Найти

Результаты поиска

• ПОВЫШЕНИЕ КАЧЕСТВА РАЗНОМОДАЛЬНЫХ ДАННЫХ НА ОСНОВЕ ГИБРИДИЗАЦИИ МЕТОДОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ И МУЛЬТИСЕНСОРНОГО СЛИЯНИЯ

  А. А. Александров , М.А. Бутакова

  21-38

  2026-09-10

  Аннотация ▼

  Исследуются методы предварительной обработки данных и слияния разномодальных данных. Собираемые с мультисенсорных устройств данные содержат шумы, аномалии и включают отказы датчиков. Использование неочищенных данных неизбежно приводит к получению ложных закономерностей при использовании моделей машинного обучения, в которых эти данные используются. Для улучшения качества данных необходимо применение специальных методов предварительной их обработки и слияния. Целью работы является создание гибридного конвейера предварительной обработки и мультисенсорного слияния данных, функционирующего на уровне периферийных вычислений. Для её достижения решены задачи удаления из данных последствий технических сбоев и шумов, временной синхронизации, масштабирования признаков и объединения дублирующих источников с учетом их динамического веса. Применены методы: межквартильного размаха для выявления выбросов, линейная интерполяция для их замены, фильтр высоких частот для подавления шумов и взвешенное мультисенсорное слияние с динамическим расчётом весов. Кроме того, представлены методы обработки визуальных, сенсорных и акустических данных в рамках гибридного конвейера, допускающие адаптацию для реализации на уровне периферийных вычислений. Экспериментальная проверка разработанного конвейера проведена на смоделированном наборе климатических данных с искусственно внесёнными зашумлениями и аномалиями. Предложенный подход продемонстрировал высокую эффективность восстановления данных. Для температуры воздуха коэффициент детерминации (R²) увеличился с 0,9807 до 0,9964 при незначительном изменении средней абсолютной процентной ошибки (MAPE) с 10,11% до 10,48%. Для относительной влажности метрика R² выросла с 0,9248 до 0,9675, а ошибка MAPE снизилась с 2,87% до 2,57%. Наиболее значительное улучшение достигнуто для атмосферного давления. Метрика R² с отрицательного значения -0,124 выросла до 0,974, а ошибка MAPE сократилась с 0,12% до 0,06 %. Полученные результаты подтверждают, что предложенный конвейер снижает погрешность и повышает качество мультисенсорных данных, минимизирует объём передаваемых данных. Практическая ценность заключается в создании непрерывного цикла локальной фильтрации и слияния данных без накопления погрешностей

• АЛГОРИТМЫ ГЕНЕРАЦИИ И ОБРАБОТКИ SEM-ИЗОБРАЖЕНИЙ ДЛЯ ИДЕНТИФИКАЦИИ СВОЙСТВ БИОНЕОРГАНИЧЕСКИХ МАТРИЦ И МЕТОДЫ ИХ ВЕРИФИКАЦИИ

  А.В. Полтавский , Д. С. Поляниченко , Е. Р. Коломенская , М. А. Бутакова

  2025-01-30

  Аннотация ▼

  Одним из распространенных методов анализа характеристик материалов, получаемых в ре-
  зультате химического синтеза, является сканирующая электронная микроскопия (SEM), примене-
  ние которой позволяет получить изображения с высоким разрешением и увеличением. В статье
  исследуются алгоритмы анализа изображений материалов, обладающих определенными свойст-
  вами (например, пористостью) – бионеорганических матриц. Пористые структуры представля-
  ют собой обширный класс материалов с широкой областью применения, включая сельское хозяй-
  ство, медицину, катализ и многое другое. Одна из важных сфер использования подобных структур
  – тканевая инженерия, в которой подобные каркасы необходимы для обеспечения восстанови-
  тельных процессов тканей организма. И для каждого организма матрицы должны быть персона-
  лизированными, что требует выполнения трудоемкого процесса по подбору характеристик кар-
  каса, применимого в конкретном случае. Эта задача в настоящее время частично решается при-
  менением технологий искусственного интеллекта для повышения точности или поддержки при-
  нятия решения во время изготовления или анализа матрицы. Однако, часть работы в этом процессе
  все еще выполняется вручную и представляет из себя трудозатратную рутину для специалиста.
  В частности, процесс анализа SEM-изображений с целью вычисления характеристик полученного
  материала все еще представляет множество длительных этапов с использованием различных ин-
  струментов. При этом такие характеристики как пористость, извилистость, диффузность явля-
  ются очень важным фактором для эксперта в процессе принятия решения о применимости изго-
  товленной бионеорганической матрицы в каждом конкретном случае. Соответственно целью дан-
  ного исследования является разработка комплекса алгоритмов для полностью автоматической об-
  работки SEM-изображений. Также, исходя из поставленной цели, в рамках исследования можно
  выделить ряд задач: разработка алгоритмов для детекции объектов на изображении, разработка
  модели нейронной сети для уточнения результатов детекции, реализация алгоритмов вычисления
  характеристик пористого материала, а также проектирование и выполнение ряда верификацион-
  ных испытаний для подтверждения качества выполненных вычислений. В результате проведенного
  исследования мы сделали некоторые выводы. В частности, подход, использующий генерацию синте-
  тических данных, может существенно ускорить и упросить процесс обучения нейронной сети, а
  также повысить качество выходной модели. Далее мы заключили, что полученные алгоритмы мо-
  гут полностью автоматизировать процесс анализа SEM-изображений с пористой структурой, а
  качество вычислений подтвердили с помощью ряда верификационных тестов. Полученные алго-
  ритмы могут быть распространены на другие аналогичные задачи, связанные с проблемами ана-
  лиза изображений и выявления необходимых признаков и характеристик.

• ОЦЕНКА КАЧЕСТВА СЛИЯНИЯ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ЭНТРОПИИ ШЕННОНА И КОЭФФИЦИЕНТА ПОЛЕЗНОЙ ИНФОРМАЦИИ ХАРТЛИ

  А.А. Александров , Г.С. Мизюков , М.А. Бутакова

  2024-11-10

  Аннотация ▼

  Исследуются методы повышения качества изображений, получаемых из гетерогенных ис-
  точников информации на основе многомодальной интеграции. Дополнительная информация из
  нескольких модальностей позволяет использовать признаки, которые невозможно правильно ин-
  терпретировать, если анализировать информацию отдельно от одного источника. В качестве
  подтверждения актуальности темы рассматриваются современные исследования в данной об-
  ласти. Целью работы является повышение информативности изображений, получаемых в ре-
  зультате слияния данных от разнородных источников, и получение высококачественных изобра-
  жений, пригодных для корректной работы алгоритмов машинного обучения. Для достижения
  поставленной цели авторами решается ряд задач: создание подхода к измерению качества изо-
  бражений, в рамках которого необходимо разработать ряд алгоритмов, описывающих процесс
  оценки качества результатов слияния на основе многомодальной информации; реализация полу-
  ченных алгоритмов в программной среде для валидации предлагаемого подхода; проведены оценоч-
  ных экспериментов на основе представленных алгоритмов, в частности, вычисления мер инфор-
  мативности изображений и влияния шумов и размытости на энтропию объединённого изображе-
  ния. Результаты экспериментальных исследований на наборах данных из открытых источников
  показали, что предложенный метод позволяет определить наилучший вариант слияния изобра-
  жений, при котором данные будут иметь максимальную информативность. Использование эн-
  тропии по Шеннону дает возможность вычислить количество информации, передаваемой в изо-
  бражениях, а коэффициент полезной информации Хартли позволяет оценить количество присут-
  ствующих шумов в изображении. Также, в статье проводится сравнение результатов при раз-
  личных уровнях шума и степени размытости изображений, демонстрирующее различные резуль-
  таты алгоритмов при оценке качества изображений. Предложенный подход проиллюстрирован
  на примере анализа изображений, полученных путём слияния данных от двух типов приборов –
  инфракрасной камеры и видеокамеры, снимающей изображения в видимом диапазоне