СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Устойчивая тенденция к развитию технологий в быту и промышленности ведет к их постоянному усложнению, к внедрению новых разработок и методов, появляются новые способы получения и обработки информации. Неотъемлемой частью повседневной жизни стали системы видеонаблюдения. Камеры установлены на многоквартирных домах, в общественных местах, даже в квартирах и частных домах. Одной из наиболее важных областей, где компьютерное зрение нашло значительное применение, является наблюдение за биологическими объектами и анализ их поведения и состояния, особенно в контексте охраны природы и автоматизации исследований поведения животных. С ростом качества и количества видеоматериалов становится актуальной проблема точных и эффективных методов классификации объектов в реальном времени, особенно когда речь идет об автоматическом мониторинге состояния животных.

В настоящей работе описаны основные виды распознавания объектов, рассмотрены популярные современные архитектуры нейронных сетей, проведен сравнительный анализ некоторых из них применительно к решаемой задаче. В ходе работы с использованием методов дополнительной обработки и аннотаторов изображений SuperVisely и VGG Image Annotator сформирован датасет с более чем тысячей уникальных изображений для извлечения релевантных характеристик объектов, а также проведены экспериментальные исследования качества распознавания объектов на видео с помощью предобученных известных нейросетевых моделей. Определены и сформулированы требования к исходным данным для эффективного решения задачи автоматического мониторинга и прогнозирования состояния биологических объектов. Показано, что во избежание появления слепых зон в месте обитания животных необходимо использовать достаточно большое количество камер, размещенных с перекрытием исследуемого пространства, чтобы объекты мониторинга были постоянно в поле видимости. Это позволит впоследствии составить общую картину высокого разрешения, составленную из изображений всех камер, а по полученной картине осуществлять классификацию объектов посредством искусственных нейронных сетей.

1. Селянкин В.В. Компьютерное зрение. Анализ и обработка изображений. – СПб.: Лань, 2019. – 152 с.

2. Video analytics for dairy farm operations. – URL: https://www.cattle-care.com/ (accessed: 30.08.2023).

3. Koç E., Türkoglu M. Forecasting of medical equipment demand and outbreak spreading based on deep long short-term memory network: the COVID-19 pandemic in Turkey // Signal, Image and Video Processing. – 2022. – Vol. 16 (3). – P. 613–621. – DOI: 10.1007/s11760-020-01847-5.

4. Progress and opportunities to advance clinical cancer therapeutics using tumor dynamic models / R. Bruno, D. Bottino, D.P. de Alwis, A.T. Fojo, J. Guedj, C. Liu, K.R. Swanson, J. Zheng, Y. Zheng, J.Y. Jin // Clinical Cancer Research. – 2020. – Vol. 26 (8). – P. 1787–1795. DOI: 10.1158/1078-0432.CCR-19-0287.

5. Support to early clinical decisions in drug development and personalised medicine with checkpoint inhibitors using dynamic biomarker-overall survival models / R. Bruno, P. Chanu, M. Kågedal, F. Mercier, K. Yoshida, J. Guedj, C. Li, U. Beyer, J.Y. Jin // British Journal of Cancer. – 2023. – P. 1–6. – DOI: 10.1038/s41416-023-02190-5.

6. Применение искусственного интеллекта при оптимизации орошения и применении гербицидов / А.Ю. Федосов, А.М. Меньших, В.А. Фартуков, М.И. Зборовская, Д.М.Васильев // Экономика строительства. – 2023. – № 2. – С. 42–51.

7. Федосов А.Ю., Меньших А.М. Внедрение искусственного интеллекта в растениеводство для оптимизации орошения // Сельскохозяйственные машины и технологии. – 2022. – Т. 16, №4. – С. 45–53.

8. Сурай Н.М., Кудинова М.Г. Внедрение цифровых технологий в молочном животноводстве // Парадигма устойчивого развития агропромышленного комплекса в условиях современных реалий: материалы Международной научно-практической конференции, посвященной 70-летию создания ФГБОУ ВО Красноярский ГАУ. – Красноярск, 2022. – С. 180–186.

9. Мохов А.Ю., Абезин Д.А. Правовые аспекты использования технологий искусственного интеллекта в целях обеспечения продовольственной безопасности страны // Аграрное и земельное право. – 2022. – № 12 (216). – С. 97–100.

10. Deep residual learning for image recognition / K. He, X. Zhang, S. Ren, J. Sun // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – Las Vegas, NV, USA, 2016. – P. 770–778. – DOIP:  10.1109/CVPR.2016.90.

11. DeepHeart: semi-supervised sequence learning for cardiovascular risk prediction / B. Ballinger, J. Hsieh, A. Singh, N. Sohoni, J. Wang, G. Tison, G. Marcus, J. Sanchez, C. Maguire, J. Olgin, M. Pletcher // Proceedings of the AAAI Conference on Artificial Intelligence. – 2018. – Vol. 32 (1). – DOI: 10.1609/aaai.v32i1.11891.

12. Лукашевич М.М. Цифровая обработка изображений и распознавание образов. – Минск: БГУИР, 2023. – 72 с.

13. Badrinarayanan V., Kendall A., Cipolla R. SegNet: a deep convolutional encoder-decoder architecture for robust semantic pixel-wise labelling. – 2015. – arXiv:1511.00561. – DOI: 10.48550/arXiv.1511.00561.

14. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs / L.C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, A.L. Yuille // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2018. – Vol. 40 (4). – P. 834–848. – DOI: 10.1109/tpami.2017.2699184. – PMID: 28463186.

15. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. – Cham: Springer, 2015. – P. 234–241. – (Lecture Notes in Computer Science; vol. 9351). – DOI: 10.1007/978-3-319-24574-4_28.

16. Redmon J., Farhadi A. YOLOv3: An incremental improvement: report. – University of Washington, 2018. – URL: https://tethys.pnnl.gov/publications/yolov3-incremental-improvement (accessed: 30.08.2023).

17. Olafenwa M. ImageAI: Object Detection. – URL: https://github.com/OlafenwaMoses/ImageAI/tree/master/imageai/Detection (accessed: 30.08.2023).