Найти

Результаты поиска

• МЕТОД ГЕНЕРАЦИИ ШУМА ПО НАБОРУ ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ БЕЗ ЧИСТЫХ ПРИМЕРОВ

  А.С. Коваленко , Я. М. Демяненко

  243-254

  2025-11-10

  Аннотация ▼

  Предлагается новый метод генерации шума по зашумленным изображениям без необходимости использования выровненных пар чистых и зашумленных данных. В отличие от традиционных подходов, требующих наличия согласованных наборов изображений или априорных моделей шума, разрабатываемый метод позволяет моделировать сложные характеристики шума, присущие конкретным КМОП‑сенсорам, основываясь исключительно на наблюдаемых зашумленных данных. Для синтеза шума используется генеративно‑состязательная архитектура
  U-Net-подобного типа, построенная на базе StyleGANv2 с модифицированным дискриминатором, учитывающим параметры камеры и исходных изображений. Основное внимание уделяется сохранению пространственно‑цветовой структуры изображения при генерации шума, что достигается введением специализированной функции потерь, сохраняющей характеристики цветопередачи и текстурных деталей. Предлагаемый подход позволяет обучать генератор шума в условиях полного отсутствия пар чистых и зашумленных изображений, что особенно актуально при работе с реальными данными, полученными с различных камер и в различных условиях освещения. В экспериментальной части проведен подробный сравнительный анализ качества синтезированных изображений по метрикам PSNR и SSIM, а также оценка распределения шума на основе статистических характеристик интенсивности и спектрального состава. Демонстрируется, что синтезированный набор изображений, созданный предложенным методом, может эффективно использоваться как самостоятельный тренировочный корпус для нейросетей подавления шума, а также в комбинации с реальным набором SIDD для повышения точности моделей подавления шума. Результаты показали, что комбинированное обучение на объединенном множестве сгенерированных и реальных примеров обеспечивает рост среднего PSNR на 1.5 дБ по сравнению с существующими методами, основанными на выровненных данных. При этом отсутствует зависимость от специфических оптических характеристик конкретного сенсора камеры, что существенно расширяет область применения разработанного метода. Полученные результаты подтверждают применимость предложенного подхода в задачах синтеза и подавления реалистичного шума в условиях отсутствия чистых эталонных изображений, а также открывают перспективы для дальнейших исследований в направлении адаптивной генерации шумовых моделей.

• МЕТОДИКА ИДЕНТИФИКАЦИИ ОБЪЕКТА ДЛЯ ИНТЕГРАЦИИ С РОБОТИЗИРОВАННЫМИ СИСТЕМАМИ

  Н.М. Чернышов , И. К. Романова-Большакова

  2025-04-27

  Аннотация ▼

  Целью исследования является разработка методики идентификации и определения место-
  положения объектов в условиях низкой видимости и возможного изменения их формы, с акцентом
  на извлечение деталей, созданных методом селективного лазерного спекания (SLS), из порошковой
  среды. В работе рассматриваются два принципиально разных подхода к формированию алгорит-
  мов управления роботизированным манипулятором. Первый подход, доверительный, основан на
  предположении о минимальном смещении объекта в процессе манипуляций. Манипулятор дви-
  жется по траектории, рассчитанной на основе предварительной трехмерной модели, без коррек-
  ции до момента захвата. Этот метод отличается высокой скоростью выполнения операции и
  минимальными вычислительными затратами. Однако он сопряжен с рисками: деформация объ-
  екта из-за сопротивления среды, смещение детали при контакте с инструментом, а также не-
  возможность захвата при значительных отклонениях от номинального положения. Второй под-
  ход, осторожный, предполагает поэтапное удаление слоев порошка для визуализации объекта и
  корректировки траектории до захвата. Этот метод включает несколько этапов: удаление верх-
  него слоя среды до частичного обнажения детали, анализ данных для уточнения положения объ-
  екта, а также построение адаптивной траектории с учетом возможного смещения. Отдельное
  внимание в статье уделено генерации данных для обучения нейронных сетей, которые использу-
  ются для идентификации объектов в условиях зашумленности. Рассмотрены два метода искус-
  ственного моделирования порошковых покрытий. Примитивный метод заключается в расшире-
  нии вершин трехмерной модели вдоль нормалей с добавлением случайного шума. Усовершенство-
  ванный метод предполагает дифференцированное распределение порошка с учетом локальной
  кривизны поверхности. Последующие экспериментальные результаты показали, что обучение
  нейронной сети с использованием реальных данных имеет низкую эффективность. Точность рас-
  познавания составила 60–75%, что связано с малым объемом выборки и влиянием внешних факто-
  ров, таких как освещение и помехи. В то же время использование синтетических данных, подго-
  товленных по представленной в исследовании методике, позволило повысить точность распозна-
  вания до 92%. Практическая значимость работы заключается в разработке методики поиска,
  обнаружения и определения детали, погруженной в порошок, что может быть использовано для
  автоматизации процессов постобработки на производствах, использующих селективное лазерное
  спекание. Разработанные решения адаптированы для интеграции в роботизированные системы работающие в условиях ограниченной видимости. Предложенные методы могут быть масшта-
  бированы на широкий спектр задач в аддитивном производстве и робототехнике, что делает их
  перспективными для внедрения в промышленные процессы.