Научный архив: статьи

В работе проведены исследование и анализ моделей и методов глубокого обучения в задачах распознавания и классификации изображений опухолей мозга. Для сравнения эффективности наиболее актуальных и доступных моделей на основе сверточных нейронных сетей были выбраны модели VGG19, Xception и ResNet152. Наилучшие результаты показала модель Xception. Целью данной работы являются оптимизация и обучение выбранной модели с помощью различных методов для повышения точности диагностики опухолей головного мозга человека. Предложена и реализована стратегия для улучшения этой модели с использованием методов переноса обучения и аугментации данных. Из проведенных тестов следует, что улучшенная модель демонстрирует более высокую точность и устойчивость к различным видам искажений данных, что делает ее более эффективной для задач распознавания и классификации изображений.

Основными целями внедрения роботов в сельское хозяйство являются повышение эффективности и производительности, выполнение трудоемких и опасных задач и решение вопроса нехватки рабочей силы. Технологические достижения в области обнаружения и управления, а также машинного обучения позволили автономным роботам выполнять больше сельскохозяйственных задач. Такие задачи варьируются на всех этапах выращивания: от подготовки земли и посева до мониторинга и сбора урожая. Некоторые сельскохозяйственные роботы уже доступны, и ожидается, что в ближайшие годы их станет еще больше, поскольку технологии обработки больших данных, машинного зрения и легкого захвата и становятся все более точными. В настоящее время все большую актуальность приобретает внедрение нескольких взаимодействующих роботов в полевых условиях, так как оно имеет хорошие перспективы в снижении производственных затрат и повышении операционной эффективности. Целью данного исследования является разработка интеллектуальной системы управления группой мобильных роботов на основе мультиагентных нейрокогнитивных архитектур. Задача исследования состоит в разработке нейрокогнитивных алгоритмов управления мультиагентной робототехнической системой сельскохозяйственного назначения. В работе описан мультиагентный робототехнический комплекс для активной защиты растений в рамках системы «умного» поля. Представлена концепция системы управления группой мобильных роботов на основе моделирования мультиагентных нейрокогнитивных архитектур. Для обеспечения работы многоагентной гетерогенной группы автономных роботов предлагается использование нейрокогнитивной модели управления с реализацией отдельных интеллектуальных агентов как на каждом отдельном роботе, так и на базовых станциях обслуживания или серверах. При этом, учитывая реализацию рекурсивности в самой архитектуре, задача масштабирования подобной системы управления заметно упрощается. Использование агентов сенсоров и эффекторов для обеспечения обмена знаниями между роботами и центрами принятия решений позволяет минимизировать нагрузку на систему связи и обеспечить запас отказоустойчивости системы управления. Полученные результаты могут быть применены для разработки универсальных систем управления и упрощения масштабирования для различных групп автономных роботов.