Сучасне суспільство переживає епоху глобальних змін, що вимагає перегляду підходів у всіх сферах життя, включаючи освіту. Успішний розвиток інноваційної освіти залежить від готовності професійних кадрів у сфері освіти адаптуватися до інноваційного середовища, швидко реагувати на змінні потреби суспільства й особистості. Таким чином, розвиток навичок необхідних для ефективної професійної діяльності, стає ключовим для реформування освіти. У XXI столітті цифрові технології впроваджуються у всі сфери діяльності суспільства, зокрема у сферу освіти, що відображає пріоритетність процесу цифровізації [1]. Аналіз сучасного ринку праці дозволив виокремити його основні тенденції, серед яких зміна структури зайнятості, особливо збільшення різноманітності зайнятості, навчання впродовж життя, автоматизація та робототехніка, вікова різноманітність, формування твердих, м'яких та цифрових навичок, а також кросдисциплінарність і міждисциплінарність [2].
Вплив цифрових технологій на процес навчання активно проявляється через перетворення схеми передачі знань та методів навчання. Використання цих технологій в освітньому процесі стимулює зацікавленість у навчальних заняттях. Цифрові технології дозволяють змінити формати навчання і викладання, роблячи інформацію зв'язком між здобувачем освіти і викладачем у процесі освіти, що охоплює всі відомості або повідомлення, що передаються в будь-якій матеріальній формі. Освіта при цьому виступає як організатор передачі інформації та розвитку студента [3].
У сучасному світі технологій, особливо актуальним стає застосування систем розпізнавання цифрових зображень у різноманітних сферах діяльності людини. Використання таких систем у професійній освіті [4; 5] відкриває нові перспективи для підготовки висококваліфікованих спеціалістів, зокрема для інженерно-педагогічних спеціальностей [6; 7].
У контексті стрімкого розвитку цифрових технологій [8], одним з ключових аспектів модернізації професійної освіти є активне впровадження та ефективне використання здобувачами освіти сучасних комп’ютерних систем розпізнавання зображень (СРЗ). Системи, які базуються на принципах штучних нейронних мереж (ШНМ), стають невід'ємною частиною освітнього процесу, дозволяючи здобувачам освіти зануритися у вивчення та розуміння складних алгоритмів обробки та аналізу візуальних даних. ШНМ, що відтворюють структуру та принципи роботи нейронних мереж живих організмів, демонструють вражаючу здатність до навчання та адаптації, що робить їх ідеальним інструментом для розпізнавання зображень.
Зокрема, велике значення у цьому процесі відіграють згорткові нейронні мережі (ЗНМ), які є одним із найбільш ефективних типів ШНМ для аналізу візуальної інформації. ЗНМ, або convolutional neural networks (CNN), є частиною більш широкої області глибинного навчання (deep learning) і використовують складну багатошарову обробку сигналів для аналізу великої кількості зображень [9]. Цей підхід дозволяє машинам «бачити» та розуміти зображення на подібний до людського спосіб, що відкриває нові можливості в таких сферах, як освіта, медицина, безпека та автономні транспортні засоби.
Історія розвитку ЗНМ бере свій початок у 1988 році з роботи Яна Лекуна, який запропонував спеціальну архітектуру нейромережі, орієнтовану на ефективне розпізнавання зображень. Основою цих систем є використання операції згортки, що імітує процеси, що відбуваються у зоровій корі мозку людини. Наприклад, у зоровій корі існують спеціальні клітини, що реагують на певні візуальні стимули, такі як прямі лінії під різними кутами. ЗНМ використовують аналогічний механізм для виявлення особливостей на зображеннях, що дозволяє їм з високою точністю розпізнавати об'єкти, їх форми та інші характеристики.
Таким чином, включення комп’ютерних систем розпізнавання зображень на базі ЗНМ у професійну освіту дозволяє підготувати фахівців, здатних не тільки розробляти та вдосконалювати сучасні технологічні рішення, але й вносити значний вклад у розвиток наукових досліджень та практичного застосування глибинного навчання і штучного інтелекту загалом.
Застосування нейронних мереж у сфері розпізнавання зображень, хоч і є надзвичайно потужним інструментом, вимагає значних зусиль та часу на процедуру навчання. Цей процес може бути особливо складним і тривалим через необхідність обробки великих наборів даних та налаштування параметрів мережі для досягнення оптимальної точності та ефективності. У зв'язку з цим, для завдань, де потрібне швидке та ефективне розпізнавання облич та масок, може бути застосований альтернативний підхід – метод Віоли-Джонса.
Метод Віоли-Джонса використовує навчені каскади Хаара для швидкого детектування об'єктів на зображеннях. Він став популярним завдяки своїй здатності ефективно виявляти обличчя та інші об'єкти в реальному часі, що робить його ідеальним для застосувань, де важливі швидкість та низьке споживання ресурсів.
Щоб додатково підвищити якість розпізнавання, використовуються різноманітні методи попередньої обробки зображень. Зокрема, методи фільтрації дозволяють зменшити шум на зображенні, покращуючи чіткість важливих деталей [10]. Підвищення контрасту може значно покращити виділення об'єктів на зображенні, роблячи їх більш розпізнаваними для системи [11]. Сегментація зображень, у свою чергу, допомагає визначити границі об'єктів, що спрощує їх подальше розпізнавання [12].
Окрім того, для підвищення точності розпізнавання об’єктів (наприклад, облич та масок) може бути використана нечітка логіка [13; 14; 15]. Цей підхід дозволяє системі ефективніше обробляти невизначеність та неоднозначність у вхідних даних, що є типовими для реальних сценаріїв. Завдяки використанню нечіткої логіки, система може більш точно визначати наявність та положення облич, очей та рота на зображенні, враховуючи різноманітні можливі варіації та умови освітлення. Це досягається шляхом комплексного аналізу різних характеристик зображення та використання висновків, отриманих на основі набору правил, заданих у системі нечіткої логіки. Такий підхід забезпечує значно вищу адаптивність та точність систем розпізнавання, у порівнянні з традиційними методами.
Розглянемо приклад створення прототипу системи розпізнавання цифрових зображень, а саме зображень маски на обличчі. Процес створення такого прототипу містить кілька етапів: від розробки концептуальної моделі до фізичного втілення з використанням мікрокомп’ютера Raspberry Pi 3В+ та програмування на мові Python [4; 6]. Цей процес дозволяє здобувачам освіти набути практичних навичок у розробці та застосуванні систем розпізнавання зображень. Для підвищення точності розпізнавання масок на обличчях, у системі застосовується нечітка логіка. Такий підхід дозволяє комплексно враховувати надійність детектування не тільки облич, але й ділянок очей та рота, значно підвищуючи точність системи розпізнавання.
Майбутні фахівці, в професійній діяльності, будуть здатні ефективно застосовувати набуті знання та навички для створення та вдосконалення систем штучного інтелекту. Вони можуть застосовувати ці технології у виробничих процесах, в автоматизації, оптимізації систем контролю, а також розробляти інноваційні методи навчання. Системи розпізнавання зображень є важливим елементом для вдосконалення та розширення знань.
Застосування систем розпізнавання зображень у професійній освіті є важливим напрямком розвитку сучасної інженерії та педагогіки, що продемонстровано на прикладі розробки та дослідження системи розпізнавання зображень маски на обличчі. Впровадження в освітній процес таких систем розпізнавання зображень, надає здобувачам освіти можливість здобути глибокі знання та практичні навички в цьому перспективному напрямі.
Список літератури:
1. Ковальчук В.І. Професійний розвиток педагогічних працівників в умовах інформаційного суспільства. Відкрита освіта: інноваційні технології та менеджмент: кол. монографія / за наук. ред. М.О. Кириченка, Л.М. Сергеєвої. Київ: Інтерсервіс. 2018. С.133-157.
2. Vasyl Kovalchuk, Svitlana Maslich, Nataliia Tkachenko, Svitlana Shevchuk, Tetiana Shchypska. Vocational Education in the Context of Modern Problems and Challenges. Journal of Curriculum and Teaching. 2022. Vol. 11, № 8. https://doi.org/10.5430/jct.v11n8p329.
3. Ковальчук В.І. Використання цифрових технологій в професійній підготовці майбутніх педагогів професійного навчання. Актуальні проблеми вищої професійної освіти: матеріали VІІ Міжнародної науково-практичної конференції 22 березня 2019 р. К.: НАУ, 2019. С. 71–72.
4. Деревянчук Олександр. Формування ключових навичок майбутніх магістрів з професійної освіти засобами побудови системи розпізнавання зображень маски на обличчі людини. Актуальні питання гуманітарних наук: міжвузівський збірник наукових праць молодих вчених Дрогобицького державного педагогічного університету імені Івана Франка [редактори-упорядники М. Пантюк, А. Душний, В. Ільницький, І. Зимомря]. Дрогобич : Видавничий дім «Гельветика». 2024. Вип. 71. Том 1. С. 333 – 342. DOI: https://doi.org/10.24919/2308-4863/71-1-50.
5. Деревянчук Олександр. Розвиток технічних навичок здобувачів вищої освіти в процесі побудови прототипу системи сегментації зображень транспортних засобів. Молодь і ринок. 2024. Вип. 221. Том 1. С. 105 – 111. DOI: https://doi.org/10.24919/2308-4634.2024.296388.
6. Деревянчук Олександр. Побудова прототипу системи розпізнавання зображень маски на обличчі людини для застосування у майбутній професійній діяльності студентів інженерно-педагогічних спеціальностей. Актуальні питання гуманітарних наук: міжвузівський збірник наукових праць молодих вчених Дрогобицького державного педагогічного університету імені Івана Франка [редактори-упорядники М. Пантюк, А. Душний, В. Ільницький, І. Зимомря]. Дрогобич : Видавничий дім «Гельветика». 2023. Вип. 69. Том 2. С. 202 – 208. DOI: https://doi.org/10.24919/2308-4863/69-2-33.
7. Future of Jobs Report 2023. World Economic Forum. May 2023. URL: https://www3.weforum.org/docs/WEF_Future_of_Jobs_2023.pdf (дата звернення 12.03.2024).
8. Концепція цифрової трансформації освіти і науки на період до 2026 року. URL: https://mon.gov.ua/ua/news/koncepciya-cifrovoyi-transformaciyi-osviti-i nauki-mon-zaproshuye-do-gromadskogo-obgovorennya (дата звернення 11.03.2024).
9. Bovik A.L. The Essential Guide to Image Processing. Elsevier Inc. 2009. P. 853. URL: https://www.academia.edu/29298880/_Alan_C_Bovik_The_Essential_ Guide_to_Image_Proce_BookFi_org_.
10. Balovsyak S.V., Odaiska Kh. S. Automatic Determination of the Gaussian Noise Level on Digital Images by High-Pass Filtering for Regions of Interest. Cybernetics and Systems Analysis. Vol. 54, № 4, P. 662–670. 2018. DOI: 10.1007/s10559-018-0067-3.
11. Balovsyak, S.V., Derevyanchuk, O.V., Kravchenko, H.O., Kroitor, O.P., Tomash, V.V. Computer system for increasing the local contrast of railway transport images. Proc. SPIE, Fifteenth International Conference on Correlation Optics. 2021. Vol. 12126. P. 121261E1–7. DOI: 10.1117/12.2615761.
12. Tereikovskyi, I., Zhengbing Hu, Chernyshev, D., Tereikovska, L., Korystin, O., Tereikovskyi, O. The Method of Semantic Image Segmentation Using Neural Networks. International Journal of Image, Graphics and Signal Processing (IJIGSP). 2022. Vol. 14, № 6, P. 1–14. DOI: 10.5815/ijigsp.2022.06.01.
13. Fayek, A. R. Fuzzy Logic and Fuzzy Hybrid Techniques for Construction Engineering and Management. Journal of Construction Engineering and Management. 2020. Vol. 146, № 7. P. 1–12. DOI: 10.1061/(ASCE)CO.1943-7862.0001854.
14. Balovsyak S., Derevyanchuk O., Kravchenko H., Ushenko Y., Hu Z. Clustering Students According to their Academic Achievement Using Fuzzy Logic. International Journal of Modern Education and Computer Science (IJMECS). 2023. Vol.15, № 6. P. 31–43. DOI:10.5815/ijmecs.2023.06.03.
15. Balovsyak S.V., Derevyanchuk O.V., Tomash V.V., Yarema S.V. Segmentation of railway transport images using fuzzy logic. Trans Motauto World. 2022. V. 7, № 3. P. 122-125.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter