Найти

Результаты поиска

• 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.

• РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР, РАСТЕНИЙ И ЛЕСНЫХ МАССИВОВ

  И. Б. Аббасов , Ратнадип Р. Дешмух

  2020-10-11

  Аннотация ▼

  Представлен обзор некоторых исследований по проблеме распознавания изображе-
  ний сельскохозяйственных культур, растений и лесных массивов. В этих системах распо-
  знавания изображений используются различные методы предварительной обработки,
  компьютерного зрения, глубокого обучения. В последнее время увеличиваются системы
  распознавания на основе мобильных устройств, что повышает их доступность и широкое
  распространение. Рассмотрены статьи по распознаванию, классификации плодов и фрук-
  тов в садах, создание банка данных этих аграрных продуктов (яблоки, груши, киви) для
  оценки созревания и урожайности. Описаны работы посвященные автоматизации сбора
  урожая зерновых культур на примере работы уборочного комбайна с применением машин-
  ного зрения. Растениеводство играет важную роль при обеспечении кормов для животно-
  водства, анализированы статьи по распознаванию сельскохозяйственных растений на
  основе изображений листьев. Также по состоянию листьев картофельных кустов можно
  определить их болезни, оценить состояние почвы. Приведены работы по разработке мо-
  бильных систем контроля и распознавания процесса выращивания грибов на основе техно-
  логии «зеленый дом» для фермерских хозяйств. С помощью дистанционной диагностики
  можно анализировать и контролировать состояние поверхности суши и морей. Для дис-
  танционного экологического мониторинга ландшафта земной поверхности описаны рабо-
  ты по распознаванию, классификации лесных массивов, водных ресурсов с применением
  гиперспектрального анализа спутниковых изображений.

• СОВРЕМЕННЫЕ ДОСТУПНЫЕ БАЗЫ ДАННЫХ ОТПЕЧАТКОВ ЛАДОНИ: ОБЗОР

  Снехал С. Датвасе, Р.Р. Дешмукх, Рохит С. Гупта

  27-37

  2025-07-31

  Аннотация ▼

  Отпечаток ладони является уникальным и очень полезным биометрическим при-
  знаком. За последние несколько десятилетий по этой теме было проведено достаточно
  исследований. Разработаны и успешно реализованы различные алгоритмы и системы.
  Так как данный метод не позволяет получить более расширенную информацию для рас-
  познавания личности, мультиспектральные или гиперспектральные изображения и рас-
  познавание отпечатков ладоней могут стать потенциальным ответом на эти системы.
  Биометрические технологии широко используются в сфере безопасности для аутенти-
  фикации и идентификации в течение последних нескольких лет. Для повышения точно-
  сти и скорости требуется улучшенная система распознавания. В этой статье рас-
  сматриваются некоторые современные базы данных отпечатков ладоней, а также опи-
  саны используемые методы и их точность. Лицо, отпечаток пальца, радужка глаза,
  отпечаток ладони, руки являются физиологическими биометрическими данными. Из всех
  биометрических, физиологическая биометрия предлагает больше всего преимуществ.
  База данных бесконтактных изображений ладоней PolyU-IITD составлена с помощью
  ручной камеры, включает жителей Индии и Китая. База данных бесконтактных отпе-
  чатков ладоней IIT Touchless Palmprint получена от студентов и преподавателей Delhi
  India, база состоит из полных изображений рук. База данных гиперспектральных отпе-
  чатков ладоней создана Гонконгским политехническим университетом, была собрана в
  отделе биометрической исследовательской лаборатории с помощью жидкокристалличе-
  ских фильтров Meadowlark. Многоспектральная база данных отпечатков пальцев, гипер-
  спектральная база данных были составлены китайскими исследовательскими группами
  учёных. База данных отпечатков пальцев polyU собрана у 193 человек, содержит 386
  ладоней. Китайская академия наук разработала базу данных отпечатков ладоней CASIA
  с помощью собственного устройства распознавания отпечатков ладоней. База данных
  отпечатков пальцев XJTU собирается с помощью гаджетов iPhone 6S, HUAWEI mate8,
  LG G4, Samsung Galaxy Note5 и MI8. Также представлен литературный обзор современ-
  ных исследований в данной области. Отмечены преимущества гиперспектральных изо-
  бражения по сравнению с мультиспектральные изображениями, гиперспектральные
  изображения отпечатков ладоней очень трудно подделать

• МУЛЬТИАГЕНТНАЯ СИСТЕМА С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБРАБОТКИ ИЗОБРАЖЕНИЙ С КАМЕР ТЕХНИЧЕСКОГО ЗРЕНИЯ ДРОНА

  А. Л. Веревкин , И.Э. Джозефс , В.В. Мисюра , Л. С. Веревкина

  198-212

  2025-07-24

  Аннотация ▼

  Мультиагентная  технология с дронами, современными сенсорами, точным GPS и искусственном интеллекте, привели к прорыву в области киберфизических систем. В этой статье представлена мультиагентная система с использованием искусственного интеллекта для обработки изображений с камер технического зрения установленных на дроне. Разработана структурная схема мультиагентной системы на дроне на базе эффективной и простой платформе взятой с октокоптера ARRISE 410 – сельскохозяйственного дрона опрыскивателя с: интеллектуальной системой управления; всенаправленным цифровым микроволновым радаром; 6-ти осевым акселерометром высокой точности; электронным ватерпасом измерения наклона; оптической камерой  реального времени с видом от первого лица; панелью управления, оснащенной новейшей системой передачи сигналов Light Bridge 2; пультом дистанционного управления, защищенного от попадания пыли и воды. Комплект необходимо дополнить: гиперспектральной HS – камерой  для сканирования, ее модулем питания и возможностью сопряжения с системами дрона ARRISE 410, модулем сжатия информауции. Макет для исследования пропускной способности на DJI Agras T20 гексакоптере DJI Agras T20, сетевая карта MikrotikRB411 5G, микрокомпьютер Raspberry
  Pi 3, RGB-камера 1 Mpix , встроенный бортовой компьютер  Raspberry Pi OV5647 v1.3 и гиперспектральная HS – камера 2 Resonon Pika  L снимает гиперспектральные данные с 281 спектральными полосами со спектральными длинами волн от 400 до 1000нм и пространственным разрешением 900 гиперспектральных пикселей на строку изображения. В статье решена задача экспериментальным и расчетным путем  определить требуемое сжатие информации получаемой с камер гиперспектрального и оптического диапазона с передачей через оператор связи и интернет для обработки изображений искусственным интернетом