Методи та практики навчання і застосування згорткових нейронних мереж для виявлення різних дефектів
Дослідники в галузі машинного навчання за допомогою згорткових нейронних мереж підвищують точність, надійність виявлення різних дефектів при обслуговуванні цивільної інфраструктури. Методи аналізу зображень за допомогою згорткових нейронних мереж.
| Рубрика | Коммуникации, связь, цифровые приборы и радиоэлектроника |
| Вид | статья |
| Язык | украинский |
| Дата добавления | 08.12.2024 |
| Размер файла | 25,5 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Методи та практики навчання і застосування згорткових нейронних мереж для виявлення різних дефектів
Левщанов Сергій Валерійович
Інженер, Позаштатний консалтинг, м. Київ
Анотація
Спочатку після появи штучного інтелекту області його практичного застосування були обмежені, оскільки ця технологія не мала великого визнання серед дослідників та фахівців. Згодом технологія штучного інтелекту починає набувати важливого значення з появою нових алгоритмів, які продовжують розвиватися та удосконалювати. Згорткові нейронні мережі є одним з таких алгоритмів. Вони використовують шари зв'язаних вузлів для імітації нейрологічної системи під час вирішення проблем як варіант маши-нного навчання. Ефективність даного алгоритму полягає у додаткових шарах, які він використовує для кращого вилучення характеристик (особливостей) проблеми, яку намагається вирішити.
Методи машинного навчання знайшли своє ефективне застосування для обслуговування громадянської інфраструктури, у тому числі для перевірки, моніторингу та оцінки стану інфраструктури, що потребує багато часу та зусиль у порівнянні з традиційними технологіями. Згорткові нейронні мережі використовуються в будівельній галузі для різних цілей. Одним із додатків є використання при моніторингу стану конструкцій для виявлення аномалій та тріщин у різних конструкціях, таких як мости та будівлі, шляхом аналізу зображень, забезпечуючи автоматичне розпізнавання, класифікацію та аналіз зображень у галузі.
Дослідники в галузі машинного навчання за допомогою згорткових нейронних мереж підвищують точність, надійність виявлення різних дефектів при обслуговуванні цивільної інфраструктури. В даний час досвід застосування даної технології в даній сфері маловивчений, тому існує потреба в огляді методик та практик застосування, щоб розуміти ефективність застосування глибокого навчання при обслуговуванні громадянської інфраструктури та оцінити всі переваги. Практикуючим спеціалістам можна використовувати це дослідження як довідковий матеріал, що у свою чергу допоможе генерувати більше інновацій у галузі будівництва та сприяти розвитку будівельної галузі.
Методи аналізу зображень за допомогою згорткових нейронних мереж для виявлення дефектів були запропоновані як альтернатива ручним методам перевірки на місці. Хоча методи виявлення дефектів на основі аналізу зображень, можуть бути дуже складними і повністю залежати від якості зображень, знятих з різних дистанцій і штучних та природних умов. В основному цей метод застосовується для виявлення дефектів в інфраструктурних об'єктах, таких як тріщини у дорожньому покритті, мости, греблі та каналізація, трубопроводи. Автоматизоване виявлення дефектів у конструкціях, пошкоджених землетрусом останніми роками також привернула значну увагу дослідників. Враховуючи, що всі ці дослідження були нечисленні, і замало уваги було приділено застосуванню передових методів машинного навчання для виявлення будівельних дефектів. І спостерігається нестача досліджень у автоматизованій оцінці стану будівель; незважаючи на те, що цей напрямок має великий потенціал і потребу ринку. Тому основною метою даного дослідження є вивчення практик та методів застосування методу згорткових нейронних мереж для автоматизації оцінки стану будівельних конструкцій.
Ключові слова: згорткові нейронні мережі, машинне навчання, аналіз зображень, виявлення дефектів у конструкціях.
Abstract
Levshchanov Sergey Valeriyovych Engineer, Freelance consulting, Kyiv,
METHODS AND PRACTICES OF TRAINING AND APPLYING CONVOLUTIONAL NEURAL NETWORKS FOR DETECTING VARIOUS DEFECTS
At first, after the advent of artificial intelligence, the areas of its practical application were limited, since this technology did not have much recognition among researchers and specialists. Over time, artificial intelligence technology begins to become important with the advent of new algorithms that continue to develop and improve. Convolutional neural networks are one such algorithm. They use layers of connected nodes to simulate a neurological system to solve problems, a variant of machine learning. The effectiveness of this algorithm lies in the additional layers it uses to better extract the characteristics (features) of the problem it is trying to solve.
Machine learning methods have found their effective application for maintaining civil infrastructure, including inspecting, monitoring and assessing the condition of infrastructure, which requires a lot of time and effort compared to traditional technologies. Convolutional neural networks (CNNs) are used in the construction industry for various purposes. One application is to be used in structural health monitoring to detect anomalies and cracks in various structures such as bridges and buildings through image analysis, providing automatic image recognition, classification and analysis to the industry.
Researchers in the field of machine learning are using convolutional neural networks to improve the accuracy and reliability of detecting various defects when maintaining civil infrastructure. Currently, the experience of using this technology in this area is poorly studied, so there is a need for a review of methods and application practices in order to understand the effectiveness of using deep learning in servicing civil infrastructure, and to evaluate all the benefits. Practitioners can use this study as a reference material, which in turn will help generate more construction innovations and promote the development of the construction industry.
Image analysis techniques using convolutional neural networks for defect detection have been proposed as an alternative to manual on-site inspection methods. Although methods for detecting defects based on image analysis can be very complex and completely depend on the quality of images taken from different distances and artificial and natural conditions. This method is mainly used to identify defects in infrastructure facilities, such as cracks in road surfaces, bridges, dams and sewers, pipelines. Automated detection of defects in earthquake-damaged structures has also attracted significant research attention in recent years. Considering that all these studies were few in number, and too little attention was paid to the application of advanced machine learning methods for detecting construction defects. And there is a lack of research into automated building condition assessment; despite the fact that this area has great potential and market demand. Therefore, the main goal of this study is to study the practices and methods of using the convolutional neural network method to automate the assessment of the condition of building structures.
Keywords: convolutional neural networks, machine learning, image analysis, defect detection in structures.
Нейронна мережа -- це метод штучного інтелекту, який вчить комп'ютери обробляти дані таким же способом, як і людський мозок.
Згорткові нейронні мережі (Convolutional Neural Networks, CNN) - клас алгоритмів машинного навчання.
VGG-16 (Visual Geometry Group) - є архітектурою згорткової нейронної мережі (CNN), запропоновану Групою візуальної геометрії (VGG) Оксфордського університету. Складається з 16 шарів, у тому числі 13 згорткових шарів та 3 повнозв'язкових шарів. VGG-16 відомий своєю простотою та ефективністю, а також здатністю досягати високої продуктивності при вирішенні різних завдань комп'ютерного зору, включаючи класифікацію зображень та розпізнавання об'єктів. Архітектура моделі включає в себе набір згорткових шарів, за якими йдуть шари максимального пулу з глибиною, що поступово збільшується. Така конструкція дозволяє моделі вивчати складні ієрархічні уявлення візуальних особливостей, що призводить до надійних та точних прогнозів. Незважаючи на свою простоту в порівнянні з пізнішими архітектурами, VGG-16 залишається популярним вибором для багатьох програм глибокого навчання завдяки своїй універсальності та чудовій продуктивності.
Class Activation Mapping (CAM) - це метод, який використовує згорткові нейронні мережі (CNN) для візуалізації та ідентифікації певних областей зображення, які відповідають певному вихідному класу. Традиційно візуаліза- ції, створювані CNN, надають мало інформації, що допомагає зрозуміти, як вони ухвалюють рішення. Однак CAM генерує теплові карти, що відповідають областям зображення, які найбільше вплинули рішення CNN про класифікацію. навчання нейронна мережа
ImageNet - це база даних зображень, організована відповідно до ієрархії WordNet (на даний момент тільки іменники), в якій кожен вузол ієрархії зображений сотнями і тисячами зображень.
SDNET2018 - це набір даних з анотованими зображеннями для навчання, перевірки та порівняльного аналізу алгоритмів виявлення тріщин у бетоні на основі штучного інтелекту. SDNET2018 містить понад 56 000 зображень бетонних настилів, стін та тротуарів з тріщинами та без тріщин. Набір даних включає тріщини завширшки від 0,06 мм до 25 мм. Набір даних також включає зображення з різними перешкодами, включаючи тіні, шорсткість поверхні, масштабування, краї, дірки та фонове сміття. SDNET2018 буде корисним для подальшої розробки алгоритмів виявлення тріщин у бетоні на основі глибоких згорткових нейронних мереж (DCNN), які є предметом постійних досліджень у галузі моніторингу стану конструкцій.
MPRNet - це багатоетапна архітектура прогресивного відновлення зображень, яка поступово вивчає функції відновлення пошкоджених вхідних даних, тим самим розбиваючи загальний процес відновлення більш керовані етапи. Зокрема модель спочатку вивчає контекстуалізовані функції з використанням архітектури кодера-декодера, а потім поєднує їх з гілкою високої роздільної здатності, яка зберігає локальну інформацію. На кожному етапі вводиться попіксельно адаптивний дизайн, який дозволяє використовувати контрольовану увагу дома для переоцінки місцевих особливостей.
Max-pooling -- це операція об'єднання, яка обчислює максимальне значення для виправлень картки об'єктів та використовує її для створення картки об'єктів зі зниженою дискретизацією (об'єднаною). Зазвичай він використовується після згорткового шару.
Softmax - перетворює необроблені вихідні дані або логіти, згенеровані останнім шаром нейронної мережі, на розподіл ймовірностей. Функція зводить у ступінь кожен логіт, потім нормалізує результати, гарантуючи, що вихідні значення потрапляють у діапазон від 0 до 1 і сумі дають 1.
Vision Transformer (ViT) - перетворювач, призначений для комп'ютерного зору. ViT розбиває вхідне зображення на серію фрагментів (замість того, щоб розбивати текст на токени), серіалізує кожен фрагмент вектор і відображає його в менший вимір за допомогою одного матричного множення. Ці векторні впровадження потім обробляються перетворювачем- кодером, ніби вони були вбудовування токенів.
Постановка проблеми
Виявлення об'єктів - дуже важливий напрямок досліджень Штучного інтелекту. Багато дослідників працюють над впровадженням нових методів для більш ефективного виявлення об'єктів на зображеннях або відео для різних сфер застосування [1]. Великі набори даних можуть оброблятися та аналізуватися за допомогою штучного інтелекту та алгоритмів машинного навчання. Такий підхід дозволяє розпізнавати закономірності, передбачати результати, та адаптуватися до мінливих умов будівельного майданчика. А також навчатися на своєму досвіді та покращувати свою продуктивність з часом за рахунок алгоритмів машинного навчання [2].
Аналіз останніх досліджень та публікацій
Згорткові нейронні мережі (CNN) використовуються для виявлення деформацій різних будівельних конструкцій, що включають, дороги, мости та тунелі, та несучі стіни. CNN забезпечує ефективний та точний моніторинг [3].
Застосування згорткових нейронних мереж (CNN) спільно з БПЛА які здійснюють фото і відео зйомку і за допомогою бездротової мережі передають даний матеріал для подальшої обробки та аналізу навченим за допомогою технологій машинного навчання згорткових нейронних мереж (CNN). Що у свою чергу значно розширює можливості та частоту обстеження інфраструктурних об'єктів [4].
Виявлення об'єктів за допомогою CNN, таких як тріщини є важливою частиною застосування технології машинного навчання, що дозволяє застосовувати більш ефективні методи контролю цілісності, якості та раннього виявлення деформацій та руйнувань об'єктів інфраструктури. Оскільки візуальне обстеження є основним методом виявлення тріщин чи деформацій. У зв'язку з цим стала вельми поширеною отримали безпілотні літальні апарати (БПЛА) здатні рахунок своєї маневреності подолати всі перешкоди і успішно зібрати необхідні дані. Однак ручний аналіз цих даних є, трудомістким процесом, може забирати багато часу і схильний до помилок через втручання людини. Автоматичне виявлення тріщин на зображеннях і відео можливе завдяки досягненням у технологіях машинного навчання [5]. У тому числі, що особливо актуально, автоматичне виявлення тріщин при огляді будівель, які були пошкоджені внаслідок природних чи техногенних катаклізмів та становлять потенційну небезпеку для їхнього обстеження традиційними методами [3,4].
У вищезазначеній літературі використовуються різні методи навчання та практичного застосування CNN, але відсутня порівняння переваг та недоліків кожного з них для виявлення найбільш ефективного для відповідних завдань.
Ціль статті. Існує кілька наукових статей де використовуються різні методи навчання та застосування CNN для виявлення тріщин на фото та відео, що показують різний результат. У зв'язку з цим дана наукова робота має на меті створення комплексного огляду за методами застосування CNN з метою виявлення найбільш ефективного.
Виклад основного матеріалу дослідження
Тріщини та будь-які зовнішні дефекти в будівельних конструкціях виявляються за допомогою техніки неруйнівного контролю. Візуальний огляд із використанням фотографій високої роздільної здатності є однією з таких технік, поряд з такими техніками як використання георадару, ультразвукового контролю, термографія. Візуальний огляд з використанням фотографій високої роздільної здатності має істотну перевагу порівняно з вищевказаними та іншими традиційними техніками неруйнівного контролю для обстеження будівель та споруд. Для використання цих технік інспектори повинні відвідувати об'єкти із спеціальним обладнанням для виявлення візуальних деформацій.
Для візуального огляду з використанням фотографій високої роздільної здатності використовуються безпілотні літальні апарати, оскільки вони надають можливості віддаленого моніторингу об'єктів та важкодоступних місць.
Згорткові нейронні мережі (CNN) використовують методи глибокого навчання для розпізнавання об'єктів, за рахунок цього вони можуть аналізувати різні дані і розпізнавати об'єкти.
Перший метод застосування навченої моделі CNN є її використання для автоматизованого аналізу зображень фасадної плитки зовнішніх стін будівель, але даний підхід має два обмеження: (1) навчена модель не може виявляти кілька типів дефектів одночасно; (2) навчена модель може виявляти лише зображення з видимими дефектами.
Для даного методу використовується модель згорткової нейронної мережі VGG-16 (Visual Geometry Group), що дозволяє перетворити вхідні дані, в даному випадку фото у формат, зрозумілий для наступних шарів нейронної мережі, які будуть виконувати аналіз зображень і так само Class Activation Mapping (CAM) - це клас-дискримінаційний метод візуалізації для нейронної мережі, який допомагає покращити інтерпретованість моделі для детального розпізнавання та виявлення. Із застосуванням цих двох компонентів було розроблено модель глибокого навчання, здатну розпізнати такі дефекти, як сколи, розтріскування фасадних плиток будівель.
Для навчання цієї моделі були використані зображення з різними дефектами фасадних стін, спеціально оброблені із зміною їхнього розміру, що суттєво покращило їх для сприйняття - навчання мережі. Потім було застосовано трансферне навчання (TL) - це метод машинного навчання, при якому модель, попередньо навчена виконанню одного завдання, налаштовується для виконання нового завдання, пов'язаного з попередньою. Даний метод використовувався спільно з VGG-16 та ImageNet - колекцією з більш ніж 14 мільйонів різних зображень, що використовуються для навчання моделей та CAM для їх локалізації. Для того щоб гарантувати, що дана модель глибокого навчання має здатність розпізнавати необхідні об'єкти.
Для збору даних для аналізу за допомогою БПЛА було знято 5680 зображень фасадної плитки. Ці зображення мали відмінності в роздільній здатності та розмірі, оскільки зйомка велася з різних кутів і дистанцій. Для уніфікації цих зображень для подальшої обробки моделлю, ці зображення були нарізані на зображення з роздільною здатністю 224х224 і 3024х4032 пікселів.
Потім для автоматичного виявлення дефектів було застосовано нав-чену за допомогою трансферного навчання молель нейронної мережі VGG-16.
Результати аналізу показали, що модель може виявляти дефекти на зображеннях з точністю від 78 до 100% виявлення дефектів фасадної плитки [3].
Як уже було раніше зазначено, що в порівнянні з традиційними методами виявлення зовнішніх дефектів у будівельних конструкціях, використання БПЛА порівняно недорого та забезпечують більш високу мобільність, ефективність та безпеку для інспекторів.
Однак на ефективність даного методу можуть суттєво вплинути клімат, освітлення, вітер та зони з джерелами технічних перешкод для використання дронів, що обмежує широке впровадження та застосування цього методу експлуатації у будівельній галузі.
Другий метод використання CNN складається з трьох частин: (1) обробка зображень на основі ознак для вилучення особливостей зображень і потім об'єднання їх в одне велике зображення; (2) виявлення тріщин за допомогою моделі глибокого навчання (3) визначення їх координат щодо розташування на зображеннях
Для навчання наступної моделі використовувалися 56 000 зображень, мостових настилів, стін та тротуарів були вибрані зображення гарної якості для кожної категорії, як з тріщинами, так і без тріщин.
Для виявлення тріщин так само, як і в попередньому прикладі, застосовується CNN на основі моделі VGG16, так як дана модель має широке використання через її високу продуктивність. Спільно з базою даних ImageNet яка розроблена для візуального розпізнавання об'єктів і трансферного навчання.
Потім на основі інформації про місцезнаходження БПЛА при зйомці за допомогою вбудованої камери, об'єкта, що обстежується, і за допомогою роботи алгоритму глибокого навчання вдалося визначити місце розташування тріщин у світовій системі координат і створити повну карту тріщин, які відмічені червоним, з інформацією про їх місцезнаходження.
Отримані за допомогою БПЛА зображення фасадної стіни були оброблені і потім зібрані в одне велике зображення, щоб подолати обмеження дозволу камери. Для подальшої обробки використовувалася модель CNN спеціально навчена виявлення будь-яких тріщин на зображеннях. За допомогою інформації отриманої з вбудованих датчиків в БПЛА були визначені розташування тріщин у світовій системі координат. Даний підхід збільшує ефективність та швидкість обстеження великих конструкцій.
Як видно з даного дослідження за допомогою поєднання можливості виявлення тріщин з визначенням їхнього місцезнаходження, можна підвищити ефективність використання навчених моделей CNN.
Для виявлення тріщин у даному методі була використана модель VGG16 через її високу продуктивність у додатку ImageNet та трансферного навчання. Вона підтримує зображення розміром 224 на 224 і має 3 канали, використовує 16 згорткових шарів з фільтрами 3 х 3 для оптимального вилучення ознак вхідних зображень. У моделі ImageNet останній шар max-pooling підключений до одного повністю пов'язаного шару довжиною 4096 нейронів, який потім підключений до шару softmax для 1000 класифікацій. Таким чином, вихідні дані по суті є реальним значенням від 0 до 1. При перевірці 1 і 0 являють собою максимальну впевненість у наявності тріщини і відсутності тріщин відповідно. А точність як під час перевірки, і під час навчання значно перевищує 99% [4].
У третьому методі збору даних застосовувалися два БПЛА роторного типу з'єднаних через бездротову передачу даних із спеціальним програмним забезпеченням (СПО) на персональному комп'ютері (ПК). У СПО було заздалегідь задано маршрут польоту, що забезпечило ефективне охоплення зони перевірки і дозволило уникнути зайвої зйомки. Також була задана дистанція між дронами і об'єктом - 1,2 м для отримання уніфікованих даних.
Перед використанням модель CrackClassCNN була навчена за допомогою SDNET2018. SDNET2018 - це великий набір даних з 56 000 зображень, що представляють різні конструкції, такі як прольоти мостів, стіни та дороги. Спеціально призначений для навчання, перевірки та порівняльного аналізу алгоритмів на основі штучного інтелекту, орієнтованих на виявлення тріщин у бетоні.
Для подальшого аналізу було зібрано 150 зображень та 20 хвилин відео- даних. На зібраних зображеннях є тріщини, структурні деформації і навіть сліди корозії. У зв'язку з тим що під час зйомки обидва БПЛА, через вітер і роботу гвинтів були схильні до вібрацій це спричинило розмиття зображень. Для усунення цих дефектів було застосовано MPRNet - багатоетапна прогресивна архітектура відновлення зображень, що усунув усі дефекти.
Потім для виявлення тріщин на отриманих зображеннях було використано модель CrackClassCNN.
Для отримання деталізації тріщин на зображенні на рівні пікселів зображення з виявленими тріщинами були оброблені моделлю сегментації Segment Anything Model (SAM). Результат обробки показує, що точність досягла 95,02% [5].
Таблиця 1. Точність розпізнавання дефектів на фото та відео зображеннях за допомогою різних методів навчання та застосування згорткових нейронних мереж
|
Метод |
Точність |
Примітка |
|
|
1 |
от 78 до 100% |
Середнє значення 90% |
|
|
2 |
99% |
||
|
3 |
95,02% |
Висновки
У першому методі, як видно в таблиці 1, мінімальна точність розпізнавання була найнижчою в порівнянні з наступними методами. Так само навчена модель згорткової нейронної мережі не мала функціональності, що дозволяє одночасно виявляти декілька типів дефектів.
Другий метод істотно відрізняється від першого тим, що отримані за допомогою БПЛА зображення були склеєні в одне велике зображення, щоб подолати обмеження роздільної здатності камери. Потім навчена модель CNN використовувалася виявлення тріщин на зображенні. На основі результатів процесу виявлення тріщин і за допомогою інформації, отриманої з датчиків БПЛА, було встановлено розташування тріщин у світовій системі координат. Створивши цим цілісну карту. Ця карта з усіма виявленими тріщинами суттєво допомагає покращити ефективність подальших дій для великих об'єктів інфраструктури та великих конструкцій. А точність як під час перевірки, так і під час навчання значно перевищує 99%, що є найвищим середньостатистичним показником, порівняно з двома іншими методами.
Як подальші перспективи подальшого дослідження в даному напрямку, автори пропонують поліпшення функціональності шляхом включення можливості визначення довжини і ширини тріщин і виявлення різних типів тріщин.
Третій метод застосування моделі CNN полягає у пропозиції методології обробки, яка дозволяє автоматично виявляти та сегментувати зображення з тріщинами. Модель CrackClassCNN, була навчена в мережі на наборі даних SDNET2018, на зображеннях настила моста, і досягла точності 95,02%, що є вище ніж у першого методу, але нижче ніж у другого методу. Модель CrackClassCNN має більш швидкий час виведення даних через простішу структуру.
Також даний метод включає навчання декодера крайової маски з використанням попередньо навченої базової моделі Vision Transformer Base (ViT-B) в якості контрольної точки. Більше того, дана методологія багатоетапної обробки забезпечує продуктивність, близьку до реального часу, гарантуючи ефективне та своєчасне виявлення тріщин.
Всі вище описані методи мають свої недоліки та переваги, що істотно впливають на область їх застосування. Але найефективнішим методом за показниками точності та практики застосування особливо великих обсягів робіт є другий метод. За рахунок можливості визначення координат тріщин та створення картки для більш ефективної подальшої роботи. Але цей метод також вимагає доопрацювання шляхом досліджень та експериментів.
Ця робота також показала ефективність застосування машинного навчання у будівельної промисловості та перспективи подальших досліджень у цьому напрямі.
Література:
1. Shovon, P. (2023). Застосування глибокого навчання та безпілотних літальних апаратів для обслуговування будівель. Серія конференцій IOP: Матеріалознавство та інженерія, 2580(1), 012016. https://doi.Org/10.1088/1742-6596/2580/1/012016 [англійською мовою].
2. Huo, Y., Li, D., & Zhang, Z. (2024). Адаптивні стратегії управління для автономних підводних апаратів. Журнал інтелектуальних і робототехнічних систем, 108(4), 21-40. https://link.springer.com/artide/10.1007/s10846-024-02104- [англійською мовою].
3. Azmi, A., Zahid, A., & Rahman, M. (2021). Застосування глибокого навчання та безпілотних літальних апаратів для обслуговування будівель. ResearchGate. https://www. researchgate.net/publication/351032507_Application_of_Deep_Learning_and_Unmanned_Aerial_ Vehicle_on_Building_Maintenance [англійською мовою].
4. Mohammadpour, E., Baghery, N., & Hossieni, F. (2021). Використання наночастинок в екологічній біотехнології. Журнал нанобіотехнологій, 19(1), 35. https://www.ncbi.nlm. nih.gov/ pmc/articles/PMC8069420/ [англійською мовою].
5. Zhang, L., Wu, X., & Wang, Y. (2024). Останні досягнення в наномедицині: Огляд. Журнал біомедичних наук, 31(1), 56. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10975019/ [англійською мовою].
References:
1. Shovon, P. (2023). Application of deep learning and unmanned aerial vehicle on building maintenance. IOP Conference Series: Materials Science and Engineering, 2580(1), 012016. https://doi.org/10.1088/1742-6596/2580/1/012016
2. Huo, Y., Li, D., & Zhang, Z. (2024). Adaptive control strategies for autonomous underwater vehicles. Journal of Intelligent & Robotic Systems, 108(4), 21-40. https://link.springer.com/ article/10.1007/s 10846-024-02104-
3. Azmi, A., Zahid, A., & Rahman, M. (2021). Application of deep learning and unmanned aerial vehicle on building maintenance. ResearchGate. https://www.researchgate.net/publication/ 351032507_Application_of_Deep_Learning_and_Unmanned_Aerial_Vehicle_on_Building_Maintenance
4. Mohammadpour, E., Baghery, N., & Hossieni, F. (2021). Use of nanoparticles in environmental biotechnology. Journal of Nanobiotechnology, 19(1), 35. https://www.ncbi.nlm. nih.gov/pmc/articles/PMC8069420/
5. Zhang, L., Wu, X., & Wang, Y. (2024). Recent advancements in nanomedicine: A review. Journal of Biomedical Science, 31(1), 56. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10975019/
Размещено на Allbest.ru
...Подобные документы
Аналіз принципів і особливості захисту кабельних мереж агрокомбінату. Розрахунок максимального струму навантаження лінії. Обґрунтування вибору трансформатора напруги. Проведення структурного аналізу захисту кабельних мереж від міжфазних коротких замикань.
автореферат [3,4 M], добавлен 20.09.2014Методи побудови мультисервісних локальних територіально розподілених мереж. Обґрунтування вибору технології побудови корпоративних мереж MPLS L2 VPN. Імітаційне моделювання у пакеті "OPNET modeler 14.5" та аналіз характеристики переданого трафіку.
дипломная работа [1,2 M], добавлен 20.09.2016Характеристика RadioEthernet IEEE 802.11 - першого промислового стандарту для бездротових локальних мереж. Застосування методу FHSS для зміни несучої частоти сигналу при передачі інформації. Схеми з'єднання комп'ютерів у мережі. Захист Wi-Fi покриття.
курсовая работа [3,5 M], добавлен 06.09.2011Аналіз організації передачі даних по каналах комп’ютерних мереж. Фізична сутність та порядок організації їх каналів. Сутність існуючих методів доступу до каналів комп’ютерних мереж. Місце процесів авторизації доступу при організації інформаційних систем.
дипломная работа [2,4 M], добавлен 12.09.2010Оптимальний спосіб організації доступу до послуг IN міжміського та зонового рівня. IN із розподіленою та централізованою обробкою виклику. Класифікація та ідентифікація інтелектуальних мереж зв'язку. IN із зовнішньою та внутрішньою функцією взаємодії.
реферат [571,6 K], добавлен 16.01.2011Cтворення та конфігурація мережі. Розрахунок трафіку управління шлюзом доступу. Визначення параметрів інтерфейсу підключення до пакетної мереж. Налаштування QoS, вибір статистики. Модульна організація і масштабованість. Технічні характеристики комутатора.
курсовая работа [2,9 M], добавлен 22.01.2013Проектування телекомунікаційних та інформаційних мереж. Ознайомлення з початковим етапом проектування мереж зв’язку. Набуття практичних навичок укладання технічних завдань для складних інфокомунікаційних систем та об’єктів.
лабораторная работа [195,8 K], добавлен 22.01.2007Аспекти формування інструментарію для рішення проблеми з підвищення ефективності сучасних транспортних мереж. Визначення концепції розбудови оптичних транспортних мереж. Формалізація моделі транспортної мережі. Інтеграція ланки в мережеву структуру.
реферат [4,8 M], добавлен 19.02.2011Особливості, властиві мережі рухомого зв’язку: контроль пересування мобільного абонента, специфіка радіодоступу, роумінг. Підходи до конвергенції інтелектуальних і мобільних мереж. Організації, що активно працюють в області конвергенції концепції IN.
контрольная работа [540,0 K], добавлен 10.01.2011Вимоги до транспортної мережі NGN. Порівняльний аналіз технологій транспортних мереж: принцип комутації, встановлення з'єднання, підтримка технології QoS, можливості масштабування мережі. Поняття про Traffic Engineering. Оптимізація характеристик мереж.
дипломная работа [4,6 M], добавлен 22.09.2011Методи аналітичного, імітаційного і натурного моделювання. Характеристика моделей теорії масового обслуговування. Спеціалізовані системи імітаційного моделювання обчислювальних мереж. Топологічний структурний аналіз властивостей мережі - нові пропозиції.
реферат [1003,5 K], добавлен 20.11.2010Дослідження особливостей та призначення корпоративних мереж. Обґрунтування стандартизації функцій інформаційних мереж міжнародною спілкою електрозв’язку. Протоколи канального рівня. Функціональна схема роботи кінцевого та центрального вузлів мережі.
дипломная работа [1,3 M], добавлен 24.06.2015Поняття, сутність, призначення і класифікація комп’ютерних мереж, особливості передачі даних в них. Загальна характеристика локальних комп’ютерних мереж. Етапи формування та структура мережі Інтернет, а також рекомендації щодо збереження інформації у ній.
реферат [48,1 K], добавлен 05.12.2010Особливості планування мереж мобільного зв’язку. Презентативний вибір вимірювань реальних сигналів. Розрахунок напруженості поля за формулою ідеального радіозв’язку та на основі статистичної моделі. Врахування впливу перешкод на шляху поширення сигналу.
курсовая работа [1,2 M], добавлен 23.05.2013Методи векторної та скалярної оптимізації широко використовуються при проектуванні систем і мереж зв’язку. Розгляд деяких прикладів, що іллюструють осбливості застосування методів оптимізації при отриманні оптимальної структури і параметрів даних систем.
реферат [125,2 K], добавлен 13.02.2011Структура системи електрозв'язку. Топологічна структура первинної мережі. Особливості взаємодії первинної і вторинної мереж. Магістральні, внутрішньозонові, місцеві вузли зв'язку. Класифікація мереж зв'язку, їх характеристика. Елементи кодових комбінацій.
реферат [230,8 K], добавлен 05.01.2011Етапи розвитку мереж і послуг зв'язку: телефонізація країни; цифровізація телефонної мережі; інтеграція послуг на базі цифрових мереж зв'язку. Управління багатократним координатним з'єднувачем. Ємності та діапазони номерів автоматичної телефонної станції.
курсовая работа [679,7 K], добавлен 05.02.2015Топологія та компоненти пасивних оптичних мереж доступу. Характеристики абонентських і магістральних волоконно-оптичних кабелів зовнішнього і внутрішнього прокладання. Властивості матеріалів їх конструктивних елементів. Термомеханічний розрахунок кабелю.
дипломная работа [4,8 M], добавлен 09.12.2014Характеристика обладнання для побудови мереж IN компанії Lucent Technologies. Система 5ESS-2000, що складається з концентраторів SM-2000, модуля зв'язку СМ і адміністративного модуля AM. Архітектура та програмне забезпечення всіх компонентів IN.
контрольная работа [350,6 K], добавлен 09.01.2011Характеристики специфікацій стандартів бездротових мереж сімейства 802.1х, переваги та недоліки різних стандартів. Визначення обов'язкових швидкостей. Удосконналення механізму управління ключами. Системи безпеки та підвищення захисту в нових розробках.
реферат [276,8 K], добавлен 30.01.2010
