SCI Библиотека

Цель работы - изучение синтеза структуры системы машинного распознавания производственных ситуаций и выполнение математической интерпретации задачи повышения эффективности производства с помощью карты потока создания ценности. Статья опирается на методологию бережливого производства, применяя карту потока создания ценности в качестве основного инструмента исследования. Данный инструмент, отличающийся высокой эффективностью и широкой применимостью, позволяет анализировать и оптимизировать потоки создания ценности. В работе представлено подробное описание цели и процедуры построения карты потока для производственного предприятия. Процесс распознавания производственных ситуаций рассматривается с учетом соотношений между классами, ситуациями, производственными показателями и вероятностными характеристиками модели. Синтез структуры распознавания и бережливого производства основан на соотнесении производственных объектов и этапов построения карты потока ценности. Синтез позволяет комплексно рассмотреть и объединить структурные процессы предприятия, представленные как единая семантическая сеть взаимодействий и поэтапной реализации метода карт потока создания ценностей. Однако любые производственные ситуации, за исключением запланированных рабочих циклов оборудования, имеют стохастическую природу. При решении задач распознавания производственных ситуаций часто используются байесовские правила, которые демонстрируют более высокую вероятность правильного распознавания, чем индивидуальные алгоритмы. В результате исследования получено соотношение, обеспечивающее синтез структуры системы машинного распознавания производственных ситуаций в рамках бережливого производства.

Приводится сравнение моделей сегментации для решения задачи выявления лесных рубок в зимний период по паре космических снимков Sentinel-2. В сравнение попали модели, основанные на свёрточных нейронных сетях из библиотеки segmentation models, разработанной для языка программирования Python. В качестве данных для обучения моделей использовались снимки с 2018 по 2022 г. из открытых источников Европейского космического агентства, которые были сделаны над территорией Ханты-Мансийского автономного округа Югры. Данные снимки были предобработаны для решения задач: проведения атмосферной коррекции снимков, приведения пар снимков к единой проекции, нарезки снимков на кадры. Маски лесных рубок формировались вручную с 2015 г. в центре космических услуг Югорского научноисследовательского института информационных технологий. Для оценки качества моделей использовалась F1-мера, так как требуется оценить, находит ли модель все рубки, насколько точно модель находит рубки, а также F1-мера позволяет учесть ложные срабатывания модели. Лучший результат показала модель UNet++ с оценкой 0.847. Остальные рассмотренные модели показали близкий результат, что говорит о схожести данных моделей применительно к задачам сегментации лесных рубок.

В статье проведено исследование современных моделей нейронных сетей, предназначенных для распознавания объектов на инфракрасных изображениях, полученных с беспилотных летательных аппаратов (БПЛА). Рассмотрены различные архитектуры YOLO (You Only Look Once), включая версии YOLOv5, YOLOv8 и YOLOv9. Оценка моделей выполнена по ключевым метрикам, таким как точность (Precision), полнота (Recall) и средняя точность (mAP), с учетом вычислительных требований. Особое внимание уделено применению моделей в условиях ограниченных ресурсов и повышенной сложности данных, что делает их актуальными для задач мониторинга и анализа в сложных условиях эксплуатации. Также был проведен анализ эффективности моделей нейронных сетей при решении задачи поисково-спасательных операций. Исследование показало, что наилучшие результаты по точности классификации объектов продемонстрировали модели YOLOv8l и YOLOv5mu с соответствующими значениями 0.912 и 0.911. Наибольшую полноту показали модели YOLOv8s и YOLOv9c с результатами 0.836 и 0.827. По метрике mAP50-95 лучшие результаты были достигнуты моделями YOLOv9c и YOLOv8l-worldv2, с показателями 0.591 и 0.566 соответственно. Полученные результаты могут быть полезны для выбора оптимальной модели при решении задач обнаружения и распознавания объектов на инфракрасных изображениях. Модель Yolov8s является наилучшим выбором для поисково-спасательных операций, так как она демонстрирует высокие результаты полноты: 0.836 и mAP50: 0.861.

Статья посвящена исследованию возможностей обеспечения устойчивого развития сельских территорий региона за счёт оптимизации пространственной структуры его хозяйственной деятельности. Авторами предложены каркасный подход для анализа структуры опорного каркаса хозяйства, геоинформационный метод и метод кластеризации для создания соответствующих ГИС-моделей.

Исследование посвящено способам обработки, анализа и распознавания объектов животного мира на фотоснимках фотоловушек и направлено на повышение скорости обработки фотоснимков и повышение достоверности распознавания объектов.

Статья посвящена категоризации населённых пунктов по уровню освещённости на снимке сибирского региона в ночное время с помощью библиотек языка программирования Python. Космический снимок для территории исследования был подобран с условием отсутствия облачности и сделан в безлунную ночь, получен на основе измерений радиометра VIIRS, расположенного на борту метеорологической спутниковой платформы SNPP.

Цель исследования. Целью работы является исследование и разработка методов локализации сверхлегкого беспилотного летательного аппарата (БПЛА) в насыщенной объектами замкнутой среде, основанных на симантико-топологических данных, получаемых из окружения. Целью работы также явля-ется разработка программного обеспечения и выбор аппаратного комплекса для запуска и опробации разработанного решения.

Методы. Для реализации поставленной цели были проведен обзор и сравнение существующих решений. Оптимизация архитектуры нейронной сети для детектирования объектов. Разработка алгоритма составления графа объектов, отражающего их взаимосвязи. Разработка алгоритма сравнения графов для определения положения БПЛА. Внедрение решения по повышению точности определения геометрического центра задетектированных объектов. Использование методов определения ключевых точек (SIFT, SURF) для решения проблемы идентификации объектов одного класса.

Результаты. Результатом работы является разработанный метод локализации, на основе симантико-топологических данных, получаемых из окружения. Также разработан пакет программного обеспечения, основанный на платформе ROS2 humble, и реализованный на аппаратной части, основанной на плате Rockchip 3588. Эксперименты проводились на готовых наборах данных (KUM dataset) и с использованием БПЛА в помещении.

Заключение. Разработанная система локализации представляет собой перспективный шаг в направлении создания эффективных и гибких систем, способных работать в сложных условиях. В будущем планируется интегрировать данный метод с другими датчиками для повышения робастности в динамичных условиях, добавить алгоритмы визуальной одометрии для повышения точности локализации БПЛА, и расширить применение системы на БПЛА, используемых в других отраслях (инспекция инфраструктуры, поиск и спасение).

Предлагается алгоритмизация методики формирования наборов независимых компонент многомерной случайной величины. Методика основывается на проверке гипотез о независимости парных сочетаний компонент многомерной случайной величины с использованием двухмерного непараметрического алгоритма распознавания образов, соответствующего критерию максимального правдоподобия. Классы соответствуют областям определения плотностей вероятностей в условиях независимых и зависимых случайных величин. Для восстановления плотностей вероятностей используются их непараметрические оценки типа Розенблатта - Парзена. В отличие от традиционной методики, основанной на применении критерия Пирсона, предлагаемый подход позволяет обойти проблему декомпозиции области значений случайных величин на многомерные интервалы. Полученная информация позволяет построить информационный граф, вершины которого соответствуют компонентам многомерной случайной величины. Между двумя вершинами графа существует ребро, если соответствующие им компоненты случайной величины являются независимыми. Тогда вершины полного подграфа соответствуют группе независимых компонент случайной величины. На этой основе разработан алгоритм обнаружения наборов взаимно независимых случайных величин.

Предложена методика декомпозиции области значений двухмерных спектральных признаков данных дистанционного зондирования пожара лесной территории по значениям составляющих их коэффициентов корреляции. Основу методики составляет анализ произведения нормированных значений спектральных признаков и его непараметрической оценки плотности вероятности. Особенность используемого показателя и вводимые пользователем пороги на его значения позволяют осуществить декомпозицию исходных статистических данных и картирование получаемых результатов. В отличие от методов автоматической классификации предлагаемый подход обладает более высокой вычислительной эффективностью, что необходимо при обработке больших объемов статистических данных. Рассматриваются результаты применения методики при обработке данных дистанционного зондирования на территорию лесного пожара.

Рассмотрен подход к контролю процесса аддитивной печати с помощью сверточных нейронных сетей. Исследовано влияние набора данных и архитектуры на качество нейронной сети.