Найти

Результаты поиска

• ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ТЕХНИЧЕСКОГО ЗРЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ПРЕПЯТСТВИЙ И ПРЕДСКАЗАНИЯ ПОВЕДЕНИЯ ДВИЖУЩИХСЯ ОБЪЕКТОВ НА ЖЕЛЕЗНОДОРОЖНЫХ ПУТЯХ

  Д.Л. Шишков , М.Н. Зарипов , Р.А. Горбачев

  2022-04-21

  Аннотация ▼

  В настоящее время повышение качества предоставляемых транспортных и логи-
  стических услуг напрямую связано с внедрением новых и модернизацией существующих
  технологий информатизации и цифровизации. Одной из наиболее актуальных задач, ре-
  шаемых с помощью внедрения цифровых технологий в существующие технологические
  процессы, является повышение безопасности движения поездов. Анализ отечественных и
  зарубежных работ, посвящённых разработке систем повышения безопасности движения
  поездов показал, что одним из методов решения поставленной задачи является разработ-
  ка и внедрение систем технического зрения для обнаружения объектов инфраструктуры и
  препятствий по ходу движения поезда. Это особенно актуально при увеличении скоростей
  движения поездов, когда машинисту бывает сложно правильно оценить сложившуюся
  ситуацию и принять оперативное решение. В данной работе описана реализация системы
  технического зрения для беспилотных поездов. В ее рамках был реализован новый подход к
  обучению узкоспециализированной масочной нейронной сети. Основной задачей этой сис-
  темы является распознавание препятствий и фигур человека на фоне железнодорожной
  инфраструктуры, определения их местоположения относительно рельсовых путей и оцен-
  ки этой ситуации с точки зрения безопасности движения. Для получения более качествен-
  ной маски был использован подход одновременного использования изображений стандарт-
  ных камер CVS и камер с более высоким разрешением. Данный метод способен повысить
  качество распознавания, особенно на больших расстояниях, когда интересующий объект
  не заметен в сложной среде окружающей его обстановки. Выполненная работа показала
  хорошие результаты по идентификации объектов на железнодорожных путях. Создание
  прототипа такой системы и оснащение ей тягового подвижного состава позволит реали-
  зовать своевременное обнаружение препятствий и людей на пути поезда, что способству-
  ет повышению уровня безопасности движения поездов.

• ПРОЕКТИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ И ОБЕСПЕЧЕНИЕ АВТОНОМНОСТИ ДЛЯ МОБИЛЬНОГО ДВУХКОЛЕСНОГО РОБОТА

  А. А. Ткаченко , Д.Д. Девяткин

  2022-04-21

  Аннотация ▼

  Управление с прогнозированием (Model Predictive Control) – это усовершенствован-
  ный метод управления процессами, который используется при соблюдении набора ограни-
  чений. С инженерной точки зрения MPC-метод проектирования систем управления явля-
  ется привлекательным, т.к. является сравнительно простым при проектировании, в том
  числе для решения сложных производственных задач. Данный метод схож с классическим
  синтезом системы управления на основе линейно-квадратичного регулятора (LQR). Ключе-
  вое различие между MPC и LQR заключается в том, что управление с прогнозированием
  решает задачу оптимизации в пределах скользящего временного горизонта, в то время как
  линейно-квадратичный метод используется для решения той же задачи фиксированное
  временное окно. В работе рассматривается способ построения системы управления для
  двухколесного мобильного робота с использованием Model Predictive Control. Приведен про-
  цесс построения математической модели механической системы робота, а также выпол-
  нена линеаризация полученной модели. Представлены основные принципы построения сис-
  темы управления на основе MPC для линейных систем без внешних возмущений, а также с
  использованием наблюдателя для оценки состояний модели при влиянии аддитивных белых
  гауссовских шумов. Рассмотрен вариант синтеза системы управления с накладываемыми
  ограничениями на входной сигнал. Также представлен способ определения положения двух-
  колесного робота в пространстве с помощью системы технического зрения, которая ос-
  нована на использовании искусственной нейронной сети. Приведена архитектура модели,
  использующаяся совместно со стереокамерой, с помощью которой реализуется построе-
  ние карты глубины изображения. В качестве архитектуры нейронной сети используется,зарекомендовавшая себя модель YOLOv3. В работе описываются модели, которые неспо-
  собны проводить обработку данных в режиме реального времени. Помимо вышеперечис-
  ленного в работе подробно описывается принцип работы модели глубокого обучения –
  YOLOv3, которая основана на нескольких блоках обработки входных данных. Представле-
  но подробное описание реализации стереокамеры в связке с моделью искусственной ней-
  ронной сети с помощью языка программирования Python и библиотек для работы с видео-
  данными и стереокамерой.

• 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

• 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