58-2020-chast_-2_08.07.2020

операторов на КТК, накопленных за определенный период времени, и о результатах работы крановщиков на реальной перегрузочной машине.

Схематично особенности применения нейронной сети для корректировки обозначенных параметров приведены на рис. 1.

Рис. 1. Применение нейросети для корректировки значений параметров

Представленная методика обработки данных о формировании сенсомоторных навыков при обучении операторов на компьютерном тренажере дополняет существующие результаты в области разработки КТК и может применяться в ходе подготовки будущих операторов на КТК в образовательных организациях или на предприятиях.

Литература

1.Полевщиков И.С. Модель и алгоритмы системы автоматизированного управления формированием сенсомоторных навыков у операторов технологических установок с применением компьютерных тренажеров: дис. … канд. техн. наук: 05.13.10. Пермь, 2018.

2.Тер-Мхитаров М.С. Оператор перегрузочных машин. Пермь: Кн. изд-во, 1982. 140 с.

3.Щемелева Т.К. Система подготовки крановщиков с применением тренажеров: 30 лет спустя // Вестник ПГТУ. Электротехника, информационные технологии, системы управления. 2009. №3. С. 106-109.

4.Шаталин О.Г. Методика создания тренажеров крановщиков для эксплуатации кранов в морских и речных портах: дис…..канд. техн. наук: 05.22.19. М.: Прософт-М, 2005. 120 с.

5.Гудков П.А. Методы сравнительного анализа. Учеб.пособие. Пенза: Изд-во Пенз. гос. унта, 2008. 81 с.

6.Файзрахманов Р.А., Полевщиков И.С., Боброва И.А. Совершенствование процесса профессиональной подготовки разработчиков программной документации на основе автоматизированной оценки качества формирования навыков // XVIII Всероссийская научно-практическая конференция «Планирование и обеспечение подготовки кадров для промышленно-экономического комплекса региона» (20-21 ноября 2019 г.): сб. докладов. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2019. С. 2125.

7.Полевщиков И.С., Файзрахманов Р.А. Автоматизированное управление тестированием программных систем с применением нейронных сетей // Инженерный вестник Дона. 2018. №4. URL: ivdon.ru/ru/magazine/archive/n4y2018/5283.

251

УДК – 004.896

К.И. Пономарева – студентка; И.М. Глотина – научный руководитель, доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

РАЗРАБОТКА НЕЙРОННОЙ СЕТИ С ДЕТАЛИЗАЦИЕЙ ПРОЦЕССА ИДЕНТИФИКАЦИИ ЛИЦА НА ВИДЕОПОТОКЕ

Аннотация. В статье представлена разработка нейронной сети по идентификации лица на видеопотоке с помощью языка программирования Python. С помощью системы AllFusion Modeling Suite построена модель «TO-BE».

Ключевые слова: нейронная сеть, свёрточная нейронная сеть, распознавание лица, идентификация лица, видеопоток, язык программирования Python.

Искусственная нейронная сеть (ИНС) – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей [1]. После разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

Для достижения высокой точности распознавания нейронная сеть предобучается на большом массиве изображений. Одним из таких методов обучения является «Классификатор каскадов Хаар». Он является эффективным методом обнаружения объектов, предложенный Полом Виолой и Майклом Джонсом [2]. Этот классификатор, основан на механизме обучения, каскадная функция обучается из множества положительных и отрицательных изображений. Это основной метод обучения для распознавания лиц с OpenCV [3].

После того, как сеть обучена распознавать лица, процесс идентификации лица может быть описан следующим образом (рис.1).

Рисунок 1. Процесс идентификации лица человека Сначала изображение обрабатывается с помощью детектора лица: алго-

ритма, который определяет прямоугольный фрагмент изображения с лицом. Этот фрагмент нормализуется для того, чтобы легче обрабатываться нейронной сетью: наилучший результат будет достигнут, если все входные изображения будут одинакового размера, цветности и т. д. Обработанное изображение подаётся на вход нейронной сети для обработки алгоритмом.

252

В биометрии для распознавания лиц, в частности, существует два типа приложений: верификация и идентификация. Верификация представляет собой процесс подтверждения определённой личности путём сравнения изображения индивида (вектора признаков лица или другого вектора признаков, например, сетчатки или отпечатков пальцев) с одним или несколькими ранее сохранёнными шаблонами. Идентификация – это процесс определения личности индивида. Биометрические образцы собирают и сравнивают со всеми шаблонами в базе данных.

Для идентификации лица на видеопотоке подойдет идентификация в замкнутом множестве признаков если предполагается, что человек существует в базе данных. Таким образом, распознавание объединяет один или оба термина – верификацию и идентификацию. Результатом будет является фамилия, имя, отчество сотрудника предприятия и процентное соотношение идентифицированного человека (рис.2). Это число представляет собой степень схожести нашего вектора признаков с найденным в базе знаний [4].

Рисунок 2 . Модель TO-BE процесса «Идентифицировать лицо»

Сферы применения нейронных сетей, в том числе свёрточных сетей, не ограничиваются распознаванием лиц. Они широко используются для распознавания речи и аудио-сигналов, обработки показаний с разного типа сенсоров или для сегментации сложных многослойных изображений (таких как спутниковые карты или медицинских изображений – рентгеновские снимки).

Литература

1.Нейронные сети для начинающих. – Текст: электронный // Habr: [сайт]. – 2016. – URL: https://habr.com/ru/post/312450/ (дата обращения: 19.09.2019).

2.Классификаторы каскада Хаара для OPENCV в Python. – Текст: электронный // GtHub:

[сайт]. – 2019. – URL: https://github.com/opencv/opencv/tree/master/data/haarcascades (дата обраще-

ния: 17.10.2019).

3.Белых, Е.А. Обучение каскадов Хаар. – Текст: электронный //Математика. Механика.

Информатика [сайт]. – 2018. – URL: https://cyberleninka.ru/article/n/obuchenie-kaskadov-haara/viewer

(дата обращения: 17.12.2019).

253

4.Нейросеть для распознавания лиц. – Текст: электронный // FINDFACE: [сайт]. – 2017.

–URL: https://findface.pro/blog/nejronnye-seti-i-raspoznavanie-obrazov-chast-2/ (дата обращения: 07.03.2020).

УДК 004 К.М. Попов – студент;

А.В. Кондратьев – научный руководитель, доцент, ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

РАЗРАБОТКА ИЗЛУЧАТЕЛЯ ОПЫТНОЙ УСТАНОВКИ ПО ВЫРАЩИВАНИЮ РАСТЕНИЙ В ИЗМЕНЯЮЩЕМСЯ СПЕКТРЕ

Аннотация. Статья посвящена схемотехническим проблемам разработки светодиодного излучателя опытной установки для исследования влияния изменяющегося спектра освещения на рост растений, а также обоснованию состава опытной установки и организационно-экономическим моментам процесса проектирования излучателя. Обоснована схема излучателя и способ подключения его к микроконтроллеру ESP8266.

Ключевые слова: опытная установка, изменяющийся спектр, излучатель, облучение растений, контроль освещения.

В феврале 2016 года на конференции «Информационные технологии и системы» (Челябинский государственный университет) в сборнике научных статей «Труды Пятой Международной научной конференции» была опубликована статья Кирюшкина М.А. и Пашкевича Д.В. «Организация эксперимента по исследованию влияния света определенной длины волны и длительности суточного режима освещения на рост растений». В статье приводится описание эксперимента, проводимого в ходе работы над проектом «Автономная теплица», по исследованию влияния света изменяющегося спектра и длительности суточного режима освещения на рост и развитие растений c использованием программно-аппаратно-управляемой лабораторной установки. Излучатель такой установки имеет неизменяемое соотношение светодиодов, однако в различные периоды роста растениям требуется различное соотношение светодиодов различного спектра излучения, что уже подтверждено экспериментально (выводы в статье К.О. Завертяева 2018 г. «Выбор светодиодных фитоламп для досвечивания тепличных культур по их характеристикам»).

Решение проблемы заключалось в ручной смене фитоламп в процессе роста растений, что достаточно неудобно и затратно для будущего товарного производства. По этой причине было принято решение автоматизировать освещение, разработав излучатель, состоящий из нескольких типов светодиодов различного спектра с различной интенсивностью излучения.

Разрабатываемая установка предназначена для проведения опытов с целью выявления показателей роста растений при изменении интенсивности и спектрального состава светового излучения, как в заданном суточном периоде, так и на протяжении заданного отрезка времени.

254

В проектируемом устройстве используется три типа светодиодов: красный (длина волны 660 нм), синий (длина волны 450 нм) и белый (цветовая температура 4500 К). Светодиоды подключаются к светодиодным драйверам PT4115, яркость светодиодов регулируется при помощи импульсов ШИМ (широтно-импульсной модуляции), поступающих с микроконтроллера ESP8266 (платформа микроконтроллера Node MCU 12E). Благодаря встроенному в микроконтроллер радиомодулю, существует возможность ввода-вывода данных микроконтроллера через WI-FI соединение (рис.1).

Аппаратная часть опытной установки состоит из трех блоков: блок светодиодов, блок драйверов светодиодов и блок управления (Node MCU 12E). Программная часть состоит из двух блоков: первый блок находится в памяти микроконтроллера, а второй блок расположен на пользовательском компьютере, таким образом реализована клиент-серверная архитектура, где в роли сервера выступает микроконтроллер, а в роли клиента приложение на ПК.

Рисунок 1. Схема соединений установки

Сервер (микроконтроллер) обрабатывает данные, поступившие от клиента (приложения) и изменяет состояние выходов микроконтроллера, управляющих блоком драйверов, в результате чего изменятся и постоянные составляющие напряжений на светодиодах (изменится спектральный состав и интенсивность излучения).

При помощи клиента (приложения) пользователь способен изменять такие параметры излучения как интенсивность, период работы установки, период светового дня.

В процессе изготовления устройства затраты на компоненты составили 1 тыс. 181 рубль.

Использованные компоненты: -катушки индуктивности (9 шт.); -резисторы (9 шт.);

255

-однорядный контакный разьём (4 шт.); -платформа микроконтроллера Node MCU (1 шт.); -макетные платы (2 шт.);

-Led-драйверы pt4115 (9 шт.);

-конденсаторы (9 шт.); -диоды Шотки (9 шт.); -красные светодиоды (2 шт.); -синие светододы (2 шт.); -белые светодиоды (5 шт.).

Для изготовления работоспособной модели также требуется блок питания на 12V соответствующей мощности, компьютер.

Изготовлен излучатель, который в процессе дальнейшей работы требуется подключить к платформе микроконтроллера Node MCU 12E, подобрать вторичные источники питания для всей схемы, после чего появится возможность подключить ПК к WI-Fi, и управлять характеристиками излучения установки посредством предварительно написанного приложения.

Литература

1.Галочкин В.А. Схемотехника аналоговых и цифровых устройств. - Текст: электронный // Схемотехника аналоговых и цифровых устройств. - 2016. - URL: https://fileskachat.com/view/45193_a1d2b63d584c7b0be279261e541b24a7.html

(дата обращения: 10.03.2020).

2.Кирюшкин М.А., Пашкевич Д.В. Организация эксперимента по исследованию влияния света определённой длины волны и длительности суточного режима на растения [Электронный ресурс]. - Текст: электронный // Информационные технологии и системы. - 2016. - (труды Пятой Меж-

дународной научной конференции). - URL: https://elibrary.ru/download/elibrary

25995991_90659921.pdf (дата обращения: 09.04.2020).

3.Завертяев К.О. Выбор светодиодных фитоламп для досвечивания тепличных культур по их характеристикам [Электронный ресурс]. - Текст: электронный // Проблемы и перспективы развития строительства, теплогазоснабжения и энергообеспечения - 2018. - (Материалы VIII Нацио-

нальной конференции с международным участием). - URL: https://www.elibrary.ru/download/elibrary

36930089_57521035.pdf (дата обращения: 09.04.2020).

УДК 004.2

А.А. Русских – студент; О.А. Зорин – научный руководитель, доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

АНАЛИЗ КУРСА УЧЕБНОГО ЛАБОРАТОРНОГО СТЕНДА DTK-1

НА БАЗЕ МИКРОКОМПЬЮТЕРА ORANGE PI

Аннотация. В статье рассматривается знакомство с учебным стендом DTK- 1, для проведения лабораторных работ студентами информационных технологий, а так же его описание и составляющие компоненты.

Ключевые слова: Orange Pi, WiringOP, учебный стенд DTK-1, микроконтроллер AVR ATmega328P, программирование микроконтроллеров.

256

Микрокомпьютеры Orange Pi являются самыми дешевыми представителями рынка одноплатных компьютеров и при этом они обладают достаточно хорошими характеристиками.

Цель: Составить методическое пособие по лабораторной работе на тему «Использование интерфейса GPIO с применением учебного стенда DTK-1 для обучающихся по дисциплине Микропроцессорные системы». Целью самого курса учебного лабораторного стенда является приобретение знаний в области аппаратного и программного обеспечения встраиваемых систем, а также базовых навыков программирования встраиваемых систем.

Влабораторной работе рассматриваются:

1)пример запуска программ на Orange Pi;

2)пример запуска программ на Orange Pi;

3)установка библиотек WiringOP;

4)практическая часть.

Объект исследований – лабораторная установка DTK-1. Исследования проводили в ФГБОУ ВО Пермский ГАТУ, г. Пермь на кафедре ИСТ.

На рис. 1, 2 и 3 представлены общий вид учебного стенда DTK-1, плата микрокомпьютера Orange Pi Zero, а также плата расширения с микроконтроллером

AVR ATmega328P соответственно.

Рисунок 1. Общий вид учебного стенда DTK-1

257

В лабораторной работе будет рассмотрен пример управления уличным освещением с помощью реле схема подключения представлена на рис. 4.

Рисунок 4. Схема подключения реле к Orange Pi

Демонстрация практической работы представлена на рис. 5.

Рисунок 5 ‒ Выполнение практической работы

По результатам проделанной работы можно сделать вывод о том, что с помощью стенда DTK-1 полученные знания и навыки позволят обучающимся заниматься программированием микроконтроллеров, а так же разработкой встраиваемых систем.

Литература

5.Ревич Ю.В. Занимательная электроника // БХВ-Петербург. – 2015. URL: https://paraknig.com/reader/328378.

6.Теро Карвинен, Киммо Карвинен, Вилле Валтокари. Делаем сенсоры. Проекты сенсор-

ных устройств на базе Arduino и Raspberry Pi// Вильямс. - 2015. URL: https://rsload.net/knigi/22198- delaem-sensory-proekty-sensornyh-ustroystv-na-baze-arduino-i-raspberry-pi.html.

7.Улли Соммер. Программирование микроконтроллерных плат Arduino/Freeduino// БХВ-

Петербург. – 2012. URL:http://avidreaders.ru/read-book/programmirovanie-mikrokontrollernyh-plat-ar- duino-freeduino.html.

258

УДК 004.912

Д.А. Сартаков – студент; А.А. Прохоров – научный руководитель, доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

ОБРАБОТКА ТЕКСТОВ НА ЕСТЕСТВЕННЫХ ЯЗЫКАХ

Аннотация. В статье описана технология обработки текстов на естественных языках. Рассмотрены задачи, решаемые данной технологией и подходы к ним. А также проанализированы основные проблемы развития обработки естественных языков.

Ключевые слова: NLP, глубинное обучение, задачи, подходы.

Популярность интерфейсов, основанных на взаимодействии с пользователем в форме диалога привела к вопросу об упрощении работы рядовых пользователей с подобными системами. До активного развития искусственных нейронных сетей (ИНС) системы, основанные на скриптовой механике, могли принимать от пользователя лишь определённый набор команд, запускающих сам скрипт. Такие системы имеют жёсткие рамки входящей информации, т.к. при получении данных отличных от заранее прописанных в исходном коде команд система не выполняла своих функций. Пользователю же в свою очередь необходимо знать команды для всех используемых им систем (или же постоянно обращаться к справочной информации). Однако, активное развитие ИНС стимулировало изучение и разработку технологии, позволяющей пользователю обращаться к системе на привычном ему естественном языке. Эта технология получила название: обработка естественного языка (Natural Language Processing, NLP). NLP – это технология, позволяющая ком-

пьютеру понимать контекст входящих текстовых данных, а также генерировать аналогичные данные используя естественный человеку язык [1].

Большой толчок в развитии NLP получила в 90-е годы прошлого столетия, с появлением машинного обучения и применения в ней корпусной лингвистики, основная идея которой заключается в накоплении большого количества тестовых данных для решения конкретных задач. Машинное обучение, базирующееся на корпусной лингвистике, нашло своё применение в поисковых системах, основная задача которых состояла в поиске нужной информации в не структурированных текстах. В 2000-е годы анализ естественных языков начал применяться для более разноплановых и сложных задач благодаря тому, что крупные мировые ITкомпании увидели потенциал в этой технологии [1].

NLP позволяет решить большой объём задач, таких как [2]:

распознавание текста, речи, синтез речи;

морфологический анализ, канонизация;

POS-тэгирование, распознавание именованных сущностей, выделение

слов;

синтаксический разбор, токенизация предложений;

извлечение отношений, определение языка (языковой группы), анализ эмоциональной окраски;

259

перевод текста на разные языки;

дедубликация, информационный поиск.

Для решения этих задач активно используются модели глубинного машинного обучения без учителя. Они позволяют выявить структуру текста, некоторого корпуса без заранее заданных правил. Сами же алгоритмы обработки достаточно разнообразны. Существует несколько подходов к алгоритмам NLP:

стемминг;

лемматизация;

векторизация;

дедубликация;

семантический анализ;

распознавание именованных сущностей и извлечение отношений;

использование N-грамм.

Стемминг подразумевает под собой нахождение основы слова, при помощи поэтапного отделения от него начальной и конечной части (приставки, суффикс и окончания). Правила стемминга (удаления фрагментов слова) создаются вручную, что делает данный подход очень трудоёмким. Также, недостатком является большой риск потери важной информации о слове (например, потеря информации о части речи при удалении лишнего фрагмента) [3].

Аналогом стемминга является лемматизация. Её суть тоже заключается в поиске основы слова, с тем отличием, что вместо усечения слова используется поиск необходимой формы в заранее заготовленных словарях (базы знаний). Этот подход позволяет избежать потери важной информации, но сам процесс по-преж- нему остаётся трудоёмким из-за создания словарей [3].

Векторизация – способ построения сжатого пространства векторов слов, использующий нейронные сети. Принимает на вход большой текстовый корпус и сопоставляет каждому слову вектор. Сначала он создает словарь, а затем вычисляет векторное представление слов. Векторное представление основывается на контекстной близости: слова, встречающиеся в тексте рядом с одинаковыми словами (а, следовательно, имеющие схожий смысл). Плюсами векторизации является простая реализация, однако данный метод теряет часть информации, например, порядок слов [3].

Дедубликация основана на векторном поиске дубликатов в корпусе и их удалении. Однако для больших корпусов данный подход требует значительных вычислительных мощностей [3].

Семантический анализ представляет собой выделение семантических отношений, формировании семантического представления. В общем случае семантическое представление является графом, семантической сетью, отражающим бинарные отношения между двумя узлами – смысловыми единицами текста. Этот подход часто находит применение в задачах анализа тональности текста [3].

Распознавание именованных сущностей и извлечение отношений – это распознавание ссылок на объекты из текста, которые могут быть отнесены к одной из заранее заявленных категорий, и установление отношений между ними.

260