Найти

Результаты поиска

• 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.

• НЕЙРОСЕТЕВОЙ АЛГОРИТМ ПОЛНОКАДРОВОГО РАСПОЗНАВАНИЯ НАДВОДНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ

  В. А. Тупиков, В. А. Павлова, В. А. Бондаренко, Н. Г. Холод

  2020-07-10

  Аннотация ▼

  Исследованы современные нейросетевые архитектуры для осуществления автома-тического обнаружения и распознавания надводных объектов и препятствий заданных классов по всей области изображения, применимые к выполнению в реальном или условно реальном времени для задач оптоэлектронной системы технического зрения с целью ав-томатизации и повышения безопасности гражданского судовождения. Дана формальная постановка задачи автоматического обнаружения объектов на изображениях. Проанали-зирован текущий научно-исследовательский задел в области алгоритмов детектирования объектов на изображениях, основанных на искусственных свёрточных нейронных сетях, произведено их сравнение и сделан обоснованный выбор в пользу наиболее эффективной нейросетевой архитектуры по соотношению вычислительной сложности и точности распознавания. Исследованы имеющиеся в открытом доступе базы данных образов над-водных объектов, подходящие для применения при обучении алгоритмов с использованием искусственных нейронных сетей. Сделан вывод о недостаточности имеющихся данных для обучения нейросетевых алгоритмов, в результате чего авторами выполнен самостоятель-ный сбор исследовательских изображений и видеопоследовательностей, произведена под-готовка и разметка собранных данных, содержащих надводные объекты и иные препят-ствия, представляющие навигационную опасность для судов. На основе выбранной архи-тектуры разработан новый нейросетевой алгоритм автоматического обнаружения и распознавания надводных объектов, выполняемого по всей области изображения (т.е. пол-нокадрового), выполнено обучение искусственной нейронной сети по подготовленной базе данных образов типовых объектов. Полученный алгоритм протестирован авторами на валидационном наборе данных, произведена оценка качества его работы с помощью различных метрик, а также оценена производительность алгоритма. Сделаны выводы о необходимости расширения собранной базы данных образов типовых объектов, предложены дальнейшие шаги по повышению точности разработанного программно-алгоритмического комплекса и его внедрению в состав перспективной судовой оптоэлектронной системы технического зрения.

• АЛГОРИТМ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ВИДЕОИЗОБРАЖЕНИЙ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ ОБНАРУЖЕНИЯ МАЛОРАЗМЕРНЫХ ОБРАЗОВ

  В. В. Ковалев , Н. Е. Сергеев

  2021-12-24

  Аннотация ▼

  Распознавание определенных образов в видеоизображениях, снятой камерой, осуще-
  ствляется с помощью методов обучения на основе сверточных нейронных сетей. Чем
  больше количество образов с множеством признаков и разнообразнее обучающая выборка
  видеоизображений, тем лучше сверточные нейронные сети извлекают признаки из после-
  довательности видеоизображений, которые не были включены в обучающую выборку. Это
  является следствием повышения точности обнаружения визуальных образов на видеоизоб-
  ражениях, содержащих признаки целевых образов. Однако, существуют ограничения в
  улучшении характеристик обнаружения, когда размеры образа, который нужно обнару-
  жить, значительно меньше, чем область фона или, когда образ описан малым количеством
  информации. Для решения проблем подобного рода авторами статьи разработан алго-
  ритм пространственно-временного комплексирования информации о движении динамиче-
  ских образов. Алгоритм обрабатывает фиксированное количество видеоизображений в
  определенные моменты времени и извлекает новые независимые признаки движения дина-
  мических образов на основе пространственно-временной обработки видеоизображений.
  Далее объединяет новые локальные признаки движения с исходными признакам видеоизоб-
  ражения. Это позволяет добавить признак движения динамических образов с сохранением
  исходных признаков изображения, описывающих статичные образы. Области видеоизоб-
  ражения, характеризующие признак движения, отображаются «цветным» кластером.
  Применение предварительной обработки направлено на повышение точности обнаруже-
  ния образов при условии наличия динамических визуальных образов на статичном заднем
  фоне. Если камера работает в режиме сканирования, то статичный задний фон можно
  обеспечить стабилизатором видеоизображений. Экспериментальным путем получены
  оценки интегральных критериев точности детекционных нейросетевых алгоритмов, пока-
  зывающие увеличение в точности обнаружения визуальных образов с применением алго-
  ритма пространственно-временного комплексирования информации о движении.

• 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