Search

To estimate the degree of damage to a material subjected to cyclic loading at stresses above the endurance limit, a technique has been proposed for analyzing speckle images of the material surface at the stage of diffuse accumulation of fatigue damage using neural networks. The microdeformation density of the specimen surface was quantitatively estimated by non-contact speckle interferometry. In the process of loading, an image of speckle structure in the initial state and before fatigue crack nucleation with a certain periodicity was recorded. Two classes of images are distinguished for damage accumulation analysis. The first one is the images corresponding to damage accumulation up to 10% of durability, the second one – more than 90%. The configuration of the network after its training makes it possible to determine to which class the speckle-structure images of the material belong during the accumulation of fatigue damage., Для оцінення ступеню пошкодженості матеріалу, що зазнає циклічного навантажування за напружень, які перевищують границю витривалості, запропоновано методику аналізу зображень спекл-структур поверхні матеріалу на стадії розсіяного накопичення пошкоджень із застосуванням нейронних мереж. Щільність мікродеформацій поверхні зразка кількісно оцінено безконтактним методом спекл-інтерферометрії. У процесі навантажування зразків отримували зображення спекл-структур з певною періодичністю з початкового стану і до зародження втомної тріщини. Для аналізу ступеню накопичення пошкодження виокремено два класи зображень. Один клас – це зображення, що відповідають накопиченню пошкоджень до 10% довговічності, інший – більше ніж 90% довговічності. Конфігурація мережі після її тренування дозволяє визначати, до якого класу належить зображення спекл-структури матеріал, отримане у разі накопичування втомного пошкодження.

Nowadays UAV-based Remote Sensing gives a new opportunities for conducting scientific research in a much more detail way. Classification is one of the most important procedures in Remote Sensing tasks. This procedure can be applied in solution of numerous ecological and practical tasks, such as: forest classification, determing of soil types, exploring of oil and gas. Classification of incomplete, imprecise and high conflicting data has always been and still remains the one of most important procedures of remote sensing. In this paper the new approach to applying Dezert-Smarandache Theory in UAV-based remote sensing problems is proposed. This theory can deal with imprecise and highly conflicting information. Dezert-Smarandache Theory and its main concepts are compared with Dempster-Shafer Theory and Probability Theory. Main advantages and disadvantages of these theories were described and analyzed in this paper. The development of Dezert-Smarandache Theory arises from the necessity to overcome the limitations of Dempster-Shafer Theory and Probability Theory. Dempster-Shafer Theory deals only with exhaustive and exclusive hypotheses, that can sometimes provide wrong results of classification. But exhaustive hypotheses can potentially overlap, they can not properly identified and defined. Dezert-Smarandache Theory deals with exhaustive and not mutually exclusive hypotheses. This theory deals with all hypotheses, all intersections and unions of these hypotheses. It is shown, that Dezert-Smarandache Theory can solve classification tasks more efficiently than Probability Theory and Dempster-Shafer Theory, when we combine imprecise and high conflicting data. It is described classical Dezert-Smarandache fusion rule in this paper. It is also considered numerical example with applying Dezert-Smarandache fusion rule for classification of multispectral aerospace images. The proposed approach to applying the Dezert-Smarandache Theory in land-cover classification can be applied in different agriculture and practical tasks, ecological monitoring and searching for minerals., Нині дистанційне зондування з використанням БПЛА відкриває нові можливості для проведення наукових досліджень на значно вищому рівні. Класифікування є однією з найбільш важливих процедур у задачах дистанційного зондування. Така процедура може бути застосована для вирішення численних екологічних і практичних завдань, таких як: класифікування лісів, визначення типів ґрунтів, пошук нафти та газу. Класифікування неповних, неточних та значно суперечливих даних завжди було та є однією із найбільш важливих процедур дистанційного зондування. У статті запропоновано новий підхід до застосування теорії Дезера – Смарандаке в задачах дистанційного зондування з використанням БПЛА. Ця теорія може працювати із неточною і доволі суперечливою інформацією. Проведено порівняння теорії Дезера – Смарандаке та її основних положень із теорією Демпстера – Шейфера і теорією ймовірностей. Описано і проаналізовано основні переваги і недоліки цих теорій. Розвиток теорії Дезера – Смарандаке був зумовлений необхідністю уникнути обмеження, які притаманні теорії Демпстера – Шейфера і теорії ймовірностей. Теорія Демпстера – Шейфера працює тільки з вичерпними та взаємовиключними гіпотезами, що може іноді призводити до неправильних результатів класифікування. Але вичерпні гіпотези можуть потенційно перетинатися і не завжди можуть бути належним чином ідентифіковані та визначені. Теорія Дезера – Смарандаке може працювати із вичерпними та невзаємовиключними гіпотезами. Ця теорія працює з усіма гіпотезами та їх всеможливими перетинами і сполученнями. Засвідчено, що теорія Дезера – Смарандаке може вирішувати завдання класифікування більш ефективно, ніж теорія ймовірностей і теорія Демпстера – Шейфера при комбінуванні неточних та значно суперечливих даних. Описано класичне правило комбінування Дезера – Смарандаке, також розглянуто числовий приклад із застосуванням правила комбінування Дезера – Смарандаке для класифікування багатоспектральних аерокосмічних зображень. Запропонований підхід до застосування теорії Дезера – Смарандаке для класифікування земляного покриву може бути застосований в різних сільськогосподарських та практичних задачах, при проведенні екологічного моніторингу та для пошуку корисних копалин.

Background. The situation with the coronavirus COVID-19 in mid-2021 is causing concern around the world again due to the emergence of a new more dangerous strain “delta”. Attempts are being made to build mathematical models for describing the disease spread. China, the United States and other countries are developing artificial intelligence tools to help predict the COVID-19 diagnosis and are deploying them in hospitals. Objective. The purpose of the paper is to compare how different deep convolutional neural network models deal with COVID-19 disease recognition based on chest X-rays. Methods. The models are based on the VGG16, ResNet50 and SqueezeNet network architectures with the addition of layers to regularize these networks. The models were trained using the transfer learning technology. The quality of the models was assessed based on the confusion matrix, precision, recall, specificity and F-scores on the validation set of X-ray images. Results. Several neural network models have been built to classify an X-ray image of the human chest into two classes: person with COVID-19 (class 1) or healthy person (class 2). The ResNet50 model achieved a fairly high precision of 96 % for class 1 and an overall specificity of 96.14 %. Recall disease detection based on this model was 88%. The VGG-16 model correctly classified 100% (Experiment 1) / 96 % (Experiment 2) of COVID-19 patients in the test sample. The patient class precision and overall specificity values based on this model, however, were lower at 89 % / 92 % and 88.46 % / 92.31 %, respectively, for the two experiments. The F-score values for the ResNet50 and VGG-16 models were quite significant and equal to 92 and 94 %. Conclusions. Deep convolutional neural network models have shown promising results in predicting the COVID-19 diagnosis and require research. Predicting the diagnosis using the developed software based on these models takes up to one minute – this is faster than RT-PCR (reverse transcription PCR) tests, which are used to confirm the disease., Проблематика. Ситуация с коронавирусом COVID-19 по состоянию на середину 2021 года снова вызывает беспокойство во всем мире в связи с появлением нового более опасного штамма “Дельта”. Ученые пытаются построить математические модели описания распространения заболеваемости. В Китае, США и других странах разрабатывают инструменты искусственного интеллекта, направленные на прогнозирование диагноза COVID-19, и внедряют их в больницах. Цель исследования. Сравнить распознавание различными моделями глубоких сверточных нейронных сетей болезни COVID-19 на основе рентген-изображений грудной клетки человека. Методика реализации. Модели построены на основе архитектур сетей VGG16, ResNet50 и SqueezeNet с добавлением слоев для регуляризации этих сетей. Перед последним выходным слоем сети добавляли слой дропаута. Обучение моделей проводилось с использованием технологии передачи знаний transfer learning. Качество моделей оценивалось на основе матрицы ошибок (confusion matrix), показателей точности (precision), полноты (recall) и F-меры на валидационном множестве рентген-изображений. Результаты исследования. Модель на основе архитектуры ResNet50 получила достаточно большое значение precision 96 % для класса 1 и общее значение specificity 96,14 %. Полнота (recall) обнаружения заболевания на основе этой модели составила 88 %. Модель на основе архитектуры VGG-16 правильно классифицировала 100 % (эксперимент 1) / 96 % (эксперимент 2) больных COVID-19 из тестовой выборки. Значение precision для класса больных и значение общей specificity на основе этой модели, однако, были меньшими и составили 89 % / 92 % и 88,46 % / 92,31 % соответственно для двух экспериментов. Значения F-меры для моделей ResNet50 и VGG-16 были довольно значительными и равными 92 и 94 %. Выводы. Модели глубоких сверточных нейронных сетей показали обнадеживающие результаты прогнозирования диагноза COVID-19 и требуют исследований. Прогнозирование диагноза с помощью разработанного программного продукта на основе этих моделей длится до одной минуты – это быстрее, чем тесты RT-PCR (ПЦР с обратной транскрипцией), которые используют для подтверждения заболевания., Проблематика. Ситуація з коронавірусом COVID-19 станом на середину 2021 року знову викликає занепокоєння у всьому світі через появу нового небезпечнішого штаму “Дельта”. Науковці намагаються побудувати математичні моделі опису поширення захворюваності. У Китаї, США й інших країнах розробляють інструменти штучного інтелекту, спрямовані на прогнозування діагнозу COVID-19, і впроваджують їх у лікарнях. Мета дослідження. Порівняти розпізнавання різними моделями глибоких згорткових нейронних мереж хвороби COVID-19 на основі рентген-зображень грудної клітки людини. Методика реалізації. Моделі побудовано на основі архітектур мереж VGG16, ResNet50 і SqueezeNet із додаванням шарів для регуляризації цих мереж. Перед останнім, вихідним шаром мережі додавали шар дропауту. Навчання моделей здійснювали з використанням технології передачі знань transfer learning. Якість моделей оцінювали за матрицею помилок (confusion matrix), показниками точності (precision), повноти (recall/sensitivity), специфічності (specificity) і F-міри на валідаційній/тестовій множині рентген-зображень. Результати дослідження. Побудовано кілька моделей нейронних мереж, що поділяють рентген-зображення грудної клітки людини на класи: хворий на COVID-19 (клас 1) або здоровий (клас 2). Модель на основі архітектури ResNet50 отримала досить велике значення precision 96 % для класу 1 і загальне значення specificity 96,14 %. Recall виявлення захворювання на основі цієї моделі склала 88 %. Модель на основі архітектури VGG-16 правильно класифікувала 100 % (експеримент 1) / 96 % (експеримент 2) хворих на COVID-19 із тестової вибірки. Значення precision для класу хворих і значення загальної specificity на основі цієї моделі, однак, були меншими й склали 89 % / 92 % і 88,46 % / 92,31 % відповідно для двох експериментів. Значення F-міри для моделей ResNet50 і VGG-16 були досить значними й рівними 92 і 94 %. Висновки. Моделі глибоких згорткових нейронних мереж показали обнадійливі результати прогнозування діагнозу COVID-19 і потребують досліджень. Прогнозування діагнозу за допомогою розробленого програмного продукту на основі цих моделей триває до однієї хвилини – це швидше, ніж тести RT-PCR (ПЛР із зворотною транскрипцією), які нині використовують для підтвердження захворювання.

The subject of research is models for constructing image classifiers in the description space as a set of descriptors of key points in the recognition of visual objects in computer vision systems. The goal is to create and study the properties of the image classifier based on the construction of an ensemble of distributions for the components of the structural description using various models of classification decisions, which provides effective classification. Tasks: construction of classification models in the synthesized space of images of probability distributions, analysis of parameters influencing their efficiency, experimental evaluation of the effectiveness of classifiers by means of software modeling based on the results of processing the experimental image base. The applied methods are: ORB detector for formation of keypoint descriptors, data mining, mathematical statistics, means of determining relevance for sets of data vectors, software modeling. The obtained results: The developed method of classification confirms its efficiency and effectiveness for image classification. The effectiveness of the method can be enhanced by the introduction of a variety of types of metrics and measures of similarity between centers and descriptors, by the choice of method of forming centers for reference etalon descriptions, by the introduction of logical processing and compression of the structural description. The best results of the classification were shown by the model using the most important class by the distribution vector for each descriptor corresponding to the mode parameter. The use of a concentrated part of the description data makes it possible to improve its distinction from other descriptions. The use of the median as the center of description has an advantage over the mean. Conclusions. Scientific novelty is the development of an effective method of image classification based on the introduction of a system of probability distributions for data components, which contributes to in-depth analysis in the data space and increases in classification effectiveness. The classifier is implemented in the variants of comparing the integrated representation of distributions by classes and on the basis of mode analysis for the distributions of individual components. The practical importance of the work is the construction of classification models in the modified data space, confirmation of the efficiency of the proposed modifications of data analysis on examples of images, development of software models for implementation of the proposed classification methods in computer vision systems., Предметом исследования являются модели для построения классификаторов изображений в пространстве описаний как множества дескрипторов ключевых точек при распознавании визуальных объектов в системах компьютерного зрения. Целью является создание и изучение свойств классификатора изображений на основе построения ансамбля распределений для компонентов структурного описания с использованием различных моделей принятия классификационных решений, что обеспечивает результативную классификацию. Задача: построение моделей классификации в синтезированном пространстве образов вероятностных распределений, анализ параметров, что воздействуют на их эффективность, экспериментальное оценивание результативности классификаторов средствами программного моделирования по результатам обработки экспериментальной базы изображений. Применяемыми методами являются: детектор ORB для формирования дескрипторов ключевых точек, интеллектуальный анализ данных, математическая статистика, средства определения релевантности для множеств векторов данных, программное моделирование. Полученные результаты: Разработанный метод классификации подтверждает свою работоспособность и эффективность для классификации изображений. Результативность метода может быть усилена введением многообразия видов метрик и мер сходства между центрами и дескрипторами, выбором способа формирования центров для эталонных описаний, введением логической обработки и сжатия структурного описания. Наилучшие результаты классификации показала модель с использованием наиболее весомого класса по вектору распределений для каждого дескриптора, что соответствует параметру моды. Использование концентрированной доли данных описания дает возможность улучшить его отличимость от других описаний. Применение медианы как центра описания имеет преимущество над средним значением. Выводы. Научная новизна - разработка эффективного метода классификации изображений на основе внедрения системы вероятностных распределений для компонентов данных, что способствует углубленному анализу в пространстве данных и повышает результативность классификации. Классификатор реализован в вариантах сопоставления интегрального представления распределений по классам и на основании анализа моды для распределений отдельных компонентов. Практическая значимость работы - построение моделей классификации в видоизмененном пространстве данных, подтверждение работоспособности предложенных модификаций анализа данных на примерах изображений, разработка программных моделей для внедрения предложенных методов классификации в системах компьютерного зрения., Предметом досліджень є моделі для побудови класифікаторів зображень у просторі описів як множини дескрипторів ключових точок при розпізнаванні візуальних об’єктів у системах комп’ютерного зору. Метою є створення та вивчення властивостей класифікатора зображень на підґрунті побудови ансамблю розподілів для компонентів структурного опису із використанням різноманітних моделей прийняття класифікаційних рішень, що забезпечує результативну класифікацію. Завдання: побудова моделей класифікації у синтезованому просторі образів ймовірнісних розподілів, аналіз параметрів, що впливають на їх ефективність, експериментальне оцінювання результативності класифікаторів засобами програмного моделювання за наслідками оброблення експериментальної бази зображень. Застосованими методами є: детектор ORB для формування дескрипторів ключових точок, інтелектуальний аналіз даних, математична статистика, засоби визначення релевантності для множин векторів даних, програмне моделювання. Отримані результати: Розроблений метод класифікації підтверджує свою працездатність та ефективність для класифікації зображень. Результативність методу може бути посилена введенням різноманіття видів метрик та мір подібності між центрами та дескрипторами, вибором способу формування центрів для еталонних описів, введенням логічного оброблення та стиснення структурного опису. Найкращі результати класифікації показала модель з використанням найбільш вагомого класу за вектором розподілів для кожного дескриптора, що відповідає параметру моди. Використання концентрованої частки даних опису дає можливість покращити його розрізнення з іншими описами. Застосування медіани як центру опису має перевагу над середнім значенням. Висновки. Наукова новизна – розроблення ефективного методу класифікації зображень на основі впровадження системи ймовірнісних розподілів для компонентів даних, що сприяє поглибленому аналізу у просторі даних та підвищує результативність класифікації. Класифікатор реалізовано у варіантах зіставлення інтегрального подання розподілів за класами і на підставі аналізу моди для розподілів окремих компонент. Практична значущість роботи – побудова моделей класифікації у видозміненому просторі даних, підтвердження працездатності запропонованих модифікацій аналізу даних на прикладах зображень, розроблення програмних моделей для впровадження запропонованих методів класифікації у системах комп’ютерного зору.

Кваліфікаційна робота включає пояснювальну записку (50 с., 36 рис., 2 додатки). Об’єкт розробки – створення комп’ютерного засобу для діагностування захворювань на основі нейронної мережі, яка дозволяє визначати наявність недугу. Предмет розробки – автоматизація діагностування діабетичної ретинопатії. Комп’ютерний засоб дозволяє: діагностувати захворювання на основі цифрового зображення, яке завантажене користувачем використовуючи графічний інтерфейс. В процесі розробки було використано мову програмування високого рівня Python та пакети TensorFlow, Keras, NumPy. В ході розробки: - проведено аналіз методів машинного навчання для класифікації цифрових зображення; - розроблено програмну систему для діагностування діабетичної ретинопатії з користувацьким інтерфейсом; - виконано дослідження ефективності розробленої системи; Використання цієї системи дозволить автоматизувати діагностування недугу. Що надає можливість своєчасного лікування пацієнта, економить час і сили лікарів. The object of development - the creation of a software system for diagnosing diseases based on the neural network, which allows to determine the presence of the disease. The subject of development is the automation of the diagnosis of diabetic retinopathy. The software system allows user to diagnose the disease on the basis of a digital image that is uploaded using a graphical interface. In the development process were using programming language Python and such packages as TensorFlow, Keras, NumPy. During development: - analysis of machine learning methods for the classification of digital images is carried out; - developed a software system for the diagnosis of diabetic retinopathy with a user interface; - studied the efficiency of the developed software. The use of this software system will make it possible to automate the diagnosis of the disease. That can help to timely treat the patient, save the time and effort of doctors.

Пояснювальна записка дипломного проєкту складається з п’яти розділів, містить 28 рисунків, 14 таблиць, 1 додаток, 12 джерел. Дипломний проєкт присвячений розробці системи класифікації пневмонії на рентгенівських знімках. У роботі були розглянуті методи класифікації зображень за допомогою машинного навчання, а саме нейронні мережі Цілями розробки є полегшення процесу розпізнавання пневмонії, збільшення точності аналізу при аналізі хворих, надання можливості попереднього аналізування даних без участі лікаря. Розділ «Загальні положення» був присвячений опису предметного середовища, опису функціональної моделі, огляду аналгів. У розділі «Інформаційне забезпечення» були визначені вхідні та вихідні дані системи. Були описані вхідні дані для навчання системи. Розділ «Математичне забезпечення» присвячений опису методів навчання системи, обґрунтування вибору методів, аналіз їх переваг для розв’язку обраної задачі. Також описані результати, що були отримані в ході навчання системи. Розділ «Програмне забезпечення» описує засоби розробки системи. Надані вимоги до програмного забезпечення у вигляді технічного завдання. Описана архітектура програмного забезпечення. У технологічному розділі була сформована інструкція користувача і описані тестові сценарії і результати їх проходження системою. Diploma work consists of five sections, 28 drawings, 14 tables, 1 application, 12 sources. Diploma project was dedicated to develop system of detecting pneumonia on X-ray. The methods of image classification using machine learning, as neural networks, were considered in the work for detecting pneumonia task. The objectives of the development are to facilitate the process of recognizing pneumonia, increase the accuracy of analysis, providing the possibility of preliminary analysis X-rays without the participation of a physician. The section "General Provisions" was devoted to the description of the subject environment and the functional model, also to analyze analogues. In the section of information support the input and output data of the system were determined. Input data for system training were described. The section of mathematical support is devoted to describe methods of training of system, the substantiation of a chosen methods, the analysis of their advantages for the decision of the chosen problem. Also, the results obtained during the training of the system were described. The Software section describes development tools, that were used for development. The requirements to the software were given. The software architecture was described. In the technological section the user's instruction was provided and test scenarios and results of their passing were described.

Магістерська дисертація: с. 90, рис. 14, табл. 21, 30 джерел, 1 додаток. Актуальність. Задача класифікації зображення будівель за архітектурним стилем відрізняється від інших задач класифікації наявністю міжкласових взаємозв’язків між різними стилями, тобто велика кількість рис та ознак є спільною для декількох архітектурних стилів. Іншим фактором, що робить задачу більш складною, є існування певних відмінностей у кожному стилю в залежності від території та часу, коли будівля була збудована. Необхідність мати можливість визначати стиль для зображень з різних ракурсів та різної якості накладає додаткові вимоги на алгоритми класифікації зображень. Визначення архітектурних стилів будівель – це поширена задача в документуванні архітектурної спадщини та моделюванні, проектуванні нових будівель у містах, тому що існує необхідно зберегти єдиний архітектурний стиль. Розробка алгоритму, що дозволяє виконувати класифікацію зображень з тісними міжкласовими зв'язками, є актуальною у наш час не тільки для класифікації архітектурного стилю будівель, а також і в інших галузях. Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалась на кафедрі автоматизованих систем обробки інформації та управління Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського» в рамках теми «Ефективні методи розв'язання задач теорії розкладів» (№ ДР 0117U000919). Мета дослідження – удосконалення алгоритмів класифікації зображень з тісними міжкласовими взаємозв’язками, зменшення часу навчання нейронної мережі при збереженні точності навчання. Для досягнення мети необхідно виконати наступні завдання: ⎯ провести аналіз існуючих методів класифікації зображень;модифікація існуючих методів для покращення точності та зменшення часу навчання; ⎯ створення вибірки зображень будівель; ⎯ програмна реалізація алгоритму та розробка програмного забезпечення; ⎯ порівняти ефективність модифікованого алгоритму з існуючими для розв’язання задачі визначення архітектурного стилю будівлі. Об’єкт дослідження – процес навчання нейронної мережі для класифікації зображень з тісними міжкласовими взаємозв’язками та класифікація зображень будівель за архітектурним стилем. Предмет дослідження – алгоритми-оптимізатори та методи, що використовуються під час навчання нейронної мережі для зміни її атрибутів, таких як ваги та швидкість навчання. Наукова новизна отриманих результатів полягає в удосконаленні алгоритму коригування параметрів нейронної мережі під час її навчанні для розв’язання задачі класифікації зображень з тісними міжкласовими взаємозв’язками. Практичне значення одержаних результатів полягає у створенні системи розпізнавання архітектурних стилів будівель та методу навчання нейронної мережі, що за меншу кількість часу навчання досягає більшої точності. Публікації. Матеріали роботи опубліковані в тезах науково-практичної конференції молодих вчених та студентів «Інформатика та обчислювальна техніка- ІОТ-2020», «Інформатика та обчислювальна техніка-ІОТ-2021» та прийнята до публікації стаття у науковому фаховому виданні «Системні технології». Master's Thesis: pp. 90, fig. 14, tab. 21, app. 30, sources 1. Topicality. The problem of classifying the image of buildings by architectural style differs from other problems of classification by the presence of interclass relationships between different styles, ie a large number of features and characteristics are common to several architectural styles. Another factor that makes the task more difficult is the existence of certain differences in each style depending on the area and time when the building was built. The need to be able to determine the style for images from different angles and different quality imposes additional requirements on image classification algorithms. Defining the architectural styles of buildings is a common task in documenting the architectural heritage and modeling, designing new buildings in cities, because there is a need to maintain a single architectural style. The development of an algorithm that allows the classification of images with close interclass relationships is relevant today not only for the classification of architectural style of buildings, but also in other areas. Relationship of work with scientific programs, plans, themes. The work was performed at the Department of Automated Information Processing and Control Systems of the National Technical University of Ukraine «Kyiv Polytechnic Institute. Igor Sikorsky» in the framework of the «Effective methods for solving problems of schedule theory» (state registration number 0117U000919). The aim of the research is to improve the algorithms for classifying images with close interclass relationships, reducing the learning time of the neural network while maintaining the accuracy of learning. To achieve this goal the following tasks have to be completed: – to analyze the existing methods of image classification; – modification of existing methods to improve accuracy and reduce training time; – creating a sample of images of buildings; – software implementation of the algorithm and software development;compare the efficiency of the modified algorithm with the existing ones to solve the problem of determining the architectural style of the building. The object of study is the process of learning a neural network for the classification of images with close interclass relationships and the classification of images of buildings by architectural style. The subject of study is optimization algorithms and methods used during neural network training to change its attributes, such as weight and learning speed. Scientific novelty of the obtained results is to obtain an algorithm-optimizer to reduce losses in the training of the neural network to solve the problem of classifying images with close interclass relationships. The practical significance of the obtained results is to create a system for recognizing architectural styles of buildings and a method of learning the neural network, which in less time achieves greater accuracy. Publications. Materials of the work were published in the abstracts of the scientific-practical conference of young scientists and students "Informatics and Computer Engineering-IOT-2020", "Informatics and Computer Engineering-IOT-2021" and accepted for publication in the scientific professional publication "System Technologies".

Магістерська дисертація 149 с., 117 рис., 26 табл., 1 додатки, 21 джерел. Об'єктом дослідження є сегментаційні маски зображень. Предметом дослідження є алгоритми створення сегментаційних масок, методи глибокого навчання. Мета дослідження: 1. Розробити алгоритм генерації сегментаційних масок, використовуючи тільки класи зображень. 2. Використати даний алгоритм на датасеті зображень і оцінити його. Новизна: запропонований градієнтний алгоритм до цього не використовувався для генерації масок всього датасету. Також сама проблема генерації розмітки на сьогодні тільки набуває популярності. В даній роботі було розглянуто градієнтний алгоритм для генерації сегментаційних масок, оптимізуючи модель лише на класах зображень. Отримані результати свідчать про перспективність використання даного методу. Також було запропоновано можливі шляхи удосконалення алгоритму. В результаті було оптимізовано алгоритм, який згенерував розмітку для вибірки зображень з дефектними листами сталі. Master's Thesis 149 pp., 117 Fig., 26 tables, 1 supplements, 21 sources. The object of the study is segmentation image masks. The subject of the study is an algorithm that generates segmentation image masks, using deep neural nets. The aim of the study: 1. Develop algorithm, which generates segmentation masks, using image class labels. 2. Use developed algorithm on image dataset and evaluate performance. Novelty: proposed gradient algorithm was not used for segmentation labeling of the whole dataset previously. Also the overall problem of segmentation markup generation is only becoming popular nowadays. In this paper gradient algorithm for mask generation, which needs only image class labels for optimization, was studied. Results of research propose future perspectives of the usage of the proposed algorithm. Also possible ways for algorithm improvement were proposed. As a result of research, the algorithm, which generated segmentation markup for defected steel plates, was developed.

Дипломна робота: 103 с., 30 рис., 4 табл., 2 дод., 14 джерел. Об’єкт дослідження: атаки на класифікаційні нейронні мережі. Предмет дослідження: методи захисту нейронних мереж від змагальних атак Мета дослідження: розробка методу захисту нейронних мереж від змагальних атак, направлених на погіршення класифікації. Актуальність даного дослідження полягає в тому, ефективний захист від змагальних атак дозволить підвищити точність класифікації. Методи дослідження – методи машинного навчання: глибокі нейронні мережі. Результати роботи - було створено і протестовано систему класифікації зображень з підвищеною стійкістю до змагальних атак. Аналіз роботи показав, що система може бути використана на реальних підприємствах. Bachelor thesis: 103 p., 30 fig., 4 tabl., 2 appendixes, 14 references. Object of research: adversarial attacks on classification neural networks. Subject of research: methods of protection of neural networks from adversarial attacks The purpose of the study: to develop a method of protecting neural networks from adversarial attacks aimed at deteriorating classification. The relevance of this study is that effective protection against adversarial attacks will increase the accuracy of classification and make it robust. Research methods - machine learning methods: deep neural networks. Results of work - the system of image classification that is robust to adversarial attacks was created and tested. Analysis of the work showed that the methods can be used in real enterprise systems.

Розроблено модель, алгоритм функціонування та програмну реалізацію інформаційної технології класифікаційного аналізу шкіряних захворювань на дермоскопічних знімках. В основі даної технології лежить використання глибоких згорткових нейронних мереж з детектуючим шаром YOLO. Розроблений алгоритм реалізовано у формі скриптів на мові програмування Python 3.

Дипломну роботу виконано на 84 аркушах, вона містить 4 додатки та перелік посилань на використані джерела з 11 найменувань. У роботі наведено 37 зображень та 30 формул. Метою даної дипломної роботи є створення системи пошуку зображень транспортних засобів за номерниким знаками. У роботі виконано огляд та аналіз методів і алгоритмів класифікації та пошуку зображень, оглянуто зразки та можливості сучасних систем розпізнавання зображень, розроблено архітектуру системи пошуку. Для розв’язання задачі в роботі тришарову архітектуру побудовану за принципом REST, основану на структурному шаблоні Модель-Вид-Контролер. The thesis is performed on 84 sheets, it contains 4 appendices and a list of references to the sources used with 10 titles. The paper contains 37 figures and 30 formulas. The purpose of this thesis is to create a Vehicle Image Search Engine. The analysis of the existing types of architectural solutions of the set task - multilayer types of architectures, basic information on architecture design is carried out in the work. Their comparison is performed in terms of development efficiency, load resistance, fault tolerance, reliability of data storage. To solve the problem, the three-layer architecture is built on the principle of REST, based on the structural template Model-View-Controller.

Даний дипломний проект присвячений розробці програмного забезпечення для автоматизованого виявлення хвороби Альцгеймера на ранніх стадіях з високою точністю. У роботі представлена інформація про хворобу Альцгеймера, що стосується досліджуваної проблеми. Було проведено аналіз досліджень останніх років та виділено найважливіші фактори для подальшої роботи у цьому напрямку. Взявши за основу отриману інформацію були застосовані методи глибокого навчання та проведені експерименти з вивчення нейронної мережі. Для досягнення кращих результатів були використані методи зменшення розмірності зображень та різні варіації сегментації зображень для покращення класифікації зображень. Результатом роботи є порівняльний аналіз результатів проведених експериментів з існуючими минулих років. Після проведення ряду експериментів було доведено, що результати роботи програми з використанням глибокої нейронної мережі виявились більш точними в порівнянні з минулими результатами. У даному дипломному проекті розроблено: програмне забезпечення для автоматизованого виявлення хвороби Альцгеймера за допомогою згорткових нейронних мереж використовуючи набір даних структурних МРТ-ображень мозку. This thesis project is dedicated to the development of software for the automated detection of Alzheimer's in the early stages with high accuracy. This paper presents information about Alzheimer's disease related to the problem under study. An analysis of the recent studies has been conducted and the most important factors have been identified for further work in this area. Based on the information received, deep learning methods were applied and experiments were conducted to study the neural network. For best results, image reduction techniques and different variations of image segmentation were used to improve image classification. The result of the work is a comparative analysis of the results of the conducted experiments with the existing ones of the previous years. After conducting a number of experiments, it was proved that the results of the program using a deep neural network were more accurate than the previous results. The following structures and algorithms are developed in this project: software for automated detection of Alzheimer's disease using convolutional neural networks using a set of structural MRT images of the brain.

Структура та обсяг роботи. Пояснювальна записка дипломного проекту складається з шести розділів, містить 18 рисунків, 21 таблиць, 1 додаткок, 17 джерел. Дипломний проект присвячений розробці системи класифікації зображень з метою визначення архітектурних стилів будівель. В дипломному проекті розглянуті методи класифікації цифрових зображень, засновані на машинному навчанні за допомогою нейронних мереж. Система вирішує задачу документування культурної спадщини та дозволяє зменшити помилки при визначенні архітектурного стилю. У розділі загальні положення описано предметне середовище, процес діяльності та опис функціональної моделі системи. Також у розділі описано порівняння системи з наявними аналогами та описані мета та призначення розробки системи. У розділі з інформаційного забезпечення були визначені дані для навчання системи, вхідні та вихідні дані до комплексу задач, були розроблені вимоги до зображень для аналізу, що відповідають поставленим цілям проекту. Розділ математичного забезпечення присвячений обґрунтуванню обраного підходу навчання системи, що дозволив збільшити точність результатів. Розділ програмного забезпечення описує основні засоби розробки комплексу задач, висунуті вимоги до технічного забезпечення. В цьому розділі обрано та обґрунтовано архітектуру програмного забезпечення. У технологічному розділі описана інструкція користувача та проведене тестування комплексу задач. Structure and scope of work. Diploma project consists of six sections, contains 18 drawings, 21 tables, 1 applications, 17 sources. The diploma project is devoted to the development of tasks for the classification of images in order to determine the architectural styles of the buildings. Automatic methods for the classification of images during the analysis of architectural objects solve the problem of documenting cultural heritage and significantly reduce mistakes in sorting: usually a large number of images are processed and this is a tedious task, the process of classification by experts is prone to errors and takes a lot of time. The correct classification allows to study and analyze cultural heritage more effectively. In the diploma project were considered methods of classification of digital images, based on machine learning with the help of neural networks. The section on information provision define the data for training neural network, input and output data to a set of tasks, requirements for images for analysis, which corresponds to the set objectives of the project. The section of mathematical support is devoted to substantiation of the chosen approach of training the system, which allows to increase the accuracy of the results. The software section describes the main tools for developing a set of tasks, the requirements for technical support. This section defines and justifies the software architecture. The technology section describes the user's manual and tests a set of tasks.

Дипломна робота: 101 с., 19 рис., 10 табл., 3 дод., 38 джерел. Метою даної роботи є дослідження можливості та властивостей застосування згорткових нейронних мереж до задач розпізнавання та класифікації дорожніх об’єктів в умовах наявності цифрового шуму на зображеннях, а також дослідження роботи алгоритмів зменшення рівня шуму в застосуванні до вказаних типів задач. Актуальність теми: розпізнавання та класифікація дорожніх об’єктів є ключовим для багатьох напрямків, що швидко розвиваються, при цьому рішення на їх основі мають прийматися в реальному часі та виходячи лише з отриманих даних, які можуть мати високий рівень цифрового шуму, що значно ускладнює роботу систем. Тому необхідні моделі, здатні визначати наявність шуму та мати відповідні механізми усунення його впливу. Об’єктом дослідження є набори цифрових зображень, які містять дорожні об’єкти різних класів і які можуть мати певний рівень цифрового шуму. Предметом дослідження є моделі згорткових нейронних мереж з оптимізованим використанням параметрів та алгоритми зменшення шуму в зображеннях в їх застосуванні до задачі розпізнавання та класифікації. Методи дослідження: застосовані моделі згорткових нейронних мереж, методи зменшення рівня шуму в зображеннях, алгоритми навчання нейронних мереж, виконані за допомогою мови програмування Python. Отримані результати: створено алгоритми розпізнавання та класифікації дорожніх об’єктів з використанням моделей згорткових нейронних мереж та зменшенням рівня цифрового шуму, для чого реалізовано два варіанти вирішення задачі, для використання в реальному часі та з попередньою обробкою, в ході чого було визначено оптимальний алгоритм для вирішення задачі. За матеріалами бакалаврської роботи готуються до публікації тези доповіді на міжнародній науково-практичній конференції «Інтелектуальні системи та інформаційні технології» (ISIT2019), Одеса, Україна. Thesis: Convolutional neural networks and their application to road objects recognition under noise conditions. The thesis contains 101 p., 19 fig., 10 tabl., 3 app., 38 sources. The purpose of this thesis is research of possibility and attributes of applications of convolutional neural networks to the problems of recognition and classification of road objects in conditions with digital noise appearance on images, and also research of efficiency and comparison of noise level reduction algorithms in application to the mentioned problems. Topicality of the theme: road objects recognition and classification is crucial for many rapidly developing research and application branches, and at the same time the decisions based on the solutions of these problems should be made in real time and only based on the received data, which may have high noise level that makes the systems operations more difficult. Because of this the models that are able to measure the noise level and have noise reduction mechanisms are needed. The object of research are sets of digital images that contain road objects from different classes and that can have some level of digital noise. The subject of research are the convolutional neural network models with optimized parameter usage and algorithms of noise level reduction in images in application to the recognition and classification problem. Methods of research: applied convolutional neural network models, algorithms of noise level reduction in images, neural networks learning algorithms, implemented with the Python programming language. Received results: the algorithms for recognition and classification of road objects with usage of convolutional neural network models and digital noise level reduction were created, for what two variants of problem solution were implemented, for real-time application and with data preprocessing, and during that the optimal algorithm for problem solution was determined. On materials of the thesis abstract at the international scientific and practical conference «Intellectual systems and information technologies» (ISIT2019), Odesa, Ukraine, is awaiting publication.

Структура та обсяг роботи. Пояснювальна записка дипломного проекту складається з шести розділів, містить 18 рисунків, 11 таблиць, 1 додаток, 15 джерел. Дипломний проект присвячений розробці інформаційної системи підтримки розпізнавання комп’ютерних гестур. У розділі інформаційного забезпечення були вказані вхідні та вихідні дані до системи, було описано звідки формується навчаюча вибірка для згорткової нейронної мережі та описана структура зберігання даних, необхідних для роботи системи. Розділ математичного забезпечення присвячений обґрунтуванню обраного підходу вирішення поставленої задачі та опису його роботи. Програмне забезпечення описує засоби розробки системи, вимоги до технічного забезпечення та архітектуру програмного забезпечення. У технологічному розділі описана інструкція користувача та проведене тестування комплексу задач. Structure and scope of work. Diploma project consists of six sections, contains 18 drawings, 11 tables, 1 applications, 15 sources. The diploma project is devoted to the development of information support system for recognizing computer gestures. The information support section describes the input and output data to the system, describes where is the training set is and describes the storage structure necessary for the system to work. The section of mathematical support is devoted to the substantiation of the chosen approach to the solution and the description of its work. The software describes system development tools, hardware requirements and software architectures. The technology section describes the user's manual and tests a set of tasks.

The methodology for researching of natural protected territories using GIS QGIS according to remote sensing data by Sentinel-2 on the territory of the National Nature Park «Pripyat-Stokhid» is proposed. Based on the results of the unsupervised classification using the ISODATA method and interpretation were chosen 7 classes that clearly correspond to natural and anthropogenic objects. There are open reservoirs; territories covered with forests; territories covered with young forest and continuous bushes; territories with natural herbaceous vegetation; territories with swamps and characteristic marsh vegetation; built-up territories and open ground; and unclassified objects. On the basis of the classes received by the ISODATA method, an unsupervised classification was performed by the K-Means method. Difference in pixels’ distributions of classified images by classes between the two methods is an average of 1.4%. The results of classification by both methods are correlates with the project of National Nature Park «Pripyat-Stokhid» natural protected territories. Due to the lack of reliable information about natural objects, the Using of the proposed methodology, it is possible for any natural protected territories to obtain freely available Sentinel-2 remote sensing data, using free open source GIS software QGIS make analyses it and obtain classification signatures of the main classes natural and anthropogenic objects of the researched territory., Запропоновано методику дослідження природно-заповідних територій з використанням ГІС QGIS за даними дистанційного зондування Sentinel-2, яку апробовано на територію Національного природного парку “Прип’ять–Стохід”. За результатами неконтрольованої класифікації за методом ISODATA та дешифрування обрано сім класів, чітко відповідних природним й антропогенним об’єктам. На основі визначених за алгоритмом ISODATA класів була складена неконтрольована класифікація за алгоритмом K-Means. Розбіжність розподілу пікселів класифікованих зображень за класами між обома методами становить в середньому 1.4%. Дані класифікації за обома методами корелюють з проектом організації природо-заповідної території “Прип’ять–Стохід”, що був розроблений у 2008 році.

Проблематика. У статті розглянуто задачу розпізнавання образів та один з її різновидів – розпізнавання сигналів з використанням їх розкладання за ортогональними базисними функціями.Мета дослідження. Виконати дослідження задачі з розпізнавання двовимірних образів за допомогою двох ортогональних перетворень: перетворення Адамара і косинусного перетворення.Методика реалізації. Для зменшення кількості спектральних складових при розкладанні сигналу в ортогональному базисі пропонується виконати попередню обробку сигналів. Для цього еталонний сигнал нормалізується за рівнем, що дає змогу проводити порівняння тестового і досліджуваного сигналів через розрахунок коефіцієнта трансформант, який є мірою подібності цих сигналів.Результати дослідження. Наведено теоретичну інформацію, покладену в основу цього методу класифікації. За­про­поно­вано алгоритми зведення еталонного і досліджуваного сигналів, які необхідно виконати перед визначенням подібності образів. Принциповим є зведення еталонного сигналу до двовимірної базової функції, яка створюється на основі вибраного дво­ви­мірного ортогонального перетворення. На прикладі кількох двовимірних образів проведено повний цикл розрахунків для визначення подібності двовимірних сигналів. Розрахунки виконано за допомогою перетворення Адамара і косинусного перетворення. Наведено двовимірні зображення отриманих спектрів.Висновки. Показано, що при використанні нормалізації двовимірних образів можливо проводити їх розпізнавання на базі обчислень коефіцієнта трансформант. Аналіз результатів розрахунків доводить, що за значенням коефіцієнта трансформант можливо проводити розподіл сигналів за різними класами.Висновки.В результаті досліджень показано, що при використанні нормалізації двовимірних образів можливо проводити їх розпізнавання на базі обчислень коефіцієнту трансформант. Аналіз результатів розрахунків доводить, що за значенням коефіцієнту трансформант можливо проводити розподіл сигналів по різним класам. В подальшому існує необхідність створення відповідних класифікаторів., Background. The problem of pattern recognition is considered in this paper. We propose to use orthogonal basis functions for pattern recognition of 2D signals.Objective. The aim of this paper is investigation of pattern recognition problem of 2D images based on cosine and Hadamard transforms.Methods. Pre-processing of signals is proposed to reduce the number of spectral components in the orthogonal series of signal decomposition. Normalization of a reference signal “in terms of level” allows comparing reference and tested signals by means of transform coefficient calculation. This coefficient is a match criterion of these signals.Results. Theoretical information used for proposed classification method is described. The normalization algorithms of the reference and tested signals, which have to perform before determining similarity of images, are proposed. Transformation of a reference signal to two-dimensional basic function is fundamental point. This basic function is based on selected 2D orthogonal transform. Complete cycle of calculation for pattern recognition of some 2D images is executed. The calculations were performed using Hadamard and cosine transforms. 2D images of obtained spectra are given.Conclusions. As a result, this research shows that we can perform pattern recognition of normalized 2D images based on calculation of transform coefficient. The analysis of calculation results shows that classification of signals based on transform coefficient values is possible. Development of matching classifiers is the aim of the next research., Проблематика. В статье рассмотрены задача распознавания образов и одна из ее разновидностей – распознавание сигналов с использованием их разложения по ортогональным базисным функциям.Цель исследования. Провести исследование задачи распознавания двумерных образов при помощи двух орто­го­нальных преобразований: преобразования Адамара и косинусного преобразования.Методика реализации. Для уменьшения числа спектральных составляющих при разложении сигнала в ортогональном базисе предлагается проводить предварительную обработку сигналов. Для этого выполняется нормализация эталонного сигнала по уровню, что позволяет проводить сравнение тестового и исследуемого сигналов путем расчета коэффициента трансформант, который является мерой подобия этих сигналов.Результаты исследования. Приведена теоретическая информация, использованная при построении этого метода классификации. Предложены алгоритмы приведения эталонного и исследуемого сигналов, которые необходимо выполнить перед определением подобности образов. Принципиальным моментом является приведение эталонного сигнала к двумерной базовой функции, которая формируется на основе выбранного двумерного ортогонального преобразования. На примере нескольких двумерных образов проведен полный цикл расчетов для определения подобности двумерных сигналов. Расчеты выполнены при помощи преобразования Адамара и косинусного преобразования. Приведены двумерные изображения полученных спектров.Выводы. Показано, что при использовании нормализации двумерных образов возможно проводить их распознавание на базе вычислений коэффициента трансформант. Анализ результатов расчетов доказывает, что по значениям коэффициента трансформант возможно выполнять разделение сигналов по различным классам.

Проблематика. У статті розглянуто задачу розпізнавання образів та один з її різновидів – розпізнавання сигналів з використанням їх розкладання за ортогональними базисними функціями. Мета дослідження. Виконати дослідження задачі з розпізнавання двовимірних образів за допомогою двох ортогональних перетворень: перетворення Адамара і косинусного перетворення. Методика реалізації. Для зменшення кількості спектральних складових при розкладанні сигналу в ортогональному базисі пропонується виконати попередню обробку сигналів. Для цього еталонний сигнал нормалізується за рівнем, що дає змогу проводити порівняння тестового і досліджуваного сигналів через розрахунок коефіцієнта трансформант, який є мірою подібності цих сигналів. Результати дослідження. Наведено теоретичну інформацію, покладену в основу цього методу класифікації. Запропоновано алгоритми зведення еталонного і досліджуваного сигналів, які необхідно виконати перед визначенням подібності образів. Принциповим є зведення еталонного сигналу до двовимірної базової функції, яка створюється на основі вибраного двовимірного ортогонального перетворення. На прикладі кількох двовимірних образів проведено повний цикл розрахунків для визначення подібності двовимірних сигналів. Розрахунки виконано за допомогою перетворення Адамара і косинусного перетворення. Наведено двовимірні зображення отриманих спектрів. Висновки. Показано, що при використанні нормалізації двовимірних образів можливо проводити їх розпізнавання на базі обчислень коефіцієнта трансформант. Аналіз результатів розрахунків доводить, що за значенням коефіцієнта трансформант можливо проводити розподіл сигналів за різними класами. Висновки.В результаті досліджень показано, що при використанні нормалізації двовимірних образів можливо проводити їх розпізнавання на базі обчислень коефіцієнту трансформант. Аналіз результатів розрахунків доводить, що за значенням коефіцієнту трансформант можливо проводити розподіл сигналів по різним класам. В подальшому існує необхідність створення відповідних класифікаторів. Background. The problem of pattern recognition is considered in this paper. We propose to use orthogonal basis functions for pattern recognition of 2D signals. Objective. The aim of this paper is investigation of pattern recognition problem of 2D images based on cosine and Hadamard transforms. Methods. Preprocessing of signals is proposed to reduce the number of spectral components in the orthogonal series of signal decomposition. Normalization of a reference signal “in terms of level” allows comparing reference and tested signals by means of transform coefficient calculation. This coefficient is a match criterion of these signals. Results. Theoretical information used for proposed classification method is described. The normalization algorithms of the reference and tested signals, which have to perform before determining similarity of images, are proposed. Transformation of a reference signal to two-dimensional basic function is fundamental point. This basic function is based on selected 2D orthogonal transform. Complete cycle of calculation for pattern recognition of some 2D images is executed. The calculations were performed using Hadamard and cosine transforms. 2D images of obtained spectra are given. Conclusions. As a result, this research shows that we can perform pattern recognition of normalized 2D images based on calculation of transform coefficient. The analysis of calculation results shows that classification of signals based on transform coefficient values is possible. Development of matching classifiers is the aim of the next research. Проблематика. В статье рассмотрены задача распознавания образов и одна из ее разновидностей – распознавание сигналов с использованием их разложения по ортогональным базисным функциям. Цель исследования. Провести исследование задачи распознавания двумерных образов при помощи двух ортогональных преобразований: преобразования Адамара и косинусного преобразования. Методика реализации. Для уменьшения числа спектральных составляющих при разложении сигнала в ортогональном базисе предлагается проводить предварительную обработку сигналов. Для этого выполняется нормализация эталонного сигнала по уровню, что позволяет проводить сравнение тестового и исследуемого сигналов путем расчета коэффициента трансформант, который является мерой подобия этих сигналов. Результаты исследования. Приведена теоретическая информация, использованная при построении этого метода классификации. Предложены алгоритмы приведения эталонного и исследуемого сигналов, которые необходимо выполнить перед определением подобности образов. Принципиальным моментом является приведение эталонного сигнала к двумерной базовой функции, которая формируется на основе выбранного двумерного ортогонального преобразования. На примере нескольких двумерных образов проведен полный цикл расчетов для определения подобности двумерных сигналов. Расчеты выполнены при помощи преобразования Адамара и косинусного преобразования. Приведены двумерные изображения полученных спектров. Выводы. Показано, что при использовании нормализации двумерных образов возможно проводить их распознавание на базе вычислений коэффициента трансформант. Анализ результатов расчетов доказывает, что по значениям коэффициента трансформант возможно выполнять разделение сигналов по различным классам.