Structural-Functional Model of Non-Destructive Testing Complexes With a Data Processing System Based on Neural Networks
DOI:
https://doi.org/10.52575/2687-0932-2023-50-2-389-397Keywords:
software, non-destructive testing system, x-ray image, detection of forbidden objects, neural networkAbstract
At the present stage of intensification of terrorist and smuggling activities, in the context of an increasing load on customs inspection points and security control points of various objects, including transport and critical infrastructure, studying the issues of introducing artificial technologies into the decision support systems of operators of non-destructive testing systems is an urgent task. Due with a lack of open solutions that can be used separately from the non-destructive testing system implemented by the manufacturer, the author considers an approach to the implementation of a software package that implements the recognition of prohibited items using the capabilities of neural networks. Based on the results of the study, the structure of software modules and their connections that contribute to solving the problem of decision support when detecting prohibited items is identified, the main model of an artificial convolutional neural network is determined, which will be used within the framework of the developed solution.
Downloads
References
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).
Abstract views: 93
Share
Published
How to Cite
Issue
Section
This work is licensed under a Creative Commons Attribution 4.0 International License.
