Моделі і методи штучного інтелекту в процесі виконання будівельно-технічної експертизи
DOI:
https://doi.org/10.32347/2412-9933.2025.62.155-163Ключові слова:
згорткові нейронні мережі, CNN, методи попередньої обробки зображень, CLAHE, LBP, SVM, автоматизовані системи розпізнавання об’єктівАнотація
У дослідженні пропонується метод попередньої обробки зображень для застосування в автоматизованих системах розпізнавання об’єктів, який дає змогу підвищити точність, надійність та швидкість розпізнавання за різних умов освітлення та інших зовнішніх впливів. Запропонований метод базується на адаптивному вирівнюванні гістограми, обмеженому контрастом, гамма-корекції та CLAHE (contrast limited adaptive histogram equalization). У процесі покращення освітлення метод використовує нову адаптивну точку відсікання для вирівнювання гістограми на основі інформації про текстуру блоків зображення. Для вирішення проблем, таких як артефакти ореолів, недостатнє та надмірне підсилення, запропоновано впровадити в структуру функцію першої гамма-корекції, яка дає змогу покращити загальну варіацію відтінків сірого на зображенні. Запропоновано ввести другу функцію гамма-корекції, щоб запобігти негативному впливу різного освітлення на темних і світлих ділянках. Для розроблення нового методу попередньої обробки зображень на основі згорткової нейронної мережі запропонована унікальна компановка шарів, яка містить декілька шарів згортки, активації, об’єднання та нормалізації. Експерементальні випробування довели ефективність розробленого методу, яка була оцінена шляхом визначення коефіцієнта точності (93,74%.) у порівнянні з іншими методами попередньої обробки зображень в автоматизованій системі розпізнавання облич на основі локальних бінарних шаблонів (англ. Local Binary Patterns, LBP) та методу опорних векторів (англ. support vector machine, SVM). Апробація результатів підтвердила, що розроблений метод може удосконалити існуючі системи розпізнавання об’єктів або стати основою для створення нових автоматизованих програмних додатків, що вимагають високої надійності у розпізнавання зображень.
Посилання
Zinchenko, O. V., Zvenihorodskyy, O. S., & Kysil, T. M. (2022). Convolutional neural networks for solving computer vision problems. Telecommunication and Information Technologies, 2, 4–12. https://doi.org/10.31673/2412-4338.2022.020411.
Su, J., Zhang, Z., & Liu, L. (2022). Median pixel difference convolutional network for robust face recognition. British Machine Vision Conference, 1–14. https://doi.org/10.48550/arXiv.2205.15867.
Lakshmi, N., & Arakeri, M. P. (2022). Face recognition under illumination based on optimized neural network. International Journal of Advanced Computer Science and Applications (IJACSA), 13 (9), 131–137. https://doi.org/10.14569/ijacsa.2022.0130915.
Yildirim, I., Belledonne, M., Freiwald, W. A., & Tenenbaum, J. B. (2020). Efficient inverse graphics in biological face processing. Science Advances, 6 (10), 1–18. https://doi.org/10.1126/sciadv.aax5979.
Sarkar, S. D., & Ajitha Shenoy, K. B. (2020). Face recognition using artificial neural network and feature extraction. In 2020 7th International Conference on SPIN (pp. 417–422). https://doi.org/10.1109/SPIN48934.2020.9071378.
Ke, C., Ai-min, D., Xiao-Hua, L., Li-peng, Z., Ling, W., & Xue-mei, S. (2015). Difference of gaussians (DOG) model. PLOS ONE, 1. https://doi.org/10.1371/JOURNAL.PONE.0144403.G001.
Zhuowen, L., Kejun, W., Guofeng, Z., & Lei, Y. (2013). Illumination compensation method for face image based on improved gamma correction. In Proceedings of the 32nd Chinese Control Conference (pp. 3733–3737).
Chang, Y., Jung, C., Ke, P., Song, H., & Hwang, J. (2018). Automatic contrast-limited adaptive histogram equalization with dual gamma correction. IEEE Access, 6, 11782–11792. https://doi.org/10.1109/ACCESS.2018.2797872.
O’Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. ArXiv. https://arxiv.org/abs/1511.08458.
Honcharenko, T. A. (2018). Application of BIM-technology for creating an information model of the territory for development. Management of Complex Systems Development, 33, 138–145.
Chernyshev, D., Dolhopolov, S., Honcharenko, T., Haman, H., Ivanova, T., & Zinchenko, M. (2022). Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site. In 2022 IEEE International Conference on Computer Sciences and Information Technologies (CSIT) (pp. 36–39). https://doi.org/10.1109/CSIT56902.2022.10000717.
Mihaylenko, V., Honcharenko, T., Chupryna, K., & Andrashko, Y. (2019). Modeling of spatial data on the construction site based on multidimensional information objects. International Journal of Engineering and Advanced Technology (IJEAT),
(6), 3934–3940.
Terentyev, O., Tsiutsiura, S., Honcharenko, T., & Lyashchenko, T. (2019). Multidimensional space structure for adaptable. International Journal of Recent Technology and Engineering, 8 (3), 7753–7758.
Berezutskyi, I., Honcharenko, T., Ryzhakova, G., Tykhonova, O., Pokolenko, V., & Sachenko, I. (2024). Methodological approach for choosing type of IT projects. Management. In 2024 IEEE 4th International Conference on Smart Information Systems and Technologies (pp. 14–19). https://doi.org/10.1109/SIST61555.2024.10629587.
Ryzhakova, G., Honcharenko, T., Predun, K., Petrukha, N., Malykhina, O., & Khomenko, O. (2023). Using of fuzzy logic for risk assessment of construction enterprise management system. In 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST) (pp. 208–213). https://doi.org/10.1109/SIST58284.2023.10223560.
Honcharenko, T. A. (2020). Cluster method for forming metadata of multidimensional information systems for solving general planning problems. Management of Complex Systems Development, 42, 93–101. https://doi.org/10.32347/2412-9933.2020.42.93-101.
Cambridge University. (n.d.). The ORL face database. https://cam-orl.co.uk/facedatabase.html.
Chernyshev, D., Dolhopolov, S., Honcharenko, T., Haman, H., Ivanova, T., & Zinchenko, M. (2022). Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site. In 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT) (pp. 36–39). https://doi.org/10.1109/CSIT56902.2022.10000717.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Сергій Долгополов , Павло Крук , Роман Жук , Тетяна Гончаренко
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
