Найти

Результаты поиска

• АППАРАТНО-ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ТЕЛЕУПРАВЛЯЕМОГО НЕОБИТАЕМОГО ПОДВОДНОГО АППАРАТА КЛАССА МИКРО

  О.В. Шиндор , П.А. Кокунин , А. А. Егорчев , Л.Н. Сафина , Я. С. Мурин

  2025-01-30

  Аннотация ▼

  В современной подводной робототехнике актуальными являются задачи управления, повы-
  шения автономности, увеличения выполняемых функций и возможность импортозамещения.
  В работе рассматривается пример построения телеуправляемого необитаемого подводного ап-
  парата (ТНПА) класса микро, основной целью которого является использование в образователь-
  ных целях, в частности для вовлечения школьников в инженерное направление и программирова-
  ние, студентов в программирование микроконтроллеров, практическое изучения систем управле-
  ния, цифровую обработку изображений с использованием вейвлет-преобразования. В статье
  представлены основные принципы и особенности конструкторской, аппаратной, алгоритмиче-
  ской и программной реализации роботизированного конструктора на основе ТНПА класса микро.
  Приведены обоснования применения конструкторского решения для использования ТНПА в обра-
  зовательных целях, рассмотрены принципы алгоритмического передвижения подводного блока.
  На основе двумерного вейвлет-преобразования для обработки подводных изображений разрабо-
  тан алгоритм и проведена его верификация. Вейвлет-преобразование является современным и
  эффективным инструментом для выявления локальных особенностей сигналов и обработки изо-
  бражения. Использование двумерной вейвлет-декомпозиции, представляющей собой процесс раз-
  ложения сигнала на высокочастотные и низкочастотные составляющие, позволяет сформиро-
  вать четыре матрицы вейвлет-коэффициентов, содержащих аппроксимирующие с низкочастот-
  ными составляющими и детализирующие коэффициенты (высокочастотные) трех типов: несу-
  щих информацию о вертикальных, горизонтальных и диагональных параметрах анализируемого
  изображения. В процессе обработки изображения после применения вейвлет-преобразования вы-
  полняется для увеличения контрастности изображения изменение коэффициентов аппроксима-
  ции, далее осуществляется определение RGB компонентов на основе матрицы аппроксимации
  вейвлет-коэффициентов на основе градаций серого и вычисление средних и максимальных значе-
  ний для каждой из компонент. Далее выполняется расчет коэффициента цветопередачи, коэф-
  фициентов улучшения, на основе которых формируется модифицированная матрица вейвлет-
  коэффициентов и применяется обратное преобразование. В результате применения алгоритма на
  тестовых изображениях показана возможность цветокоррекции, в частности уменьшение влия-
  ния зеленой и голубой составляющих на 8,6%. Полученные результаты могут быть использованы
  при построении систем распознавания изображений в подводной среде и проектировании авто-
  номных необитаемых подводных аппаратов.

• СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ: СИСТЕМНЫЙ АНАЛИЗ, АЛГОРИТМЫ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ В СТРОИТЕЛЬНОЙ ДИАГНОСТИКЕ

  М. А. Филонова , С. Н. Широбокова

  188-208

  2026-07-07

  Аннотация ▼

  Актуальность исследования обусловлена ростом интереса к гиперспектральным изображениям как инструменту неразрушающего контроля строительных материалов и конструкций, а также недостаточной систематизацией современных методов их обработки. Цель работы состоит в системном анализе алгоритмов обработки HSI, выявлении их преимуществ, ограничений и перспектив применения в задачах строительной диагностики. В исследовании рассмотрены особенности гиперспектральных данных, включая высокую размерность, шумы, калибровочные погрешности, атмосферные искажения и дефицит размеченных выборок. Показана эволюция подходов от классических методов машинного обучения и ручного конструирования признаков к глубоким нейронным сетям. Проанализированы методы снижения размерности, классификаторы kNN, байесовские модели, логистическая регрессия, Random Forest, SVM и MLP, а также способы учета спектрально-пространственного контекста. Особое внимание уделено современным архитектурам глубокого обучения: 1D-, 2D- и 3D-CNN, RNN, LSTM/GRU, гибридным CNN–RNN-моделям, трансформерам и CNN–Transformer-схемам. Отдельно рассмотрены transfer learning, semi-supervised learning, self-supervised learning, few-shot learning, meta-learning и domain adaptation как способы преодоления ограниченности разметки. Выполнено сопоставление подходов по требованиям к данным, вычислительной сложности, устойчивости к шумам, способности учитывать спектральные и пространственные зависимости. Показано, что наиболее перспективными для строительной диагностики являются гибридные модели, сочетающие локальные признаки сверток, глобальный контекст внимания и возможность дообучения на малых специализированных выборках. Работа обобщает современное состояние области и формирует основу для выбора методов обнаружения дефектов, оценки влажности, коррозии и деградации строительных конструкций. Сформулированные выводы могут использоваться при проектировании экспериментальных протоколов и выборе архитектур для последующих прикладных исследований в области мониторинга зданий.