Актуальность темы обусловлена тем, что на металлургическом предприятии вручную ведётся подсчёт и сверка количества трубной продукции, что предполагает большие трудозатраты и допущение ошибок в подсчётах. Научная новизна состоит в том, что было проанализировано большое количество исследований по теме применения методов компьютерного зрения для автоматизации бизнес-процессов на металлургическом предприятии, а также разработана уникальная программа, распознающая геометрические фигуры на снимке и подсчитывающая их количество. Практическая значимость работы заключается в том, что разработанная программа будет ежедневно использоваться в процессе отгрузки трубной продукции, упрощая процесс подсчёта количества труб в пачке и снижая время обработки заказа на отгрузку. / The relevance of the topic is due to the fact that the metallurgical enterprise manually counts and reconciles the number of pipe products, which involves large labor costs and the assumption of errors in calculations. The scientific novelty lies in the fact that a large number of studies on the use of computer vision methods for automating business processes at a metallurgical enterprise have been analyzed, and a unique program has been developed that recognizes geometric shapes in the image and counts their number. The practical significance of the work lies in the fact that the developed program will be used daily in the process of shipping pipe products, simplifying the process of counting the number of pipes in a bundle and reducing the processing time of the shipment order.

Целью исследования является разработка модели машинного обучения распознавания и классификации элементов интерфейса для оптимизации процессов тестирования веб-приложений. / The purpose of the research is to develop a machine learning model for recognizing and classifying interface elements to optimize the testing processes of web applications.

This work is devoted to the creation of a model for automatic segmentation of images of marine mammals, in particular dolphins, using machine learning methods and neural networks. The aim of the study was to develop an effective model for segmentation of marine mammals, which will improve the processes of monitoring and identification of these animals in their natural habitat. To achieve this goal, it is planned to analyze modern machine learning methods for the task of segmentation and identification of marine mammals, study the architectures of neural networks used in the field of segmentation and select suitable tools for implementing the model, collect and mark up a dataset with dolphin images, conduct experiments with training various neural network architectures, conduct experiments with augmentations and draw conclusions about the work done. The development of a marine mammal segmentation system proposed in the work has significant potential for improving the monitoring of populations and implementing strategies for preserving marine ecosystems. The created model allows to precisely highlight contours and areas of interest in images, which significantly simplifies the process of identification of individuals. The results of the study open up new opportunities for further research in the field of marine biology and environmental protection. / Данная работа посвящена созданию модели для автоматической сегментации изображений морских млекопитающих, в частности дельфинов, с использованием методов машинного обучения и нейронных сетей. Цель исследования заключалась в разработке эффективной модели сегментации морских млекопитающих, которая позволит улучшить процессы мониторинга и идентификации данных животных в их естественной среде обитания. Для достижения этой цели предполагается провести анализ современных методов машинного обучения для задачи сегментации и идентификации морских млекопитающих, изучить архитектуры нейронных сетей, применяемых в области сегментации, и выбрать подходящие инструменты для реализации модели, собрать и разметить датасет с изображениями дельфинов, провести эксперименты с обучением различных архитектур нейронных сетей, провести эксперименты с аугментациями и сделать выводы о проделанной работе. Разработка системы сегментации морских млекопитающих, предложенная в работе, обладает значительным потенциалом для улучшения мониторинга популяций и реализации стратегий сохранения морских экосистем. Созданная модель позволяет точно выделить контуры и области интереса на изображениях, что значительно облегчает процесс идентификации особей. Результаты исследования открывают новые возможности для дальнейших исследований в области морской биологии и охраны окружающей среды.

This work is devoted to the creation of a model for automatic detection and classification of whales and dolphins in the image using neural networks. The aim of the research was to develop an effective model for detection and classification of marine mammals, which will improve the process of monitoring these animals in their natural habitat. To achieve the objective, it is necessary to analyse advanced machine learning techniques for the task of marine mammal detection, study the neural network architectures used in the field of detection, collect and mark up a dataset of whale and dolphin images, conduct experiments with the selected model, using augmentations, and draw conclusions about the work done. The developed marine mammal detection model proposed in the paper has significant potential to improve the quality of marine mammal monitoring and will assist in the implementation of optimal strategies for marine ecosystem conservation. The developed model can accurately determine the presence and class of marine mammal in an image. In the future, the model can be used to create an identification system. The results of the work open new opportunities for further research in the field of marine biology and environmental protection. / Данная работа посвящена созданию модели для автоматической детекции и классификации китов и дельфинов на изображении с использованием нейронных сетей. Цель исследования заключалась в разработке эффективной модели обнаружения и классификации морских млекопитающих, которая позволит улучшить процесс мониторинга данных животных в их естественной среде обитания. Для достижения поставленной цели необходимо провести анализ передовых методов машинного обучения для задачи детекции морских млекопитающих, изучить архитектуры нейронных сетей, применяемые в области детекции, собрать и разметить датасет с изображениями китов и дельфинов, провести эксперименты с выбранной моделью, с использованием аугментаций, и сделать выводы о проделанной работе. Разработанная модель детекции морских млекопитающих, предложенная в работе, обладает значительным потенциалом для улучшения качества мониторинга за морскими млекопитающими и поспособствует в реализации оптимальных стратегий для сохранения морских экосистем. Созданная модель позволяет точно определить наличие и класс морского млекопитающего на изображении. В дальнейшем модель может быть использована для создания системы идентификации. Результаты работы открывают новые возможности для дальнейших исследований в области морской биологии и охраны окружающей среды.

В диссертации рассматривается проблема учета труб на производственных предприятиях. Целью данного исследования является предоставление автоматизированного решения проблемы, которое потребует меньше времени для подсчета труб и будет более эффективным, чем подсчет вручную. Разработан алгоритм, основанный на технологии компьютерного зрения. Для выполнения задачи компьютерного зрения была использована библиотека OpenCV, языком программирования был выбран Python. После разработки алгоритма, основанного на технологии компьютерного зрения, стал возможен автоматический подсчет труб. Дальнейшее исследование может быть проведено для удовлетворения всех необходимых потребностей предприятия. / The dissertation addresses the problem of pipe counting in the manufacturing enterprises. The aim of this study is to provide an automated solution to the problem that will take less time to count pipes and will be more efficient than manual counting. An algorithm based on computer vision technology is developed. The library for undertaking the computer vision task was Open Source Computer Vision (OpenCV) and it was performed in Python. After the development of an algorithm based on computer vision, automatic pipe counting became possible. Further research might be conducted to meet all the required needs of the enterprise.

В области компьютерного зрения оценка позы человека приобретает все большее значение. Это одна из самых привлекательных областей исследований, и она вызывает большой интерес благодаря своей полезности и гибкости в самых разных областях, включая здравоохранение, игры, дополненную реальность, виртуальные тренировки и спорт. На ряду с этим люди все чаще начинают заниматься спортом. А в спорте травмы неизбежны. В данной статье предлагается приложение для оценки выполнения фитнес-упражнений, которое контролирует правильность техники и дает обратную связь по ее исправлению, что помогает уменьшить травматизм при занятиях. Предварительно обученная модель MediaPipe использовалась для оценки поз, по результатам которой вычисляются углы между конкретными суставами. / In the field of computer vision, human pose estimation is becoming increasingly important. This is one of the most attractive areas of research, and it is of great interest due to its usefulness and flexibility in a wide variety of fields, including healthcare, games, augmented reality, virtual training, and sports. Along with this, people are increasingly starting to do sports. And in sports, injuries are inevitable. This article offers an application for evaluating the performance of fitness exercises, which monitors the correctness of the technique and gives feedback on its correction, which helps to reduce injuries during classes. A pre-trained MediaPipe model was used to evaluate poses, based on the results of which the angles between specific joints are calculated.

Объект исследования: процесс аугментации изображений для решения задачи сегментации. Предмет исследования: методы аугментации и машинного обучения, с помощью которых осуществляется сегментация изображений. Цель работы: исследование эффективности генеративной аугментации изображений, выполненной с помощью диффузионной модели Stable Diffusion на примере задачи семантической сегментации. В процессе исследования проводились: рассмотрение основных подходов сегментации изображений и методов аугментации данных, разработка и реализация экспериментов для оценки эффективности генеративной аугментации изображений. В работе продемонстрирована эффективность подхода аугментации изображений, реализованного за счет расширения части исходного датасета путем генерирования новых данных с помощью диффузионной модели. Область практического применения: предложенный подход может быть использован для улучшения качества работы моделей семантической сегментации изображений в условиях ограниченного количества исходных данных, дефицита размеченных данных или дисбаланса данных. / Object of study: the process of image augmentation to solve the segmentation problem. Subject of research: augmentation and machine learning methods used for image segmentation. Purpose of the work: to study the effectiveness of generative image augmentation performed using the Stable Diffusion model using the example of a semantic segmentation task. During the research process, the following was carried out: consideration of the main approaches to image segmentation and data augmentation methods, development and implementation of experiments to evaluate the effectiveness of generative image augmentation. The work demonstrates the effectiveness of the image augmentation approach, implemented by expanding part of the original dataset by generating new data using a diffusion model. Area of practical application: the proposed approach can be used to improve the quality of work of semantic image segmentation models in conditions of a limited amount of source data, a shortage of labeled data, or data imbalance.

The object of the study is a computer vision system for quality control of the outgoing products of the mining industry. The subject of the study is semantic segmentation methods, deep neural networks, feature encoders, loss functions. The purpose of the work is to study modern methods of machine learning and architectures of deep neural networks for solving the problem of assessing the output of an open pit mine. The study included: consideration of approaches to image segmentation using neural networks, development and implementation of experiments to compare the effectiveness of different architectures of deep neural networks in the problem of assessing an open pit mine. The work demonstrates the effectiveness of the approach using the transformer architecture, and shows the possibilities of applying the model in further solving the problem. Practical application area: the proposed approach can be used to improve the markup of the original data set, as well as an independent assessment to help an expert determine the quality of the outgoing product. / Объект исследования – система компьютерного зрения для контроля качества выходящей продукции горнодобывающей промышленности. Предмет исследования являются методы семантической сегментации, глубокие нейронные сети, кодировщики признаков, функции потерь. Цель работы – исследование современных методов машинного обучения и архитектур глубоких нейронных сетей для решения задачи оценки выхода продукции с открытого карьера. В процессе исследования проводились: рассмотрение подходов сегментации изображений с помощью нейронных сетей, разработка и реализация экспериментов для сравнения эффективности разных архитектур глубоких нейронных сетей в задаче оценки открытого карьера. В работе продемонстрирована эффективность подхода с использованием архитектуры трансформер, показаны возможности применения модели в дальнейшем решении задачи. Область практического применения: предложенный подход может быть использован для улучшения разметки исходного набора данных, а также независимой оценки для помощи эксперту в определении качества выходящей продукции.

The object of the research is a rolling unit of a railroad train. The subject of the research is the process of identification and tracking of shipped products. The relevance of this study is due to a number of factors. Firstly, the automation and accuracy of the shipment control system will optimize logistics processes, ensuring focus on the end user and preventing cases of delivery to the wrong addressee. Secondly, the automatic formation of documents based on the data received from the control system significantly increases the efficiency and reliability of accounting and reporting at the enterprise. The purpose of the work is to develop a tool using computer vision methods for control and identification of shipped products in the production environment of an industrial enterprise. The result of the work is a tool for automatic collection and processing of data for the formation of shipping documents based on the video stream from the surveillance camera of a passing railroad train. / Объект исследования – подвижная единица железнодорожного состава. Предмет исследования – процесс идентификации и отслеживания отгружаемой продукции. Актуальность данного исследования обусловлена рядом факторов. Во-первых, автоматизация и точность системы контроля отгрузки позволит оптимизировать логистические процессы, обеспечивая ориентированность на конечного потребителя и предотвращая случаи доставки не тому адресату. Во-вторых, автоматическое формирование документов на основе данных, полученных от системы контроля, существенно повышает оперативность и достоверность учета и отчетности на предприятии. Цель работы – разработка инструмента, использующего методы компьютерного зрения, для контроля и идентификации отгружаемой продукции в производственных условиях промышленного предприятия. Результатом работы является инструмент для автоматического сбора и обработки данных для формирования отгрузочных документов на основе видеопотока с камеры наблюдения за проходящим железнодорожным составом.

В работе проводилось исследование к решению задачи с сортировкой корнеплодов картофеля на здоровые и дефектные. Решение данной задачи существенно сократило бы ручной монотонный труд человека. Сложность решения задачи заключается в преодолении препятствий – естественное загрязнение землей у картофеля, весовые и габаритные особенности корнеплодов. Для создания алгоритма был собран дата-сет из собственноручно выполненных фотографий и обучено пять моделей, на основе нейронных сетей DenseNet, ResNet50, EfficientNetB0, ResNext50_32x4d, ResNet101. Для дальнейшего исследования была выбрана модель на основе ResNet50, как показавшая наилучшие результаты распознавания на обучающей выборке. Дополнительно была выполнена независимая выборка и протестирована модель, визуализация работы модели с помощью сервиса Streamlit. Создан эскиз будущего фото-сепаратора, предложены рекомендации по реализации такого алгоритма и расчет экономической эффективности. / In the work, a study was conducted to solve the problem of sorting potato root crops into healthy and defective ones. Solving this problem would significantly reduce the manual monotonous work of a person. The difficulty of solving the problem lies in overcoming obstacles – natural soil contamination of potatoes, weight and dimensional features of root crops. To create the algorithm, a dataset was assembled from self-made photographs and five models were trained, based on the neural networks DenseNet, ResNet50, EfficientNetB0, ResNext50_32x4d, ResNet101. For further research, a ResNet50-based model was selected, as it showed the best recognition results in the training sample. Additionally, an independent sample was performed and the model was tested, visualization of the model using the Streamlit service. A sketch of the future photo separator has been created, recommendations for the implementation of such an algorithm and calculation of economic efficiency have been proposed.