ЗАСТОСУВАННЯ ІНТЕГРОВАНИХ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ АВТОМАТИЗОВАНОГО РОЗПІЗНАВАННЯ ОБ’ЄКТІВ НА МІСЦЕВОСТІ - Scientific conference
Main page
UA PL EN

Congratulation from Internet Conference!

Hello

Рік заснування видання - 2011

ЗАСТОСУВАННЯ ІНТЕГРОВАНИХ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ АВТОМАТИЗОВАНОГО РОЗПІЗНАВАННЯ ОБ’ЄКТІВ НА МІСЦЕВОСТІ

29.10.2025 13:49

[1. Information systems and technologies]

Author: Бондаренко Наталія Вікторівна, кандидат економічних наук, доцент кафедри фінансів, банківської справи та страхування, Уманський національний університет, м. Умань; Бондаренко Катерина Олександрівна, студентка факультету інформаційних технологій та комп'ютерної інженерії, Вінницький національний технічний університет, м. Вінниця


ORCID: 0000-0001-5603-8356 Бондаренко Н.В.

ORCID: 0009-0007-5948-3624 Бондаренко К.О.

Розпізнавання образів є однією з ключових технологій сучасності з широким спектром застосувань у різних галузях. Комбінація нейронних та класичних методів дозволяє створювати ефективні системи аналізу зображень і відео, що задовольняють зростаючі потреби промисловості, науки та сервісів. Прогрес у цій сфері відкриває можливості для підвищення точності та продуктивності автоматизованих систем, роблячи розробку нових методів надзвичайно актуальною [1].

У класичній постановці задачі розпізнавання об’єктів універсальна множина розділяється на підмножини, які називають образами. Кожен образ характеризується унікальною комбінацією атрибутів конкретного об’єкта. Наприклад, при розпізнаванні тексту універсальна множина містить усі можливі символи, а образ «А» охоплює всі варіанти його написання з різними шрифтами та стилями. Програма розпізнавання тексту визначає, який символ відповідає конкретному фрагменту, що підлягає обробці [1, 2].

Процес віднесення елементу до певного образу здійснюється за допомогою правила прийняття рішення. Важливим є також поняття метрики – способу оцінки відстані між елементами універсальної множини. Чим менша відстань між двома елементами, тим більше вони схожі за своїми характеристиками. Зазвичай елементи представляються у вигляді числових векторів, а метрика визначається як функція, що вимірює їхню подібність.

Образи мають властивість узагальнення: ознайомлення з обмеженою кількістю прикладів однієї категорії дозволяє розпізнавати широкий спектр її представників. Наприклад, після аналізу декількох зразків сільськогосподарських угідь система може оцінювати стан інших полів та прогнозувати урожайність; на основі даних про окремі будівлі чи дороги вона здатна визначати стан інших об’єктів інфраструктури; після моніторингу частини лісових масивів або водних ресурсів алгоритм може відстежувати зміни в екологічних територіях; а контролюючи окремі об’єкти критичної інфраструктури, система здатна попереджати потенційні надзвичайні ситуації.

Ефективність системи розпізнавання значною мірою залежить від обраного способу подання образів та реалізації метрики, оскільки різні алгоритми можуть допускати помилки з різною частотою [2].

Для автоматизованого розпізнавання об’єктів на місцевості застосовуються інтегровані системи штучного інтелекту, які поєднують алгоритми комп’ютерного зору, нейронні мережі та геоінформаційні платформи. Серед основних засобів розпізнавання використовуються бібліотеки та алгоритми OpenCV, YOLO (You Only Look Once), Mask R-CNN та TensorFlow Object Detection API, що забезпечують швидку класифікацію та сегментацію об’єктів на знімках. Для аналізу геопросторових даних активно застосовуються Google Earth Engine, ArcGIS AI та QGIS з плагінами на основі ШІ, які дозволяють автоматизовано обробляти супутникові та аерофотознімки, виявляючи об’єкти різного типу. Дрони та сенсорні платформи, такі як DJI Terra, DJI Matrice та SenseFly eBee, забезпечують збір даних з місцевості для подальшого аналізу. Основу технологій розпізнавання складають нейронні мережі (CNN, DeepLab, ResNet, EfficientNet), що дозволяють підвищити точність класифікації та ефективність автоматизованого контролю стану територій, інфраструктури та сільськогосподарських угідь.

Розпізнавання образів залишається однією з найактуальніших і швидко розвиваючих сфер у штучному інтелекті та комп’ютерному зорі. Це обумовлено кількома факторами. Щоденне зростання обсягів даних створює потребу в автоматизованих системах для їх аналізу та обробки. Автоматизація процесів, які раніше вимагали участі людини, дозволяє підвищувати ефективність і знижувати витрати у різних галузях. Крім того, розвиток графічних процесорів (GPU) та поява спеціалізованих апаратних рішень для обробки нейронних мереж роблять можливим використання складних моделей обробки зображень у реальному часі [3]. Глибокі нейронні мережі демонструють значно вищу точність у задачах розпізнавання образів порівняно з класичними методами, що робить їх незамінними для багатьох практичних застосувань. Розвиток Інтернету речей (IoT), автономних систем, розумних міст та інших технологій потребує інтеграції систем розпізнавання образів для забезпечення їх ефективності та безпеки. 

Інтегровані системи штучного інтелекту відкривають нові можливості для автоматизованого аналізу та класифікації об’єктів на місцевості, забезпечуючи високу точність і оперативність обробки даних. Вони дозволяють адаптуватися до різних типів територій і об’єктів, підтримуючи ефективне управління аграрними, інфраструктурними та екологічними ресурсами. Подальший розвиток алгоритмів і апаратних рішень сприятиме ще більш широкому впровадженню таких технологій у практичну діяльність.

Література

1. Крупельницький Л. В., Бондаренко К. О., Гнідунець В.О.  Розпізнавання об'єктів на фото та відео. URL: https://conferences.vntu.edu.ua/index.php/mn/mn2024/paper/view/21343/17713 (дата звернення 27.10.2025р.)

2. Бойко Н. І. Алгоритм класифікації текстового контенту соціальних мереж для визначення емоційного тону. Вісник Херсонського національного технічного університету. 2023. № 2(85). С. 133 .-140. URL: https://doi.org/10.35546/kntu2078-4481.2023.2.18. (дата звернення 26.10.2025р.)

3. Принципи побудови нейронних мереж. IT Master – електроніка та програмування. URL: https://itmaster.biz.ua/programming/vision/neural-networks-principles.html (дата звернення 25.10.2025р.)



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Another articles in this section

Сonferences

Conference 2025

Conference 2024

Conference 2023

Conference 2022

Conference 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення