918

именно оперативное получение данных о погодных условиях и почвенного состояния (например: карты склонов, высот и т.п.), вегетационный индекс NDVI, датчик картирования и прочее — благодаря которым специалисты смогут:

—установить сроки и нормы внесения пестицидов и агрохимикатов;

—предотвратить развитие вредных объектов (сорняки, вредители, бо-

лезни);

—спрогнозировать урожайность возделываемых культур.

Использование специализированных датчиков позволяет лучше понимать в каком состоянии находится тот или иной участок поля, а сеть таких датчиков позволит видеть картину на всех полях сразу, что в конечном итоге поможет принимать более взвешенные решения по «уходу» за возделываемой площадью. Для полноценной реализации таких возможностей имеет смысл подключить, например, спутниковые карты с различными слоями как метеоданных, так и прочих показателей, так или иначе влияющих на конечный результат. Также могут быть полезны, например, и системы искусственного интеллекта, позволяющие автоматизировать определённые этапы в работе агропредприятия. Но весь описанный функционал не может существовать «сам по себе», в связи с чем необходимо не только наличие метеорологических датчиков, но и некой «точки сбора» всей информации — ин- тернет-портала.

В перспективе интернет-портал может включать ряд прикладных программ различного назначения и все они будут направлены на решение определённых задач с конечной целью — повышения урожайности сельскохозяйственных угодий, а также сокращение затрат на производство продукции в агропромышленных предприятиях. Например, может быть разработана комплексная система, включающая в себя функционал, начиная от работы с метеоданными, и, заканчивая автопилотом, управляющим сельскохозяйственной техникой, что, пока в довольно отдалённой перспективе, может привести к полной автоматизации производства сельско-хо- зяйственной продукции.

Результаты работы такого онлайн-сервиса могут использоваться различными организациями: для агропроизводителей данные могут использоваться для поддержки принятия решений по уходу за сельхозугодиями, научные организации могут использовать данные при проведении научных исследований, страховые компании могут использовать данные для прогнозирования урожайности в текущем году с целью корректировки стоимости своих услуг для сельхозтоваропроизводителей.

Результаты исследований

На рынке уже существует ряд компаний, занимающихся разработкой схожих по функционалу систем. Наиболее заметные из них:

1)Агросигнал. «Агросигнал» делает технический и управленческий мониторинг, закрывает производственный цикл предприятия: от формирования производственного плана и бюджета, и контроля исполнения до учета и анализа результатов, оффлайн-скаутинг. В системе есть возможность формирования отчетов для разных специалистов.

2)Агроаналитика. Отслеживает состояние полей, можно планировать сель- хоз-операции, формировать путевые листы для транспорта и контролировать топливную цепочки, интегрированы функции финансового планирования. Доступен оффлайн-скаутинг с приложением, спутниковые снимки, прогноз погоды и анализ

401

почвы. Есть проблемы с дифференцированным внесением и в дистанционном зондировании.

3)История поля. Позволяет вести оперативный мониторинг состояния посевных площадей, планировать сельскохозяйственные операции, вести мониторинг технику, вести полевые журналы. Имеется возможность подключать внешнюю систему мониторинга техники.

4)FarmersEdge. Канадская компания, предлагает широкий диапазон услуг от простого мониторинга полей до полноценного управления агробизнесом на базе цифровой платформы «FarmCommand» с собственными устройствами телеметрии «CanPlug». Преимущество компании — сильная экспертиза в области агрономического консалтинга. Не интегрируется с российскими ПО.

5)OneSoil. Система умеет анализировать спутниковые снимки, автоматически отрисовывать границы полей, определять территории однотипных культур, даты сева и фазы роста растений, измерять влажность почвы и воздуха, их температуру, определять уровень освещенности для участка поля. За счет комбинации простой легкой платформы, своих серверов и собственного производства датчиков, «OneSoil» активно взаимодействует с партнерами и имеет большой потенциал в своей нише [3].

Наиболее часто встречающийся недостаток среди рассмотренных конкурентных решений — привязанность к оборудованию конкретных производителей без возможности интеграции со сторонними решениями. Некоторые из представленных систем имеют иностранное финансирование, а также располагают центры хранения и обработки данных за рубежом, что в сложившейся ситуации в мире, может в отрицательном ключе повлиять на работу данных сервисов на территории Российской Федерации.

Выводы и предложения

Анализ решений по поддержке принятия решений в области точного земледелия показал актуальность работы в данном направлении при сложившихся условиях рынка. В своём большинстве конкурентные системы интегрируются в работу агропредприятия в целом и не делают упор на проблемы точного земледелия.

Наличие системы специализированных датчиков, предоставляющих данные

отекущих погодных условиях, данные почвенного состояния, а также ряд других показателей, в связке интернет-сервисом позволит агропромышленным предприятиям менее затратно повысить показатели урожайности, снизить накладные расходы на обработку сельхозугодий, предотвратить развитие сорных растений, болезней и т.п., поскольку точные и оперативные данные позволяют вовремя реагировать на постоянно меняющиеся условия среды и быть во всеоружии к моменту, когда эти условия наступают.

Литература

1.Статистика в реальном времени. Данные о населении любой страны [Электронный ре-

сурс]. URL: https://countrymeters.info/ru (Дата обращения: 28.11.2022).

2.Точное земледелие — что, для кого и зачем? [Электронный ресурс]. URL: https://smartagro.ru/precisionfarming (Дата обращения: 28.11.2022).

3.Обзор агротех-решений на российском рынке: выбираем систему для управления агро-

бизнесом — AgroXXI [Электронный ресурс]. URL: https://www.agroxxi.ru/selhoztehnika/stati/obzor- agroteh-reshenii-na-rossiiskom-rynke-vybiraem-sistemu-dlja-upravlenija-agrobiznesom.html (Дата обра-

щения: 30.11.2022).

4.Интенсивное и экстенсивное сельское хозяйство [Электронный ресурс]. URL: https://мтз-центр.рф/index.php?route=information/news/info&news_id=37 (Дата обращения:

30.11.2022).

402

УДК 004.81

А.П. Некрасов – студент; Е.А. Муратова – заведующая кафедрой, канд. экон. наук, доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия.

ДИАГНОСТИКА И ПРОГНОЗИРОВАНИЕ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ОБЪЕКТА С ПРИМЕНЕНИЕМ АЛГОРИТМОВ

И МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ

Аннотация. В статье рассмотрено применение различных алгоритмов и моделей машинного обучения для диагностики технического состояния объектов в промышленности и других областях.

Ключевые слова: алгоритм, модель машинного обучения, машинное обучение, диагностика технического состояния объекта, нейронные сети.

Предметная область.

При практическом применении в промышленной эксплуатации профилактическое техническое обслуживание устройств и оборудования, представляет собой ряд проблем, связанных с обнаружением и прогнозированием неисправностей, которые можно решить с использованием алгоритмов и моделей машинного обучения. Выполнен обзор статей, исследующих применение алгоритмов и моделей машинного обучения для диагностики и прогнозирования неисправностей в промышленности и других областях.

Машинное обучение – это подраздел технологии искусственного интеллекта, изучающий методы построения алгоритмов, которые обладают способностью обучаться. Под алгоритмом машинного обучения понимается определенный набор действий или правил для максимизации качества решения задач алгоритмов на новых данных, т.е. для новых прецедентов [3].

Прогнозирование аварийного состояния, повреждения отдельных составляющих, отклонений от нормы, а также обеспечение стабильной работы технических устройств является актуальной задачей в различных областях. Прогноз необходимо делать заранее, чтобы обеспечить качественную работу устройств. Эта задача экономически эффективна по сравнению с задачей полной замены или капитального ремонта конкретного технического устройства. Прогнозирование аварийности строится, на основе данных о штатной работе основных компонентов устройства.

Материалы и методы.

Современные исследования показали [5,9,8], что непрерывный мониторинг и анализ компонентов остается наиболее важной задачей для многих компаний. Выявление признаков приближения технического устройства к аварийному состоянию основывается на предсказании аварийности его основных компонентов, которые оказывают огромное влияние на рабочие характеристики оборудования. В настоящее время единственный оптимальный способ контролировать состояние таких компонентов – это считывать данные о вибрациях, давлении, электрическом токе и о других параметрах, генерируемых техническими устройствами, с помощью промышленных датчиков [4].

403

Встатье [4] автор статьи разработал новую архитектуру нейронных сетей, основанную на обыкновенных дифференциальных уравнениях (ОДУ), для практических задач прогнозирования и классификации аварий, используя экстраполяцию временных рядов, на основе накопленных данных за предыдущие периоды. Предложен алгоритм машинного обучения для задачи регрессии и временного ряда. Модель обнаружила отклонение фактических показателей, которые были получены при использовании обученной регрессионной модели и фактическим значением, сопоставив аномальное поведение технического устройства. Разработанные алгоритмы машинного обучения, методы искусственного интеллекта и теория ОДУ, позволяют построить модель для прогнозирования аварийности системы, для выявления аномальных отклонений в показаниях такого параметра, как давление в контуре установки.

Для оценки точности модели, она была обучена на исторических данных, с учетом времени года, которые можно представить в виде тренда временного ряда. Предсказание модели было выполнено на основе данных за период в один месяц, использовалась регрессионная метрика RSME.

Встатье [1] предложен оптимизированный алгоритм прогнозирования исправности состояния технического объекта, который заключается в использовании комбинаций моделей машинного обучения и формировании оптимального решения на их основе, а также перечислены основные этапы этого алгоритма.

Встатье [10] исследуется диагностика и прогнозирование неисправностей в станках с ЧПУ (machine center).

Встатье используется термин «machine center», который используется для описания любого фрезерно-сверлильного станка с числовым программным управлением (ЧПУ), который включает в себя устройство автоматической смены инструмента и стол, который фиксирует заготовку на месте.

На основе подходов интеллектуального анализа данных, рассматривается применение дисциплин и концепций для профилактического обслуживания в эпоху Индустрии 4.0, на основе результатов сбора данных (Data Mining) в диагностике и прогнозировании неисправностей. Эта структура включает в себя весь процесс анализа и устранения неисправностей, включая сбор датчиков и данных, предварительную обработку данных, диагностику и прогнозирование неисправностей, анализ показателей производительности и оптимизацию графика технического обслуживания.

Встатье [5] рассмотрена задача, целью которой является оценить износ нефтяного оборудования, при помощи искусственных нейронных сетей. В работе есть описание технологии построения нейронной сети, принцип её работы. Технологию позволяет прогнозировать техническое состояния трубопровода и оборудования на основе данных, полученных за предыдущие периоды.

Встатье [9] представлен алгоритм непараметрического машинного обуче-

ния Manufacturing System-wide Balanced Random Survival Forest (MBRSF), который эффективно сочетает внутреннюю динамическую связь между различными объектами производственной системы с шаблонами в журналах событий комплекса промышленных систем автоматизации и информационных систем (PFS) для прогнозирования распределения времени до следующего события поломки.

404

MBRSF – непараметрический подход к машинному обучению, который может объединять сложные динамические зависимости, для обеспечения долгосрочного прогноза поломок оборудования.

Аспектом подхода MBRSF является его способность прогнозировать поломки машин в реальной производственной системе на 30 минут вперед с высокой точностью. Прогнозирование поломок почти на одну рабочую смену вперед возможно благодаря использованию исторических журналов с событиями из PFS.

Обширные исследования с использованием реальных данных PFS с автомобильного завода показывают, что MBRSF может повысить прогностическую эффективность, количественно выраженную с точки зрения значений метода оценки Брайера (IBS), на 90% по сравнению с другими традиционными и современными методами. Эти результаты открывают захватывающие возможности для использования передовых методов искусственного интеллекта для объединения информации из журналов событий PFS с сигналами других датчиков промышленного интернета вещей (IIoT) для реализации практического подхода к долгосрочному прогнозированию надвигающихся сбоев в производственной системе.

Теоретические результаты, а также обширный экспериментальный анализ, демонстрируют превосходство метода BRSF с точки зрения различных показателей производительности, которые представлены в работе [6].

Встатье [8] был разработан новый подход к обнаружению и диагностике неисправностей вращающихся механизмов.

Подход состоит из этапов: 1) выделение признаков;

2) Обнаружение неисправностей: обнаружение аномалий;

3) Диагностика неисправностей: неконтролируемая классификация/анализ первопричин.

Данные о вибрации во временной и частотной областях были извлечены на основе уже имеющихся данных. При обнаружении неисправностей, их наличие проверялось методом обучения без учителя, на основе алгоритмов обнаружения аномалий.

При диагностике неисправностей посредством ранжирования приоритетности признаков, полученного с помощью объяснимости модели, была выполнена диагностика неисправностей, а именно: неконтролируемая классификация или анализ первопричин.

Работа [2] посвящена разработке алгоритмического, математического комплекса на основании нейронных сетей глубокого обучения оценки и прогнозирования надежности и безопасности оборудования газораспределительных станций на основании данных диагностирования. В работе представлен пример реализации системы на одном из узлов газораспределительной сети, с применением алгоритмов машинного обучения. Содержит описание алгоритмов.

Встатье [7] предложен метод применения техник машинного обучения для системного контроля качества вулканизированных шин. Предлагается комбинация математических методов, объединяющая представление признаков t-SNE, сверточ-

405

ную нейронную сеть и оптимизацию линейного программирования. Предложенный метод обработки непоследовательных данных датчиков поддерживает уникальную комбинацию моделей ИИ для раннего распознавания отказов.

Заключение

В рамках статьи были рассмотрены некоторые научные труды, авторы, которых использовали различные алгоритмы машинного обучения для обнаружения неисправностей или их прогнозирования, в разных системах и областях. Применение алгоритмов и моделей машинного обучения для решения рассматриваемой задачи в виде информационной системы, позволит специалистам по безопасности, технологам и операторам реагировать на возможные угрозы и предотвращать инциденты.

Существуют различные методы машинного обучения, которые изображены на рисунке 1 [3].

На основе рисунка 1 и содержимого используемого в этой статье списка литературы, выполнено сопоставление рассматриваемых методов машинного обучения в виде таблицы 1.

Литература

1.Жуков, Д.А. Использование агрегированных классификаторов при машинном обучении

взадачах технической диагностики / Д.А. Жуков, В.Н. Клячкин // Конференция «Информационные технологии в моделировании и управлении: подходы, методы, решения». – 2019. – С. 76-81. – URL: https://www.elibrary.ru/item.asp?id=39541929 (дата обращения: 01.11.2022)

2.Земенкова, М.Ю. Предиктивный контроль надежности систем распределения углеводородов с применением нейронных сетей с глубоким обучением / М.Ю. Земенкова, М.А. Глух, И.Ф. Шагбанов, Д.Д. Дубровин // Нефтегазовый терминал : Материалы Международной научно-техни- ческой конференции «Транспорт и хранение углеводородного сырья» (25-26 апреля 2019 года) том 1 / ГПНТБ СО РАН. – Тюмень. – 2019. – С.194-200. – URL: http://www.spsl.nsc.ru/FullText/konfe/НефтТерм2019171.pdf (дата обращения: 01.11.2022)

3.Колмогорова, С. С. Основы искусственного интеллекта : учебное пособие для студентов / С. С. Колмогорова. — Санкт-Петербург : СПбГЛТУ, 2022. — 108 с. — ISBN 978-5-9239-1308-8.

4.Кунелбаев, М.М. Использование алгоритмов машинного обучения для системы солнечного теплоснабжения // Инженерный Вестник Дона. – 2022. – № 3. – С.72-81. – URL: http://www.ivdon.ru/uploads/article/pdf/IVD_48__3_Murat.pdf_29b482a7a1.pdf (дата обращения: 01.11.2022)

5.Яковлев, С.А. Искусственные нейронные сети для решения задач технического обслуживания в нефтегазовой отрасли / С.А. Яковлев, М.Ю. Земенкова, В.В. Голик // Нефтегазовый терминал : Материалы Международной научно-технической конференции «Транспорт и хранение углеводородного сырья» (25-26 апреля 2019 года) том 2 / ФГБОУ ВО «ТИУ» – Тюмень – 2019 – С.3540. – URL: https://www.tyuiu.ru/wp-content/uploads/2015/08/Neftegazovyj-terminal-17-Tom-2.pdf (дата обращения: 01.11.2022)

6.Afrin, K. Balanced random survival forests for extremely unbalanced, right censored data. / Afrin K., Illangovan G., Srivatsa S. S., Bukkapatnam S. T. S. – 2018. – (Электронный архив, сайт). – URL: https://arxiv.org/pdf/1803.09177.pdf (дата обращения: 01.11.2022)

7.Bergmann, J. Tool failure recognition using inconsistent data / J. Bergmann, K. É. Zeleny, J. Váncza, A. Kő. – DOI: 10.1016/j.procir.2022.05.132. // Procedia CIRP – 2022 – № 107 – С. 1204-1209, – URL: https://www.sciencedirect.com/science/article/pii/S2212827122004164 (дата обращения: 01.11.2022)

8.Brito, L. C. An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery / L. C. Brito , G. A. Susto, J. N. Brito, M. A.V. Duarte – DOI: 10.1016/j.ymssp.2021.108105 // Mechanical Systems and Signal Processing – 2022 – № 163. – URL: https://www.sciencedirect.com/science/article/abs/pii/S0888327021004891 (дата обращения: 01.11.2022)

9.Bukkapatnam, S. T. Machine learning and ai for long-term fault prognosis in complex manufacturing systems / S. T. Bukkapatnam, K. Afrin, D. Dave, S. R. Kumara // Cirp Annals – 2019 – №68 – С. 459-462

10.Li, Z. Intelligent predictive maintenance for fault diagnosis and prognosis in machine centers: Industry 4.0 scenario. / Z. Li, Y. Wang, K. Wang // Advances in Manufacturing. – 2017 – № 5. – С. 1-11.

– URL: https://www.researchgate.net/publication/321578613_Intelligent_predictive_maintenance_for_fault_diagnosis_and_prognosis_in_machine_centers_Industry_40_scenario (дата обращения: 01.11.2022)

407

УДК 004.032.26

В. Ю. Паластрова – студентка, А. Ю. Беляков – научный руководитель, канд. техн. наук, доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

ПРИМЕНЕНИЕ МАШИННОГО ЗРЕНИЯ ДЛЯ ДЕТЕКЦИИ ДЕФЕКТОВ

Аннотация. В статье рассматривается способ детектирования дефектов резинотканевой ленты конвейера с применением машинного зрения. В ходе обсуждения раскрывается понятие машинного зрения. Выполняется анализ и подбор математических методов разработки системы машинного зрения.

Ключевые слова: резинотканевая лента, конвейерная лента, дефект, машинное зрение, нейронная сеть, сверточная нейронная сеть.

Постановка проблемы

Основой системы непрерывного транспортирования являются конвейерные ленты, применяемые во многих отраслях промышленности для транспортировки сыпучих, кусковых и штучных материалов. В ходе эксплуатации конвейера на резинотканевой ленте возникают первоначальные дефекты. Со временем их количество лишь возрастает. Появление дефектов зависит от различных факторов, например от разновидности конвейера, области его применения, производительности, приемной способности, а также условий эксплуатации [1].

Повреждения резинотканевой ленты приводят к потере ее свойств. Лета 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 методы контроля.

Одним из основных методов контроля состояния конвейерной ленты является визуальный метод. Однако применение данного подхода имеет существенный недостаток: данный метод 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 [1].

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 [1]. 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.

Существующие методы контроля резинотканевой ленты морально устарели. Технологическое решение российской компании «Си Вэйв» по детекции дефектов

408

конвейерной ленты не требует специализированного дорогостоящего оборудования и аттестованного специалиста. Данное решение контролирует состояние резинотканевой ленты в реальном времени с помощью машинного зрения.

Материалы и методы

Наиболее активное применение технологий машинного зрения, по мнению аналитиков, будет происходить в автономных транспортных средствах, системах контроля качества продукции, автоматизации процессов производства в промышленности и системах биометрического сканирования и распознавания лиц для повышения безопасности ценных активов.

В 2019 году американская исследовательская и консалтинговая компания Grand View Research в своем отчете оценила размер мирового рынка машинного зрения в 10,6 млрд долларов США. Также компания Grand View Research прогнозирует, что данный показатель и будет расти со среднегодовым темпом роста в

7,6% с 2020 по 2027 год [2].

Машинное зрение является научным направлением в области искусственного интеллекта и связанные с ним технологии, которые нацелены на получение и анализ изображения объектов реального мира для решения разного рода прикладных задач без участия (полного или частичного) человека. Машинное зрение способно решать следующие задачи:

–идентификация;

–обнаружение;

–распознавание текста;

–восстановление 3D формы по 2D изображениям;

–оценка движения;

–восстановление сцены;

–восстановление изображений;

–выделение на изображениях структур определенного вида, сегментация изображений;

–анализ оптического потока.

Компонентами системы машинного зрения являются цифровые или аналоговые камеры с подходящей оптикой для получения изображения, система освещения, вычислительные мощности, программное обеспечение для подготовки изображения к последующей обработке, программное обеспечение машинного зрения и оборудование ввода – вывода или каналы связи для отправки результатов.

Ключевой сложностью разработки системы машинного зрения является подбор технического решения, модели и алгоритма обучения нейронной сети.

В качестве наиболее часто встречающейся моделью глубокого обучения является модель искусственной нейронной сети. Другое название – сверточная нейронная сеть. Самыми успешными моделями, используемыми для обнаружения, классификации и анализа изображений, являются AlexNet, ResNets, EfficientNets, YOLO, R-CNN, LambdaNetworks, VGG [2].

Алгоритмы и модели

AlexNet. Архитектура нейронной сети AlexNet состоит из 8 изученных слоев, из которых 5 являются сверточными слоями, 3 полностью связанные слои, а

409

выходной слой -слой softmax поддерживает 1000 нейронов. Во время обучения AlexNet делится на два графических процессора для обучения. Кроме передачи данных на третьем уровне свертки, два графических процессора выполняют другие операции свертки (извлечение признаков) независимо [3]. В рамках описываемой архитектуры была представлена функция активации – блок линейной ректификации (ReLU), который, в данный момент, является отраслевым стандартом. Ниже представлена краткая сводка основных свойств архитектуры AlexNet и процесса ее обучения:

–интенсивная аугментация данных;

–метод исключения;

–оптимизация с помощью момента SGD;

–ручная настройка скорости обучения (уменьшение данного коэффициента на 10 при стабилизации точности);

–итоговая модель представляет собой совокупность из семи сверточных нейросетей.

ResNet – разработана корпорацией Microsoft. Данная модель глубокой нейронной сети для классификации изображений. Чтобы преодолеть проблему снижения точности предсказаний с увеличением количества слоев в нейронных сетях, разработчики нейросети внедрили глубокую «остаточную структуру» обучения. Вместо того, чтобы надеяться на то, что каждые несколько упорядоченных слоев непосредственно соответствуют желаемому основному представлению, они явно позволяют этим слоям соответствовать «остаточному» [2].

EfficientNets – класс новых моделей, получившийся из изучения масштабирования моделей и балансирования между собой глубины и ширины (количества каналов) сети, а также разрешения изображений в сети. Правильное конструирование моделей масштабирования по любому размеру сети (глубина, разрешение входного изображения, ширина – количество каналов в картах признаков) приводит к повышению качества решения задачи. Вследствие чего, во время масштабирования сети важно сбалансировать все ее размеры (глубину, разрешение и ширину) для получения высокой точности и эффективности.

YOLO – семейство легковесных моделей, ставших популярными благодаря качеству предсказаний. Такой набор характеристик позволяет использовать модель YOLO для задач распознавания объектов в реальном времени и на портативных устройствах [2].

Faster R-CNN – архитектура, разработанная на основе R-CNN и следующей

ееверсии Fast R-CNN, в которой для локализации объекта используется Region Proposal Networks (на основе последней сверточной карты признаков сеть позволяет генерировать предлагаемые регионы нахождения объектов). Архитектура данной модели образована таким образом, что изображение подается на вход сверточной нейронной сети. Так происходит формирование карты признаков, обрабатываемой слоем RPN. На данном этапе скользящее окно проходится по карте признаков. Центр скользящего окна связан с центром якорей, которые представлены областями, имеющими разные соотношения сторон и разные размеры. На основе мет-

410