и подготовка набора данных происходила с помощью расширения браузера Google Chrome Image Downloader, который скачивал все изображения с определенной в интернете страницы. Далее обработка происходила с помощью Диспетчера рисунков Microsoft Office. Был создан каталог под названием photos_inception с данной иерархией папок (по названию наркотических веществ и объектов с ними связанных): bong, cannabis, cannabis_sign, cigarette, cocaine, crystal, inhalant, injector, mark, pill, powder, spice, spoonful, strobile.

Рисунок 2. Примеры подготовленных изображений

Дообучение нейронной сети. TenzorFlow

Дообучение (дополнительное обучение на новом наборе данных) происходило с помощью библиотеки TenzorFlow на языке Python. TensorFlow – открытая программная библиотека для машинного обучения, разработанная компанией Google для решения задач построения и тренировки нейронной сети с целью автоматического нахождения и классификации образов, достигая качества человеческого восприятия. Применяется как для исследований, так и для разработки собственных продуктов Google. Работу с данной библиотекой можно осуществлять с помощью языка Python [4].

Дообучение происходило на подготовленном ранее наборе данных. После дообучения точность нейронной сети составила 85,2 %.

Листинг 1 – Программа дообучения нейронной сети на Python

python hub/examples/image_retraining/retrain.py

--how_many_training_steps 1000

--image_dir /home/lehsuby/Документы/photos_inception

--learning_rate .05

--train_batch_size 10

Тестирование получившейся нейронной сети

Тестирование проводилось на случайном наборе данных. Результаты тестирования показали, что сеть довольно хорошо различает искомые объекты наркотического характера, если они отчетливо видны на изображении.

Листинг 2 – Программа тестирования изображения на Python

python tensorflow/examples/label_image/label_image.py

--graph=/tmp/output_graph.pb

--labels=/tmp/output_labels.txt

--input_layer=Placeholder

--output_layer=final_result

--image=/home/lehsuby/Документы/1.jpg

Заключение

Разработанная нами программа позволяет выявлять с достаточно большой точностью (85,2%) девиантное поведение человека по изображению. Данная программа может определять тип объекта наркотического характера. Она может быть полезна во многих сферах для обнаружения девиантного поведения человека.

Список литературы:

1. Psyhodic. Девиантное поведение [Электронный ресурс] / Psyhodic. – 2016. – URL: http://www.psyhodic.ru/arc.php?page=4732 (дата обращения 10.07.2018).
2. Wikipedia. Искусственная нейронная сеть [Электронный ресурс] / Wikipedia. – 2018. – URL: https://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C (дата обращения 10.07.2018).
3. Wikipedia. Свёрточная нейронная сеть [Электронный ресурс] / Wikipedia. – 2018. – URL: https://ru.wikipedia.org/wiki/%D0%A1%D0%B2%D1%91%D1%80%D1%82%D0%BE%D1%87%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C (дата обращения 10.07.2018).
4. GitHub. TensorFlow. Models: Inception v3 [Электронный ресурс] / GitHub. – 2017. – URL: https://github.com/tensorflow/models/blob/master/research/slim/nets/inception_v3.py (дата обращения 11.07.2018).