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.

Цель работы: Изучение и сравнение различных методов сегментации изображения для оценки распределения размеров фрагментов горных пород. / Purpose of the work: Study and compare various image segmentation methods to estimate the size distribution of rock fragments.

The object of the study is digital images of stones in an open pit. The aim of the work is to develop and implement an algorithm for detecting and segmenting asbestos veins using an artificial intelligence apparatus. The study presents an analytical review of methods and existing technical and software systems that use artificial intelligence methods for segmentation on the main test datasets. An analysis of existing models was carried out, new models based on convolutional networks (UNet and Attention Unet) and transformers (SegFormer) were tested, and the best algorithm for the task of segmenting asbestos veins was proposed. As a result of using the artificial intelligence model, it was possible to effectively solve the problem of vein segmentation and achieve acceptable accuracy of the results with low computing power. The scope of application of the developed algorithm is not only its use in the analysis of asbestos content in quarry images. The obtained models can be used to identify defects in various products and in medicine. / Объектом исследования являются цифровые изображения камней в открытом карьере. Целью работы является разработка и реализация алгоритма детектирования и сегментации асбестовых прожилок с применением аппарата искусственного интеллекта. В исследовании представлен аналитический обзор методов и существующих технических и программных систем, использующих методы искусственного интеллекта для сегментации на основных тестовых датасетах. Проведён анализ существующих моделей, протестированы новые модели на основе сверточных сетей (UNet и Attention Unet) и трансформеров (SegFormer), предложен лучший алгоритм для задачи сегментации асбестовых прожилок. В результате применения модели искусственного интеллекта удалось эффективно решить задачу сегментации прожилок и достигнуть приемлемой точности полученных результатов при небольшой вычислительной мощности. Областью применения разработанного алгоритма является не только его использование в рамках анализа содержания асбеста в снимках карьера. Полученные модели могут использоваться для определения дефектов на различной продукции и в медицине.

Данная выпускная квалификационная работа Давида Грайровича Чилингаряна посвящена оценке выпуска продукции предприятия «Урал-асбест» с помощью системы компьютерного зрения. В работе рассматриваются современные методы семантической сегментации и обнаружения объектов на изображениях, в том числе с применением нейронных сетей UNet, YOLOv9, SWIN. Особое внимание уделено предварительной обработке данных, выбору и настройке моделей, а также анализу эффективности на реальных производственных данных. Полученные результаты демонстрируют высокую точность и эффективность предложенных методов, позволяющих автоматизировать оценку содержания асбеста в горных породах, сократить временные затраты и минимизировать контакт рабочих с вредным материалом. Практическая значимость заключается во внедрении разработанных решений в производственные процессы предприятия, улучшении контроля качества и защите здоровья работников. / This graduate qualification work of David Grayrovich Chilingaryan is devoted to the estimation of output of “Ural-asbestos” enterprise with the help of computer vision system. The work considers modern methods of semantic segmentation and detection of objects in images, including the use of neural networks UNet, YOLOv9, SWIN. Special attention is paid to data preprocessing, model selection and tuning, and performance analysis on real production data. The obtained results demonstrate high accuracy and efficiency of the proposed methods, allowing to automate the assessment of asbestos content in rocks, reduce time costs and minimize the contact of workers with harmful material. The practical significance lies in the implementation of the developed solutions in the production processes of the enterprise, improvement of quality control and protection of workers' health.

Основная цель выпускной квалификационной работы состоит в разработке системы компьютерного зрения для определения вида фракции щебня. А также определении наиболее эффективного метода для определения фракции щебня, сравнивая задачи компьютерного зрения: обнаружение объектов и классификация. Первая часть исследования посвящена анализу существующий методов и алгоритмов классификации изображений на основе нейронных сетей. Были проанализированы модели, предназначенные для обнаружения объектов и классификации. Для задачи классификации изображений сравнение выполнялось для моделей: Resnet, Efficientnet, Deit, Tinyvit. Для задачи обнаружения объектов: Yolo, Faster R-CNN и SSD. Во второй части исследования была обучена модель обнаружения объектов и обучены модели классификации. После произведено сравнение производительности данных моделей для решаемой задачи – определения фракции щебня. Третья часть выпускной квалификационной работы направлена на разработку системы компьютерного зрения для определения фракции щебня. Для работоспособности системы было развернуто два Docker-контейнера и сервер Uvicorn с работающим приложением FastAPI. / The main objective of the final qualification work is to develop a computer vision system for determining the type of crushed stone fraction. As well as determining the most effective method for determining the crushed stone fraction, comparing the tasks of computer vision: object detection and classification. The first part of the study is devoted to the analysis of existing methods and algorithms for image classification based on neural networks. Models designed for object detection and classification were analyzed. For the task of image classification, the comparison was performed for the following models: Resnet, Efficientnet, Deit, Tinyvit. For the task of object detection: Yolo, Faster R-CNN and SSD. In the second part of the study, an object detection model was trained and classification models were trained. After that, a comparison of the performance of these models for the problem being solved - determining the crushed stone fraction was made. The third part of the final qualification work is aimed at developing a computer vision system for determining the crushed stone fraction. For the system to work, two Docker containers and a Uvicorn server with a running FastAPI application were deployed.