КОНЦЕПТУАЛЬНОЕ ПРОЕКТИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО ОБНАРУЖЕНИЮ ПОТЕНЦИАЛЬНО ОПАСНЫХ ОБЪЕКТОВ В ВИДЕОПОТОКЕ С ИНТРОСКОПА : научное издание
Библиографическое описание:КОНЦЕПТУАЛЬНОЕ ПРОЕКТИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО ОБНАРУЖЕНИЮ ПОТЕНЦИАЛЬНО ОПАСНЫХ ОБЪЕКТОВ В ВИДЕОПОТОКЕ С ИНТРОСКОПА : научное издание / А. С. Михалев [и др.]. - Текст : непосредственный // Современные наукоемкие технологии. - 2024. - №1. - С. 62-68. - ISSN 1812-7320, DOI 10.17513/snt.39909.
Аннотация:Статья посвящена созданию концепции интеллектуальной системы поддержки принятия решений по обнаружению потенциально опасных объектов в потоке рентгеновских изображений c интроскопа. Последние играют одну из ключевых ролей при обеспечении транспортной безопасности. Интеллектуальную систему решено строить в виде аппаратно-программного комплекса. В статье приведена классификация опасных предметов (оружие, боеприпасы, патроны к оружию, взрывчатые вещества, взрывные устройства и элементы взрывных устройств). Определены основные функции, которые должна выполнять интеллектуальная система. Ее ключевыми элементами являются модуль детектирования на основе нейросетевых моделей, а также модуль принятия решений. Формализуется мультиверсионная нейросетевая модель как простой набор одноверсионных моделей, функционирующих в конкурентной среде времени выполнения. Поток информации обрабатывается модулем принятия решений. Когда степень уверенности обнаруженного опасного объекта выше указанного порогового значения, система информирует оператора о наличии опасного предмета визуально и с помощью звукового сигнала. В статье описан вычислительный эксперимент для задачи детектирования опасных предметов с применением модели YOLOv8 как одной из самых эффективных архитектур нейронных сетей для решения задачи детектирования объектов. Исследование было выполнено на одном открытом наборе данных и одном авторском. Исходя из полученных результатов сделан вывод о том, что на тестовой части класс «Оружие» показывает снижение значений показателей recall, AP50, AP50-95. Для остальных классов получены достаточно высокие значения показателей. Данное исследование выполнено за счет гранта Красноярского краевого фонда поддержки научной и научно-технической деятельности в рамках конкурса научно-технических и инновационных проектов, направленных на развитие сферы железнодорожного транспорта на территории Красноярского края, № 2023032509756.
The article is devoted to the development of the concept of an intelligent decision support system for detecting potentially dangerous objects in the flow of X-ray images from an introscope. The latter play a key role in ensuring transport security. It was decided to build an intelligent system in the form of a hardware and software complex. The article provides a classification of dangerous items (weapons, ammunition, ammunition cartridges, explosives, explosive devices and elements of explosive devices). The main functions that an intelligent system should perform are defined. Its key elements are a detection module based on neural network models, as well as a decision-making module. An N-version neural network model is formalized as a simple set of single-version models operating in a competitive runtime environment. The information flow is processed by the decision-making module. When the degree of confidence of the detected dangerous object is higher than the specified threshold value, the system informs the operator about the presence of a dangerous object visually and by means of an audible signal. The article describes a computational experiment for the dangerous object detection problem using the YOLOv8 model as one of the most efficient neural network architectures for solving the problem of detecting objects. The study was performed on one open data set and one author’s. Based on the results obtained, it is concluded that on the test part, the “Weapon” class shows a decrease in the values of the recall, AP50, AP50-95 indicators. For the remaining classes, sufficiently high values of indicators were obtained. This research was carried out at the expense of a grant from the Krasnoyarsk Regional Fund for the Support of Scientific and Scientific-Technical Activities within the framework of a competition of scientific, technical and innovative projects aimed at developing the sphere of railway transport in the Krasnoyarsk Territory, No. 2023032509756.
