CC BY
0
исследования в области когнитивной радиосвязи будут уделять больше внимания развитию более точного восприятия радиосреды и более точного регулирования использования радиоресурсов. Во-вторых, исследования в области когнитивной радиосвязи будут направлены на поиск лучших комбинаций технологий для улучшения использования и эффективности ее радиочастотного спектра.
Кроме того, будущее направление развития когнитивной радиосвязи также будет включать ее применение в области гражданской авиации. Отрасль гражданской авиации, являющаяся важнейшей областью обеспечения безопасности воздушного движения, предъявляет высокие требования к безопасности и надежности использования радиосвязи. Будущее развитие когнитивной радиосвязи может быть применено в сфере гражданской авиации для повышения надежности и уровня безопасности связи и навигации.
Наконец, когнитивная радиосвязь будет продолжать сталкиваться с различными вызовами и проблемами, такими как нехватка ресурсов спектра, помехи и т.д. Следовательно, при дальнейшем развитии когнитивной радиосвязи необходимо постоянно усиливать технические исследования и повышать технический уровень для решения этих задач. Список использованной литературы:
1. Маринью Дж.; Монтейру Э. Когнитивная радиосвязь: обзор технологий и направления будущих исследований. В материалах конференции ANACOM, Лиссабон, Португалия, 23-24 сентября 2010 г.
2. Джейкоб П.; Сиригина Р.П.; Мадхукумар А.С.; Прасад В.А. Когнитивная радиосвязь для авиационной связи: обзор. IEEE Access 2016, 4, 3417-3443.
3. Чжоу В. О применении навигации по радиосвязи в морской навигации — Обзор когнитивной радиосвязи и сетей: принципы и приложения. Мод. Радар 2022, 44, 116.
4. Рейес, Х.; Каабуш, Н. Повышение надежности беспроводной связи беспилотных авиационных систем с помощью технологии когнитивной радиосвязи. Commun. Сеть. 2013, 5, 225-230.
5. Ладдомада, М.; Чен, Х.Х.; Данешгаран, Ф.; Мондин, М.; Саджадпур, Х. Совместное использование спектра и зондирование для будущих широкополосных сетей: технология когнитивной радиосвязи. Мультимедийная трансляция. 2010, 2010, 898470.
6. Общие технические ресурсы: ^йт Techtarget: [Электронный ресурс]
URL: https://www.techtarget.com/searchnetworking/definition/cognitive-radio (дата обращения 10 марта 2024 года)
© Лысова Ю.Д., 2024
УДК 004
Некрасова А.А.
магистрант 2 курса, гр. ИИПм-22-1 Тюменский индустриальный университет
г. Тюмень, РФ
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ПРИ РАСПОЗНАВАНИИ
ГРАФИЧЕСКОГО КЕРНОВОГО МАТЕРИАЛА
Аннотация
В статье рассматривается концепция автоматического распознавания графического кернового материала на базе модели YOLOv8.
Цель исследования: исследование методов распознавания кернового материала для идентификации соответствующих образцов по фотографическим данным.
Метод исследования: оптимизация существующей модели YOLOv8 для распознавания графических образов, включая создание собственного датасета.
Результаты. При обработке 113 тестовых изображений ящиков с керном корректно были идентифицированы 4085 образцов, что составляет 87 %. Точность модели можно повысить, дообучив базовую модель, расширив выбору текущего датасета.
Ключевые слова
нейронная сеть, глубокое обучение, изображение, керн, классификация, распознавание
STUDY OF CONVOLUTIONAL NEURAL NETWORKS CAPABILITIES IN RECOGNIZING
GRAPHICAL CORE MATERIAL
Abstract
The paper deals with the concept of automatic recognition of graphical core material based on the YOLOv8 model.
Objective of the research: investigation of core material recognition methods for identification of relevant samples from photographic data.
Research method: optimization of the existing YOLOv8 model for graphic pattern recognition, including the creation of its own dataset.
Results. When processing 113 test images of core boxes, 4085 samples were correctly identified, which is 87%. The accuracy of the model can be improved by refining the base model by extending the current dataset.
Keywords:
neural network, deep learning, image, kernel, classification, recognition
В связи с высокой стоимостью профильных, лабораторных, потоковых, поисковых и прочих исследований керна возникает необходимость в разработке новых методических подходов к исследованию структурно-вещественных закономерностей массива, не требующих больших экономических вложений и обладающих достаточной информативностью [1, 2].
Для достижения адекватных результатов исследований кернового материала необходимо выбрать ряд критериев, используемых в процессе маркировки исходных данных. В случае работы с фотографиями керна разного размера и формы, данными критериями могут быть целостность исходных образцов и их соответствующая маркировка [3].
В качестве механизма обработки керновых материалов могут быть использованы различные технологии, в частности, нейросетевое распознавание графических образов [4, 5].
Для существующих подходов распознавания машинописных и рукопечатных текстов характерны различные системы меток в сочетании с формируемыми обучающими выборками. Решение задачи распознавания рукописных текстов, к которым относится маркировка образцов керна, не имеет единого подхода [6-8]. В свою очередь сочетание задач распознавания текстовой информации и целостности образцов керна является актуальной задачей, требующей разработки нового методического подхода.
Целью данной работы является исследование методов распознавания кернового материала для идентификации соответствующих образцов по фотографическим данным.
Для достижения данной цели были решены следующие задачи:
1. Подготовка собственной базы данных для обучения нейросетевой модели;
2. Обучение модели для распознавания графических образцов кернового материала (колонки);
3. Обучение модели для распознавания номеров образцов керна.
В данной работе будут рассмотрены только первые две задачи.
Поскольку первичная геолого-геофизическая информация является закрытой для всех нефтегазовых компаний, то целесообразно сформировать новую генеральную совокупность данных, включающую фотографические материалы керновых колонок, преобразованных в соответствии с принципами подготовки датасета для нейронной сети [9-12]. Архитектура работы разрабатываемой нейронной сети включает распознавание и подсчет образцов керна двух форм (цельный керн и отдельный образец) на входном изображении. Поэтому элемент набора данных должен представлять собой фотографию ящика с образцами керновых колонок различной формы в формате .png (рис. 1).
Рисунок 1 - Пример исходного изображения
Для работы нейросетевой модели необходимым условием является расположение камеры под одним и тем же углом съемки ящиков с керновыми колонками (вид сверху).
Поскольку изначально было представлено ограниченное количество фотографий образцов керна, решено было прибегнуть к генерации набора данных. Из каждого фото были нарезаны случайные квадранты обрабатываемой области, содержащие образцы керна. После этого полученные изображения подвергались обработке, включающей в себя повороты изображения, изменение контрастности и яркости (рис. 2). В результате было получено 380 изображений образцов керна.
Рисунок 2 - Пример обработанных изображений датасета
YOLO - это метод идентификации и распознавания объектов на фотографиях в реальном времени, результат использования сводится к единой задаче регрессии - от пикселей изображения до координат содержащих рамок и вероятностей классов. Таким образом, единая сверточная нейронная сеть (convolutional neural network, CNN) предсказывает множество геопространственных квадрантов и вероятностей их распределения.
YOLOv8 использует параллельную структуру для выполнения прогнозов в разных масштабах, что помогает повысить точность и обнаружение объектов разных размеров.
Процесс идентификации соответствующих классов выполняется на базе системы меток для каждого элемента данных (рис. 3).
Рисунок 3 - Пример разметки изображения датасета
При использовании YOLO для успешного обучения нейронной сети необходимо не менее 500 экземпляров в обучающей выборке на один класс. В данной задаче было выделено 2 класса:
- Класс 0: образец керна цилиндрической формы («красный цвет»).
- Класс 1: образец керна в форме куска, не цилиндрической формы («синий цвет»).
Метки каждого отдельного квадранта (в соответствии с местоположением керновой колонки) находятся в текстовых файлах с нормализованными Xmin, ymin, width, height (табл. 1).
Таблица 1
Пример содержания файла разметки
Класс xmin ymin width height
0 0.232429 0.611691 0.446764 0.446764
0 0.668754 0.586639 0.438413 0.438413
0 0.416145 0.222338 0.450939 0.440501
0 0.806193 0.201461 0.387613 0.402922
1 0.104732 0.266180 0.209464 0.465553
0 0.478775 0.888309 0.446764 0.223382
1 0.837509 0.859081 0.324982 0.281837
1 0.126653 0.877871 0.253305 0.244258
Перед разбиением данных на наборы необходимо определить размер тренировочного и тестового наборов. Было выбрано стандартное соотношение - 70 и 30 % тренировочных и тестовых данных, соответственно.
Процесс разбиения данных на выборки можно выполнить с помощью различных методов, в частности, нормальной рандомизацией.
Операция тонкой настройки загружает уже существующую нейросетевую модель и использует ее
веса по умолчанию в качестве отправной точки для обучения. Результаты обучения модели представлены на рис. 4-5.
Рисунок 4 - Метрики обучения модели
Рисунок 5 - Результаты проверки обучения на тестовом наборе
В результате исследования представлена первичная концепция автоматического распознавания графического кернового материала на базе модели YOLOv8.
При обработке 113 тестовых изображений ящиков с керном корректно были идентифицированы 4085 образцов, что составляет 87 %. Точность модели можно повысить, дообучив базовую модель, расширив выборку текущего датасета.
Намечена стратегия к расширению функционала текущей нейросетевой модели для распознавания текстовой информации на образцах кернового материала.
Список использованной литературы: 1. Катанов Ю.Е., Ягафаров А.К., Аристов А.И. Цифровой керн: аппроксимационные модели текстурных
особенностей пустотного пространства песчаников // Вестник Академии наук Республики Башкортостан. 2023. Т. 47. № 2 (110). С. 33-42.
2. Кузнецова И.А. Первичное исследование керна: проблемы и пути решения // Вестник магистратуры. 2021. № 1-1(112). С. 8-10.
3. Аристов А.И., Зеленин А.В., Катанов Ю.Е. Нейросетевое распознавание текстурных особенностей графических керновых данных. Свидетельство о регистрации программы для ЭВМ RU 2024615647, 11.03.2024. Заявка № 2024614650 от 11.03.2024.
4. Некрасова А.А. Исследование возможностей методов машинного обучения для распознавания символов кернохранилища // Проблемы и перспективы осуществления междисциплинарных исследований: Сборник статей Международной научно-практической конференции. Уфа: ООО "Аэтерна". 2023. С. 26-30.
5. Южакова С.П. Методы исследование керна // Материалы Международной научно-практической конференции молодых исследователей им. Д.И. Менделеева, Тюмень, 24-27 октября 2017 года. Том 1. Тюмень: Тюменский индустриальный университет. 2017. С. 302-303.
6. Аристов А.И., Орехов Д.А., Катанов Ю.Е. Классификация текстовой геолого-геофизической информации на базе нейронных сетей. Свидетельство о регистрации программы для ЭВМ RU 2024615646, 11.03.2024. Заявка № 2024614649 от 11.03.2024.
7. Городничев Д.Ю. Машинное обучение и глубокое обучение // Современные проблемы лингвистики и методики преподавания русского языка в ВУЗе и школе. 2022. № 38. С. 278-281.
8. Афонасенко А.В., Елизаров А.И. Обзор методов распознавания структурированных символов // Доклады Томского государственного университета систем управления и радиоэлектроники. 2008. № 2-1(18). С. 83-88.
9. Катанов Ю.Е. Анализ и синтез информационных систем (обработка разнородных данных, геология): учебное пособие / Тюмень. 2020. 159 с.
10. Киселева Т.В., Маслова Е.В., Бычков А.Г. Методы машинного обучения в задачах распознавания изображений // Информатизация и связь. 2021. № 8. С. 15-19.
11. Моисеева Е.Д. Аугментация изображений // Российская наука: тенденции и возможности: сборник научных статей. Том Часть 4. Москва: Издательство "Перо". 2020. С. 129-132.
12. Калайдин Е.Н., Пиронко М.Д. Особенности сбора и обработки данных для построения моделей машинного обучения // Актуальные проблемы экономической теории и практики: Сборник научных трудов. Краснодар: Кубанский государственный университет. 2020. С. 116-123.
© Некрасова А.А., 2024
УДК 62
Нурсахедов М. К., преподаватель.
Чарыяров Г., студент. Бекназаров А., студент. Салыев Р., студент.
Государственный энергетический институт Туркменистана.
Мары, Туркменистан.
ПОДБОР КОЛИЧЕСТВА И МОЩНОСТИ СИЛОВЫХ ТРАНСФОРМАТОРОВ ГЛАВНОЙ
ПОНИЗИТЕЛЬНОЙ ПОДСТАНЦИИ
Аннотация
Большинство промышленных предприятий изготавливают главные понижающие подстанции с
