В дипломной работе исследуется применение моделей машинного обучения в системах видеонаблюдения на строительных объектах для повышения безопасности и эффективности процессов. Цель – создание нейросетевой модели для автоматического обнаружения защитных касок на изображениях людей на строительных площадках. Задача – разработка инструмента, способного оперативно и точно выявлять использование защитной экипировки в различных условиях. В ходе исследования выполнены: анализ существующих методов обнаружения объектов на изображениях, изучение архитектур нейронных сетей, разработка методики обучения модели, проведение экспериментального исследования с использованием реальных данных, сравнительный анализ разработанной методики и других методов, а также анализ результатов. Исследование охватило модели EfficientNetB0 и YOLOv8. Модели показали высокую точность распознавания объектов, но YOLOv8 выделяется возможностью работы в реальном времени. Практическая значимость работы – оперативное выявление нарушений использования защитной экипировки, что способствует повышению уровня безопасности. / The thesis explores the application of machine learning models in video surveillance systems at construction sites to enhance safety and efficiency. The goal is to create a neural network model for the automatic detection of protective helmets on images of people at construction sites. The task is to develop a tool capable of promptly and accurately identifying the use of protective equipment under various shooting conditions. The research included: analyzing existing methods for object detection in images, studying neural network architectures, developing a model training methodology, conducting experimental research using real data, comparative analysis of the developed methodology and other methods, and analyzing the results. The study covered the models EfficientNetB0 and YOLOv8. Both models demonstrated high object recognition accuracy, but YOLOv8 stands out for its real-time operation capability. The practical significance of the work lies in the rapid identification of violations in the use of protective equipment, contributing to increased safety levels.

Цель работы – создание математической модели технологического процесса энергопотребления здания, создание набора данных, создание нейросети для прогнозирования энергопотребления здания, выявление закономерностей и аномалий. Объект исследования – энергопотребление здания. Рассматриваются различные факторы, такие как работа системы кондиционирования, системы подачи воды, бытовые приборы, освещение помещения. Детально рассмотрена система кондиционирования. Построена математическая модель в итераторе OpenModelica, учитывающая факторы внешней и внутренней среды здания. Собран набор данных в формате .csv. Проведён анализ результатов, выявлены взаимодействия признаков системы, аномалии влияющие на энергопотребление здания. Написана нейросеть прогнозирующая энергопотребление здания, создан pipeline для выявления и визуализации аномалий. Результаты представлены на графиках, сделаны выводы. В ходе полученных результатов были предложены методы оптимизации работы системы, которые привели к экономическому и экологическому эффекту. / The purpose of the work is to create a mathematical model of the technological process of energy consumption of a building, create a data set, create a neural network to predict the energy consumption of a building, identify patterns and anomalies. The object of study is the energy consumption of the building. Various factors are considered, such as the operation of the air conditioning system, water supply system, household appliances, and room lighting. The air conditioning system is examined in detail. A mathematical model was built in the OpenModelica iterator, considering the factors of the external and internal environment of the building. Collected data set in .csv format. An analysis of the results was carried out, interactions of system characteristics and anomalies affecting the energy consumption of the building were identified. A neural network was written to predict the energy consumption of a building, and a pipeline was created to identify and visualize anomalies. The results are presented in graphs and conclusions are drawn. As a result of the results obtained, methods were proposed to optimize the operation of the system, which led to economic and environmental benefits.

Создание модели компьютерного зрения на основе алгоритмов глубокого обучения для повышения эффективности автоматического распознавания правонарушений в реальном времени на записях охранных камер видеонаблюдения. / Computer vision model creation based on deep learning algorithms to improve the efficiency of real time automatic crime detection on CCTV records.

Разработка нейросетевой модели детектора препятствий для квадрокоптеров с использованием компьютерного зрения и её оптимизация для развертывания на устройствах с ограниченными вычислительными ресурсами. В работе проведен обзор особенностей задачи бинарной классификации, обучена базовая нейросетевая модель детектора препятствий и применены различные методы оптимизации для повышения её вычислительной эффективности. / Development of a neural network obstacle detector for quadcopters using computer vision and its optimization for deployment on resource-constrained embedded devices. The project involved a review of the features of binary classification tasks, training a base neural network model for obstacle detection, and applying various optimization techniques to improve its computational efficiency.