Молодежная научная весна 20. Часть 4

Пользователь с правом преподавателя также проходит процедуру авторизации перед началом работы в системе. После этого он может загружать задание студентам для выполнения, давать методические указания, импортировать данные в Excel, например, посещаемость, а также вести успеваемость и посещаемость студентов.

На рис. 3 показана диаграмма вариантов использования приложения родителем.

Рис. 3. Диаграмма вариантов использования для родителей

Родители, как и другие пользователи, перед началом работы проходят процедуру авторизации в системе, в ходе которой проверяется уровень доступа. После успешной авторизации, родители могут ознакомиться с данными о посещаемости и успеваемости своего ребенка, а в частности какие лабораторные, практические сданы.

На рис. 4 показана диаграмма вариантов использования приложения администратором.

Пользователь с правами на администрирование, или администратор системы, так же перед началом работы проходит процедуру авторизации, в ходе которой проверяется его уровень доступа. Администратору доступны варианты использования, связанные с администрированием пользователей, а также администрированием дисциплин, групп и расписания.

101

Рис. 4. Диаграмма вариантов использования для администратора

Администраторможетредактировать,атакжедобавлятьнеобходимые данные в базу данных.

В результате работы получено программное обеспечение, которое позволяет решить проблему, которая сопряжена с исключением лжи студентами, своим родителям о собственной успеваемостиивцеломдаствозможностьстудентамбезлишних проблем просматривать требуемые задания в любом комфортном месте, где есть интернет.

Научный руководитель – Д. С. Гончаров, канд. тех. наук, доцент кафедры ИВТ и ПМ Забайкальского государственного университета.

А. А. Иванова,

студент гр. ИВТ-19-2, энергетический факультет ЗабГУ

Е. Д. Михалева,

студент гр. ИВТ-19-2, энергетический факультет ЗабГУ

Обзор и анализ алгоритмов дорисовки и построения изображений с помощью нейронных сетей

Самой первой математической моделью искусственного нейрона была пороговая логическая единица, предложенная Уорреном С. Маккалохом и Уолтером Х. Питтсом-младшим в

102

1943 году. В 1949 году Дональд Хебб создал первый алгоритм нейронной сети. Американский психолог Фрэнк Розенблатт, вдохновленный теорией Хебба, придумал в 1965 персептрон. Его главное достижение состояло в том, что эти искусственные нейроны действительно могли учиться на данных. Он придумал управляемый алгоритм обучения для этой модифицированной модели нейронов – MCP [1], который позволил искусственному нейрону самостоятельно вычислять правильные веса непосредственно из данных для обучения.

Построенные на персептронах нейронные сети часто используются в области машинного зрения. Нейронные сети использует примеры, чтобы автоматически вывести правила для распознавания образов. За счет увеличения числа учебных примеров, сеть может более точно распознавать образы. Изображения составляют огромные библиотеки данных, поэтому можно, во-первых, иметь возможность научить на их основе сеть, а во-вторых, можно их структурировать и использовать в дальнейшем для решения различного рода задач.

Для того, чтобы изображение можно было распознать, сначала необходимо обучить нейронную сеть соответствующим набором данных. В процессе распознавания изображений векторное или растровое кодирование изображения преобразуется в конструкции, которые отображают физические объекты и признаки. Системы компьютерного зрения могут логически анализировать эти конструкции, сначала упрощая изображения и извлекаянаиболееважнуюинформацию,азатеморганизуяданные путем извлечения и классификации признаков [2].

Позже они используют классификацию или другие алгоритмы для принятия решения об изображении или его части – к какой категории они относятся или как их лучше всего описать.

Существует несколько методов обучения нейросетей.

−Машинное обучение с учителем. У учителя есть образец

–правильные ответы. Нейросети подают изображения, если допущена ошибка, учитель редактирует ответ.

−Обучение без учителя. Сеть обучается самостоятельно, ориентируясь на классы предметов.

−Обучение с частичным привлечением преподавателя. Есть изображения с известными ответами и с неизвестными. Нейросеть использует их для улучшения работы.

103

−Обучение с подкреплением. Обучение с укреплением связи при правильном результате.

Так как была поставлена задача не только обучения сети распознаванию, но и созданию ответного изображения, которое такжебудетсоответствоватьклассуисходныхобъектов,былорешено использовать особую нейросеть – генеративно-состяза- тельнуюнейроннуюсеть(GANs).Этоалгоритмическаяархитектура, которая использует две нейронные сети, противопоставляя одну другую для создания новых, синтетических экземпляров данных, которые могут проходить за реальные данные [3]. Они широко используются в создании изображений, видео-и голосовых генераций.

Данные сети включают генератор, он занимается созданием новых экземпляров данных, и дискриминатор, который оценивает подлинность получаемого результата. Метод обучения в результате сводится к сравнению истинных образов и созданных данных, после чего переотправки данных на доработку при ошибке.

В итоге цель генератора сводится к созданию данных, схожих с оригинальными, а цель дискриминатора – принять только те образы, которые действительно похожи на оригинальные.

Вот шаги, которые предпринимает GAN:

−Генератор собирает псевдослучайные числа в изображение.

−Полученное изображение отправляется к дискриминатору.

−Дискриминатор принимает образы и определяет, что из них оригинально, а что – подделка.

В ходе изучения особенностей различных типов нейронных сетей был сделан вывод о том, что генеративно-состязательная нейронная сеть, являющаяся частным случаем нейронной сверточной сети, является наиболее адаптированной к задачам генерации изображений. Изображения, полученные с помощью таких сетей, характеризуются своей реалистичностью.

В качестве перспективной задачи для будущей работы рассматривается разработка программы, реализующей архитектуру нейронной сети, построенной по конкурентному принципу.

Планируется, что эта программа сможет создавать реалистичные изображения на основе заданного набора аналогичных исходных изображений. Также планируется предусмотреть неко-

104

торые переменные параметры в алгоритме, чтобы можно было проводитьэкспериментыианализироватьрезультатыработыпрограммы. В дальнейшем результаты этой работы могут стать основойдляразработкиалгоритмовпрактическогопримененияданного типа нейронных сетей в различных сферах деятельности.

Список литературы

1.ЦЕНТР 2М // ЦЕНТР 2М. [Электронный ресурс]. Режим досту-

па: https://center2m.ru/ai-recognition (дата обращения: 17.03.2020).

2.Хабр : Правило Хебба: «универсальный нейрофизиологический постулат» и великое заблуждение математиков / Лахман Константин Ин-т «Открытое о-во»., 2010. [Электронный ресурс]. Режим доступа: https://www.мhabr.com/ru/post/102305/ (дата обращения: 17.03.2020).

3.Neurohive // ЦЕНТР 2М / Генеративно-состязательная нейросеть (GAN). уководство для новичков / Карим Боршигов [Электронный ре-

сурс]. Режим доступа: https:// www.neurohive.io/ru/osnovy-data-science/ gan-rukovodstvo-dlja-novichkov/ (дата обращения: 20.03.2020).

Научный руководитель – Р. С. Долгих, старший преподаватель кафедры ИВТ и ПМ Забайкальского государственного университета.

А. А. Мелумян,

студент гр. ИВТ-16, энергетический факультет ЗабГУ

Разработка сервиса по определению дефектов на участках трубопровода

Трубопроводный транспорт занимает большой аспект жизнедеятельности человека и имеет огромную значимость для людей. Основной задачей трубопроводного транспорта является перемещение некоторого веществ из точки А в точку В. Экспорт и доставка воды, пара, химических реагентов, углеводородные соединения и других материалов, во всех этих отраслях трубопроводная система являются главным средствам транспортировки веществ.

Важнаяпроблемасовременноготрубопроводноготранспорта является надёжность трубопроводной системы.

От стабильной работы трубопроводов зависит экономическое состояние предприятия. Аварийные ситуации, которые воз-

105

никают на участках трубопровода, приводят сторону экспортера к значительным издержкам. Кроме материальных затрат, аварии могу наносится неповторимый вред и окружающей среде. Поэтому очень важно еще на ранних стадиях определить проблемные места в трубопроводной системе и предпринять меры по устранению этих проблем.

Диагностика трубопроводов подразделяется на ультразвуковое, магнитное, акустическое, капиллярное, оптическое, радиационное, токовихревое сканирование и другое. Данные виды диагностики считаются одними из самых эффективных методов диагностирования объектов. Они основаны на получении информации в виде электрических, световых, звуковых и других сигналов о качестве проверяемых объектов при взаимодействии их с физическими полями или веществами.

Основная проблема ультразвукового неразрушающего контроля (УЗК) в том, что во многом качество проведённого контролязависитотквалификациииопытадефектоскописта.Весьпроцесс нахождения дефектов на исследуемом объекте производится вручную. Оператор ультразвукового контроля должен вести ультразвуковой пьезоэлектрический преобразователь (УЗ ПЭП) вдоль предполагаемого дефекта и анализировать полученные данные,которыевыводятсянаэлектронныйблокдефектоскопав виде графиков. Далее вся информация, полученная от УЗК, фиксируется в специальном журнале контроля.

Решение, на которое будет направлен данный проект состоит в том, чтобы заменить метод ручного анализа исследуемого объекта на автоматизированный. Автоматизированный метод выявления дефектов на объекте значительно увеличит скорость исследования. Благодаря такой оптимизации рабочего процесса можно исследовать не только тот участок объекта, который возможно имеет дефект, но и весь объект целиком для того, чтобы удостовериться в отсутствии дефектов и выявлении на ранних стадиях участков, которые требуют внимание специалистов.

Нарис.1 представленасхемаархитектурыразрабатываемого сервиса.

Разрабатываемый сервис – это комплекс программ, состоящий из клиента и сервера. Серверное приложение будет запускать на удаленном компьютере для принятия и обработки данных, приходящих от клиента. Клиент представляет собой

106

веб-программу, запускаемую в браузере, которая предоставляет удобный интерфейс для загрузки данных, собранных от дефектоскопа, и выдает некоторый результат по определению дефектов на объекте. На сервере выполняется все вычисления, связанные с обработкой и анализом данных.

Рис. 1. Схема архитектуры разрабатываемого сервиса

В основе всего приложения будет лежать обученная модель нейронной сети, которая анализируетданные от ультразвукового дефектоскопа и выдает ответ о наличии или отсутствии дефекта на определенном участке.

Для сбора обучающих данных, на которых будет тренироваться нейронная сеть будет построен лабораторный стенд. Стендбудетсостоятьизучасткатрубопроводаиультразвукового дефектоскопа NOVOTEST UD2301.

На рис. 2 приведена примерная модель будущего стенда.

Рис. 2. Лабораторный стенд

107

Разрабатываемый сервис позволит удешевить и ускорить процесс выявления дефектов на участках трубопроводах. Потенциальными пользователями сервиса могут стать предприятия, в собственности которых имеются трубопроводы: водоснабжение, водоотведение,газоваяпромышленностьит. д. Такжеоднимииз главных пользователей разрабатываемого сервиса могут стать лаборатории неразрушающего контроля, которые предоставляют услуги ультразвуковой дефектоскопии.

Научный руководитель – Д. А. Макаров, канд. техн. наук, доцент кафедры ИВТ и ПМ Забайкальского государственного университета.

С. А. Волошинский,

студент гр. ВМК-16, энергетический факультет ЗабГУ

Универсальный блок ввода/вывода для цифровых программируемых устройств, разрабатываемых на базе «ООО Энергоинновационный центр»

В настоящее время применяется огромное количество цифровых программируемых устройств, для решения различных задач. И возникает необходимость взаимодействовать с такими устройствами извне: вводить информацию, получать обратно результаты работы устройства в понятном для человека виде. Помимо этого, в настоящее время активно разрабатываются интерактивные системы, основной особенностью которых является возможность программным способом перестраивать их для работы с различными входными параметрами и менять режимы работы. Изменений в аппаратной части при этом не требуется. И для таких устройств необходимо иметь возможность вносить изменения во внутренние параметры работы устройства.

Целью данного проекта является создание аппаратной и программной части блока ввода/вывода. Данный блок предназначендляоператораиподключаетсякцифровымпрограммируемым устройствам при помощи линии связи, позволяя автоматически генерировать меню для взаимодействия с основным устройством.

108

Вначале были определены функциональные возможности конечного устройства, с точки зрения человеко-машинного взаимодействия для создания однозначно понятной обратной связи с оператором и комфортного взаимодействия.

Всостав устройства будут входить:

–двухстрочный ЖК-дисплей на 16 символов в строке;

–четырехкнопочная клавиатура;

–светодиоднаяиндикацияналичияпитанияиоповещенияо

сбоя;

–кнопки сброса блока и удаленного сброса целевого устройства;

–разъем для внутрисхемного программирования;

–разъем USB 3.0 для подключения блока к устройствам. Исходяизфункциональныхвозможностей,быласоставлена

принципиальная схема устройства, представленная на рис. 1.

Рис. 1. Принципиальная схема устройства ввода/вывода

Дальше, основываясь на принципиальной схеме, разработана монтажная схема, представленная на рис. 2.

109

Рис. 2. Монтажная схема устройства ввода/вывода

На рис. 3 представлена структура меню. Она разработана таким образом, чтобы представить данные в формате, с которыми будет удобно взаимодействовать оператору, а также для простого представления пунктов меню при передаче их по протоколу между устройствами.

110