У сучасному світі, де обсяг цифрової інформації постійно зростає, зображення займають значну частину серед даних, які необхідно обробляти та аналізувати. Завдання розпізнавання зображень є ключовими в багатьох галузях, включаючи медицину, транспорт, промисловість, логістику, безпеку та екологічний моніторинг. Розвиток технологій, таких як автономні транспортні засоби, інтелектуальні міста, супутниковий моніторинг і системи контролю якості, вимагає високої точності, швидкості та адаптивності підходів до розпізнавання зображень.
Глибокі нейронні мережі, зокрема згорткові нейронні мережі (ЗНМ), показали значні успіхи у вирішенні задач розпізнавання зображень завдяки їхній здатності виявляти складні закономірності та особливості візуальних даних. Вони забезпечують високу точність і універсальність, перевершуючи традиційні методи комп’ютерного зору. Застосування таких мереж відкриває нові можливості для автоматизації аналізу зображень у реальному часі, покращення результатів у критично важливих задачах та підвищення ефективності в складних умовах обробки великих даних.
Попри значний прогрес, розпізнавання зображень із використанням глибоких нейронних мереж залишається актуальним через постійно зростаючі вимоги до швидкодії, адаптивності до різноманітних джерел даних і обмежень обчислювальних ресурсів. Тому дослідження, спрямовані на розробку інтелектуальних рішень на основі глибоких нейронних мереж, є важливими для забезпечення точності, ефективності та надійності в системах розпізнавання зображень, що використовуються в реальних умовах.
Останнім часом супутникові зображення все частіше застосовуються для спостереження в різних галузях [1]. Оскільки питання національної безпеки залишаються актуальними, є нагальна потреба в сучасних технологіях спостереження, які дозволяють виявляти та моніторити потенційні загрози в режимі реального часу. Розпізнавання об'єктів на супутникових та аерофотознімках сприяє зміцненню обороноздатності, адже завдяки цьому можна виявляти й відстежувати ключові об'єкти, такі як кораблі, літаки, бойова техніка (наприклад, танки), транспортні засоби для логістики та ін.
Через те, що супутники рухаються відносно Землі (окрім геостаціонарних супутників), об'єкти на зображеннях можуть бути орієнтовані під різними кутами, особливо якщо вони також знаходяться в русі. Використання орієнтованих рамок для розпізнавання об'єктів дозволяє адаптувати рамки до орієнтації об'єктів на супутникових знімках. Це особливо корисно для оборонного спостереження, де об'єкти можуть мати різну орієнтацію через рух, камуфляж або інші методи приховування. Такий підхід забезпечує точніше визначення місцезнаходження та чітке розмежування об'єктів.
Для оборонних цілей потрібна обробка зображень у режимі реального часу, щоб миттєво реагувати на можливі загрози. YOLOv5, відома своєю ефективністю та одноетапним методом виявлення, добре підходить для швидкого прийняття рішень у військовому спостереженні.
Отже, актуальною задачею є підвищення ефективності розпізнавання зображень, де важливе точне виявлення об'єктів різних форм та орієнтацій для прийняття правильних рішень в режимі реального часу.
У сучасну епоху, що характеризується безпрецедентними технологічними досягненнями та зростанням глобалізації, ефективне управління ланцюгами постачання стало основним чинником успіху компаній. Управління запасами займає центральне місце, адже воно є необхідним для забезпечення наявності продукції, мінімізації витрат та виконання очікувань кінцевого споживача щодо доставки [2].
Історично управління запасами стикалося з численними викликами, зокрема з точністю підрахунку, ефективністю поповнення запасів та інтеграцією технологічних систем, які спрощують ці процеси. Завдяки появі технологій штучного інтелекту та комп'ютерного зору виникає можливість автоматизовано розв’язувати ці проблеми [3].
Попри досягнення в автоматизації складів, багато традиційних систем все ще значною мірою покладаються на ручне втручання, що призводить до помилок та затримок. Технології комп'ютерного зору та машинного навчання мають потенціал перетворити ці процеси, забезпечуючи точні та ефективні рішення для розпізнавання та класифікації продукції. Однак реалізація цих технологій має свої виклики, наприклад, інтеграція з існуючими системами та опір персоналу складу змінам.
Інтеграція IoT-систем для забезпечення оновлень інвентаризації в реальному часі є значним кроком уперед в автоматизації управління запасами [4]. Основна задача полягає в розробці платформи інвентаризації на основі технологій комп'ютерного зору, здатної автоматично ідентифікувати, підраховувати та моніторити запаси в реальному часі. Така платформа повинна інтегрувати високоякісні камери та сервери, використовуючи алгоритми комп'ютерного зору та машинного навчання для аналізу зображень продукції та розташування на полицях.
Література
1. Golovko V., Kroshchanka A., Mikhno E., Komar M., Sachenko A. Deep convolutional neural network for detection of solar panels. Lecture Notes on Data Engineering and Communications Technologies. 2020. 48. 371-389.
2. Zotov V. B., Demin S. S., Glazkova I. Y. Features of material flow accounting for the efficient supply chain management. International Journal of Supply Chain Management, 2019. 8.
3. Kalinov I., Petrovsky A., Ilin V., Pristanskiy E., Kurenkov M., Ramzhaev V., et al. WareVision: CNN barcode detection-based UAV trajectory optimization for autonomous warehouse stocktaking. IEEE Robotics and Automation Letters, 2020, 5. http://dx.doi.org/10.1109/LRA.2020.3010733.
4. Molling G., Klein, A. Z. Value proposition of IoT-based products and services: A framework proposal. Electronic Markets, 2022, 32. http://dx.doi.org/10.1007/s12525-022-00548-w.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter