ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ В ТЕОРІЇ РОЗПІЗНАВАННЯ ОБРАЗІВ. МЕТОДИ ПОБУДОВИ МОДЕЛЕЙ ПРИ АНАЛІЗІ СЦЕНИ
DOI:
https://doi.org/10.32782/KNTU2618-0340/2020.3.2-1.22Ключові слова:
інформація; інформаційний простір; система розпізнавання; нечітка множина; інформаційний потікАнотація
Розпізнавання образів, мабуть, є одним з найбільш широко висвітлених в літературі завдань інформаційних технологій. Безліч методів і вдалих рішень створили строкату картину «складності» задачі. При цьому слід звернути увагу на той факт, що ми маємо справу саме з інформаційною технологією - методами та засобами обробки інформації. Теорія інформації відрізняється тим, що є маса тлумачень змісту поняття інформація. Це і невизначеність, і кількість символів і очікуваний результат, де кожен з авторів, вирішуючи деяку свою задачу, давав власне визначення змісту цього поняття. При цьому процес побудованої системи розташування завжди вимагає публічного підходу до синтезу алгоритмів і методів. Дана робота присвячена розвитку теоретичних методів теорії інформації стосовно до задачі створення інформаційних систем розпізнавання образів. В основі роботи запропоновано механізм відповідностей, що дозволяє покладатися на спільність отриманих результатів. Основна мета роботи полягає в доповненні підходів і формалізації до побудови моделей процесів отримання, передачі, обробки та зберігання інформації в інформаційному просторі. На основі аналізу системи розпізнавання образів в інформаційному просторі в роботі розглянуті загальні підходи до побудови алгоритмів розпізнавання образів. Одним з основних результатів роботи є обґрунтування та демонстрація ефективності методів інформаційного простору, використання загальних методів відповідностей і загальних принципів. Зокрема, принципу незворотності часу і принципу оптимальності, які дозволяють припустити, що математичні моделі і алгоритми в інформаційному просторі мають властивість спільності. Розглянуто приклади розв'язання задач розпізнавання при реалізації системи аналізу сцени, де показані методи синтезу алгоритму системи і незалежність інформаційної структури системи від методів і рівнів реалізації системи компенсації інформаційних потоків.
Посилання
Zhang H., Li D. Applications of Computer Vision Techniques to Cotton Foreign Matter Inspection: A Review. Computers and Electronics in Agriculture. 2014. Vol. 109. P. 59–70. DOI: 10.1016/j.compag.2014.09.004.
Tadhg B., Sun Da-Wen. Inspection and Grading of Agricultural and Food Products by Computer Vision Systems: A Review. Computers and Electronics in Agriculture. 2002. Vol. 36. Issue 2−3. P. 193−213. DOI: 10.1016/S0168-1699(02)00101-1.
Wenzhu Yang et al. A New Approach for Image Processing in Foreign Fiber Detection. Computers and Electronics in Agriculture. 2009. Vol. 68. Issue 1. P. 68–77. DOI: 10.1016/j.compag.2009.04.005
Yang W., Li D., Wei X., et al. An Automated Visual Inspection System for Foreign Fiber Detection in Lint. 2009 WRI Global Congress on Intelligent Systems. Vol. 4.(China, Xia Men, May 19–21 2009). P. 364–368.
Yang W., Li D., Wang S., Lu S., et al. Saliency-Based Color Image Segmentation in Foreign Fiber Detection. Mathematical and Computer Modelling. 2013. Vol. 58. Issue 3−4. P. 852–858.
Zhao X., Li D., Yang W., et al. Feature Selection for Cotton Foreign Fiber Objects Based on Improved and Colony Algorithm. Nongye Jixie Xuebao/Transactions of the Chinese Society of Agricultural Machinery. 2011. Vol. 42. Issue 4. P. 168–173. (in Chinese with English abstract).
Wang R., Liu S., Wang Q., et al. Classification Features of Feather and Hemp in Cotton Foreign Fibers. Nongye Jixie Xuebao/Transactions of the Chinese Society of Agricultural Machinery. 2012. Vol. 28. Issue 2. P. 202–207.
Russakovsky O., Deng J., Su H., et al. Image NET large scale visual recognition challenge. International Journal of Computer Vision. 2015. Vol. 115. Issue 3. P. 211–252.
Fine T. L. Feedforward Neural Network Methodology. Berlin: Springer Science Business Media, 2006. 356 p.
Ramesh B., Bhardwaj A., Richardson J., et al. Optimization and Evaluation of Imageand Signal-Processing Kernels on the TI C6678 Multi-Core DSP. IEEE High Performance Extreme Computing Conference (HPEC). (USA, Waltham, September 9–11, 2014). 6 p.
Hartley R. V. L. Transmission of Information. Bell System Technical Journal. 1928. Vol. 7. Issue 3. P. 535−563.
Sokolov A. Sokolova O. Solving the Task of Measuring Information Quantity through Model Identification with Minimization of the Estimation Error. Проблемиінформаційних технологій. 2016. № 2(20). C. 56−62.
Gonzalez R. C., Woods R. E., Eddins S. L. Digital Image Processing Using MATLAB. Pearson Prentice-Hall, 2004. 609 p.
Pratt W. K. Introduction to Digital Image Processing. Boca Raton: CRC Press Taylor & Francis Group, 2013. 756 p.
Тимофеев А. В. Адаптивные робототехнические комплексы. Л.: Машиностроение, 1988. 332 с.
Стратонович Р. Л. Теория информации. М.: Сов. радио, 1975. 424 с.
Колмогоров А. Н. Теория информации и теория алгоритмов. М.: Наука, 1987. 304 с.
Шеннон К. Работы по теории информации и кибернетике. М.: Издательство иностранной литературы, 1963. 824 с.
Huang T. S. (Ed.) Image Sequence Processing and Dynamic Scene Analysis. Berlin: Springer, 1983. 759 p. 20. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 412 c.
Гренадер У. Лекции по теории образов: Анализ образов. Т. 2. Пер. с англ. М.: Мир, 1981. 488 с.
Soares A. M., Fernandes B. J. T., Bastos-Filho C. J. A. Pyramidal Neural Networks with Evolved Variable Receptive Fields. Neural Computing and Applications. 2016. Vol. 29. Issue 12. P. 1443–1453. DOI:10.1007/s00521-016-2656-2.
Bottou L. Large-Scale Machine Learning with Stochastic Gradient Descent. COMPSTAT’2010: 19th International Conference on Computational Statistics (France, Paris, August 22-27, 2010). Paris: Springer, 2010. P. 177–186.
Ramesh B., Bhardwaj A., Richardson J., et al. Optimization and Evaluation of Imageand Signal-Processing Kernels on the TI C6678 multi-core DSP. IEEE High Performance Extreme Computing Conference (HPEC). (USA, Waltham, September 9–
, 2014). 6 p.
Колмогоров А. Н., Фомин С. В. Элементы теории функций и функционального анализа. М.: Наука, 1976. 543 с.
Колмогоров А Н., Фомин С. В. Элементы теории функций и функционального анализа. 7-е изд. М.: Физматлит, 2004. 572 с.
Яглом А. М., Яглом И. М. Вероятность и информация. М.: КомКнига, 2007. 512 с.
Hodakov V., Kozel V., Sokolov A. Analysis of Information Technology of the Management System of the Higher Educational Institution. Technology Audit and production reserves. 2017. № 4(2). С. 4−12.
Рожков С. О. Методи і засоби оцінки якості тканин у системах керування текстильним виробництвом: Монографія. Херсон: Олді-Плюс, 2011. 318 с.
Бражник Д. О. Модели и методы повышения устойчивости к возмущениям в системах оптической идентификации: дисс. … канд. техн. наук: 05.13.06. Херсонский национальный технический университет. Херсон, 2012.
Рожков С. А., Бражник Д. А. Использование нейросетевых структур для построения систем распознавания образов. Автоматика. Автоматизация. Электротехнические комплексы и системы, 2004. № 2(14). С.247–253.
Tkach V. A., Kashtalyan P. V., Rozhkov S. A. Monitoring and Control Systems of Modem Intellectual Interfaces. IEEE 4th International Conference Methods and Systems of Navigation and Motion Control (MSNMC). (Kyiv, October 18-20, 2016). P. 237−240. DOI: 10.1109/MSNMC.2016.7783151.
