8 (495) 987 43 74 доб. 3304 Прием заявок на рассмотрение статей E-mail: evlasova@synergy.ru

Мы в соцсетях -              
Рус   |   Eng

Авторы

Фейламазова С. А.

Ученая степень
старший преподаватель, кафедра информационных технологий и безопасности компьютерных систем, Дагестанский государственный университет
E-mail
konspirator13@mail.ru
Местоположение
Махачкала, Россия
Статьи автора

Интеллектуальная система оценки качества сыпучего сырья на основе нейронных сетей YOLOv5 и ViT

Отсутствие эффективной системы оценки качества сырья при приемке в полевых условиях стало основанием для написания статьи. В статье описываются важные научные и практические задачи, связанные с этой проблемой, такие как разработка методов контроля качества сырья, создание алгоритмов интеллектуальной поддержки для быстрой и точной оценки качества сырья в режиме реального времени. Авторы проанализировали отечественные и зарубежные научные работы, описывающие методы и подходы к контролю качества сырья, и пришли к выводу, что алгоритм YOLOv5 и визуальный трансформер являются наиболее подходящими для настоящего исследования, их сочетание раннее не использовалось в литературных источниках. В статье содержится постановка задачи по разработке интеллектуальной системы качества сырья, описание алгоритмов обнаружения объектов, их сравнительная характеристика. Приведено описание принципа работы одноэтапного алгоритма детекции объектов на изображении YOLOv5 и его преимущество перед существующими аналогами методов глубокого обучения, которые широко используются для обнаружения объектов. Представлены результаты работы нейронных сетей, задачей которых является выявление бракованного сырья из общего количества, хранящегося в определенном вагоне и принадлежащего конкретному поставщику. Интеллектуальная система аналитики качества сыпучего сырья включает камеры, расположенные над вагонами и сбоку от них. Качество сырья определяется путем передачи изображений с камер, фиксирующих погрузку, в нейронную сеть для последующей обработки. Для обнаружения номера вагона применяется алгоритм YOLOv5, который обеспечивает точное определение номера вагона. Для определения процента брака груза на первом этапе используется подход YOLOv5 для выделения области изображения с грузом, а затем применяется визуальный трансформер, который выполняет задачу регрессии, определяя процент брака. Внедрение предлагаемой интеллектуальной системы позволит эффективнее управлять производством, сократить расходы и повысить качество поставляемого сыпучего сырья. Читать дальше...