Файл: Система мониторинга пожарной и медико экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов.pdf
Добавлен: 09.01.2024
Просмотров: 329
Скачиваний: 7
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Заключение
В диссертационной работе получены следующие основные результаты.
1.
Проведен анализ методов и средств мониторинга и прогнозирования пожарной безопасности административно-территориальных единиц, который показал, что повышение эффективности процесса мониторинга требует автоматизации классификации видеоданных с беспилотных летательных аппаратов.
2.
Разработан метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара,
позволяющий синтезировать решающие правила по классификации типов и характера пожаров, а также по прогнозированию и оценке состояния здоровья в условиях исследуемого класса чрезвычайных ситуаций.
3.
Разработана концептуальная модель системы мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов,
позволяющая оперативно классифицировать и прогнозировать пожарную и медико-экологическую обстановку на мониторируемой территории.
4.
Разработан метод оптимизации функционирования модуля воздушного наблюдения пожарной и медико-экологической безопасности, включающий алгоритм планирования траектории мониторинга пожарной обстановки, позволяющий определить необходимый ресурс беспилотного летательного аппарата для мониторинга пожарной обстановки и оптимизировать число беспилотных летательных аппаратов в зоне мониторинга территориальной единицы.
5.
Разработан метод сегментации видеоданных, поступающих с беспилотного летательного аппарата при мониторинге пожарной обстановки, позволяющий повысить оперативность анализа данных в видеопотоке.
137 6.
Разработан метод классификации сегментов на аэроснимках, полученных при мониторинге АТЕ, позволяющий обучать классификаторы на дифференциальную диагностику сегментов снимков видеоряда, полученных с видеокамер БПЛА.
7.
Проведены экспериментальные исследования эффективности предложенных методов, алгоритмов и моделей в системе мониторинга пожарной и медико-экологической безопасности АТЕ на видеопоследовательностях, содержащих пламя и дым, которые показали среднее значение точности обнаружения дыма – 86 %, пламени – 89,5 %, при этом ложноположительные срабатывания при обнаружении дыма в среднем составили 13 %, а при обнаружении пламени – 4,5 %.
Рекомендации.Результаты исследования могут быть использованы для построения автоматизированных систем мониторинга пожарной и медико- экологической безопасности.
Перспективы дальнейшей разработки темы. Улучшение чувствительности коммерческих и экспериментальных автоматизированных систем видеообнаружения пожара с одновременным снижением количества ложных срабатываний посредством разработки мультимодальных алгоритмов классификации, использующих инфракрасные и обычные камеры.
138
Список сокращений и условных обозначений
АИА
– автономный интеллектуальный агент;
АРМ – автоматизированное рабочее место;
АСМПМЭБ – автоматизированная система мониторинга пожарной и медико-экологической безопасности;
АТЕ – автономная территориальная единица;
БД – база данных;
БДХСС – блок датчиков химического состава среды;
БДЭМИ – блок датчиков электромагнитного излучения;
БПЛА - беспилотный летательный аппарат;
БПУ – быстрое преобразование Уолша;
ГА – газовый анализатор;
ГОСТ – Государственный стандарт;
ГПС – Государственная противопожарная служба;
ДР – датчик расстояния;
ДС – диагностическая специфичность;
ДСО – датчик окиси углерода;
ДЧ – диагностическая чувствительность;
ЖК – жидкокристаллический;
ИДТ – инфракрасный датчик температуры;
ИК – инфракрасный;
ИКДП – инфракрасный датчик пожара;
ИП – извещатель пожарный;
ИПТ – извещатель пожарный тепловой;
ИПТЛ – извещатель пожарный тепловой линейный;
ИПТМ – извещатель пожарный тепловой многоточечный;
ИПТТ – извещатель пожарный тепловой точечный;
КУД – контроллер управления движением;
139
ЛНС – локальная навигационная система;
ЛПДРП – летающая платформа с двухзональным распознавателем пожаров;
ЛПР – лицо, принимающее решение;
ЛРМК – летающий робот с машущим крылом;
МАК – многофункциональный аналоговый коммутатор;
МГУА – метод группового учета аргументов;
МК – микроконтроллер;
МПП – мобильная приборная платформа;
МР – многоканальный регулятор;
МСГНРП – методология синтеза гибридных нечетких решающих правил;
МЧС –
Министерство Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий
;
МЭМС – микроэлектромеханические системы;
НИР – научно-исследовательская работа;
НС – нейронная сеть;
НСУ – наземная станция управления;
ОЗК – решение обратной задачи кинематики;
ОЗУ – оперативное запоминающее устройство;
ПДК – предельно допустимая концентрация;
ПЗУ – постоянное запоминающее устройство;
ПИД - пропорционально-интегрально-дифференцирующий;
ПК – показатель качества;
ПО – программное обеспечение;
РТП – руководитель тушения пожара;
РФ – Российская Федерация;
СНС – сверточная нейронная сеть;
СОАСЗИ – система обработки и анализа спектрозональных изображений;
СОПБ – система обеспечения пожарной безопасности;
СППР – система поддержки принятия решения;
140
ТП – тестовый пожар;
УФ – ультрафиолетовый;
УФДП – ультрафиолетовый датчик пожара;
ХВ – химическое вещество;
ЧРП – частные решающие правила;
ЧС – чрезвычайная ситуация;
ШФП – широкополосный фотоприемник;
ЭМП – электромагнитное поле;
ЭЭГ – электроэнцефалограмма;
EEPROM
– электрически стираемое перепрограммируемое ПЗУ;
GPIO
– General-Purpose Input/Output (низкоуровневый интерфейс ввода- вывода прямого управления);
GPS
– Global Positioning System;
HIS
– Hue, Saturation, Intensity (тон, насыщенность и интенсивность);
HSL
– Hue Saturation Lightness;
HSV
– Hue, Saturation, Value (тон, насыщенность, значение);
I
2
C
– Inter-Integrated Circuit (последовательная асимметричная шина для связи между интегральными схемами внутри электронных приборов);
I
2
S
– Integrated Inter-chip Sound (стандарт интерфейса электрической последовательной шины);
MSD
– Mean of Squared Differences;
MSR
– Multi-Scale Retinex (взвешенная сумма SSR с разными коэффициентами размытия);
NET
– Neural Network (нейронная сеть);
RGB
– Red Green Blue (красный, зелѐный, синий);
ROI
– Region of Interest (область (регион) интереса);
SAD
– Sum of Absolute Differences;
SD
– Secure Digital Memory Card (формат карт памяти (флеш-память));
SDIO
– Secure Digital Input/Output (интерфейс, разработанный на основе интерфейса карты памяти SD);
141
SPI
– Serial Peripheral Interface (последовательный периферийный интерфейс);
SRAM - Static Random Access Memory
(статическая память с произвольным доступом);
SSD
– Sum of Squared Differences;
SSR
– Single-Scale Retinex (алгоритм, который производит выравнивание освещенности изображения и при этом сохраняет контраст в ярко и плохо освещенных областях);
UART
– Universal Asynchronous Receiver-Transmitter (универсальный асинхронный приѐмопередатчик – последовательный интерфейс передачи данных);
URL
– универсальный ресурсный индикатор;
YCbCr
– цветовое пространство c компонентой яркости (Y) и двумя хроматическими компонентами (Сb, Сr).
142
Список литературы
1.
Алиев, И.Р. Применение алгоритмов компьютерного зрения для обнаружения и локализации пожаров на аэрофотоснимках / И.Р. Алиев, В.А.
Павлов // СПбНТОРЭС: труды ежегодной НТК. – 2020. – № 1(75). – С. 225-228.
2.
Баканов, М.О. Дистанционный мониторинг техногенных пожаров и чрезвычайных ситуаций / М.О. Баканов, Д.В. Тараканов // Известия высших учебных заведений. Технология текстильной промышленности. – 2018. – №. 1. –
С. 173.
3.
Буняев, В.В. Методы поиска информативных проекционных зон и синтеза нечетких решающих правил для рефлексодиагностки / В.В. Буняев, Н.А.
Кореневский // Системный анализ и управление в биомедицинских системах. –
2004.
– Т.3, №3. – С. 175–178.
4.
Васюков, В.Н. Алгоритмы анализа изображений для системы раннего обнаружения лесных пожаров [Электронный ресурс] /
В.Н. Васюков, А. Ю.
Зайцева // Доклады АН ВШ РФ. - 2014. - №4 (25). - URL: https://cyberleninka.ru/article/n/algoritmy-analiza-izobrazheniy-dlya-sistemy-rannego- obnaruzheniya-lesnyh- pozharov (дата обращения 16.01.2022).
5.
ГОСТ Р 53325-2012. Техника пожарная. Технические средства пожарной автоматики. Общие технические требования и методы испытаний. - Введ. 2012-
11-22. -
М. : Стандартинформ, 2014. - 142с.: ил.
6.
Григоров, И.Ю. Методы и средства прогнозирования и ранней диагностики профессиональных заболеваний работников гальванических производств на основе нечетких моделей принятия решений: дис. … д–ра техн. наук : 05.11.17 / Григоров И.Ю. – Курск, 2020. – 147 с.
7.
Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, Б. Иошуа, А. Курвилль.
– М.: ДМК–Пресс, 2017. – 652 с.
8.
Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам /
143
А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Прикаспийский журнал: управление и высокие технологии. – 2019. – № 4 (48). – С.10–24.
9.
Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам /
А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Прикаспийский журнал: управление и высокие технологии. – 2019. – № 4 (48). – С.10–24.
10.
Дабагов,
А.Р.
Автоматизированная система классификации рентгенограмм молочной железы / А.Р. Дабагов, В.А. Горбунов, С.А. Филист и др. // Медицинская техника. – 2019. – №6 (318). – С. 39–41.
11.
Дабагов, А.Р. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений /
А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Известия Юго–Западного государственного университета. Серия: Управление, вычислительная техника, информатика, медицинское приборостроение. – 2019. – Т.9, №3. – С. 44–63.
12.
Денисов, А.Н. Анализ существующей структуры управления силами и средствами на пожаре / А.Н. Денисов, М.В. Шевцов // Пожары и чрезвычайные ситуации: предотвращение, ликвидация. – 2009. – № 3. – С. 79–81.
13.
Денисов, А.Н. Глубина тушения пожара как основание для ресурсного обоснования сил и средств пожарных подразделений [Электронный ресурс] / А.Н.
Денисов, Н.М. Журавлѐв, М.В. Шевцов, В.Б. Захаревский // Технологии техносферной безопасности: интернет–журнал. – 2011. – № 5 (39). –
URL: http://agps
–2006.narod.ru/ttb/2011–5/02–05–11.ttb.pdf (дата обращения 09.08.2021 г.).
14.
Денисов, А.Н. Информационно–функциональный подход к управлению силами и средствами на пожаре [Электронный ресурс] / А.Н. Денисов, М.В.
Шевцов // Технологии техносферной безопасности: интернет–журнал. – 2010. –
№3(31). – Режим доступа: http://agps–2006.narod.ru/ttb/2010–3/01–03–10.ttb.pdf
(
дата обращения 09.09.2021).
15.
Дюдин,
М.В.
Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий
144 многокритериального выбора / М.В. Дюдин, И.В. Зуев, С.М. Чудинов и др. //
Вопросы радиоэлектроники. Серия: Системы и средства отображения информации и управления спецтехникой (СОИУ). – 2015. – №1. – С.130–141.
16.
Зобнин, Ю.В. Отравление монооксидом углерода (угарным газом): учебное пособие / Ю.В. Зобнин, Т.Н. Савватеева–Любимова, А.Н. Коваленко и др.; под ред. Ю.В. Зобнина. – Санкт–Петербург: Издательство «Тактик–Студио»,
2011.
– 80 с.
17.
Кассим, К.Д.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / К.Д.А. Кассим, А.А. Кузьмин, О.В. Шаталова и др. // Известия Юго–Западного государственного университета. – 2016. – №4(67).
– С. 56–68.
18.
Кореневский, Н.А. Синтез коллективов гибридных нечетких моделей оценки состояния сложных систем / Н.А. Кореневский, К.В. Разумова //
Наукоемкие технологии. – 2014 – Т.15, №12. – С. 31–39.
19.
Кореневский, Н.А. Использование нечеткой логики принятия решений для медицинских экспертных систем / Н.А. Кореневский // Медицинская техника.
– 2015. – №1. – С. 33–35.
20.
Кореневский, Н.А. Использование технологии мягких вычислений для прогнозирования и диагностики профессиональных заболеваний работников агропромышленного комплекса: монография / Н.А. Кореневский, В.И.
Серебровский, Р.В. Степашов, Т.Н. Говорухина. – Курск: Изд–во Курск. гос. с.–х. ак., 2016. – 224 с.
21.
Кореневский, Н.А. Метод оценки функционального резерва человека – оператора на основе комбинированных правил нечеткого вывода / Н.А.
Кореневский, А.Н. Коростелев, Л.В. Стародубцева, В.В. Серебровский //
Биотехносфера. – 2012. – №1 (19). – С. 44–49.
22.
Кореневский, Н.А. Метод синтеза гетерогенных нечетких правил для анализа и управления состоянием биотехнических систем / Н.А. Кореневский //
145
Известия Юго–Западного государственного университета. – 2013. – №2. – С. 99 –
103.
23.
Кореневский, Н.А. Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара / Н.А.
Кореневский, М.В. Шевцов, Л.В. Стародубцева, Г.В. Сипливый // Известия Юго–
Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2021. – Т.11, № 3. – С.
142
–159.
24.
Кореневский, Н.А. Метод синтеза нечетких моделей и ранней диагностики профессиональных заболеваний работников гальванических производств / И.Ю. Григоров, Т.Н. Говорухина, Р.А. Крупчатников // Системный анализ и управление в биомедицинских системах. – 2019. – Т.18, №3. – С. 163–
169.
25.
Кореневский, Н.А. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки принятия решений: монография / Н.А. Кореневский, С.Н. Родионова, И.И.
Хрипина. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2019. – 472 с.
26.
Кореневский, Н.А. Оценка и управление состоянием здоровья на основе моделей Г. Раша / Н.А. Кореневский, А.Н. Шуткин, Е.А. Бойцова, В.В. Дмитриева
// Медицинская техника. – 2015. – № 6 (294). – С. 37–40.
27.
Кореневский, Н.А. Оценка и управление состоянием здоровья обучающихся на основе гибридных интеллектуальных технологий: монография /
Н.А. Кореневский, А.Н. Шуткин, С.А. Горбатенок, В.И. Серебровский. - Старый
Оскол: ООО «Тонкие наукоемкие технологии», 2016. – 472 с.
28.
Кореневский, Н.А. Прогнозирование и ранняя диагностика заболеваний сельскохозяйственных рабочих на основе нечеткой логики принятия решений /
Н.А. Кореневский, Н.А. Коптева, Р.А. Крупчатников // Вестник Воронежского государственного технического университета. – 2008. – Т.4, №7. – С. 86–89.
29.
Кореневский,
Н.А.
Проектирование биотехнических систем медицинского назначения». Средства оценки состояния биообъектов: учебное
146 пособие / Н.А. Кореневский, З.М. Юлдашев. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2017. – 456 с.
30.
Кореневский,
Н.А.
Проектирование биотехнических систем медицинского назначения. Общие вопросы проектирования: учебник / Н.А.
Кореневский, З.М. Юлдашев. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2018. – 812 с.
31.
Кореневский,
Н.А.
Проектирование медико–экологических информационных систем: учебное пособие / Н.А. Кореневский, Н.Д. Тутов, Л.П.
Лазурина. – Курск, 2021. – 193 с.
32.
Кореневский, Н.А. Проектирование систем принятия решений на нечетких сетевых моделях в задачах медицинской диагностики и прогнозирования / Н.А. Кореневский // Телекоммуникации. – 2006. – №6. – С. 25–
31.
33.
Кореневский, Н.А. Синтез гибридных нечетких правил для прогнозирования, оценки и управления состоянием здоровья в экологически неблагоприятных регионах / Н.А. Кореневский, А.С. Башир, С.А. Горбатенко //
Известия Юго–Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2013. –
№4. – С. 69–73.
34.
Кореневский, Н.А. Синтез нечетких классификационных правил в многомерном пространстве признаков для медицинских приложений / Н.А.
Кореневский, К.В. Разумова // Известия Юго–Западного государственного университета. Серия: Управление, вычислительная техника, информатика.
Медицинское приборостроение. – 2012. – №21. – С. 223–227.
35.
Кореневский, Н.А. Синтез нечетких решающих правил для прогнозирования и ранней диагностики заболеваний, вызываемых состоянием окружающей среды, с учетом индивидуальных особенностей организма / Н.А.
Кореневский, Ю.А. Иванков, Е.А. Яковлева, Н.Н. Савченко // Системный анализ и управление в биомедицинских системах. – 2007 – Т.6, №2. – С. 395–400.
В диссертационной работе получены следующие основные результаты.
1.
Проведен анализ методов и средств мониторинга и прогнозирования пожарной безопасности административно-территориальных единиц, который показал, что повышение эффективности процесса мониторинга требует автоматизации классификации видеоданных с беспилотных летательных аппаратов.
2.
Разработан метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара,
позволяющий синтезировать решающие правила по классификации типов и характера пожаров, а также по прогнозированию и оценке состояния здоровья в условиях исследуемого класса чрезвычайных ситуаций.
3.
Разработана концептуальная модель системы мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов,
позволяющая оперативно классифицировать и прогнозировать пожарную и медико-экологическую обстановку на мониторируемой территории.
4.
Разработан метод оптимизации функционирования модуля воздушного наблюдения пожарной и медико-экологической безопасности, включающий алгоритм планирования траектории мониторинга пожарной обстановки, позволяющий определить необходимый ресурс беспилотного летательного аппарата для мониторинга пожарной обстановки и оптимизировать число беспилотных летательных аппаратов в зоне мониторинга территориальной единицы.
5.
Разработан метод сегментации видеоданных, поступающих с беспилотного летательного аппарата при мониторинге пожарной обстановки, позволяющий повысить оперативность анализа данных в видеопотоке.
137 6.
Разработан метод классификации сегментов на аэроснимках, полученных при мониторинге АТЕ, позволяющий обучать классификаторы на дифференциальную диагностику сегментов снимков видеоряда, полученных с видеокамер БПЛА.
7.
Проведены экспериментальные исследования эффективности предложенных методов, алгоритмов и моделей в системе мониторинга пожарной и медико-экологической безопасности АТЕ на видеопоследовательностях, содержащих пламя и дым, которые показали среднее значение точности обнаружения дыма – 86 %, пламени – 89,5 %, при этом ложноположительные срабатывания при обнаружении дыма в среднем составили 13 %, а при обнаружении пламени – 4,5 %.
Рекомендации.Результаты исследования могут быть использованы для построения автоматизированных систем мониторинга пожарной и медико- экологической безопасности.
Перспективы дальнейшей разработки темы. Улучшение чувствительности коммерческих и экспериментальных автоматизированных систем видеообнаружения пожара с одновременным снижением количества ложных срабатываний посредством разработки мультимодальных алгоритмов классификации, использующих инфракрасные и обычные камеры.
138
Список сокращений и условных обозначений
АИА
– автономный интеллектуальный агент;
АРМ – автоматизированное рабочее место;
АСМПМЭБ – автоматизированная система мониторинга пожарной и медико-экологической безопасности;
АТЕ – автономная территориальная единица;
БД – база данных;
БДХСС – блок датчиков химического состава среды;
БДЭМИ – блок датчиков электромагнитного излучения;
БПЛА - беспилотный летательный аппарат;
БПУ – быстрое преобразование Уолша;
ГА – газовый анализатор;
ГОСТ – Государственный стандарт;
ГПС – Государственная противопожарная служба;
ДР – датчик расстояния;
ДС – диагностическая специфичность;
ДСО – датчик окиси углерода;
ДЧ – диагностическая чувствительность;
ЖК – жидкокристаллический;
ИДТ – инфракрасный датчик температуры;
ИК – инфракрасный;
ИКДП – инфракрасный датчик пожара;
ИП – извещатель пожарный;
ИПТ – извещатель пожарный тепловой;
ИПТЛ – извещатель пожарный тепловой линейный;
ИПТМ – извещатель пожарный тепловой многоточечный;
ИПТТ – извещатель пожарный тепловой точечный;
КУД – контроллер управления движением;
139
ЛНС – локальная навигационная система;
ЛПДРП – летающая платформа с двухзональным распознавателем пожаров;
ЛПР – лицо, принимающее решение;
ЛРМК – летающий робот с машущим крылом;
МАК – многофункциональный аналоговый коммутатор;
МГУА – метод группового учета аргументов;
МК – микроконтроллер;
МПП – мобильная приборная платформа;
МР – многоканальный регулятор;
МСГНРП – методология синтеза гибридных нечетких решающих правил;
МЧС –
Министерство Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий
;
МЭМС – микроэлектромеханические системы;
НИР – научно-исследовательская работа;
НС – нейронная сеть;
НСУ – наземная станция управления;
ОЗК – решение обратной задачи кинематики;
ОЗУ – оперативное запоминающее устройство;
ПДК – предельно допустимая концентрация;
ПЗУ – постоянное запоминающее устройство;
ПИД - пропорционально-интегрально-дифференцирующий;
ПК – показатель качества;
ПО – программное обеспечение;
РТП – руководитель тушения пожара;
РФ – Российская Федерация;
СНС – сверточная нейронная сеть;
СОАСЗИ – система обработки и анализа спектрозональных изображений;
СОПБ – система обеспечения пожарной безопасности;
СППР – система поддержки принятия решения;
140
ТП – тестовый пожар;
УФ – ультрафиолетовый;
УФДП – ультрафиолетовый датчик пожара;
ХВ – химическое вещество;
ЧРП – частные решающие правила;
ЧС – чрезвычайная ситуация;
ШФП – широкополосный фотоприемник;
ЭМП – электромагнитное поле;
ЭЭГ – электроэнцефалограмма;
EEPROM
– электрически стираемое перепрограммируемое ПЗУ;
GPIO
– General-Purpose Input/Output (низкоуровневый интерфейс ввода- вывода прямого управления);
GPS
– Global Positioning System;
HIS
– Hue, Saturation, Intensity (тон, насыщенность и интенсивность);
HSL
– Hue Saturation Lightness;
HSV
– Hue, Saturation, Value (тон, насыщенность, значение);
I
2
C
– Inter-Integrated Circuit (последовательная асимметричная шина для связи между интегральными схемами внутри электронных приборов);
I
2
S
– Integrated Inter-chip Sound (стандарт интерфейса электрической последовательной шины);
MSD
– Mean of Squared Differences;
MSR
– Multi-Scale Retinex (взвешенная сумма SSR с разными коэффициентами размытия);
NET
– Neural Network (нейронная сеть);
RGB
– Red Green Blue (красный, зелѐный, синий);
ROI
– Region of Interest (область (регион) интереса);
SAD
– Sum of Absolute Differences;
SD
– Secure Digital Memory Card (формат карт памяти (флеш-память));
SDIO
– Secure Digital Input/Output (интерфейс, разработанный на основе интерфейса карты памяти SD);
141
SPI
– Serial Peripheral Interface (последовательный периферийный интерфейс);
SRAM - Static Random Access Memory
(статическая память с произвольным доступом);
SSD
– Sum of Squared Differences;
SSR
– Single-Scale Retinex (алгоритм, который производит выравнивание освещенности изображения и при этом сохраняет контраст в ярко и плохо освещенных областях);
UART
– Universal Asynchronous Receiver-Transmitter (универсальный асинхронный приѐмопередатчик – последовательный интерфейс передачи данных);
URL
– универсальный ресурсный индикатор;
YCbCr
– цветовое пространство c компонентой яркости (Y) и двумя хроматическими компонентами (Сb, Сr).
142
Список литературы
1.
Алиев, И.Р. Применение алгоритмов компьютерного зрения для обнаружения и локализации пожаров на аэрофотоснимках / И.Р. Алиев, В.А.
Павлов // СПбНТОРЭС: труды ежегодной НТК. – 2020. – № 1(75). – С. 225-228.
2.
Баканов, М.О. Дистанционный мониторинг техногенных пожаров и чрезвычайных ситуаций / М.О. Баканов, Д.В. Тараканов // Известия высших учебных заведений. Технология текстильной промышленности. – 2018. – №. 1. –
С. 173.
3.
Буняев, В.В. Методы поиска информативных проекционных зон и синтеза нечетких решающих правил для рефлексодиагностки / В.В. Буняев, Н.А.
Кореневский // Системный анализ и управление в биомедицинских системах. –
2004.
– Т.3, №3. – С. 175–178.
4.
Васюков, В.Н. Алгоритмы анализа изображений для системы раннего обнаружения лесных пожаров [Электронный ресурс] /
В.Н. Васюков, А. Ю.
Зайцева // Доклады АН ВШ РФ. - 2014. - №4 (25). - URL: https://cyberleninka.ru/article/n/algoritmy-analiza-izobrazheniy-dlya-sistemy-rannego- obnaruzheniya-lesnyh- pozharov (дата обращения 16.01.2022).
5.
ГОСТ Р 53325-2012. Техника пожарная. Технические средства пожарной автоматики. Общие технические требования и методы испытаний. - Введ. 2012-
11-22. -
М. : Стандартинформ, 2014. - 142с.: ил.
6.
Григоров, И.Ю. Методы и средства прогнозирования и ранней диагностики профессиональных заболеваний работников гальванических производств на основе нечетких моделей принятия решений: дис. … д–ра техн. наук : 05.11.17 / Григоров И.Ю. – Курск, 2020. – 147 с.
7.
Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, Б. Иошуа, А. Курвилль.
– М.: ДМК–Пресс, 2017. – 652 с.
8.
Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам /
143
А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Прикаспийский журнал: управление и высокие технологии. – 2019. – № 4 (48). – С.10–24.
9.
Дабагов, А.Р. Автоматизированная система для классификации заболеваний молочной железы по рентгеновским маммографическим снимкам /
А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Прикаспийский журнал: управление и высокие технологии. – 2019. – № 4 (48). – С.10–24.
10.
Дабагов,
А.Р.
Автоматизированная система классификации рентгенограмм молочной железы / А.Р. Дабагов, В.А. Горбунов, С.А. Филист и др. // Медицинская техника. – 2019. – №6 (318). – С. 39–41.
11.
Дабагов, А.Р. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений /
А.Р. Дабагов, И.А. Малютина, Д.С. Кондрашов и др. // Известия Юго–Западного государственного университета. Серия: Управление, вычислительная техника, информатика, медицинское приборостроение. – 2019. – Т.9, №3. – С. 44–63.
12.
Денисов, А.Н. Анализ существующей структуры управления силами и средствами на пожаре / А.Н. Денисов, М.В. Шевцов // Пожары и чрезвычайные ситуации: предотвращение, ликвидация. – 2009. – № 3. – С. 79–81.
13.
Денисов, А.Н. Глубина тушения пожара как основание для ресурсного обоснования сил и средств пожарных подразделений [Электронный ресурс] / А.Н.
Денисов, Н.М. Журавлѐв, М.В. Шевцов, В.Б. Захаревский // Технологии техносферной безопасности: интернет–журнал. – 2011. – № 5 (39). –
URL: http://agps
–2006.narod.ru/ttb/2011–5/02–05–11.ttb.pdf (дата обращения 09.08.2021 г.).
14.
Денисов, А.Н. Информационно–функциональный подход к управлению силами и средствами на пожаре [Электронный ресурс] / А.Н. Денисов, М.В.
Шевцов // Технологии техносферной безопасности: интернет–журнал. – 2010. –
№3(31). – Режим доступа: http://agps–2006.narod.ru/ttb/2010–3/01–03–10.ttb.pdf
(
дата обращения 09.09.2021).
15.
Дюдин,
М.В.
Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий
144 многокритериального выбора / М.В. Дюдин, И.В. Зуев, С.М. Чудинов и др. //
Вопросы радиоэлектроники. Серия: Системы и средства отображения информации и управления спецтехникой (СОИУ). – 2015. – №1. – С.130–141.
16.
Зобнин, Ю.В. Отравление монооксидом углерода (угарным газом): учебное пособие / Ю.В. Зобнин, Т.Н. Савватеева–Любимова, А.Н. Коваленко и др.; под ред. Ю.В. Зобнина. – Санкт–Петербург: Издательство «Тактик–Студио»,
2011.
– 80 с.
17.
Кассим, К.Д.А. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / К.Д.А. Кассим, А.А. Кузьмин, О.В. Шаталова и др. // Известия Юго–Западного государственного университета. – 2016. – №4(67).
– С. 56–68.
18.
Кореневский, Н.А. Синтез коллективов гибридных нечетких моделей оценки состояния сложных систем / Н.А. Кореневский, К.В. Разумова //
Наукоемкие технологии. – 2014 – Т.15, №12. – С. 31–39.
19.
Кореневский, Н.А. Использование нечеткой логики принятия решений для медицинских экспертных систем / Н.А. Кореневский // Медицинская техника.
– 2015. – №1. – С. 33–35.
20.
Кореневский, Н.А. Использование технологии мягких вычислений для прогнозирования и диагностики профессиональных заболеваний работников агропромышленного комплекса: монография / Н.А. Кореневский, В.И.
Серебровский, Р.В. Степашов, Т.Н. Говорухина. – Курск: Изд–во Курск. гос. с.–х. ак., 2016. – 224 с.
21.
Кореневский, Н.А. Метод оценки функционального резерва человека – оператора на основе комбинированных правил нечеткого вывода / Н.А.
Кореневский, А.Н. Коростелев, Л.В. Стародубцева, В.В. Серебровский //
Биотехносфера. – 2012. – №1 (19). – С. 44–49.
22.
Кореневский, Н.А. Метод синтеза гетерогенных нечетких правил для анализа и управления состоянием биотехнических систем / Н.А. Кореневский //
145
Известия Юго–Западного государственного университета. – 2013. – №2. – С. 99 –
103.
23.
Кореневский, Н.А. Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара / Н.А.
Кореневский, М.В. Шевцов, Л.В. Стародубцева, Г.В. Сипливый // Известия Юго–
Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2021. – Т.11, № 3. – С.
142
–159.
24.
Кореневский, Н.А. Метод синтеза нечетких моделей и ранней диагностики профессиональных заболеваний работников гальванических производств / И.Ю. Григоров, Т.Н. Говорухина, Р.А. Крупчатников // Системный анализ и управление в биомедицинских системах. – 2019. – Т.18, №3. – С. 163–
169.
25.
Кореневский, Н.А. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки принятия решений: монография / Н.А. Кореневский, С.Н. Родионова, И.И.
Хрипина. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2019. – 472 с.
26.
Кореневский, Н.А. Оценка и управление состоянием здоровья на основе моделей Г. Раша / Н.А. Кореневский, А.Н. Шуткин, Е.А. Бойцова, В.В. Дмитриева
// Медицинская техника. – 2015. – № 6 (294). – С. 37–40.
27.
Кореневский, Н.А. Оценка и управление состоянием здоровья обучающихся на основе гибридных интеллектуальных технологий: монография /
Н.А. Кореневский, А.Н. Шуткин, С.А. Горбатенок, В.И. Серебровский. - Старый
Оскол: ООО «Тонкие наукоемкие технологии», 2016. – 472 с.
28.
Кореневский, Н.А. Прогнозирование и ранняя диагностика заболеваний сельскохозяйственных рабочих на основе нечеткой логики принятия решений /
Н.А. Кореневский, Н.А. Коптева, Р.А. Крупчатников // Вестник Воронежского государственного технического университета. – 2008. – Т.4, №7. – С. 86–89.
29.
Кореневский,
Н.А.
Проектирование биотехнических систем медицинского назначения». Средства оценки состояния биообъектов: учебное
146 пособие / Н.А. Кореневский, З.М. Юлдашев. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2017. – 456 с.
30.
Кореневский,
Н.А.
Проектирование биотехнических систем медицинского назначения. Общие вопросы проектирования: учебник / Н.А.
Кореневский, З.М. Юлдашев. - Старый Оскол: ООО «Тонкие наукоемкие технологии», 2018. – 812 с.
31.
Кореневский,
Н.А.
Проектирование медико–экологических информационных систем: учебное пособие / Н.А. Кореневский, Н.Д. Тутов, Л.П.
Лазурина. – Курск, 2021. – 193 с.
32.
Кореневский, Н.А. Проектирование систем принятия решений на нечетких сетевых моделях в задачах медицинской диагностики и прогнозирования / Н.А. Кореневский // Телекоммуникации. – 2006. – №6. – С. 25–
31.
33.
Кореневский, Н.А. Синтез гибридных нечетких правил для прогнозирования, оценки и управления состоянием здоровья в экологически неблагоприятных регионах / Н.А. Кореневский, А.С. Башир, С.А. Горбатенко //
Известия Юго–Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2013. –
№4. – С. 69–73.
34.
Кореневский, Н.А. Синтез нечетких классификационных правил в многомерном пространстве признаков для медицинских приложений / Н.А.
Кореневский, К.В. Разумова // Известия Юго–Западного государственного университета. Серия: Управление, вычислительная техника, информатика.
Медицинское приборостроение. – 2012. – №21. – С. 223–227.
35.
Кореневский, Н.А. Синтез нечетких решающих правил для прогнозирования и ранней диагностики заболеваний, вызываемых состоянием окружающей среды, с учетом индивидуальных особенностей организма / Н.А.
Кореневский, Ю.А. Иванков, Е.А. Яковлева, Н.Н. Савченко // Системный анализ и управление в биомедицинских системах. – 2007 – Т.6, №2. – С. 395–400.