Дипломная работа на тему "Разработка сервиса для поиска пропавших животных с помощью нейронных сетей"

Написать диплом по теме «Дипломная работа на тему "Разработка сервиса для поиска пропавших животных с помощью нейронных сетей"»

Дипломная работа по теме «Разработка сервиса для поиска пропавших животных с помощью нейронных сетей» в Синергии (09.03.02 Прикладная информатика) включает анализ существующих решений, проектирование архитектуры ИС, реализацию модели распознавания по фото и расчёт экономического эффекта. В статье — структура, примеры кода на Python, чек-листы и типичные ошибки студентов.

Нужен разбор вашей темы Дипломная работа на тему "Разработка сервиса для поиска пропавших животных с помощью нейронных сетей"? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Каждый год в России пропадает более 500 000 домашних животных. По данным ВЦИОМ (2024), только 15% из них возвращаются к владельцам. При этом 68% респондентов готовы использовать цифровые сервисы для поиска питомцев, если те будут точными и быстрыми.

Существующие платформы, такие как LostPet и PetFinder, полагаются на ручной ввод данных и визуальное сравнение фото. Это медленно и субъективно. Внедрение нейросетей позволяет автоматизировать идентификацию по внешним признакам — ушам, окрасу, форме морды.

Заметьте: научный руководитель ожидает не просто «использование ИИ», а конкретный кейс. Например, анализ базы из 10 000 фото с приютов Москвы и Санкт-Петербурга. Это соответствует требованиям Синергия к реальным данным.

Цель и задачи

Цель: разработка прототипа веб-сервиса для автоматизированного поиска пропавших животных на основе нейронных сетей.

Задачи:

1. Проанализировать бизнес-процессы приютов и волонтёрских групп.
2. Изучить существующие решения: PetFinder API, Microsoft Azure Custom Vision, DeepAI.
3. Выбрать архитектуру нейросети (ResNet50, EfficientNet-B3).
4. Разработать модель сравнения изображений (Siamese Network).
<5>Спроектировать базу данных с хранением фото, метаданных и геолокацией. <6>Реализовать веб-интерфейс на Flask + React. <7>Оценить экономический эффект от сокращения времени поиска с 7 до 2 дней.

Задачи соответствуют структуре методички Синергия: от анализа до экономики. Каждая задача — основа для подраздела главы.

Объект и предмет исследования

• Объект: процесс поиска пропавших животных в волонтёрской сети «Вернись домой» (г. Москва).
• Предмет: автоматизация идентификации животных по фотографиям с использованием нейронных сетей.

Рекомендуемая структура дипломной работы

Пример введения для Синергия

В последние годы рост числа пропавших домашних животных стал социальной проблемой. По данным Росприроднадзора (2024), только в крупных городах ежегодно фиксируется более 120 000 случаев. Традиционные методы поиска — объявления, соцсети, ручная идентификация — неэффективны: среднее время возврата питомца составляет 6,8 дней.

Целью выпускной квалификационной работы является разработка прототипа веб-сервиса для автоматизированного поиска пропавших животных на основе нейронных сетей. Объектом исследования выступает процесс поиска в волонтёрской сети «Вернись домой», предметом — автоматизация идентификации по фото.

Задачи включают анализ существующих решений, выбор архитектуры нейросети, разработку модели сравнения изображений и оценку экономического эффекта. В работе используются методы анализа, синтеза, системного моделирования и сравнительного анализа. Информационная база — научные статьи, документация TensorFlow, данные приютов Москвы.

Как написать заключение по Прикладная информатика

В ходе работы был проанализирован процесс поиска пропавших животных в волонтёрской сети. Выявлены ключевые узкие места: отсутствие единой базы данных, субъективность идентификации, задержки в обработке заявок.

Разработан прототип сервиса на базе Siamese-сети с использованием EfficientNet-B3. Модель достигла точности 91,4% на тестовой выборке из 2 000 изображений. Экономический расчёт показал сокращение времени поиска на 71%, что соответствует эффекту в 1,2 млн руб./год при масштабировании на 10 регионов.

Рекомендуется внедрение системы в пилотном режиме в приютах Москвы и Санкт-Петербурга. Дальнейшее развитие — интеграция с государственной базой чипированных животных.

Требования к списку литературы Синергия

Список литературы оформляется по ГОСТ Р 7.0.100-2018. Обязательно включение:

• не менее 20 источников;
• не менее 10% — за 2024–2025 гг.;
• разделение на группы: законодательные акты, научная литература, интернет-ресурсы.

Примеры реальных источников:

1. ГОСТ Р 7.0.100-2018. Система стандартов по информации, библиотечному и издательскому делу. https://docs.cntd.ru/document/1200157344
2. He, K. et al. (2016). Deep Residual Learning for Image Recognition. https://arxiv.org/abs/1512.03385
3. Официальная документация TensorFlow: https://www.tensorflow.org/tutorials/images/siamese_network

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, можно взять модель с Kaggle, но переобучить её на своей выборке, изменить архитектуру и провести сравнительный анализ. Главное — показать собственный вклад. Наши студенты часто используют базовые архитектуры, но модифицируют под специфику задачи.

Сколько страниц должна быть практическая часть?

30–40 страниц. Включите: схему архитектуры, ER-модель БД, листинг кода (400+ строк), тестовые данные, скриншоты интерфейса. Это соответствует требованиям Синергия к объёму проектной части.

Можно ли использовать open-source решения?

Да, но с обязательным указанием источника и описанием доработок. Например, модель из репозитория PyTorch можно использовать, если вы измените слои, добавите предобработку или интегрируете в свой фреймворк. Это соответствует ГОСТ 34.602-2020 по разработке ПО.

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?