Найти

Результаты поиска

• РАСПРЕДЕЛЕННАЯ СИСТЕМА РАСПОЗНАВАНИЯ ШТРИХКОДОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ

  А.Ю. Юрченко , М.Ю. Поленов

  70-79

  2025-10-01

  Аннотация ▼

  Представлена распределённая программно-аппаратная система для автоматизированного распознавания штрихкодов на движущихся объектах в условиях производственной среды. Целью исследования является разработка надёжного и адаптивного решения, обеспечивающего устойчивое считывание штрихкодов вне зависимости от положения, скорости или высоты объектов, перемещающихся по транспортной ленте. Основной акцент сделан не на максимальной скорости обработки, а на обеспечении широкого угла обзора и надёжности распознавания при движении объектов. В отличие от традиционных сканеров, требующих точного позиционирования и дорогостоящего оборудования, предложенное решение базируется на использовании одной сетевой камеры и сервера с нейросетевыми модулями обработки. Это делает систему более универсальной и доступной для широкого круга предприятий. Ключевым элементом архитектуры выступает нейросетевой модуль восстановления изображений, основанный на модели MPRNet, способной устранять размытие и оптические искажения в кадрах видеопотока. После этапа предобработки изображения поступают в модуль детекции объектов, построенный на базе архитектуры YOLO, адаптированной под задачи распознавания штрихкодов. Распознанные данные сохраняются в базе с использованием ORM-интерфейса, что обеспечивает гибкую интеграцию в существующие информационные системы. Для предотвращения потери кадров и обеспечения высокой пропускной способности используется система асинхронной обработки с применением потоков и буферизованных очередей. Актуальность исследования обусловлена широкой распространённостью штрихкодов как основного средства промышленной маркировки и необходимостью автоматизации процессов учёта и отслеживания продукции в условиях гибкого производства. Несмотря на наличие решений в области сканирования и компьютерного зрения, большинство из них не рассчитаны на работу с нестабильным или низкокачественным видеопотоком. Предложенная система демонстрирует устойчивость к ряду искажений и может быть реализована на бюджетном оборудовании, что открывает перспективы для её применения в промышленности, логистике и складском хозяйстве

• ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СРЕДСТВАМИ В ЗАДАЧЕ СЕГМЕНТАЦИИ НОР ГРЫЗУНОВ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКИХ СВЕРТОЧНЫХ АРХИТЕКТУР

  М.А. Астапова

  19-30

  2025-04-27

  Аннотация ▼

  Исследуется применение нейросетевых архитектур для семантической сегментации нор
  грызунов с целью мониторинга их популяции на сельскохозяйственных полях. В частности, рас-
  сматриваются три модели для семантической сегментации: сверточный автокодировщик (САК),
  SegNet и U-Net. Эти модели применяются для анализа изображений, полученных с беспилотных летательных аппаратов (БпЛА) и наземных роботизированных средств (РТС), что позволяет
  автоматически выявлять норы, минимизируя необходимость в трудозатратах при обработке
  больших объемов данных. Для обучения и тестирования моделей была подготовлена выборка,
  включающая 247 RGB-изображений, содержащих 1098 размеченных нор. Оценка показателей ка-
  чества семантической сегментации проводилась с использованием метрики Джаккара (IoU), в
  результате чего были получены следующие значения: 0,511 для САК, 0,548 для SegNet и 0,529 для
  U-Net. Была проведена оценка вычислительных ресурсов, необходимых для внедрения этих моделей
  в бортовые вычислительные устройства (БВУ) мобильных РТС. Рассмотрены два критерия: ко-
  личество операций с плавающей точкой (GFLOPS) и количество параметров моделей. Результа-
  ты показали, что SegNet требует 2,23 GFLOPS и имеет 0,76 миллиона параметров, что в 2,58 и
  2,33 раза меньше по сравнению с САК и U-Net соответственно. Количество операций с плавающей
  точкой для SegNet также оказалось на 2,43 и 1,88 раза ниже, чем у САК и U-Net соответственно.
  В результате, SegNet превзошла САК и U-Net как в эффективности сегментации, так и в требуе-
  мых вычислительных ресурсах. Данная работа выполнялась в рамках реализации системы компь-
  ютерного зрения сельскохозяйственной РТС.

• ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА РАННЕГО ОПОВЕЩЕНИЯ И МОНИТОРИНГА РАСТЕНИЙ

  А.А. Кочкаров , А. К. Куликов , В.А. Ольхова , А. С. Стахмич , А.Н. Рыбак

  2025-04-27

  Аннотация ▼

  Настоящее исследование направлено на систематизацию научных знаний о заболеваниях сель-
  скохозяйственных культур с последующей интеграцией полученных данных в системы автоматизиро-
  ванного управления агропроизводством. Актуальность работы обусловлена необходимостью миними-
  зации экономических потерь в растениеводстве за счёт ранней диагностики патологий и оптимизации
  фитосанитарного контроля. В рамках исследования проведена классификация заболеваний растений.
  В качестве модельного объекта выбрано растение базилик (Ocimum basilicum L.), характеризующееся
  высокой восприимчивостью к фитопатогенам в условиях интенсивного выращивания. Для создания
  инструмента автоматизированной диагностики осуществлён сбор специализированного датасета,
  включающего 214 изображений базилика на различных стадиях вегетации. Съёмка проводилась в кон-
  тролируемых условиях с использованием RGB-камеры. Каждый образец аннотирован с локализацией
  повреждения , площади поражения. Особое внимание уделено методологическим аспектам формиро-
  вания банков данных для биологических систем. Установлено, что ключевыми проблемами являются
  высокая вариабельность морфологических признаков у растений, влияние факторов окружающей сре-
  ды на визуальные проявления заболеваний. На основе анализа полученных данных предложена архитек-
  тура системы раннего оповещения, включающая три модуля: Сенсорный блок – малогабаритные каме-
  ры и датчики микроклимата. Алгоритмический блок – нейросетевая модель для семантической сег-
  ментации изображений и алгоритмы оценки динамики развития патологий. Интерфейс принятия
  решений и оповещения – рекомендации по корректировке режимов полива, внесения пестицидов и мик-
  роэлементов. Обучение свёрточной нейронной сети выполнено на основе фреймворка YOLOv11 с при-
  менением методов аугментации данных (гауссовский шум, аффинные преобразования) и трансферного
  обучения. Валидация модели на тестовой выборке показала точность детекции 74.7%
  (F1-score = 0.72). Для снижения ложноположительных срабатываний реализована постобработка
  предсказаний с учётом пространственно-временной корреляции данных. Разработанный прототип
  демонстрирует потенциал интеграции компьютерного зрения и агрономии для создания предиктивных
  систем управления. Дальнейшие исследования планируется направить на расширение датасета и уве-
  личение измеряемых параметров, а также внедрение алгоритмов обработки данных на edge-
  устройствах для уменьшения задержек в принятии решений. Полученные результаты могут быть
  адаптированы для других культур закрытого грунта, что способствует развитию точного земледелия
  и снижению антропогенной нагрузки на агроэкосистемы

• 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.