Методика побудови штучних нейронних мереж для ідентифікації конструкцій спеціального призначення за класифікацією та країною походження на підставі електронно-мікроскопічного аналізу їх фрагментів

Автор(и)
DOI:
https://doi.org/10.34169/2414-0651.2024.1(41).128-140
Ключові слова:
Array, Array, Array, Array, Array
Анотація

У статті представлено методику візуального аналізу мікроструктур металевих зразків для їх класифікації на основі застосування технологій штучного інтелекту. Для формування датасету було використано серію фотографій, зроблених за допомогою мікроскопа, які представляли різні класи металів. Кожен клас металу мав унікальні візуальні характеристики, такі як: розмір зерен, форма та розподіл фаз, наявність інклюзій та ознаки механічної обробки. Для ідентифікації мікроструктур тестових зразків використовувалися згорткові нейронні мережі. В результаті проведених експериментів підтверджено ефективність використання нейромереж для класифікації двох та трьох типів металів. На додаток до нейромереж в роботі описано особливості залучення до класифікації металів великої мовної моделі GPT-4v і продемонстровано її ефективність.

Біографії авторів
  1. автор Ігор Чепков, афіліація Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

    доктор технічних наук, професор

  2. автор Вадим Слюсар, афіліація Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

    доктор технічних наук, професор

  3. автор Андрій Кучинський, афіліація Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

    кандидат технічних наук, старший науковий співробітник

Посилання

Слюсар В.І. Архітектурно-математичні основи удосконалення нейронних мереж з класифікації зображень. Штучний інтелект. 2022. № 1. С. 127—138.

https://doi.org/10.15407/jai2022.01.245

Slyusar, V., Protsenko, M., Chernukha, A., Gornostal, S., Rudakov, S., Shevchenko, S., Chernikov, O., Kolpachenko, N., Timofeyev, V. & Artiukh, R. (2021). Construction of an advanced method for recognizing monitored objects by a convolutional neural network using a discrete wavelet transform. Eastern-European J. of Enterprise Technologies. No 4(9(112)). Pp. 65—77.

https://doi.org/10.15587/1729-4061.2021.238601.

Слюсар В.І., Проценко М.М., Докучаєв О.В. Методика побудови нейронних мереж для ідентифікації озброєння та військової техніки. Озброєння та військова техніка. 2022. № 2(34). С. 99—107. https://doi.org/10.34169/2414-0651.2022.2(34).99-107

Vadym Slyusar, Mykhailo Protsenko & Mariia Bondarchuk. (2022). Methodology for Armaments Identification Using a Neural Network. Problems of Infocommunications. Science and Technology: 2022 Intern. Scient.-Pract. Conf. PIC S&T. 5 p.

https://doi.org/10.1109/PICST57299.2022.10238568.

Slyusar, V.I. &, Sliusar, I.I. (2021). Lions of Neural Networks Zoo, Neyromerezhni tehnologii ta yih zastosuvannia NMTIZ-2021: zb. nauk. pr. XX Mizhn. Nauk. konf. «Neiromerezhny tehnologii ta yih zastosuvannia NMTIZ-2021». Kramatorsk: DDMA. Pp. 129—133.

https://doi.org/10.13140/RG.2.2.17187.58405.

Qassim, H., Verma, A. & Feinzimer, D. (2018). Compressed residual-VGG16 CNN model for big data places image recognition. Computing and Communication Workshop and Conf. (CCWC) 2018 IEEE 8th Annual. Pp. 169—175.

M. Tan & Q. Le. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks; in Proc. of Intern. Conf. on Machine Learning. Pp. 6105—6114.

Sandler, M., Howard, A. & Zhu, M. (2018) Mobilenetv2: Inverted Residuals and Linear Bottlenecks. Proc. of the IEEE Conf. on Computer Vision and Pattern Recognition, Salt Lake City, 18-23 June 2018. Pp. 4510—4520.

https://doi.org/10.1109/CVPR.2018.00474.

Howard, A., Sandler, M. & Chu, G. (2019) Searching for Mobilenetv3. Proc. of the IEEE Intern. Conf. on Computer Vision, Seoul, 27 October − November 2019. Pp. 1314—1324.

https://doi.org/10.1109/ICCV.2019.00140.

Jia Deng, Wei Dong, Richard Socher, Li-Jia Li, Kai Li, & Li Fei-Fei. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE conf. on computer vision and pattern recognition. IEEE. Pp. 248—255.

Chollet, F. (2017). Xception: Deep Learning with Depthwise Separable Convolutions. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). Pp. 1800—1807. https://doi.org/10.1109/CVPR.2017.195.

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. & Wojna, Z. (2016). Rethinking the Inception Architecture for Computer Vision. In 2016 IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. Pp. 2818—2826.

https://doi.org/10.1109/CVPR.2016.308.

GPT-4. Technical Report by OpenAI, 27 March 2023. Available at: https://arxiv.org/pdf/2303.08774v3.pdf.

Liu, H., Li, C., Wu, Q. & Lee, Y.J. (2023). Visual Instruction Tuning. 19 p. Available at: https://arxiv.org/abs/2304.08485.

Cover Image
Завантаження
Опубліковано
31.03.2024
Номер
Том 41 № 1 (2024): Озброєння та військова техніка
Розділ
ІНФОРМАЦІЙНІ СИСТЕМИ
Ліцензія

Авторське право (c) 2024 Ігор Чепков,Вадим Слюсар,Андрій Кучинський

Creative Commons License

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.

Як цитувати

Методика побудови штучних нейронних мереж для ідентифікації конструкцій спеціального призначення за класифікацією та країною походження на підставі електронно-мікроскопічного аналізу їх фрагментів. (2024). Озброєння та військова техніка, 41(1), 128-140. https://doi.org/10.34169/2414-0651.2024.1(41).128-140

Статті цього автора (цих авторів), які найбільше читають

1 2 3 4 > >>