Структурно-функциональная модель комплексов неразрушающего контроля с системой обработки данных на основе нейронных сетей
DOI:
https://doi.org/10.52575/2687-0932-2023-50-2-389-397Ключевые слова:
программное обеспечение, система неразрушающего контроля, рентгеновское изображение, обнаружение запрещенных предметов, нейронная сетьАннотация
На современном этапе активизации террористической и контрабандной деятельности, в условиях возрастающей нагрузки на пункты таможенного досмотра и пункты контроля безопасности различных объектов, в том числе транспортной и критической инфраструктуры, изучение вопросов внедрения технологий искусственного интеллекта в системы поддержки принятия решений операторов систем неразрушающего контроля является актуальной задачей. В связи с недостатком открытых решений, которые могут применяться отдельно от реализуемой производителем системы неразрушающего контроля, автором рассмотрен подход к реализации программного комплекса, реализующего распознавание запрещенных предметов с использованием возможностей нейронных сетей. По результатам исследования выделена структура программных модулей и их связей, которые способствуют решению задачи поддержки принятия решений при обнаружении запрещенных предметов, определена основная модель искусственной сверточной нейронной сети, которая будет применяться в рамках разрабатываемого решения.
Скачивания
Библиографические ссылки
Ахметвалеев Р.Р. и др. 2021. Методика разметки медицинских изображений с функцией кросс-проверки и интеллектуального сегментирования. Вестник ВШОУЗ, 7, 3: 62-69.
Башлы П.Н., Вербов В.Ф. 2022. Применение машинного обучения для автоматического анализа снимков инспекционно-досмотровых комплексов. Вестник российской таможенной академии, 2: 123-132. DOI 10.54048/20727240_2022_02_123.
Белянин К. 2021. Hikvision вывела на российский рынок интеллектуальные интроскопы для досмотра багажа и грузов. URL: https://hikvision.ru/press/210728103315 (дата обращения: 28 марта 2023).
Брехт Э.А., Коншина В. Н. 2022. Применение нейронной сети YOLO для распознавания дефектов. Intellectual Technologies on Transport, 2: 41-47. DOI: 10.24412/2413-2527-2022-230-41-47.
Григоров М.С. 2015. Функциональная модель системы неразрушающего рентгеновского контроля изделий микроэлектроники с неоднородной структурой. Информационные ресурсы, системы и технологии. 4. URL:https://irsit.ru/article607 (дата обращения: 28 марта 2023).
Ерохин Д.Ю., Ершов М.Д. 2018. Современные сверточные нейронные сети для обнаружения и распознавания объектов. Цифровая обработка сигналов, 3: 64-69.
Зайцев А., Хохлов А. 2014. Показать то, что скрыто. RUБЕЖ, 2(5): 34–37.
Искусственный интеллект выявит контрабанду. URL: https://www.vedomosti.ru/technology/articles/2021/04/15/866249‑iskusstvennii-intellekt. (дата обращения: 28.11.2022).
Ковалев А.В. 2006. Возможности методов неразрушающего контроля в обеспечении национальной безопасности. Мир измерений, 2: 4–10.
Минасян А.Р. 2022. Методология интерпретации рентгеновских изображений, полученных при таможенном контроле с использованием инспекционно-досмотровых комплексов. Ученые записки Санкт-петербургского имени В.Б. Бобкова филиала Российской таможенной академии. 2(82): 49-52.
Морозеев А.К., Степанова В.С. 2022. Проблемы проведения таможенного досмотра товаров и транспортных средств, пути их решения. Сборник докладов V Всероссийской научно-практической конференции, посвященной 85‑летию образования ДВГУПС. Под редакцией З.С. Рудневой: 95–100.
Назаренко С.Ю., Удод В.А. 2019. Применение искусственных нейронных сетей в радиационном неразрущающем контроле. Дефектоскопия, 6: 53-64.
Степанова К. 2019. Как технологии искуственного интеллекта могут ускорить предполетный досмотр в аэропорту? URL:http://www.press-release.ru/branches/security/kak_tekhnologii_iskustvennogo_intellekta_mogut_uskorit_predpoletnyy_dosmotr_v_aeroportu_21_06_2019_11_16 (дата обращения: 28 марта 2023).
Удод В.А. и др. 2016. Современное состояние и перспективы развития систем цифровой рентгенографии для дефектоскопии, диагностики и досмотрового контроля объектов. Дефектоскопия, 52, 9: 492-503.
Чаплыгин М.В. 2022. Умные таможенные технологии в рамках Стратегии развития таможенной службы до 2030 года. Экономика и бизнес: теория и практика. № 4–2. URL: https://cyberleninka.ru/article/n/umnye-tamozhennye-tehnologii-vramkah-strategii-razvitiya-amozhennoy-sluzhbydo‑2030‑goda (дата обращения: 03.11.2022).
Что такое SaaS? URL:https://azure.microsoft.com/ru-ru/resources/cloud-computing-dictionary/what-is-saas (дата обращения: 28 марта 2023).
Cavagnino D, Gribaudo M. 2010. Discretization of 3D models using voxel elements of different shapes. Computational Aesthetics in Graphics, Visualization, and Imaging: 91-98. DOI: 10.2312/COMPAESTH/COMPAESTH10/091-098.
Kaiming He et al. 2015. Deep Residual Learning for Image Recognition. URL: https://arxiv.org/pdf/1512.03385.pdf (дата обращения: 28 марта 2023).
Mingxing Tan Ruoming Pang Quoc V. Le. 2020. EfficientDet: Scalable and Efficient Object Detection. URL: https://arxiv.org/pdf/1911.09070.pdf (дата обращения: 28 марта 2023).
Potapiev D. Чем нас досматривают? URL: https://habr.com/ru/articles/405169/ (дата обращения: 28 марта 2023).
Scaled YOLO v4 самая лучшая нейронная сеть для обнаружения объектов на датасете MS COCO. URL: https://arxiv.org/abs/2011.08036 (дата обращения: 28 марта 2023).
Takaki Nanya, Hiroki Yoshihara, Takashi Maekawa. 2013. Reconstruction of Complete 3D Models by Voxel Integration. Journal of Advanced Mechanical Design Systems and Manufacturing, 7(3): 362-376. DOI:10.1299/jamdsm.7.362
Xception. 2021. URL: https://paperswithcode.com/model/xception?variant=xception-1 (дата обращения: 28 марта 2023).
Zongwei Zhou, Md Mahfuzur Rahman Siddiquee, Nima Tajbakhsh. 2018. UNet++: A Nested U-Net Architecture for Medical Image Segmentation. URL: https://arxiv.org/pdf/1807.10165.pdf (дата обращения: 28 марта 2023).
Просмотров аннотации: 89
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
