Основной проблемой для систем навигации по снимкам местности является несоответствие визуальных признаков между фрагментом опорной картой и изображением с борта БПЛА. Снимки могут быть сделаны в различное время года, в различную погоду, с различными растительным покровом, условиями освещения и под различными углами обзора относительно плоскости земной поверхности. Данная работа предлагает использование сопоставления глубоких признаков, извлеченных в рамках неконтролируемого обучения с использованием триплет-ошибки. Это обеспечивает понимание семантики изображений, не зависящей от трансформаций местности. В рамах полёта над местностью с недостаточным количеством визуальных признаков для навигации (лес, поле), в работе предложено дополнительное использование визуальной одометрии с процедурой привязывания к опорной карте после получения достаточного количества признаков, с построением гипотез относительно местоположения. Извлечение глубоких признаков натренированной сетью из опорной карты и применение к ним фильтра энтропии позволяет планировать маршруты полёта над местностью, обладающей достаточным разнообразием признаков, необходимых для навигации.

Статья посвящена решению задачи аналитического определения оптимального управления и синтеза траектории движения беспилотного летательного аппарата (БЛА) при сопровождении им движущегося наземного объекта (НО). На основе анализа установленных на БЛА современных систем слежения за НО предлагается путем экстраполяции на допустимо возможном интервале времени траектории движения НО определять требуемое управляющее ускорение БЛА. Рассматривается оригинальная кинематическая схема движения БЛА при его пролете через заданные прогнозируемые точки пространства, на основании которой формализуется математическая постановка задачи минимизации обоснованного функционала качества при заданных ограничениях в виде математической модели движения БЛА. Обоснованный выбор аналитического решения оптимизационной задачи позволил сформулировать закон управления ускорением центра масс БЛА, учитывающий изменение траектории движения НО и минимизацию затрат на управление. Приведенный пример математического моделирования оптимального управления БЛА и формирования траектории его полета при сопровождении НО показал работоспособность предлагаемой методики и перспективность ее применения для синтеза автопилотов БЛА на этапе предварительного проектирования.

Статья исследует применение методов машинного обучения для распознавания сигналов световых приборов автомобилей с целью использования данных в умных светофорах. Для решения задачи распознавания машин на видео была использована библиотека Keras, и была применена архитектура нейронной сети RetinaNet [1]. Для распознавания состояний фар транспорта была использована архитектура YOLOv8. Процесс сбора данных, аннотации и обучения модели был проведён с использованием платформы Roboflow. В результате работы были получены веса обученной модели, которые позволяют распознавать состояние передних и задних фар различных видов транспорта в различных погодных условиях. Предложена адаптация нейросетевой модели на основе YOLOv8 для решения задачи распознавания сигналов световых приборов светофоров, которая может быть использована как для статического распознавания на фотографиях, так и в режиме реального времени или видео.

Солнечные электростанции обычно располагаются в пустынях, где количество падающей солнечной энергии максимально. Песчаные бури, мелкие животные и птицы, оставляющие помет, загрязняют поверхности солнечных панелей, что приводит к снижению выработки энергии панелями. Автором разработан алгоритм обработки изображения панели для оценки степени снижения ее выходной мощности из-за загрязнения и принятия решения об очистке панели. В данной статье представлены результаты анализа разработанного алгоритма при различных условиях освещенности солнечной панели.

В работе исследуется задача распознавания эмоций в речи с помощью метода проектирования и отбора речевых признаков. В качестве исходных аудио признаков использовались мел-частотные кепстральные коэффициенты. В работе предлагается подход, в основе которого лежит идея переноса обучения, заключается в использовании метода пошагового исключения признаков при помощи статистических моделей – классификаторов. Отобранное подмножество признаков затем используется для обучения полносвязных нейронных сетей прямого распространения. Такой подход позволяет значительно уменьшить размер исходного признакового пространства и одновременно повысить качество предсказаний моделей. В качестве наборов данных для постановки экспериментов были использованы TESS и RAVDESS. Метрикой оценки качества классификаторов послужила невзвешенная средняя полнота (unweighted average recall – UAR). Результаты экспериментов являются многообещающими (UAR для TESS = 82 %, UAR для RAVDESS = 53 %), тем самым демонстрируя перспективность предложенного подхода к задаче классификации эмоций по речи.

В данной работе представлена оригинальная модель LANet, предназначенная для улучшения результатов сегментации медицинских изображений и основанная на нейронной сети MobileViT. Разработанные и интегрированные блоки Efficient Fusion Attention и Adaptive Feature Fusion улучшают качество извлечения признаков и уменьшают избыточность данных. Эффективность представленных блоков подтверждена множеством экспериментов, включая оценку точности на различных наборах данных, на основе таких метрик, как Dice, Precision, Recall, mIoU, оценку производительности модели, а также исследование абляции.

В рамках проведенных исследований разработан метод для помощи людям с наиболее распространенными формами аномальной трихромазии – дейтераномалией и протаномалией – и любыми степенями тяжести данных аномалий в визуальном восприятии информации. Для протаномалов осуществляется преобразование цветов с превалирующей красной составляющей, а для дейтераномалов – с преобладающей зеленой составляющей. Реколоризация для обеих форм аномалии выполняется в цветовом пространстве CIE L*a*b* с использованием полученных при помощи метода симуляции Machado et al. коэффициентов преобразования. Среди преимуществ данного метода стоит отметить возможность для каждого пользователя настроить в соответствии с индивидуальным восприятием визуальной информации такие персонализированные параметры реколоризации, как коэффициент изменения реколоризирующей составляющей и коэффициент изменения яркости изображений. Кроме того, в результате выполнения метода каждый цвет изменяется одинаково во всех областях изображения.

Проверка корректности работы метода произведена посредством рассмотрения нормальным трихроматом симулированного реколоризованного изображения для дейтераномального и протаномального зрения, в результате чего ранее недоступные для зрения аномального трихромата области изображения стали различимыми. Качество реколоризации также оценено по потерям натуральности цветов, которые для тестовых изображений имели удовлетворительные значения и изменялись в пределах от 1.37 до 10.9 в зависимости от степени тяжести аномалии. Время выполнения метода для обоих случаев аномальной трихромазии указывает на высокую скорость обработки изображений и составляет 0.08 с для изображений размером 750 000 пикселей

Предметом исследований является анализ интеграции сетей Интернета вещей (Internet of Things, IoT), блокчейна и отдельных технологий искусственного интеллекта. Цель статьи ‒ показать преимущества совместного использования Интернета вещей, блокчейна, машинного обучения и нейронных сетей на ряде разработанных систем. Блокчейн  способен обеспечить структуру для обработки транзакций и координации взаимодействующих устройств в сетях Интернета вещей. Проблемой, которая препятствует использованию приложений с искусственным интеллектом и Интернета вещей, является уязвимость. Блокчейн решает ее за счет трех функций: проведение транзакций через надежный механизм оплаты без посредников; создание индексированных записей, которые защищены от изменений; распределенное хранение информации в публичной базе данных. Приведены примеры разработки сетей IoT для контроля качества продукции, мониторинга и анализа звуковой информации, ИТ-диагностики пациентов с неврологическими заболеваниями, в которых интегрированы технологии IoT, машинного обучения, нейронных сетей, блокчейна, умных контрактов.

Рассматриваются аспекты создания робототехнического обучающего комплекса для обучения по принципу «снизу-вверх» способам проектирования, программирования и моделирования работы промышленных манипуляторов с пятью степенями подвижности на базе современных микроконтроллеров. Основная цель разработки – это повышение эффективности процесса проектирования робототехнических комплексов, импортозамещение.

Предлагается решать следующие задачи: разработка робототехнического обучающего комплекса (далее – РТОК), его имитационной и математической модели; идентификация и оптимизация модели; разработка электрической принципиальной схемы РТОК; создание имитационной модели манипулятора; разработка учебно-методического комплекса для проведения для обучения персонала основам проектирования и программирования промышленных манипуляторов с оснасткой под производственные задачи различной степени сложности.

В качестве примера для оценки работоспособности предлагаемого комплекса рассматривается модель электрической части РТОК, построенной в среде программирования Proteus8Professional. Представлены иллюстрации опытного образца комплекса.