Данная статья посвящена разработке метода обнаружения дефектов на поверхности изделия на основе методов выявления аномалий с использованием экстрактора признаков, основанного на сверточной нейронной сети. Метод предполагает использование машинного обучения для обучения моделей классификации на основе полученных признаков со слоя предварительно обученной нейросети U-Net. В рамках исследования происходит обучение автоэнкодера на основе модели U-Net на данных, не содержащих изображений дефектов. Полученные из нейросети признаки классифицируются с помощью классических алгоритмов выявления аномалий в данных. Данный метод позволяет локализовать области аномалий в тестовой выборке данных, когда для обучения доступны только образцы без аномалий. Предлагаемый метод не только предоставляет возможность обнаружения аномалий, но и обладает высоким потенциалом для автоматизации процессов контроля качества в различных отраслях промышленности, включая производство, медицину и информационную безопасность. Благодаря преимуществам моделей машинного обучения без учителя, таких как устойчивость к неизвестным формам аномалий, данный метод может значительно улучшить эффективность контроля качества и диагностику, что в свою очередь сократит расходы и повысит производительность. Предполагается, что дальнейшие исследования в этой области приведут к еще более точным и надежным методам выявления аномалий, что будет способствовать развитию индустрии и науки.

Ключевые слова: U-Net, нейросеть, классификация, аномалия, дефект, классификация новых признаков, автоэнкодер, машинное обучение, изображение, качество изделия, производительность

2.3.1 - Системный анализ, управление и обработка информации

Данная статья представляет исследование, посвященное применению нейросетевой модели YOLOv8 для обнаружения дорожных знаков. В ходе исследования была разработана и обучена модель на основе YOLOv8, которая успешно детектируют дорожные знаки в реальном времени. Статья также представляет результаты экспериментов, в которых модель YOLOv8 сравнивается с другими широко используемыми методами обнаружения знаков. Полученные результаты имеют практическую значимость в области безопасности дорожного движения, предлагая инновационный подход к автоматическому обнаружению дорожных знаков, что способствует улучшению контроля скорости и снижению аварийности на дорогах.

Ключевые слова: машинное обучение, дорожные знаки, сверточные нейронные сети, распознавание образов

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации

Исследование способов ускорения обучения нейронных сетей с помощью генетических алгоритмов и изучение зависимости скорости работы генетических алгоритмов от коэффициента мутации. В данном исследовании была реализована программа на графической платформе «Unity» с использованием генетических алгоритмов и мутациями для определения оптимального их коэффициента. Проведенный эксперимент показал, что скорость обучения действительно зависит от коэффициента мутации, а наибольшая скорость обучения получилась при 5-7,5%.

Ключевые слова: машинное обучение, глубокое обучение, генетический алгоритм, оптимизация, нейронная сеть, искусственный нейрон, мутация, искусственный интеллект, неигровой персонаж, оптимизация

1.2.2 - Математическое моделирование, численные методы и комплексы программ

В статье рассмотрен опыт проведения комплекса уникальных работ по повышению эксплуатационной надежности аварийных офисных зданий, находящихся в условиях стесненной застройки, основной задачей которых было устранение сверхнормативных кренов с помощью гидравлических домкратов и обеспечение дальнейшей безаварийной эксплуатации. Отмечены основные особенности конструктивных и технологических решений по одновременному подъему и выравниванию нескольких зданий с различными проектными решениями.

Ключевые слова: регулируемый фундамент, электрогидравлическая система с плоскими домкратами, стесненная застройка, подъем и выравнивание, эксплуатационная надежность

, 05.23.08 - Технология и организация строительства

Рассматривается методика оценки реконфигурируемой вычислительной системы в состояниях эффективного функционирования, учитывающая структуру проблемно-ориентированных вычислителей. В качестве основного математического аппарата использованы теория дискретных марковских процессов и методы теоретико-игровой оптимизации.

Ключевые слова: реконфигурируемая вычислительная система, марковские процессы, теоретико-игровая оптимизация, структура проблемно-ориентированных вычислителей

05.13.01 - Системный анализ, управление и обработка информации (по отраслям)