905

Ключевые слова: алгоритмы машинного зрения, искусственный интеллект, конвейерная лента, дефект, машинное зрение, нейронная сеть, сверточная нейронная сеть.

Постановка проблемы. Методы современного контроля уже применяются во многих сферах деятельности, выполняя задачи контроля качества быстрее и точнее человека, повышая общую производительность производства.

Алгоритмы машинного зрения позволяют решать ряд серьезных задач на производстве, например такие, как классификация алмазов по цвету и форме на основе алгоритмов машинного обучения и компьютерного зрения, измерение качества и скорости флотации, контроль опасных зон и наличие СИЗов, контроль погрузочно-разгрузочных работ [1].

Однако повреждения транспортной ленты на предприятиях контролируются традиционными методами, к примеру, основной метод контроля состояния ленты – визуальный. Применение данного подхода имеет существенный недостаток: он позволяет определить состояние резинотканевой ленты лишь относительно качественных критериев оценки. Определить количественные критерии оценки состояния возможно только при использовании инструментальных методов контроля с применением дефектоскопов [2].

Повреждения резинотканевой ленты приводят к потере ее свойств. Лента является одним из дорогостоящих элементов конвейера (достигает 50% общей стоимости конвейера), поэтому ее регулярная замена нецелесообразна. Для своевременного обнаружения дефекта и его устранения применяют различные технологии для контроля.

Для решения данного вопроса, многие страны занимаются разработкой дефектоскопов, однако все они имеют недостатки: большая масса и устаревший способ регистрации информации. Разрабатываются и инновационные решения, например толщинометр с ультразвуковыми датчиками или измерительный прибор польского патента № PL215143 с лазерными датчиками [2]. В данный момент этит решения проходят испытания.

В настоящее время нет простого, быстрого и надежного способа контролировать повреждения в режиме реального времени, что влечёт за собой колоссальные траты и аварийные ситуации, которые влияют на безопасность производственного и эксплуатационного процессов.

Анализ существующих решений и методов для аналогичных задач на предприятиях демонстрирует, что разработка технологического решения по детекции дефектов конвейерной ленты актуальна. Использование машинного зрения позволит контролировать состояние резинотканевой ленты в режиме реального времени, не требуя специализированного, дорогостоящего оборудования и аттестованного специалиста.

Материалы и методы. Технологическое решение по дефектоскопии конвейерной ленты представляет собой систему машинного зрения, в которую входят цифровые или аналоговые камеры с подходящей оптикой для получения изображения, система освещения и программное обеспечение. Ключевой частью разработки данного решения является проектирование модулей и подсистем.

Дефектоскопия – поиск дефектов с помощью неразрушающих методов контроля, обеспечивающий заданный уровень надежности и позволяющий добиваться увеличения долговечности с высокой эффективностью. С помощью дефектоскопии производится контроль материалов и изделий, что в свою очередь имеет огромное значение на

91

этапе определения качества продукции и находит применение в самых разных сферах производства. Дефектоскопия реализуется по средствам настройки и обучения машинного зрения [3].

Модуль дефектоскопии для разрабатываемого технологического решения может состоять из нескольких нейронных сетей. Каждая из них должна будет выполнять свою задачу: обнаружение, классификация и поиск по уникальным характеристикам. Последняя позволит точнее детектировать дефект, если снимок получился достаточно низкого качества. При обнаружении дефекта передается сигнал оператору и зафиксируются результаты срабатывания в базе данных. Хранение истории срабатываний позволит использовать ее в качестве базы знаний для контроля и корректировки работы нейронной сети.

Для разработки системы машинного зрения подойдут модели LambdaNetworks, AlexNet и YOLO, с использованием таких инструментов, как Keras, TFLEARN и

Tensorflow.

Результаты срабатывая системы целесообразно фиксировать и отображать в графическом интерфейсе, реализованным посредствам веб-приложения. Однако возможен вариант интеграции во внутренний контур предприятия, тогда возможно отображение уведомлений или сообщений результатов в системе, используемой данным предприятием.

Технической сложность разработки системы является подбор камер, удовлетворяющий качеством снимков, видеопотока, фокусным расстоянием и другим характеристикам. Также сложность заключается в том, что многие производители прекратили сотрудничество и поставку оборудования по политическим соображениям.

Результаты исследования. Для сокращения затрат на оборудование при разработке системы машинного зрения для детекции дефектов оптимально использование облачных мощностей. Вычислительные процессы будут выполняться на «облаке», также, как обработка и хранение данных. Таким образом система будет иметь клиент сервисную архитектуру.

Реализация клиентской части в виде веб-приложения позволит подключаться к системе с любого оборудования, не устанавливая какие-либо дополнительные ограничения и требования к нему.

Для обработки снимков будут использоваться глубокие нейронные сети. Например, такая нейросеть с высокой скоростью и точностью классифицирует стыки рельсов по изображению, что помогает оперативно диагностировать состояние рельсового пути в режиме реального времени, заменяя монотонный ручной труд оператора [4].

Самыми успешными моделями, используемыми для обнаружения, классификации и анализа изображений, являются AlexNet, ResNets, EfficientNets, YOLO, R-CNN, LambdaNetworks, VGG [5].

Наиболее популярными библиотеками и инструментами создания систем ма-

шинного зрения являются CUDA, Keras, PyTorch, Tensorflow и TFLEARN.

Выводы. Анализ методов контроля и обнаружения дефектов показал повсеместное применение технологий искусственного интеллекта. Данная технология используется для решения как нетривиальных производственных задач, так и повседневных и обыденных.

Системы машинного зрения используют все шире. Каждый раз, когда требуется выполнять утомительную работу по распознаванию с высокой скоростью и точностью,

92

особенно в труднодоступных местах, техническое зрение оказывается идеальным решением для оптимизации производства.

Таким образом, подчеркивается актуальность создания системы машинного зрения для детекции дефектов. Во многих источниках приводится алгоритм разработки подобных систем и акцентируется простота их создания. Однако во время разработки может возникнуть ряд вопросов, которые не были учтены в данной статье, так как всегда существует влияние внешних факторов.

Список литературы

1.Как используют Machine Learning и Computer Vision в добывающей промышленности / klimensky // Хабр – Москва, 2020. [Электронный ресурс]. URL: https://se7en.ws/machine- learning-i-computer-vision-na-obogatitelnykh-fabrikakh/ (Дата обращения 31.01.2023).

2.Атакулов, Л.Н. Обзор и анализ диагностики определения дефектов конвейерной ленты / Л.Н. Атакулов, Н.О. Полвонов, У.Э. Каюмов // Universum: технические науки: электрон.

3.Журо, Д. В. Анализ состояния вопроса в области применения технического зрения для дефектоскопии / Д. В. Журо, М. В. Захаров // Международный журнал прикладных наук и технологий «Integral» №4 2020 – Архангельск, 2020 – С. 231 – 234. [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/analiz-sostoyaniya-voprosa-v-oblasti-primeneniya-tehnicheskogo- zreniya-dlya-defektoskopii (Дата обращения 31.01.2023).

4.Орлов, С. П. Глубокая нейронная сеть для диагностики элементов железнодорожного рельсового пути / С. П. Орлов, Н. А. Ефимушкин, Н. В. Ефимушкина // Вестник Самарского государственного технического университета. Серия: Технические науки. – 2022. – Т. 30,

№1(73). – С. 63-74. – DOI 10.14498/tech.2022.1.4. – EDN DVWYBS.

5.Корешкова, Т. Компьютерное зрение: технологии, компании, тренды // Научный технический центр ФГУП «ГРЧЦ» [Электронный ресурс]. / Т. Корешкова. URL: https://rdc.grfc.ru/2021/04/analytics-computer-vision/ (Дата обращения 31.01.2023).

УДК 004.9

ИНФОРМАЦИОННАЯ СИСТЕМА ДЛЯ ПРОВЕДЕНИЯ ВСЕРОССИЙСКОЙ ПРОВЕРОЧНОЙ РАБОТЫ В МАОУ «РЯБИНИНСКАЯ СОШ»,

П. РЯБИНИНО ПЕРМСКОГО КРАЯ

Р.Е. Палехов – студент 4-го курса; А.Н. Козлов – научный руководитель, канд. техн. наук, доцент

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

Аннотация. Рассмотрен процесс проведения всероссийской проверочной работы в общеобразовательной школе. С использованием средства AllFusion ERWin Process Modeler построена модель «Как-Есть». В ходе анализа выявлены недостатки данного процесса и, исходя из этого, разработана модель «Как-Будет», устраняющая эти недостатки.

Ключевые слова: тестирование, анализ процесса, модель «AS-IS», «ТО-ВЕ».

МАОУ «Рябининская СОШ» является учебно-воспитательным учреждением, осуществляющее обучение и воспитание подрастающего поколения за счёт средств го-

93

сударства. В школе обучаются учащиеся с 1-го по 11-й класс, а также обучающиеся с отклонениями в развитии. В обязанности школы также входит создание необходимых условий для работы подразделений организаций общественного питания и медицинских учреждений, контроль их работы в целях охраны и укрепления здоровья обучающихся, воспитанников и работников Школы.

После прибытия на место исследования, мной были изучены все основные процессы, которые выполняются в рамках учебной работы и выявлен наиболее трудоёмкий из них, требующий автоматизации, а именно – проведение всероссийской проверочной работы в форме тестирования.

Суть процесса: в школу поступает требование проверить уровень знаний учащихся, а также эффективность текущей образовательной программы. Задача учителя подготовить материал для тестирования, оформить его и распечатать. В запланированный день провести проверку знаний учащихся. По полученным результатам определить их уровень знаний и эффективность школьной программы. Сформировать отчётные ведомости. Все операции выполняются вручную, что отнимает довольно много времени и сил учителей.

Для анализа рассматриваемого бизнес-процесса и выявления его недостатков использовалась методология IDEF0 [1-3]. Модель «Как-Есть» процесса представлена на рис. 1.

Рис.1. Модель «Как-Есть» процесса «Провести всероссийскую проверочную работу»

Входе анализа модели были выявлены следующие недостатки:

большие затраты времени на составление отчётов;

ручное выполнение необходимых расчётов;

94

высокий расход бумажных и печатных ресурсов;

сложность отслеживания динамики уровня знаний учащихся.

С целью устранения недостатков модели «Как-Есть», была построена модель «Как-Будет» (рис. 2).

Рис. 2. Модель «Как-Будет» процесса «Провести всероссийскую проверочную работу»

На данной диаграмме был убран блок «Проверить ВПР», теперь он объединён с блоком «Проверить знания учащихся» и будет выполняться автоматически. Также произошёл отказ от бланков заданий. Вместо них задания будут готовиться и выполняться на компьютерах в специальном классе.

Для реализации модели «Как-Будет» необходимо разработать информационную систему «Тест ВПР». Данная система будет реализована с помощью среды разработки Microsoft Visual Studio и языка программирования C#. Разработанная конфигурация реализует следующие преимущества модели «ТО-ВЕ»:

автоматизация работы учителя;

простота создания тестов;

контроль знаний учащихся;

удобная генерация отчётов;

хранение информации в базе данных.

В ходе начальной стадии разработки системы были спроектированы будущие экранные формы приложения.

95

Первая форма – рабочее окно учителя (рис. 3).

Рис. 3. Форма учителя

Данная экранная форма предоставляет учителю доступ ко всем необходимым функциям для создания тестов, проведения ВПР, просмотр отчётов и учащихся.

Весь этот функционал будет доступен только учителю. Форма учащихся выглядит проще и предоставляет функционал только для прохождения тестирования и выхода из учётной записи. Также на ней отображаются данные учащегося, который будет проходить тестирование.

Разграничение доступа к функционалу учителя и учащегося будет осуществлён посредством авторизации и прав доступа.

Для составления вариантов всероссийской проверочной работы предусмотрен удобный инструментарий по составлению заданий и тестовых вариантов (рис. 4).

96

Конструктор тестов предоставит обширные возможности по созданию тестовых заданий. Среди них – добавление ответов, изображение, видео или аудио файлов. Длина текста вопроса и количество вариантов ответов не ограничено.

Одной из главных форма является форма с отчётами (рис. 5).

Рис. 5. Форма отчёта

Форма отчётов позволит просмотреть результаты учащихся, успеваемость и статистику выполнения задании. Также будет присутствовать возможность экспорта данных в другие форматы для дальнейшей работы и вывод сведений на печать.

Таким образом, для выявленных недостатков процесса тестирования был выбраны способы его устранения, а именно собственная разработка информационной системы для проведения тестирования в рамках ВПР. Произведена работа по проектированию экранных форм будущего программного продукта.

Список литературы

1.Шевчук, И.С. Проектирование информационных систем: конспект лекций [Текст] / И.С. Шевчук. – Пермь: Изд-во ФГБОУ ВПО Пермская ГСХА, 2013. – 59 с.

2.Балдин, К.В. Информационные системы в экономике/ К.В. Балдин, В.Б. Уткин. ‒ М.: Издательский центр Академия, 2005. – 288 с.

3.Маклаков, С.В. Моделирование бизнес-процессов с BPwin 4.0/ С.В. Маклаков. – М.:

Диалог – МИФИ, 2002. – 224 с.

УДК 659.1.07

ПРОЕКТИРОВАНИЕ ИНСТРУМЕНТА ИССЛЕДОВАНИЯ ЛОЯЛЬНОСТИ АУДИТОРИИ СОЦИАЛЬНЫХ СЕТЕЙ

В.О. Попова – магистрант 1-го курса; Е.А. Муратова – научный руководитель, канд. экон. наук, доцент

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

97

Аннотация. В статье рассматривается процесс проектирования веб-сервиса, для проведения исследования лояльности аудитории социальных сетей, на примере платформы Яндекс.Дзен. Выделяются этапы проектирования веб-приложения. В заключение делается вывод об особенностях проделанной работы.

Ключевые слова: веб-сервис, проектирование, социальные сети, лояльность аудитории, маркетинг.

Современные компании имеют множество инструментов и подходов для определения удовлетворенности и лояльности клиентов, позволяющие выделить факторы оказывающие влияние на поведение потребителей. Выводы о настроениях клиента делаются на основе поведенческой и эмоциональной составляющей [1].

В эпоху цифровизации всё ещё актуальна разработка новых инструментов для взаимодействия с аудиторией, в том числе с пользователями социальных сетей. По данным исследования команды Data Insight, которая ежегодно публикует отчеты об исследованиях в области электронных продаж, рынок интернет торговли в России на 2022 год составляет 5,7 трлн рублей, часть из этого составляет торговля осуществляемая посредством продвижения аккаунтов магазинов в социальных сетях [2].

Платформа Яндекс.Дзен располагается на 4 месте в рейтинге активностей среди социальных сетей, занимая 30% долю рынка потребителей. Таким образом, инструмент исследования лояльности аудитории социальных сетей является серьезным помощником предпринимателей в продвижении своих услуг и товаров.

Инструмент анализа лояльности аудитории – представляет собой веб-сайт, который содержит элементы управления сервисом. Пользователь после авторизации, может проанализировать комментарии на открытых страницах социальных сетей. Сбор и анализ данных предполагается осуществлять с помощью искусственного интеллекта.

Веб-сервис должен обладать следующими функциональными возможностями:

-фиксировать пиковые моменты активности пользователей;

-выявлять однотипные вопросы, подготавливать шаблонные ответы;

-анализировать комментарии к публикациям и предоставлять статистику лояльности читателей.

Пользователь по результатам анализа комментариев получает отчет, в котором комментарии разделены нейронной сетью на три категории «позитивные», «негативные», «нейтральные». Категория «позитивные» содержат хвалебные отзывы, комментарии довольных пользователей. Категория «негативные» включает в себя комментарии критически настроенных читателей, жалобы. В группу «нейтральные» следует относить комментарии содержащие вопросы, спам, недопустимые слова в соответствии с законодательством слова, например использование наименований запрещенных организаций, или лозунги с призывом к насилию.

При проектировании информационных продуктов следует воспользоваться одним из популярных языков графического описания для объектного моделирования языком UML. UML является стандартизированным и формализованным средством для разработки и анализа программного обеспечения. Поэтому одним из важных этапов разработки структуры базы данных является начальный (информационно-логический) уровень, на котором происходит формальное описание предметной области, а именно определение решаемых задач, запросов пользователей и документов, отражающих события и процессы [3].

98

При проектировании инструмента исследования лояльности аудитории социальных сетей необходимо определить следующие аспекты:

1.Проектирование порядка доступа к сервису для авторизованных и не авторизованных пользователей.

2.Проектирование тех объектов, которые будут размещены в базе данных сис-

темы.

3.Проектирование форм, отчетов, с помощью которых можно будет получить доступ к данным, которые размещены в базе данных системы.

Таким образом, составлена диаграмма прецедентов на основе взаимодействия с пользователем (рисунок).

Рис. Диаграмма прецедентов

По результатам проведенной работы в области проектирования инструмента исследования лояльности аудитории определены бизнеспроцессы для которых необходим данный инструмент, разработана диаграмма прецедентов, определены функциональные возможности создаваемого веб-сервиса. Проведенные мероприятия позволяют наиболее полно охватить процесс проектирования веб-сервиса, тем самым подготовиться к переходу к процессу разработки.

Список литературы

1.Скляр, Е.Н. Методики оценки лояльности потребителей. Использование NPSметода при анализе клиентской лояльности. / Е.Н. Скляр, П.В. Яшкина // Маркетинг и маркетинговые исследования, 2012. No 01(97). С. 28-29.

2.«Маркетинговое исследование Интернет-торговля в России 2022»: [Электронный ресурс]. – URL: https://datainsight.ru/eCommerce_2022 (дата обращения 01.04.2023).

3.Акатьев, Я. А. Особенности применения UML-диаграмм в процессе проектирования информационных систем / Я. А. Акатьев, Е. А. Пушкина // Инновации. Наука. Образование. - 2021. ‒ № 39. ‒ С. 112-118.

99

УДК 004.046

АВТОМАТИЗАЦИЯ РЕГИСТРАЦИИ И УЧЕТА ПРОЕКТОВ ПРЕДПРИЯТИЯ АО «ГАЛОПОЛИМЕР», Г. ПЕРМЬ

Н.А. Порошина – студентка 4-го курса; Т.А. Казаченко – научный руководитель, доцент

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

Аннотация. Процесс регистрации и учета проектов характерен для данного предприятия в отделе управление проектными работами. Разработка информационной системы позволит существенно оптимизировать работу и время на предприятии.

Ключевые слова: автоматизация, учет, регистрация, техническое решение.

Основной целью автоматизации является сокращение временных затрат и повышение качества исполнения процесса. Данная автоматизация позволит увеличить точность и стабильность выполняемых процессов, а также сократить время процесса.

Суть процесса заключается в том, что Ведущему инженеру-конструктору поступает задание по проектированию на месяц, после чего регистрирует все проекты в документе и присваивает им уникальные номера. Далее вносит всю информацию о проектах и ведет учет процесса выполнения проектов. В конце каждого месяца он составляет отчет о выполненных проектах, если же есть проекты, которые не выполнены в данном месяце, то их переносит на следующий месяц.

Для анализа бизнес-процесса и выявления его недостатков использовалась методология IDEF0. Модель AS-IS бизнес-процесса «Учитывать выполнение проектов» представлена на рис. 1.

Рис. 1. Модель AS-IS «Учитывать выполнение проектов»

100