Учебное пособие 800628

инвестиционных портфелей разработано множество методов, моделей, правил и принципов [2]:

Особенно стоит отметить, что на сегодняшний день сложилась ситуация, при которой в инвестиционной сфере наблюдается информатизация. Поскольку для успешного ведения финансовой инвестиционной деятельности необходимо использование информационных технологий, они все больше приобретают значимость, становясь незаменимыми инструментами, которые обеспечивают устойчивое развитие организаций и достижения стратегических целей [3].

Информационная технология – это определенная последовательность управляющих воздействий технологических информационных процессов различных видов. Видам технологических информационных процессов являются: ввод, вывод, представление, запись, обработка, поиск, защита и хранение информации [3].

На рисунке представлены основные инструменты информационных технологий.

Рисунок – Основные инструменты информационных технологий

Рассмотрим подробнее каждый из инструментов и определим, какую роль он играет в осуществлении эффективной инвестиционной деятельности организации.

1. Информационная система – это взаимосвязанная совокупность различных средств, методов и персонала, используемые для хранения, обработки и выдачи информации для достижения поставленной цели [4].

Основными свойствами информационной системы являются [4]:

–при построении информационной системы за основу принимаются общие принципы сложных систем;

–информационной строится при применение системного подход;

–информационная система является динамичной и развивающейся;

–информационную систему можно принимать за систему обработки информации, которая реализована при помощи современных технологий;

–выходной продукцией информационной системы является информация, за счет которой производится автоматическое выполнение рутинных операций, и принимаются решения.

Для всех информационных систем выделяют два общих свойства:

1.Назначение любой информационной системы заключается в сборе, хранение и обработке информации, поэтому в основе нее лежит среда переработки, хранения и доступа к данным. Необходимо учитывать, что такую среду не обязательно должны иметь обычные вычислительные программные системы.

2.Основное на что ориентируются информационные системы – это конечные пользователи, которые даже могут быть не знакомы с компьютерами. Персональный компьютер или рабочую станцию они воспринимают лишь как средства, при помощи которых возможно осуществлять профессиональную деятельность. Поэтому удобный

221

и «комфортный» в использование интерфейс является основным элементном информационной системы. Она обязана обладать таким интерфейсом, который предоставит конечному пользователю все необходимые функции для его работы, но при этом он не сможет через него совершить какие-либо действия, повреждающего характера.

Обычно выделяются два основных вида информационных систем [4]:

–автоматизированные информационные системы;

–экономические информационные системы.

На практике в инвестиционной деятельности могут использоваться оба вида

информационных систем.

При создание информационной системы для инвестиционной детальности организации необходимо выполнение обязательных условий, таких как[4]:

–Структура информационной системы должна соответствовать стоящим перед организациями целям. К примеру, коммерческие фирмы стремятся к осуществлению эффективного бизнеса и извлечению максимальной выгоды, целью же государственных предприятий является решение экономических и социальных задач.

–Информация, которую производит информационная система, должна быть обязательно достоверной, надежной, систематизированной и своевременной.

2.Система поддержки принятия решений определяется, как человеко-машинная система, цель которой заключается в предоставление лицу, принимающему решения (ЛПР), возможности использования своих знаний, опыты и интересов, а также моделей, оценок и данных для реализации компьютерных методов выработки решений.

Обычно системы поддержки принятия решений применяются на такой фазе инвестиционного проекта, как прединвестиционная подготовка, поскольку они позволяют снизить потери и затраты за счет обеспечения поддержки принятия управленческих решений на основе автоматизации процессов, процедур и т.д. [6].

3.Экспертные системы представляют собой сложные программные комплексы, которые накапливают в себе знания и опыт специалистов в конкретных предметных областях

изатем предоставляют их менее квалифицированным пользователям. Другими словами, это компьютерная программа, которая способна делать логические выводы на основании знаний о конкретной предметной области, тем самым, помогая решать специфические интеллектуальные задачи [5].

Экспертной системой инвестиционного проектирования является выбор инвестиционного актива (ценной бумаги, недвижимости и др.) при помощи аналитических средств с точки зрения его эффективности (максимума прибыли, минимума риска и др.) [1].

В настоящее время именно к экспертным системам инвестиционного проектирования проявлен большой интерес, это вызвано те, что анализ инвестиционного проекта является трудоемки процессом, отнимающим множество времени и требующим умения оперировать обширными знаниями из различных областей. При этом данный процесс при вводе дополнительных параметров и методов анализа усложняется. Поэтому даже самому опытному ЛПР очень сложно максимально эффективно и в то же время быстро сформировать инвестиционный портфель[1].

На основании этого логически возникает необходимость использования информационных прикладных программах, которые позволяют анализировать наиболее эффективные методы формирования инвестиционного портфеля и применять их на практике в виде экспертных системы. За счет применения таких специальных средств значительно облегчается процесс выбора стратегии инвестирования и появляется возможность получить максимальный доход. [3].

В таблице приведены примеры использования конкретных экспертных систем и систем с близкими возможностями в области финансовых инвестиций [5].

222

Таким образом, любой хозяйствующего субъекта осуществляет инвестиционную деятельность для обеспечения экономического роста и максимизации рыночной стоимости своего предприятия. И для того, чтобы эффективно достичь такие цель необходимы разработка и создание соответствующего компьютерного программного обеспечения инвестиционного проектирования.

Для автоматизации инвестиционной деятельности экономической организации целесообразно использовать различные инструменты информационных технологий, такие как: информационные системы, системы поддержки принятия решений, экспертные системы. Так применение соответствующих компьютерных программных систем и комплексов позволяет значительно улучшить основные показатели финансовохозяйственной деятельности экономической организации за счет повышения эффективности принятия управленческих решений инвестиционного характера.

Самую значимую область искусственного интеллекта в инвестиционной сфере составляют экспертные системы, которые при помощи аналитических средств осуществляют выбор проекта для инвестирования и определяют его выгодность, тем самым давая возможность инвестору получить существенную экономическую выгоду. Их применение целесообразно в интересах информационной поддержки непосредственного формирования инвестиционного портфеля.

Библиографический список

1.Буценко Е.В. Разработка экспертной системы инвестиционного проектирования / Е.В. Буценко // Экономические исследования. – 2012. – № 3. – С. 3.

2.Зыбин А.А. Понятие, типы и цели формирования инвестиционного портфеля / А.А. Зыбин // Научно-методический электронный журнал Концепт. – 2014. – № 1. – С. 121-125.

3.Лабецкая Е.В., Павленко А.А. Автоматизированная система формирования инвестиционного портфеля / Е.В. Лабецкая, А.А. Павленко // Актуальные проблемы авиации

икосмонавтики. – 2011. – Т. 1. – № 7. – С. 454-455.

4.Плотникова С.Н., Козлова Л.А., Фуфачева Л.А. Информационные системы инвестиционного анализа / С.Н. Плотникова, Л.А. Козлова, Л.А. Фуфачева // Никоновские чтения. – 2011. – № 16. – С. 381-382.

5.Черненко В.В., Пискорская С.Ю. Экспертные системы / В.В. Черненко, С.Ю. Пискорская // Актуальные проблемы авиации и космонавтики. – 2012. – Т. 2. – № 8. – С. 322323.

6.Чуваков А.В. Концепция системы поддержки принятия управленческих решений на прединвестиционной стадии проекта / А.В. Чуваков // Символ науки. – 2015. – № 6. – С. 5965

224

УДК 004.93

ВОПРОСЫ РАЗРАБОТКИ ОТКРЫТОЙ ПЛАТФОРМЫ ДЛЯ СОЗДАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АВТОМАТИЗИРОВАННЫХ СИСТЕМ БЕЗОПАСНОСТИ И КОНТРОЛЯ ДОСТУПА НА ОХРАНЯЕМЫХ ОБЪЕКТАХ, ИНТЕГРИРУЕМЫХ В БИЗНЕС-ПРОЦЕССЫ ОРГАНИЗАЦИЙ

А.Н. Кокоулин, А.В. Дзыгарь Пермский Национальный Исследовательский Университет

ООО «Фэйспасс»

Статья посвящена разработке открытой платформы для систем безопасности и контроля доступа на охраняемых объектах, интегрируемых в бизнес-процессы организаций. Рассмотрены вопросы разработки алгоритмов агрегации первичных данных, их интеллектуального анализа для получения последовательности взаимосвязанных событий; алгоритмов выделения метаданных и контекста, необходимых для расследования инцидентов безопасности;

THE DEVELOPMENT OF OPENED PLATFORM FOR SECURITY AND ACCESS CONTROL SYSTEMS WHICH CAN BE INTEGRATED INTO THE BUSINESS PROCESS SYSTEMS OF ORGANIZATIONS

Kokoulin А.N., Dzigar A.V.

Perm National Research Polytechnic University “Facepass”

In this paper we describe the development of opened software platform for security and access control systems which can be integrated into the business process systems of organizations. Algorithms of initial data aggregation and intellectual analysis for building the facts sequences and algorithms of metadata and context mining for incidents investigation are considered.

Введение

Большинство современных систем безопасности и контроля доступа реализуются как закрытые и автономные системы, имеющие минимальные возможности по интеграции в информационные системы предприятий и организаций. По этой причине совершенствование алгоритмов в автономных подсистемах распознавания посетителей, документов, номерных знаков, марок и цвета автомобилей, запрещенных и опасных предметов и веществ, не позволяют достичь высокой эффективности системы безопасности в целом, поскольку результаты их работы остаются в закрытом контуре подсистемы и не оказывают влияние на функционирование остальных подсистем. Кроме того, использование дополнительных традиционных подсистем безопасности приводит к необходимости найма дополнительных сотрудников для их обслуживания и реагирования на события безопасности. Предлагаемая программно-аппаратная платформа позволит объединить результаты работы подсистем безопасности, согласовывая множество отдельных фактов и событий по времени и координатам, и связывая их в единую протоколируемую последовательность в автоматическом режиме. Открытые программные интерфейсы платформы позволят выполнять двусторонний обмен данными между подсистемами безопасности и системами управления бизнес-процессами организации (АСУП), такими, как системы управления ресурсами предприятий, складского учета и торговли, системы отделов кадров, что

© Кокоулин А. Н., Дзыгарь А.В., 2018

225

обеспечит контроль за корректным и безопасным выполнением соответствующих процессов. Максимальный уровень автоматизации платформы, обеспечиваемый применением самообучаемых алгоритмов интеллектуального анализа данных и нейронных сетей, позволит значительно сократить штат низкоквалифицированных сотрудников, занятых в системе обеспечения безопасности, и позволит контролировать действия этих сотрудников, выявляя аномалии в их действиях за счет анализа всей последовательности событий, связанных с каждым инцидентом.

Функционал предлагаемой открытой платформы:

Обеспечение безопасного доступа на объект, именно допущенных лиц. Турникет открывает не пластиковый пропуск, а его владелец.

Быстрое и логически простое получение пропусков, билетов посетителями и сотрудниками на киоске саморегистрации со сканированием паспортов и созданием эталонного фото. Киоск заменяет бюро пропусков, рецепцию.

Быстрый заказ пропусков на киоск из личных кабинетов уполномоченных лиц

организации.

Система полной отчетности по всем действиям сотрудников/посетителей без возможности удаления неуполномоченными лицами.

Полный и «легкий» доказательный архив всех проходов сотрудников/посетителей с фотографиями в интерьере проходной, в конкретной одежде, в конкретное время дня и года, и фотографиями пронесенных вещей к каждому проходу из рентген досмотра и металлодетектора, фото днища автомобиля.

Интеграция с установленными на объекте СКУД, возможность полностью автономной работы.

Интеграция с АСУП. Автоматическое присваивание статуса работникам из графиков работы с функциями пропуска: блокировка при увольнении, временная блокировка работающим посменно, находящимся в отпуске и т.д.

Исключение трудозатрат у сотрудников (или исключение одной штатной единицы) на фотографирование новых сотрудников, заполнение личных карточек, согласование пропусков, отслеживание уволенных сотрудников, изъятие пропусков и т.д.

Исключение преступного сговора и влияния человеческого фактора.

Экономия расходов на персонал: поиск, найм, обучение, предоставление рабочих мест, жалобы, суды, ФОТ.

Актуальность научной проблемы и современное состояние исследований по данной проблеме

Научная проблема, решаемая в рамках данного проекта, заключается в разработке эффективных методов и алгоритмов агрегации первичных данных, производимых подсистемами безопасности, их интеллектуального анализа в реальном времени для получения последовательности взаимосвязанных событий и фактов; разработке алгоритмов выделения метаданных и контекста, необходимых для принятия решений, связанных с нарушениями (инцидентами) безопасности; разработке алгоритмов подачи управляющих воздействий на исполнительные механизмы и контроля их выполнения.

Рост уровня автоматизации бизнес-процессов предприятий и организаций, обеспечивающий их экономическую эффективность, обуславливает необходимость модернизации существующих решений в области контроля и управления доступом. Основные функции подсистемы СКУД, такие как контроль территориальной целостности объекта, предотвращение несанкционированного доступа и перемещения персонала и транспорта по территории объекта, масштабируются и дополняются новыми задачами, что приводит к возрастанию числа точек доступа на контролируемой территории и интенсивности их использования при потребности сокращения времени идентификации субъекта. Наблюдается тенденция территориального удаления наблюдаемых объектов от

226

центров управления и рост их числа. В условиях ограниченного времени эти факторы сужают возможности операторов СКУД по исполнению функций с требуемыми показателями качества.

Так, научно-исследовательским подразделением полиции Великобритании (Police Scientific Development Branch) было установлено [1], что точность обнаружения человека оператором по характерным признакам при видеонаблюдении на одном мониторе составляет 85%, четырех мониторах – 74%, а на самих операторов налагается при этом высокая нагрузка, выдерживать которую на практике человек способен в течение 1-2 часов. Это обуславливает актуальность решения вопросов автоматизации процессов идентификации персонала и транспорта в системах контроля и управления доступом.

Во-вторых, использование систем видеонаблюдения как основного инструмента контроля объекта, позволяет оператору визуально контролировать одновременно несколько точек доступа, но не дает детального представления о состоянии всего охраняемого объекта в реальном формате времени. Исследования отечественных и зарубежных ученых Гарсиа М., Магауенова Р.Г., Дамьяновски В., Ворона В.А., Тихонова В.А., Лысанова И.Ю., Кругля Г. в сфере модернизации СКУД не касаются вопросов централизованного контроля и управления доступом по результатам идентификации субъекта по данным видеонаблюдения, а в большей степени затрагивают вопросы организации совместной работы систем видеонаблюдения и систем биометрической идентификации на локальных участках точек доступа [2,3,4]. Интеграция СКУД с системой видеонаблюдения в системы управления бизнес-процессами (АСУП) по предлагаемой нами схеме позволит реализовать принципиально новые возможности по централизованному контролю за корректным и безопасным функционированием организации.

В-третьих, существует множество исследований по совершенствованию отдельных алгоритмов [6,7], позволяющих получать достойные результаты распознавания, но задача агрегации результатов и связывания событий во временном масштабе и создания паттернов перемещения не ставилась или не была решена должным образом.

Все это доказывает актуальность научной проблемы и необходимость ее решения. В рамках выполнения проекта планируется решить следующие задачи:

-разработка многоуровневой архитектуры открытой программно-аппаратной платформы, на базе облачных технологий, предоставляющей интерфейсы для автоматизированных рабочих мест пользователей системы и систем управления бизнеспроцессами предприятия;

-разработка и исследование универсального аппаратного интерфейса (шины) передачи данных, способного обеспечить безопасный и надежный обмен первичными данными, поступающими от разнородных сенсоров и видеокамер технических средств контроля доступа, и способного подавать команды на исполнительные механизмы;

-разработка алгоритмов агрегации первичных данных, таких как изображения документов, видеопоследовательностей с камер видеонаблюдения, номеров, цвета и марок автотранспорта, их интеллектуального анализа в реальном времени для получения последовательности взаимосвязанных событий и фактов, алгоритмов выделения метаданных, паттерна перемещения и контекста, необходимых для принятия решений, связанных нарушениями безопасности;

-разработка алгоритмов выбора и отслеживания нужных лиц из числа присутствующих в помещении, определения посетителей, скрывающих (намеренно или не преднамеренно) лица, стимулирования поднятие ими лица для взгляда в камеру; алгоритмов сопоставления характерных признаков внешности (контуров тела таких людей, их одежды, головных уборов, видимых частей лица) с соответствующими признаками распознанных ранее субъектов для более надежного территориального и временного отслеживания и позиционирования посетителей;

227

- разработка математической модели, описывающей процессы обмена данными между узлами облачной платформы, пунктами (киосками) выдачи пропусков или аналогичными приложениями для смартфонов и программно-аппаратными модулями СКУД; моделирование и экспериментальное исследование информационных процессов платформы для оценки показателей быстродействия и качества обслуживания;

Практическая реализация разработанных методов и алгоритмов позволит реализовать принципиально новые возможности по централизованному контролю за корректным и безопасным функционированием защищаемой АСУП организации. Facepass - это СКУД, бюро пропусков, рецепция, отделы кадров, снабжения и сбыта, электронная очередь, паркоматы, интроскопы, металлодетекторы в одной системе. На основе более 150 сценариев поведения посетителей, покупателей, поставщиков, подрядчиков, сотрудников, запросов ими на получение пропусков в разные зоны, покупки билетов, получения товаров созданы алгоритмы автоматического контроля выполнения этих действий с максимальным исключением возможности терактов, мошеннических схем, человеческих ошибок

Выводы

Разработка предлагаемой программно-аппаратной платформы позволит объединить результаты работы подсистем безопасности, согласовывая множество отдельных фактов и событий по времени и координатам, и связывая их в единую протоколируемую последовательность в автоматическом режиме. Открытые программные интерфейсы платформы позволят выполнять двусторонний обмен данными между подсистемами безопасности и системами управления бизнес-процессами организации, такими, как системы управления ресурсами предприятий, складского учета и торговли, системы отделов кадров, что обеспечит контроль за корректным и безопасным выполнением соответствующих процессов.

Библиографический список

1.Craig, D. How many monitors should a CCTV operator view? [Electronic resource] / D. Craig / Hi-Tech Security Solutions – 2004. – №12. – URL: http://www.securitysa.com/article.aspx?pklarticleid=3313 (Accessed 18.06.2018).

2.Рыжова, В.А. Проектирование и исследование комплексных систем безопасности / В.А. Рыжова – СПб: НИУ ИТМО, 2012. – 157 с.

3.В.А. Ворона, В.А. Тихонов Системы контроля и управления доступом – М.: Горячая линия – Телеком, 2010. – 272 с.

4.Магауенов, Р.Г. Системы охранной сигнализации: основы теории и принципы построения: Учебное пособие для вузов / Р.Г. Магауенов. – 2-е изд., перераб. и доп. – Горячая линия – Телеком, 2008. – 496 с.

5.Парк, Дж. Передача данных в системах контроля и управления. Практическое руководство / Дж. Парк, С. Маккей, Э.Райт: – М.: ООО «Группа ИТД», 2017. – 480 с.

6.Kokoulin, A.N., Tur, A.I., Yuzhakov, A.A. Convolutional neural networks application in plastic waste recognition and sorting (2018) Proceedings of the 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering, ElConRus 2018, 2018-January, pp. 1094-1098. DOI: 10.1109/EIConRus.2018.8317281

7.Yuzhakov, A.A., Kokoulin, A.N., Tur, A.I. Application of fuzzy search algorithms and neural networks in fingerprint document analysis (2017) Proceedings of 2017 20th IEEE International Conference on Soft Computing and Measurements, SCM 2017, статья № 7970616, pp. 455-457. DOI: 10.1109/SCM.2017.7970616

УДК

228

УДК 004.93

ВОПРОСЫ РАЗРАБОТКИ И НАСТРОЙКИ ОПТИЧЕСКОЙ ПОДСИСТЕМЫ СОРТИРОВКИ МУСОРА В СИСТЕМЕ РАЗДЕЛЬНОГО ПРИЕМА БЫТОВЫХ ОТХОДОВ

А.Н. Кокоулин, А.И. Тур, А.И. Князев, А.А.,Южаков А.А. Пермский Национальный Исследовательский Университет

В данной статье описываются результаты разработки и исследования подсистемы оптического распознавания в составе проектируемого автомата по приёму тары на основе IoT и нейронных сетей. Автоматы по приемке контейнеров (тары) – бутылок ПЭТ и алюминиевых банок, чаще всего разрабатываются на базе контроллеров IoT. Были рассмотрены и протестированы некоторые из наиболее популярных сетей.

THE DEVELOPMENT AND TUNING OF AN OPTICAL SUBSYSTEM FOR THE WASTE RECOGNITION IN A SYSTEM OF SEPARATE WASTE SORTING

A.N. Kokoulin, A.I. Tur, A.I. Knyazev, A.A. Yuzhakov

Perm National Research Polytechnic University, Perm, Russia

In this paper we describe the results in development of original reverse vending machine on the basis of IoT and artificial neural networks. These machines are developed on the basis of IoT controllers. Some of the most popular networks were selected and tested.

Введение

Reverse vending machine (дословно «обратный торговый автомат», автомат по приёму тары, RVM) – это автомат, позволяющий людям возвращать пустые контейнеры (бутылки ПЭТ и алюминиевые банки) для напитков для переработки за вознаграждение. Другими словами – это автоматизированный способ сбора, сортировки и обработки использованной тары. Автоматы по приёму тары являются ключевой частью системы переработки материаловвЕвропе и Соединенных Штатах. Они собирают от 70% до почти 100% всей тары для напитков, возвращаемых для переработки [1].

Большинство машин используют следующие методы проверки тары: контроль материала контейнера (например, с помощью ИК-спектрометра), контроль формы контейнера, контроль штрих-кода. Эти три основные процедуры контроля делают любую попытку мошенничества совершенно невозможной, но, в то же время, делает RVM слишком дорогостоящим [10]. Например, цены на покупку оборудования для ReWend800 Reverse Vending Recycling Machine будут составлять более 7 000 евро на каждый автомат [2]. Благодаря современным технологиям компьютерного зрения мы можем разработать еще один вид эффективных и недорогостоящих RVM, имеющих схожую функциональность и высокую защиту от мошенничества. Это актуально для российской действительности, потому что у нас не закреплено на законодательном уровне возвращение стоимости контейнера после ее использования. Прибыль владельца RVM измеряется стоимостью переработанного пластика и металла, и, при больших расходах на логистику, она будет очень мала [8]. Из-за этого проект создания оригинальной RVM и сопутствующие задачи можно считать актуальными для местных органов власти. Мы разработали иной метод идентификации, основанный на распознавании объектов с нейронными сетями, с использованием микроконтроллера IoT

©Кокоулин А. Н., Тур А.И., Князев А.И., Южаков А.А., 2018

229

(Raspberry PI 3) с экраном, камерой, некоторыми датчиками и сервоприводами, потратив менее 100 долларов на систему управления [9].

Распознавание ёмкостей посредством нейронной сети

Сегодня сверточные нейронные сети (Convolutional neural networks, CNN) считают самым мощным классификатором изображения в области машинного зрения [4,5,11,12,13]. В нашей работе представлены некоторые подходы в сфере компьютерного зрения и обработке изображений, а также оценена возможность их применения для решения проблемы автоматического распознавания пустых перерабатываемых контейнеров. Рассмотренные нейронные сети спроектированы как скрипт Python, который загружается после срабатывания датчика появления контейнера в отсеке идентификации и получения снимка от установленной там камеры. Наиболее быстрый каскадный классификатор Haar (т.е. детекторы Виолы-Джонса) не даёт требуемой точности, поэтому мы изучили другие решения обнаружения объектов, которые бы показывали стабильные положительные результаты, были переносимы и удобны в случае их одновременного использования. Мы можем использовать такие механизмы обнаружения объектов, как локальные инвариантные дескрипторы, гистограмму ориентированных градиентов, модели деформируемых деталей, примеры моделей с использованием методов глубокого обучения [3,4,14]. Список рассмотренных методов и фреймворков был ограничен из-за особенностей и возможностей контроллеров IoT

– Keras над Tensorflow и Caffe: LeNet, MobileNet. Следует отметить, что наша цель заключается в классификации изображения внутри RVM тремя возможными классами: бутылкой из ПЭТ, банки из алюминия и «попыткой мошенничества» (все, что не соответствует бутылкам из ПЭТ и банкам из алюминия). Мы принимаем во внимание, что эти банки или бутылки можно согнуть или помять, тем самым немного изменив их форму. Поэтому мы включили соответствующие изображения в учебные и тестовые комплекты.

Результаты обучения сетей

LeNet– эта сеть автоматически распознает отличительные признаки (фильтры) изображений путем последовательной укладки сверточных слоев друг на друга и поэтапного повышения точности распознавания. Каждое входное изображение в обучающем наборе сжимается до 28x28 пикселей, а затем проходит через несколько скрытых слоев. Таким образом, вектор функции имеет длину 784 (28*28) [6].

Мы подготовили несколько типов моделей. Одна из моделей содержала 6 классов: ПЭТбутылки, банки, стеклянные бутылки, огонь, рука человека, различный мусор. Мы полагали, что точность распознавания должна быть лучше, если мы вручную разделим все возможные объекты на классы, которые настолько разнообразны, насколько это возможно. Результаты показаны в таблице 1.

С другой стороны, мы создали и исследовали парные модели для LeNet, каждая из которых обучается по двум классам: «ПЭТ-бутылки - не ПЭТ-бутылки» и «банки - не банки». В ходе тестов было выявлено, что такой подход показывает лучшие результаты, чем 6- классовое приложенияна тех же образцах тестирования (табл. 2).

230