No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

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.

Работа предложила систему идентификации эмоций с использованием глубокого обучения. Исследование продвигает взаимодействие человека и компьютера, мониторинг психического здоровья, маркетинговые исследования, анализ настроений и подчеркивает необходимость нейронных сетей. Оно стремится построить модель, которая учится на основе сырой речи. Оно разработано с использованием модели CNN и LSTM, блок классификации использует блоки LSTM для захвата долгосрочных временных корреляций. Это происходит после того, как блок извлечения признаков использует одновременные CNN и MFCC. Эти методы гарантируют, что блок категоризации может точно отображать данные. Подготовка данных для обучения и тестирования модели прогнозирования эмоций на основе набора данных CREMA-D является значительной. Для оптимизации производительности нейронной сети метод включает разделение признаков и меток, кодирование, разделение набора данных, стандартизацию и изменение формы данных. Для упрощения и снижения сложности он исключает подходы к дополнению данных. Модель обучается и оценивается с использованием CREMA-D, набор данных содержит 7442 голосовых записи, представляющих различные эмоции. В исследовании принимают участие 84 мужчины и 43 женщины в возрасте от 20 до 74 лет. Средняя точность модели составляет 86,92% по результатам проверки. В будущем исследования могут быть сосредоточены на разработке приложений для идентификации эмоций в реальном времени и интеграции мультимодальных данных для повышения точности и надежности систем обнаружения эмоций. / The work proposed emotion identification system using deep learning. The research advances human-computer interaction, mental health monitoring, market research, sentiment analysis and emphasizes the necessity of neural networks. It’s seeking to construct a model that learns from raw speech audio. It’s developed using CNNs and LSTMs model, a classification block uses LSTM units to capture long-term temporal correlations. This happens after a feature extraction block uses imultaneous CNNs and MFCCs. These methods ensure the categorization block can accurately display data. Data preparation for training and testing a CREMA-D dataset-based emotion prediction model is considerable. To optimize neural network performance, the method includes feature-label separation, encoding, dataset splitting, standardization, and data reshaping. To simplify and reduce complexity, it excludes data augmentation approaches. The model is trained and evaluated using CREMA-D, dataset contains 7,442 voice recordings representing different emotions. There are 84 male and 43 female performers, with ages ranging from 20 to 74 years old. The model has an average accuracy of 86.92% across validation. In the future, research may focus on developing real-time emotion identification applications and integrating multimodal data to enhance the accuracy and robustness of emotion detection systems.