Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам

Размещено на http://www.allbest.ru/

УДК 303.732.4

01.00.00 Физико-математические науки

UDC 303.732.4

Physical-Mathematical sciences

РЕШЕНИЕ ЗАДАЧ АМПЕЛОГРАФИИ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА ИЗОБРАЖЕНИЙ ЛИСТЬЕВ ПО ИХ ВНЕШНИМ КОНТУРАМ (ОБОБЩЕНИЕ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ И ИДЕНТИФИКАЦИЯ)

THE SOLUTION OF PROBLEMS OF AMPELOGRAPHY BY USING ASC-ANALYSIS OF IMAGES OF LEAVES IN THEIR EXTERNAL CONTOURS (GENERALIZATION, ABSTRACTION, CLASSIFICATION AND IDENTIFICATION)

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор

Бандык Дмитрий Константинович

Трошин Леонид Петрович д. б. н., профессор



В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для решения ряда задач ампелографии: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных сортов; 4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства -различия между ними, т.е. идентификация сорта по листу; 5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов. Предлагается новый подход к оцифровке изображений листьев, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о сорте, включающее как информацию об истинной форме листа данного сорта (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого сорта на основе ряда зашумленных конкретных примеров листьев данного сорта. Таким образом создается один образ формы листа каждого сорта, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВВОД, ОЦИФРОВКА ИЗОБРАЖЕНИЙ, СИНТЕЗ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ, СРАВНЕНИЕ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ С ОБОБЩЕННЫМИ (ИДЕНТИФИКАЦИЯ), АМПЕЛОГАРФИЯ, ЛИСТЬЯ, СОРТ

оцифровка контур лист координата



The article discusses the use of automatic systemic-cognitive analysis (ASC-analysis), its mathematical model is a system of information theory and software tools - an intellectual system called "Eidos" for the solution of some problems of ampelography: 1) digitization of scanned images of the leaves and creation of their mathematical models; 2) the formation of mathematical models of specific leaves using the spreading of information theory; 3) the formation of models of generalized images of leaves of various sorts; 4) comparing an image of a specific leaf with a generalized image of the leaf of different varieties and finding a quantitative degree of similarity and differences between them, i.e. the identification of the varieties on the leaf; 5) quantification of the similarities and differences of the varieties, i.e. cluster-constructive analysis of generalized images of the leaves of different varieties. We propose a new approach to digitizing images of leaves, based on using the polar coordinate system, the center of gravity of the image and its external contour. Before scanning images we may use transformation to standardize the position of the still images, their sizes and rotation angle. Therefore, the results of digitization and ASC-analysis of the images might be invariant (independent) relatively to their position, size and rotation. The specific shape of the contour of the leaf is regarded as noise information on the variety, including information about the true shape of the leaf of the class (clean signal) and noise, which distort this true form, originating in a random environment. Software tools of ASC-analysis - intellectual "Eidos" system ensures noise reduction and the selection of the signal about the true shape of the leaf of each variety on the basis of a number of noisy concrete examples of the leaves of this variety. This creates a one way form of a leaf of each class, free from their concrete implementations, i.e., the "Eidos" of these images (in the sense of Plato) is a prototype or archetype (in the Jungian sense) of the images

Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" INTELLIGENT SYSTEM, INPUT, DIGITIZATION OF IMAGES, SYNTHESIS OF GENERALIZED IMAGES, ABSTRACTION, CLASSIFICATION, COMPARISON SPECIFIC IMAGES WITH GENERIC (IDENTIFICATION), AMPELOGRAPHY, LEAVES, VARIETY



Раз он в море закинул невод, -

Пришел невод с одною тиной.

Он в другой раз закинул невод,

Пришел невод с травой морскою.

В третий раз закинул он невод, -

Пришел невод с одною рыбкой,

С непростою рыбкой, - золотою.

/А.С.Пушкин/

Данная статья может рассматриваться как продолжение серии работ [1, 2, 3, 4, 5], посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) [12] и его программного инструментария - системы «Эйдос» [10, 11] См. сайт автора АСК-анализа и системы «Эйдос»: http://lc.kubagro.ru/ для интеллектуальной обработки изображений, т.е. для их оцифровки, создания моделей конкретных изображений, формирования обобщенных изображений на основе ряда конкретных, относящихся к одной категории (классу), абстрагирования, идентификации, классификации обобщенных изображений и решения ряда других задач.

В частности, в работе [3] описаны основы АСК-анализа изображений по их внешним контурам. В этих работах описаны возможности применения АСК-анализа для решения задачи синтеза обобщенных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации, а также степень характерности тех или иных признаков для конкретных изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т.е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга кластеров, т.е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т.е. идентифицировать эти конкретные изображения.

Все это позволяет ставить и решать на практике ряд важных задач ампелографии:

1) оцифровка сканированных изображений листьев и создание их математических моделей;

2) формирование математических моделей конкретных листьев с применением теории информации;

3) формирование моделей обобщенных образов листьев различных сортов;

4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу;

5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов.

Предлагается новый подход к оцифровке изображений листьев виграда, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о сорте, включающее как информацию об истинной форме листа данного сорта (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого сорта на основе ряда зашумленных конкретных примеров листьев данного сорта. Таким образом создается один образ формы листа каждого сорта, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона [6]) - прототип или архетип (в смысле Юнга [18]) изображений.

Рассмотрим на конкретном численном примере решение сформулированных выше задач ампелографии в АСК-анализе и системе «Эйдос-Х++» версии от 24.10.2015 и выше. Отметим, что система «Эйдос» имеет программные интерфейсы с внешними источниками данных различных типов: текстовые данные в форме текстовых файлов и значений полей Excel-таблиц, табличными данными dbf, xls и xlsx форматов, графическими объектами, анализируемыми по пикселям и внешним контурам.

Для решения поставленных в статье задач используем программный интерфейс с изображениями, которые анализируются по их внешним контурам в полярной системе координат. Программная реализация данного интерфейса разработана Д.К. Бандык по алгоритму и постановке проф. Е.В. Луценко [3, 4].

Для этого скачаем систему «Эйдос» с сайта автора по ссылке: http://lc.kubagro.ru/aidos/_Aidos-X.htm и установим ее в соответствии с инструкцией на сайте.

Запишем в папку ..\AID_DATA\Inp_data\ сканированные изображения листьев (рисунок 1):



Рисунок 1. Экранная форма, поясняющая расположение и структуру исходных данных: сканированных изображений листьев различных сортов

Изображения листьев помещены в папки, имена которых содержат информацию о сорте и месторасположении куста (слева). Внутри каждой папки (справа) содержаться файлы сканированных изображений листьев с одного куста. Имена файлов состоят из имени сорта (класса) и номера листа на кусте и внутри папки (номер реализации). В рассматриваемом примере в обучающей выборке используются изображения 451 листа.

Затем запустим режим: 2.3.2.4. Оцифровка изображений по их внешним контурам (рисунок 2):

Рисунок 2. Начальная экранная форма режима 2.3.2.4. Оцифровка изображений по их внешним контурам

Вместо описания данного режима приведем на рисунке 3 Help данного режима:



Рисунок 3. Help режима 2.3.2.4. Оцифровка изображений по их внешним контурам

В результате появляется главная экранная форма, отображающая процесс оцифровки сканов листьев, расположенных в виде файлов в указанных выше папках (рисунок 4):

Рисунок 4. Экранная форма с отображением стадии процесса исполнения оцифровки изображений листьев по их внешним контурам

Данный режим:

1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в поддиректориях.

2. Находит контуры в этих графических файлах и их центры тяжести.

3. Записывает в папку: ..\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура при различных углах поворота радиуса-вектора (эта идея, а также математическая модель и алгоритм ее реализации предложены проф.Е.В.Луценко в 2014 и реализованы в модуле 2.3.2.4 и режиме 4.7 системы «Эйдос» в 2015 году ). При этом структура поддиректорий и имена файлов в папках: ..\AID_DATA\Inp_data\ и ..\AID_DATA\Out_data\ совпадают. Пример контурного изображения листа приведен ниже на рисунке 5:

Рисунок 5. Пример контурного изображения листа: c:\Aidos-X\AID_DATA\Out_data\Виктор 3 15 0\Виктор - 0010.jpg

4. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.xlsx, в которой содержаться результаты оцифровки изображений. Кроме того, он формирует таблицу: ..\AID_DATA\Inp_data\inp_data_avr.xlsx с усредненными данными по классам. Пояснение по структуре этой таблицы дано в Help режима 2.3.2.4 (рисунок 3). Структура этой таблицы полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 6:



Рисунок 6. Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла .. \AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений:



Таблица 1. - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений (фрагмент) Это изображение сделано с разрешением 600 dpi и четко просматривается при масштабе 500%/ Полный файл исходных данных включает еще 3 таких страницы и здесь не приводится из-за их большой размерности, как и базы данных, создаваемые в системе «Эйдос» в результате его нормализации и импорта в систему.

Сам этот программный интерфейс вызывается из главного меню системы «Эйдос» (режим 2.3.2.2), либо из режима: 4.7. АСК-анализ изображений. Главная экранная форма режима 2.3.2.2 приведена на рисунке 7, причем на ней показаны нужные параметры, которые формируются режимом 2.3.24 как параметры по умолчанию:



Рисунок 7. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

После запуска процесса ввода данных из файла: ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 8):

Рисунок 8. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных

После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос». При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и база событий (эвентологическая база данных) (рисунок 9):

Рисунок 9. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»

Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос». В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица ..\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам.

Затем запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 10):



Рисунок 10. Экранная форма режима синтеза и верификации моделей системы «Эйдос» (режима 3.5)

Запускаем этот режим с параметрами по умолчанию. В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей:

Рисунок 11. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям Подробнее об этом можно прочитать в работе [7] и других работах, посвященных АСК-анализу



Рисунок 12. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей

Из рисунка 12 видно, что процесс синтеза и верификации моделей на выборке из 451 листа занял 16 минут 54 секунды.

Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с предложенной проф. Е.В. Луценко метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 13 и 14).

Рисунок 13. Оценка достоверности моделей с помощью непараметрической метрики, сходной с F-критерием



Рисунок 14. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

Из рисунка 13 мы видим, что наиболее достоверная модель, основанная на модифицированной мере Харкевича [7], дает среднюю достоверность определения сорта по листу около 80%, причем достоверность правильного отнесения листа к сорту, к которому он относится, составляет 83%, а правильного не отнесения к сорту, к которому он не относится - около 79%.

В соответствии со схемой, приведенной на рисунке 11, и информацией по достоверности моделей, приведенной на рисунке 13, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель INF2 в качестве текущей (рисунок 15) и проведем в ней пакетную идентификацию в режиме 4.1.2 (рисунок 16):



Рисунок 15. Экранная форма, позволяющая задать любую модель в качестве текущей

Рисунок 16. Экранная форма с отображением этапов и стадии решения задачи идентификации листьев с обобщенными образами листьев сортов

Из данной экранной формы видно, что идентификация 541 листа с обобщенными образами листьев сортов выполнена за минуту 23 секунды.

На рисунке 17 представлен пример результатов идентификации:

Рисунок 17. Экранная форма с результатами идентификации листьев с обобщенным образом листьев сорта «Виктор»

При идентификации возникают ошибки неидентификации и ложной идентификации, снижающие достоверность модели. По мнению авторов, основной причиной этих ошибок является наличие в обучающей выборке по каждому сорту винограда «нетипичных» для данного сорта листьев, значительно отличающихся по своей форме от основной массы листьев сорта (явление полиморфизма). По сути это связано с не очень высоким качеством обучающей выборки.

В системе «Эйдос» есть много различных средств повышения качества моделей, в частности за счет улучшения качества обучающей выборки. Для поиска и удаления из обучающей выборки данных по нетипичным листьям может быть применен режим: 3.7.6. Разделение классов на типичную и нетипичную части. Этот режим был реализован в DOS-версии системы «Эйдос» [8, 9, 10], а во время работы над статьей он был реализован в несколько усовершенствованном виде и в новой версии системы «Эйдос-Х++» [11]. На рисунке 18 приведена экранная форма этого режима:

Рисунок 18. Экранная форма режима: 3.7.6. Разделение классов на типичную и нетипичную части

Вместо описания данного режима приведем его Help (рисунок 19):



Рисунок 19. Help режима: 3.7.6. Разделение классов на типичную и нетипичную части

В результате работы данного режима при параметрах, приведенных в экранной форме на рисунке 18, из обучающей выборки было убрано 182 нетипичных изображения листьев из 541, в результате чего осталось 359 изображений (рисунок 20):

Рисунок 20. Экранная форма с результатами удаления нетипичных объектов обучающей выборки и рекомендациями по последующим действиям

Форма отчета по ним представлена в таблице 2:



Таблица 2. - Файл ..\AID_DATA\A0000001\System\Obj_err1.dbf с данными об отбракованных нетипичных объектах обучающей выборки (фрагмент) Это изображение сделано с разрешением 600 dpi и четко просматривается при масштабе 500%/

После выполнения рекомендуемых режимов (параметры их работы задаются программно, т.е. для пользователя «по умолчанию»), достоверность моделей возросла за счет уменьшения вариабельности формы листьев внутри классов, соответствующих сортам винограда (рисунок 21). Из этого рисунка мы видим, что достоверность моделей, созданных на основе улучшенных обучающих выборок, повышается по сравнению с исходной (рисунок 13) примерно на 4-5% за итерацию. Отметим, что режим 3.7.6 сделан таким образом, чтобы можно было удобно применять его итерационно, т.е. просто запускать его последовательно несколько раз подряд. При этом сначала повышается качество обучающей выборки путем удаления из нее нетипичных объектов, затем на основе улучшенной обучающей выборки создается новое приложение, а потом это новое приложение готовится для следующего применения режима 3.7.6 (см. рисунок 20).



Рисунок 21. Оценка достоверности моделей, созданных на основе обучающей выборки с удаленными данными о нетипичных листьях на 1-й и 2-й итерациях (непараметрическая метрика, сходная с F-критерием)

Из рисунка 21 видно, что в наилучшей модели, созданной на 2-й итерации (INF4), достоверность идентификации, определения сорта винограда по форме листа (контуру) составляет 95,8%, а достоверность неидентификации, т.е. определения сортов, к которым данный лист не относится - 80,9%. Это уже результат, достаточно высокий для того, чтобы можно было говорить не только о научной новизне, но и о практической значимости предлагаемых подходов к решению некоторых сформулированных в работе важных задач ампелографии.

Отметим также, что дальнейшие итерации в данном случае проводить нецелесообразно, т.к. наиболее эффективны, т.е. наиболее сильно повышают достоверность моделей именно первые итерации, а последующие все в меньшей и меньшей степени, что вполне естественно, ведь достоверность модели асимптотически приближается к 100%. Кроме того, в результате проведенных итераций уже достигнут достаточный уровень достоверности. В исходной обучающей выборке был 541 объект (лист), в модели 1-й итерации - 359, а в модели 2-й итерации - 309.

Выберем в качестве текущей модель INF4 2-й итерации и решим в ней сформулированные в начале статьи важные задачи ампелографии:

1) оцифровка сканированных изображений листьев и создание их математических моделей;

2) формирование математических моделей конкретных листьев с применением теории информации;

3) формирование моделей обобщенных образов листьев различных сортов;

4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу;

5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов.

Задача 1: оцифровка сканированных изображений листьев и создание их математических моделей.

Решение этой задачи подробно описано в начале статьи. Оцифровка сканированных изображений осуществляется модулем 2.3.2.4, программная реализация которого разработана Д.К. Бандык по постановке и алгоритму проф. Е.В. Луценко [3, 4]. В результате работы модуля создается Excel-файл обучающей выборки (таблица 1), в строках которого содержатся следующие количественные данные об изображениях, представляющие их математическую модель (при заданных параметрах оцифровки):

Колонки с 1-й по 7:

Объект обучающей выборки

Класс

X центра тяжести

Y центра тяжести

Площадь (пикс.)

Среднее

Ср.кв.откл.

Колонки с 8-й по 67:

000°

006°

012°

018°

024°

030°

036°

042°

048°

054°

060°

066°

072°

078°

084°

090°

096°

102°

108°

114°

120°

126°

132°

138°

144°

150°

156°

162°

168°

174°

180°

186°

192°

198°

204°

210°

216°

222°

228°

234°

240°

246°

252°

258°

264°

270°

276°

282°

288°

294°

300°

306°

312°

318°

324°

330°

336°

342°

348°

354°

Задача 2: формирование математических моделей конкретных листьев с применением теории информации.

В результате выполнения режима 3.5. Синтез и верификация моделей, создано 3 статистических модели и 7 когнитивных моделей исследуемой предметной области. Наименования этих моделей приведены на рисунках 10 и 11, а подробнее они описаны в работе [7] и других работах, посвященных АСК-анализу Ссылки на многие из них есть на сайте: http://lc.kubagro.ru/ . В таблице 3 приведен фрагмент базы знаний модели INF1 на 2-й итерации:

Таблица 3 - Модель INF1 на 2-й итерации (фрагмент) (миллибиты)



Всего в этой базе знаний 1800 записей, т.е. в таблице 3 приведено 3,8% ее объема.

Колонки приведенной базы знаний соответствуют классам, в данной работе это сорта винограда.

Строки приведенной базы знаний представляют собой градации описательных шкал, в данной работе это интервальные значения расстояний от центра тяжести листа до его контура в пикселях при различных углах поворота радиуса-вектора.

Значения на пересечениях строк и колонок в модели INF1 представляют собой количество информации по А.Харкевичу [ 7 ] в элементе контура о принадлежности листа с данным элементом контура к сорту винограда. Это количество информации выражено в миллибитах, т.е. тысячных долях бита с целью экономии знакомест в таблице (т.к. все значения начинаются с нуля и запятой). Знак и модуль значения отражают степень характерности или не характерности соответствующего элемента контура данному сорту винограда. Положительные значения говорят о том, что данный элемент контура характерен для данного сорта винограда, а отрицательные - о том, что он не характерен. Степень характерности или не характерности выражается модулем значения. Пустые значения соответствуют случаю, когда данный элемент контура листа никогда не встречался у данного сорта по данным обучающей выборки. Положительные значения получаются, если данный элемент контура встречается у данного сорта с более высокой вероятностью, чем в среднем по выборке, а отрицательные - если реже, чем в среднем по выборке. Подробнее о способах расчета статистических и когнитивных моделей в АСК-анализе и системе «Эйдос» можно ознакомится в работе [7] и других работах по этой проблематике.

Модели конкретных листьев с применением теории информации представляют собой количество информации в элементах их контуров о том, что эти листья принадлежат определенным сортам. В соответствии с подходом, развиваемым в АСК-анализе и реализованным в системе «Эйдос», считается, что лист относится к тому сорту винограда, о принадлежности к которому в элементах его контура содержится больше всего информации, т.е. используется аддитивный интегральный критерий [7].

Задача 3: формирование моделей обобщенных образов листьев различных сортов.

Модели обобщенных образов листьев содержатся в когнитивных моделях INF1 - INF7, фрагмент одной из которых приведен в таблице 3. Такая модель представляет собой вектор, координатами которого являются частные критерии, в частности в моделях INF1 и INF2 - количество информации [7]. Синтез и верификация этих моделей осуществляется в режиме 3.5 и подробно описаны в данной работе выше. Наименования этих моделей приведены на рисунках 10 и 11, а подробнее они описаны в работе [7] и других работах, посвященных АСК-анализу Ссылки на многие из них есть на сайте: http://lc.kubagro.ru/ .

В системе «Эйдос» реализован режим 4.7. АСК-анализ изображений, в котором можно выполнить практически все операции по оцифровке и анализу изображений, описанные в данной статье (рисунок 22):

Рисунок 22. Экранная форма режима 4.7. АСК-анализ изображений



Вместо описания возможностей данного режима приведем его Help (рисунок 23):

Рисунок 23. Help режима 4.7. АСК-анализ изображений

Экранная форма режима задания параметров формируемых и отображаемых информационных портретов приведена на рисунке 24:

Рисунок 24. Экранная форма режима задания параметров формируемых и отображаемых информационных портретов обобщенных изображений

На рисунке 25 в наглядной графической форме приведена система описательных шкал и градаций, используемая для оцифровки оригинальных изображений листьев, а на рисунке 26 - изображений листьев, усредненных по сортам. На рисунке 25 цветом обозначена ценность градаций описательных шкал для решения задачи идентификации сорта по элементу контура листа. На верхнем рисунке выделена область наиболее значимых элементов контура, на нижнем указаны они все. Для каждого угла поворота радиус-вектора диапазон от минимального до максимального его значений для конкретных листьев обучающей выборки разделен на 30 интервальных значений - градаций (число интервальных значений задано в диалоге в режиме 2.3.2.2). Решение о количестве интервальных значений задается с учетом объема выборки таким образом, чтобы все они были достаточно широко представлены в ней (по крайней мере по 5 попаданий в каждое интервальное значение каждой шкалы) и не было вообще не представленных. Это значит, что при небольшом объеме выборки корректно выбирать небольшое количество интервальных значений и соответственно точность модели будет не очень высока, а при увеличении объема выборки есть возможность повысить точность модели. Это одно из следствий известной теоремы Котельникова об отсчетах.



Рисунок 25. Система описательных шкал и градаций, используемая для оцифровки оригинальных изображений листьев

Рисунок 26. Система описательных шкал и градаций, используемая для оцифровки усредненных по сортам изображений листьев

Из сравнения шкал и градаций на рисунках 25 и 26 хорошо видно, на сколько в действительности различаются изображения листьев сортов и на сколько велик уровень шума, вносящий вариабельность в формы конкретных листьев. Из рисунка 26 видно, что усредненная форма листьев разных сортов довольно мало отличается друг от друга. Ясно, что чем выше отличие (вариабельность) элементов усредненных контуров по сортам, тем выше ценность этих элементов для того, чтобы отличить эти сорта друг от друга.

На рисунках 27 приведены информационные портреты обобщенных образов листьев различных сортов, отраженных в модели, построенной по оригинальным изображениям листьев, с указанием количества информации в элементе контура о том, что лист с данным элементом принадлежит данному сорту. Количество информации в элементе контура кодируется цветом спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым.

На рисунках 28 приведены информационные портреты обобщенных образов листьев различных сортов, отраженных в модели, построенной по усредненным по сортам изображениям листьев, с указанием количества информации в элементе контура о том, что лист с данным элементом принадлежит данному сорту. Количество информации в элементе контура кодируется цветом спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым. Если считать, что форма контура реального листа является суммой идеальной формы листа того сорта, к которому относится лист, и белого шума, обусловленного случайным воздействием окружающей среды и вносящего искажение в эту форму, то можно предположить, что при усреднении формы листьев по сортам этот шум может быть подавлен. Поэтому исследование информационных портретов усредненной формы листьев разных сортов, приведенные ниже на рисунках 28.

Рисунок 27. Информационные портреты обобщенных образов листьев различных сортов (классов)

Рисунок 28. Информационные портреты обобщенных образов листьев различных сортов, построенные по модели INF1 для усредненных по сортам изображений листьев



Из портретов на рисунках 27 и 28 видно какое количество информации о принадлежности листа к каждому из сортов содержат различные элементы контура, а из рисунок 25 и 26 видно в какой степени эти элементы контура вносят различие между сортами, т.е. в какой степени они вообще полезны для дифференциации листьев по сортам. По сути это означает, что на рисунках 27 и 28 в приведены редуцированные и нередуцированные когнитивные функции, причем редуцированные когнитивные функции по сути представляют нам вид идеального, т.е. не зашумленного случайным воздействием окружающей среды, контура листа каждого сорта [].

Различные варианты частных и интегральных критериев, применяемых в системе «Эйдос», описаны в работе [7] и других работах по АСК-анализу [12, 13]. По-видимому, при решении задачи идентификации сорта по образцу листа есть смысл обращать основное внимание именно на эти наиболее информативные и значимые элементы контуров. В системе «Эйдос» реализован фильтр, в результате действия которого на изображениях будут показаны лишь те элементы контуров изображений, которые имеют значимость не менее заданной пользователем величины. Примеры изображений шкал и информационных портретов с фильтром, ограничивающим отображение градаций шкал с низким уровнем значимости, приведены на рисунках 29 и 30:

Рисунок 29. Система описательных шкал и градаций, используемая для оцифровки оригинальных изображений листьев, с фильтром, ограничивающим отображение градаций шкал с низким уровнем значимости



Рисунок 30. Информационный портрет обобщенного образа листьев сорта «Монарх», построенная в модели INF3 на основе оригинальных изображений листьев, с фильтром, ограничивающим отображение градаций шкал, нехарактерных (малоинформативных) для данного сорта

Задача 4: сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу.

Результаты идентификации листьев с сортами и сортов с листьями приводятся в многочисленных выходных формах (рисунок 31), из которых мы в связи с ограниченностью объема работы приведем лишь первые 2 (рисунки 32 и 33):

Рисунок 31. Выходные формы с результатами идентификации



Рисунок 32. Результаты идентификации листа с сортами

Рисунок 33. Результаты идентификации сорта с листьями

Объект, относящийся к классу, практически всегда имеет максимальный уровень сходства с ним, по сравнению с другими объектами. Мы видим, что результаты весьма разумные и по своей достоверности соответствуют уровню эксперта в данной предметной области.

Задача 5: количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов (решение задачи классификации).

Для решения этой задачи необходимо запустить режим 4.2.2.1, а затем 4.2.2.2 (рисунки 31 и 32):



Рисунок 34. Экранная форма запуска режима кластерно-конструктивного анализа

При кластерном анализе наиболее сходные классы объединяются в группы, которые называются кластерами. При конструктивном анализе наиболее сильно отличающиеся кластеры рассматриваются как смысловые полюса конструкта, а другие классы и кластеры с промежуточными смысловыми градациями образуют смысловой спектр между полюсами. Кластерно-конструктивный анализ предложен проф. Е.В. Луценко в 2002 году как одна из возможностей АСК-анализа и реализован в системе «Эйдос».



Рисунок 35. Табличные экранные формы с результатами кластерно-конструктивного анализа в когнитивных моделях INF1 и INF4

Из сравнения первой и второй экранных форм на рисунке 31 видно, что в более достоверной модели INF4 сорта сильнее отличаются друг от друга, что соответствует интуитивным ожиданиям экспертов, основанным на их опыте и профессиональной компетенции. На рисунке 33 результаты сравнения друг с другом обобщенных образов листьев различных сортов винограда приведены в графической форме когнитивной диаграммы:



Рисунок 36. Результаты сравнения друг с другом обобщенных образов классов (идеальных листьев различных сортов)

Сорта «Виктор» и «Преображение» являются сибсами - родственниками, поэтому у них сходная форма листьев, что количественно строго объективно и определено системой непосредственно на основе эмпирических данных без участия экспертов. Сорт «Юбилей Новочеркасска» также является родственником этих двух сортов, однако его форма листьев отличается от них. Сорта Ливия и Монарх (ныне назван Хризолитом) получены путем скрещивания различных исходных форм винограда [14- 17], поэтому естественно, что они отличаются друг от друга по форме листьев.

SWOT-анализ изображений. Характерные и нехарактерные признаки контуров обобщенных изображений листьев по сортам можно получить в форме таблиц и графических диаграмм в режиме 4.4.8 (рисунки 34):



Рисунок 37. Характерные и нехарактерные признаки контуров обобщенного изображения листьев по сорту «Юбилей Новочеркасска»

Парето-оптимизация (абстрагирование). Не все описательные шкалы и градации имеют одинаковую ценность для идентификации изображений. Наиболее ценные могут использоваться для решения задач, а наименее ценные вообще могут не учитываться в моделях практически без ущерба для их достоверности (рисунок 35):

Рисунок 38. Общий вид Парето-кривой ценности градаций описательных шкал (элементов контуров изображений) для идентификации конкретных изображений с обобщенными образами классов



Расшифровка наименований градаций описательных шкал, ранжированных в порядке убывания их ценности, дается в дополнительных таблицах, которые в данной статье приводить нецелесообразно.



Выводы

В статье рассмотрено применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для решения ряда задач ампелографии: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных сортов; 4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу; 5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов. Предложен новый подход к оцифровке изображений листьев, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о сорте, включающее как информацию об истинной форме листа данного сорта (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого сорта на основе ряда зашумленных конкретных примеров листьев данного сорта. Таким образом создается один образ формы листа каждого сорта, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений

Материалы данной статьи могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время http://lc.kubagro.ru/My_training_schedule.doc, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее - в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки). В частности с применением предложенной технологии АСК-анализа изображений по их контурам могут быть модифицированы лабораторные работы 1 и 3 [19].

Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (с открытыми исходными текстами) на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.

Запланировано совершенствование методологии, технологии, методики и программного инструментария АСК-анализа изображений путем развития, применения и обобщения описанного в данной работе подхода, что будет способствовать развитию науки ампелографии и ее ветви - ампелологии.



Литература

1. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.

2. Луценко Е.В. Системно-когнитивный подход к синтезу эффективного алфавита / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129. - Шифр Информрегистра: 0420900012\0067, IDA [article ID]: 0510907005. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.

3. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 - 167. - IDA [article ID]: 1101506009. - Режим доступа: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.

4. Луценко Е.В., Бандык Д.К. Интерфейс ввода изображений в систему "Эйдос" (Подсистема «Эйдос-img»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.рег.№ 2015618040, зарегистр. 29.07.2015. - Режим доступа: http://lc.kubagro.ru/aidos/2015618040.jpg.

5. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 334 - 362. - IDA [article ID]: 1111507019. - Режим доступа: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.

6. Луценко Е.В. СК-анализ и система "Эйдос" в свете философии Платона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №01(045). С. 91 - 100. - Шифр Информрегистра: 0420900012\0010, IDA [article ID]: 0450901008. - Режим доступа: http://ej.kubagro.ru/2009/01/pdf/08.pdf, 0,625 у.п.л.

7. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

8. Луценко Е.В. Повышение адекватности спектрального анализа личности по астросоциотипам путем их разделения на типичную и нетипичную части / Е.В. Луценко, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №02(036). С. 153 - 174. - Шифр Информрегистра: 0420800012\0017, IDA [article ID]: 0360802010. - Режим доступа: http://ej.kubagro.ru/2008/02/pdf/10.pdf, 1,375 у.п.л.

9. Луценко Е.В. Повышение качества моделей «knowledge management» путем разделения классов на типичную и нетипичную части / Е.В. Луценко, Е.А. Лебедев, В.Н. Лаптев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 78 - 93. - Шифр Информрегистра: 0420900012\0109, IDA [article ID]: 0540910005. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/05.pdf, 1 у.п.л.

10. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 - 77. - Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.

11. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л.

12. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.

13. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с. - Режим доступа: http://elibrary.ru/item.asp?id=18632909.

14. Трошин Л.П. Три сибса современного приватного виноградарства России и Украины / Л.П. Трошин, А.В. Милованов, Б.А. Маховицкий // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №05(089). С. 463 - 482. - IDA [article ID]: 0891305032. - Режим доступа: http://ej.kubagro.ru/2013/05/pdf/32.pdf, 1,25 у.п.л., импакт-фактор РИНЦ=0,581.

15. Трошин Л. П. Интерактивная ампелография - наука и педагогика // Интерактивная ампелография и селекция винограда. - Краснодар: КубГАУ, 2012. - С. 215-221.

16. Трошин Л.П. Модернизация столового сортимента для фермерского и приусадебного виноградарства: перспективные сорта-генеты Кострикина-Крайнова / Трошин Л.П. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - № 08 (102). - IDA [article ID]: 1021408036. - Режим доступа: http://ej.kubagro.ru/2014/08/pdf/36.pdf, 2,188 у.п.л.

17. Трошин Л.П. Модернизация столового сортимента для фермерского и приусадебного виноградарства: перспективные сорта-генеты Кострикина-Павловского / Трошин Л.П. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - № 08 (102). - IDA [article ID]: 1021408037. - Режим доступа:http://ej.kubagro.ru/2014/08/pdf/37.pdf, 1,688 у.п.л.

18. Юнг К.Г. Человек и его символы. М., 1997.

19. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с. - Режим доступа: http://elibrary.ru/item.asp?id=21683721

20. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №01(095). С. 122 - 183. - IDA [article ID]: 0951401007. - Режим доступа: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.



Literatura

1. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №02(046). S. 146 - 164. - Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.

2. Lucenko E.V. Sistemno-kognitivnyj podhod k sintezu jeffektivnogo alfavita / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №07(051). S. 109 - 129. - Shifr Informregistra: 0420900012\0067, IDA [article ID]: 0510907005. - Rezhim dostupa: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 u.p.l.

3. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №06(110). S. 138 - 167. - IDA [article ID]: 1101506009. - Rezhim dostupa: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.

4. Lucenko E.V., Bandyk D.K. Interfejs vvoda izobrazhenij v sistemu "Jejdos" (Podsistema «Jejdos-img»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2015614954 ot 11.06.2015, Gos.reg.№ 2015618040, zaregistr. 29.07.2015. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2015618040.jpg.

5. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih pikseljam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №07(111). S. 334 - 362. - IDA [article ID]: 1111507019. - Rezhim dostupa: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.

...