Аннотация

Полный текст статьи

Целью исследования является повышение эффективности распознавания объектов нерегулярной формы в заданной локации за счет разработки метода и алгоритмов распознавания объектов нерегулярной формы, полученных с использованием бес-пилотного воздушного судна. Объектом исследования является система производственного контроля за состоянием территории, зданий и сооружений на опасных производственных объектах металлургического предприятия. Предмет исследования – математическое представление изображений, алгоритмы и методы распознавания объектов нерегулярной формы в заданной локации на основе визуальной информации. Исследование проводится в рамках научно-исследовательской и опытно-конструкторской работы на одном из ведущих предприятий черной металлургии РФ. В настоящей статье представлены: досто-инства и недостатки современных методов распознавания объектов на изображении для задачи распознавания объектов нерегу-лярной формы со случайным местом расположения; структура изображения, которое поступает для обработки при обследовании территории крупного промышленного предприятия; по результатам изучения изображения построена структурная единица информация и введены новые термины для формализации задачи распознавания; выполнена постановка задачи обработки гра-фической информации при обнаружении объектов нерегулярной формы в заданной локации на территории крупного промыш-ленного предприятия, а также выбрана технология ее решения на основе сверточных искусственных нейронных сетей для прямого и обратного поиска объектов. Результаты исследования являются основой для создания автоматизированной системы контроля состояния территории металлургического предприятия, применение которой обеспечивает в режиме реального времени и на постоянной основе поступление в систему управления промышленной безопасности сведений о текущих параметрах безопасной эксплуатации объекта контроля и обеспечивает информирование персонала о количественных изменениях ранее выявленных объектов, а также появление новых.

Ключевые слова

графическая информация, распознавание объектов, локация и территория, формализация задачи, структурная единица информации

Охотниченко Алексей Васильевич – аспирант, кафедра вычислительной техники и программирова-ния, Магнитогорский государственный технический университет им. Г.И. Носова, Магнитогорск, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., https://orcid.org/0000-0003-0463-7589

Логунова Оксана Сергеевна – д-р техн. наук, профессор, заведующая кафедрой, кафедра вычислительной техники и программирования, Магнитогорский государственный технический университет им. Г.И. Носова, Магнитогорск, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., https://orcid.org/0000-0002-7006-8639

Наркевич Михаил Юрьевич – канд. техн. наук, доцент, директор, научный институт «Промбезопасность», Магнитогорский государственный технический университет им. Г.И. Носова, Магнитогорск, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., https://orcid.org/0000-0001-6608-8293

1. Доржиева В.В. Цифровизация промышленности: роль искусственного интеллекта и возможности для России // Вопросы инновационной экономики. 2022. Т. 12, № 4. С. 2383-2394. doi: 10.18334/vinec.12.4.116599

2. Сотников Г.А., Фролова А.В. Проблемы и перспективы цифровизации промышленности в России // Вестник российского химико-технологического университета имени Д. И. Менделеева: Гуманитарные и социально-экономические исследования. 2021. № 12-2. С. 29-39.

3. Александрова А.В., Сабре Д.М., Сабре М.М. Анализ состояния промышленной безопасности и условий труда на промышленных объектах нефтегазового комплекса Сирийской Арабской Республики // Научные труды КубГТУ. 2019. №7. С. 260-269.

4. Бурмистров А.В., Ильичев В.Ю. Распознавание объектов на изображениях с использованием базовых средств языка Python и библиотеки opencv // Научное обозрение. Технические науки. 2021. № 5. С. 15-19.

5. Ворожцова Н.А., Вологдин С.В. Применение машинного обучения для автоматизации процесса распознавания информации на фотоизображениях приборов учета элек-троэнергии // Системы компьютерной математики и их приложения. 2021. № 22. С. 51-56.

6. Facial recognition using Haar cascade and LBP classifiers / A.B. Shetty, Bhoomika, Deeksha, J. Rebeiro, Ramyashree // Global Transitions Proceedings. 2021. Vol. 2(2). Pp. 330-335. doi: 10.1016/j.gltp.2021.08.044

7. Чухраев И.В., Ильичев В.Ю. Распознавание характерных объектов на изображении с использованием технологий компьютерного зрения // E-Scio. 2021. № 8 (59). С. 122-131.

8. Волобой А.Г., Новоторцев Л.В. Сопоставление областей на аэрофотоснимках в задаче распознавания строений // Новые информационные технологии в автоматизирован-ных системах. 2018. № 21. С. 17-23.

9. Алгоритм классификации объектов на изображении с использованием матрицы корреляции / С.И. Суханов, Е.П. Крупочкин, С. Кумарбекулы, Н.М. Оскорбин // Труды семинара по геометрии и математическому моде-лированию. 2020. № 6. С. 74-77.

10. Кучуганов А.В., Касимов Д.Р., Кучуганов В.Н. Модели-рование рассуждений при поиске объектов на изображе-ниях // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2020. Т. 30, №3. С. 497-512. doi: 10.35634/vm200310

11. Multi-source knowledge graph reasoning for ocean oil spill detection from satellite SAR images / X. Liu, Y.n Zhang, H. Zou, F. Wang, X. Cheng, W. Wu, X. Liu, Y. Li // Interna-tional Journal of Applied Earth Observation and Geoinfor-mation. 2023. Vol. 116. P. 103153. doi: 10.1016/j.jag.2022.103153

12. Сирота А.А., Митрофанова Е.Ю., Милованова А.И. Ана-лиз алгоритмов поиска объектов на изображениях с ис-пользованием различных модификаций сверточных нейронных сетей // Вестник Воронежского государ-ственного университета. Серия: Системный анализ и информационные технологии. 2019. № 3. С. 123-137.

13. Нгуен Т.К., Сырямкин В.И., Нгуен Ч.Х.Т. Модель мето-да распознавания объектов на изображениях с использо-ванием «сверточной нейронной сети – CNN» // Совре-менные наукоемкие технологии. 2020. № 12-2. С. 269-280. doi: 10.17513/snt.38445

14. Amudhan A.N., Sudheer A.P. Lightweight and computation-ally faster Hypermetropic Convolutional Neural Network for small size object detection // Image and Vision Computing. 2022. Vol. 119. doi: 10.1016/j.imavis.2022.104396

15. Improved YOLOX-X based UAV aerial photography object detection algorithm / X. Wang, N. He, C. Hong, Q. Wang, M. Chen // Image and Vision Computing. 2023. Vol. 135. P. 104697. doi: 10.1016/j.imavis.2023.104697

16. Годунов А.И., Баланян С.Т., Егоров П.С. Сегментация изображений и распознавание объектов на основе техно-логии сверточных нейронных сетей // Надежность и ка-чество сложных систем. 2021. № 3 (35). С. 62-73. doi: 10.21685/2307-4205-2021-3-8

17. Емалетдинова Л.Ю., Назаров М.А. Нейросетевой алго-ритм распознавания объекта на изображении на основе эталонного контура // Математические методы в технике и технологиях - ММТТ. 2020. Т. 4. С. 137-141.

18. Логунова О.С., Девятов Д.Х., Нуров Х.Х. Оценка каче-ства непрерывнолитой заготовки статистическими мето-дами с использованием программных средств // Известия высших учебных заведений. Черная металлургия. 2005. № 9. С. 54-58.

19. Логунова О.С. Стохастическая модель качества непре-рывнолитой заготовки // Сталь. 2005. № 12. С. 21-23.

20. Сойникова Е.С., Батищев Д.С., Михелев В.М. О распо-знавании форменных объектов крови на основе меди-цинских изображений // Научный результат. Информа-ционные технологии. 2018. №3(3). С. 54-65. doi: 10.18413/2518-1092-2018-3-3-0-7

21. Друки А.А. Применение сверточных нейронных сетей для выделения и распознавания автомобильных номерных знаков на изображениях со сложным фоном // Известия Томского политехнического университета. 2014. Т. 324, № 5. С. 85-92.

22. Логунова О.С, Гарбар Е.А., Николаев А.А. Интерваль-ная оценка признаков дефектов на изображении поверх-ности плоского проката // Современные достижения университетских научных школ: сб. докл. Магнитогорск, 2021. Вып. 6. С. 53-60.

23. Интеллектуальная система принятия решений при оценке качества зданий и сооружений на опасных производ-ственных объектах: определение траектории движения беспилотного летательного аппарата / М.Ю. Наркевич, О.С. Логунова, В.Д. Корниенко, А.Н. Калитаев, М.М. Суровцов, Д.А. Луганская, А.С. Чернышева // Вест-ник Магнитогорского государственного технического университета им. Г.И. Носова. 2022. Т. 20, №1. С. 50-60.

24. Кабанова В.В., Климов С.С., Логунова О.С. Сбор ин-формации и ее предварительная обработка при непре-рывном мониторинге атмосферы над промышленным предприятием // AB OVO... (С САМОГО НАЧАЛА...). 2021. С. 23-31.

25. Классификация исходных данных для интеллектуальной системы экспертной оценки визуально определяемых дефектов и повреждений / В.Д. Корниенко, Г.А. Ежов, М.Ю. Наркевич, О.С. Логунова // Вестник Череповецкого государственного университета. 2022. № 6 (111). С. 53-64. doi: 10.23859/1994-0637-2022-6-111-4

26. Казаков О.Д., Азаренко Н.Ю. Интеллектуальная система обнаружения и учета мусора на территории муниципа-литета // XXI век: итоги прошлого и проблемы настоя-щего плюс. 2021. Т. 10, № 2(54). С. 59-66.

27. Ляпин А.А., Шульженко М.В. Использование сверточ-ных нейронных сетей в процессах сортировки твердых бытовых отходов // Вопросы устойчивого развития об-щества. 2022. № 8. С. 772-776.

28. Исследование сверточных нейронных сетей для обнару-жения объектов на аэрокосмических снимках / В.О. Скрипачев, М.В. Гуйда, Н.В. Гуйда, А.О. Жуков // International Journal of Open Information Technologies. 2022. Т. 10, № 7. С. 54-64.

29. Акинина Н.В., Никифоров М.Б. Алгоритм детектирова-ния несанкционированных свалок мусора на основе ана-лиза данных дистанционного зондирования земли // Из-вестия Тульского государственного университета. Тех-нические науки. 2019. № 10. С. 321-329.

30. Архипов А.Е., Фомин И.С. Исследование сверточных нейронных сетей в задаче классификации изображений радиоактивных отходов // Машиностроение: сетевой электронный научный журнал. 2022. Т. 9, № 2. С. 39-44. doi: 10.24892/RIJIE/20220207

31. Горбачев Р.А., Зарипов М.Н., Шишков Д.Л. Интеллекту-альная система технического зрения для обнаружения препятствий и предсказания поведения движущихся объектов на железнодорожных путях // Известия ЮФУ. Технические науки. 2022. № 1(225). С. 256-268. doi: 10.18522/2311-3103-2022-1-256-268

32. О внесении изменений в федеральные нормы и правила в области промышленной безопасности «Правила проведе-ния экспертизы промышленной безопасности». URL: https://www.consultant.ru/document/cons_doc_LAW_418589/ (дата обращения 21.07.2023)

33. Колкк А.А., Колкк В.А., Ширяев В.И. Совершенствова-ние алгоритмов распознавания типов объектов в системах управления с применением нечеткой логики в условиях неопределенности // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2020. Т. 20, № 1. С. 39-50. doi: 10.14529/ctcr200104

34. Hedayati A., Vahidnia M.H., Behzadi S. Paddy lands detec-tion using Landsat-8 satellite images and object-based classi-fication in Rasht city, Iran // The Egyptian Journal of Remote Sensing and Space Science. 2022. Vol. 25(1). Pp. 73-84. doi: 10.1016/j.ejrs.2021.12.008

Охотниченко А.В., Логунова О.С., Наркевич М.Ю. Распознавание объектов нерегулярной формы в задан-ной локации: формализация и постановка задачи обработки графической информации // Электротехнические системы и комплексы. 2023. № 3(60). С. 34-41. https://doi.org/10.18503/2311-8318-2023-3(60)-34-41