tech-2023_03(110)

№ 5 (110) май, 2023 г. DOI - 10.32743/UniTech.2023.110.5.15538 ОБ ОСНОВНЫХ ТРЕБОВАНИЯХ К ТАХЕОМЕТРИЧЕСКОЙ СЪЕМКЕ ХОЛМИСТОЙ МЕСТНОСТИ Мирмахмудов Эркин Рахимжанович канд. физ.-мат. наук, доц., кафедра геодезии и геоинформатики. Национальный университет Узбекистана, Республика Узбекистан, г. Ташкент E-mail: [email protected] Рахмонов Дилшод Нурбобоевич PhD, доцент, кафедра геодезии и геоинформатики. Национальный университет Узбекистана, Республика Узбекистан, г. Ташкент Тошонов Бекзод Шермамат Угли преподаватель, кафедра геодезии и геоинформатики, Национальный университет Узбекистана, Республика Узбекистан, г. Ташкент Нуратдинов Алишер Узакбергенович докторант, кафедра картографии, Национальный университет Узбекистана, Республика Узбекистан, г. Ташкент ON THE BASIC REQUIREMENTS FOR TOTAL SURVEY OF HILLY TERRAIN Erkin Mirmakhmudov Аssociate prof., Ph.D., geodesy and geoinformatics department, National University of Uzbekistan, Republic of Uzbekistan, Tashkent Dilshod Rakhmonov Аssociate prof., Ph.D., geodesy and geoinformatics department, National University of Uzbekistan, Republic of Uzbekistan, Tashkent Bekzod Toshonov Teacher, geodesy and geoinformatics department, National University of Uzbekistan, Republic of Uzbekistan, Tashkent Alisher Nuratdinov Ph.D student, cartography department, National University of Uzbekistan, Republic of Uzbekistan, Tashkent __________________________ Библиографическое описание: ОБ ОСНОВНЫХ ТРЕБОВАНИЯХ К ТАХЕОМЕТРИЧЕСКОЙ СЪЕМКЕ ХОЛМИСТОЙ МЕСТНОСТИ // Universum: технические науки : электрон. научн. журн. Рахмонов Д.Н. [и др.]. 2023. 5(110). URL: https://7universum.com/ru/tech/archive/item/15538

№ 5 (110) май, 2023 г. АННОТАЦИЯ В данной статье описаны основные требования при выполнении топографической съемки с помощью гло- бальной навигационной спутниковой системы в местах, где уклон составляет выше шести угловых градусов. Приведены некоторые характеристики рельефа, которые влияют на точность ГНСС съемки. Изложена методика измерений в холмистой местности с помощью электронно-оптических и навигационных приборов. На примере территории поселка “Таваксай” анализируется степень конфигурации и плотность установки пикетных точек. Подчеркивается, что перед проведением тахеометрической съемки на пунктах геодезической сети следует выполнить центрирование инструмента. Для оперативной геодезической съемки предлагается использовать режим навигацион- ной съемки RTK. При выборе новой системы координат следует применять трехградусную зону проекции Гаусса из-за незначительности измеряемого участка. ABSTRACT This article describes the basic requirements for performing a topographic survey using a global navigation satellite system in places where the slope is more than six degrees of angle. Some characteristics of the relief that affect the accuracy of the GNSS survey are given. The technique of measurements in a hilly area with the help of electronic and navigation instruments is described. On the example of the territory of the village \"Tavaksay\" the degree of configuration and density of picketing on a hill is analyzed. It is emphasized that before conducting a tacheometric survey at the points of the geodetic network, the tool should be centered. For operational tacheоmetric surveys in such places, it is proposed to use the RTK navigation survey mode. When choosing a new coordinate system, a three-degree Gaussian projection zone should be used due to the insignificance of the measured area. Ключевые слова: рельеф, ГНСС, тахеометрическая съемка, центрирование, масштаб, геодинамический полигон. Keywords: relief, GNSS, tacheometric survey, centering, scale, geodynamic polygon. ________________________________________________________________________________________________ Известно, что горы и холмистые места занимают обеспечение. Естественно, перед проведением топо- значительную часть территории Республики Узбеки- графической съемки следует произвести рекогнос- стан, где проходят административно-территориальные цировку местности и пунктов триангуляции. Такие границы республик Центральной Азии, а также со- подготовительные работы снижают вероятность по- средоточены основные горно-добывающие объекты грешности при проведении тахеометрической и сооружения. Соответственно, проведение полевых съемки и, тем самым, создают оптимальные условия геодезических работ в этих местах сопровождается для инженерно-изыскательских работ. Точность то- с определенностью трудностью, т.к. плотность пи- пографической карты зависит не только от приня- кетных точек вдоль наклонной поверхности больше, того масштаба, но и от угла наклона, высоты сечения чем в равнинной местности. В каждом конкретном рельефа (Таб. 1). При создании специализирован- случае надо рассматривать характеристики рельефа, ных топографических планов допускается отобра- которые влияют на точность и продолжительность жение на плане не всей ситуации местности, геодезической съемки [5]. Прежде всего, применение нестандартных сечений рельефа, сни- необходимо учесть физико-географические характе- жение или, наоборот, повышение требований к точ- ристики и геолого-минералогические свойства иссле- ности контуров [9]. Используют различные виды дуемого участка, а также топографо-геодезическое съемок, но наиболее точным считается наземная то- пографическая съемка. Таблица 1. Характеристики рельефа для тахеометрической съемки Характеристика рельефа и максимально преобладаю- Масштаб съемки щие углы наклона 1 : 5000 1:2000 1:1000/1:500 Равнинный с углами наклона до 20 Высота сечения рельефа, м Всхолмленный с углами наклона до 4 0 Пересеченный с углами наклона до 60 (0.5) 1.0 0.5 (1.0) 0.5 Горный и предгорный с наклоном более 60 0.5 (1.0) 2.0 1.0 0.5 1.0 2.0 1.0 5.0 2.0 Наземная фототопографическая съемка применя- небольших районов, когда другие виды геодезических ется как самостоятельная в горных районах, так и в измерений не обеспечивают требуемой точности. сочетании с аэрофототопографической – в горных Этот вид съемки стал очень популярным и востре- районах и города. В отдельных случаях (отсутствие бованным в городских условиях, что все организа- материалов аэрофотосъемки или наземной фото- ции, связанные с земляными работами, активно съемки местности, экономическая нецелесообраз- используют съемку при инженерно-изыскательских ность, небольшие участки и т.п.) применяются и строительных работах. Если участок находится в тахеометрическая или теодолитная. Такая съемка горной или предгорной местности, то роль таких с помощью оптических теодолитов выполняется для геодезических работ приобретает особый статус, но 51

№ 5 (110) май, 2023 г. топографическая съемка в горной местности отлича- рельефа. Конечно же, полевая съемка, выполненная ется от равнинной, густотой и конфигурацией пике- с помощью электронного тахеометра, отличается тов. Относительные превышения местности, от GNSS съемки по точности и времени [1]. Поэтому вычисленные с помощью тахеометрической съемки, в данной работе приведены основные требования влияют на точность построения пространственной к ГНСС съемке горной местности, т.к. методика и цифровой модели местности. По результатам съемки принцип работы с помощью электронных тахео- составляют топографическую карту или план с изоб- метров, а также требования к ним, подробно описаны ражениями ситуаций, предметов и рельефа местно- во многих монографиях и учебных пособиях. Хотя сти [10]. имеются некоторые инструкции для полевых геоде- зических работ, данная статья направлена именно на С внедрением современных электронных тахео- особенности использования ровера при ГНСС изме- метров, процесс вычисления координат и высот пи- рениях предгорного участка Ташкентской области кетов стал универсальным, но формулы вычисления (Рис. 1). Ниже описана методика измерений с помо- координат и высот остались прежними. Традиционно щью электронно-оптического тахеометра и глобаль- считается, что, чем больше пикетов при съемке, тем ной спутниковой навигационной системы в горной точнее получается план или топографическая карта. местности вблизи приграничной территории, прохо- Однако, эти пикеты должны быть распределены по дящей между Республиками Узбекистан и Казах- всему участку. Для равнинной местности эти требо- стан [8]. вания легко выполняются, а для горной местности приходится учитывать множество ситуаций, свя- занных с большими перепадами высот и уклоном Рисунок 1. Тахеометрическая съемка с Trimble M3 DR5// Методика измерений с помощью электронно- студенты и докторанты Национального университета оптических тахеометров ничем не отличается от Узбекистан, Самаркандского Государственного классических оптических теодолитов. Основное пре- Архитектурно-Строительного института, Термез- имущество современных геодезических инструмен- ского Государственного Университета, Ташкент- тов состоит в том, что они стали более универ- ского Архитектурно-Строительного института и сальными и автоматизированными, позволяющими Томского государственного университета систем сохранять отсчеты по горизонтальному и верти- управления и радиоэлектроники. Следует отметить, кальному кругам в специальную память. Еще одним что эти работы выполнялись в рамках научного достоинством этих приборов является измерение направления кафедры геодезии и геоинформатики наклонного расстояния до пикетной точке, где уста- НУУз., а также в связи с международным договором новлена веха с отражателем. Измеренные данные между НУУз. и лабораторией изучения Земли из легко можно импортировать в компьютер для даль- космоса г. Ковильян (Португалия). Выбор этого рай- нейшей обработки. Что касается размещения пикетов она связан с тем, что здесь имеется локальная геоди- на плане или карте, то согласно инструкции по та- намическая сеть института сейсмологии Академии хеометрической съемке, должны быть соблюдены наук Республики Узбекистан, где выполняются науч- расстояния до вехи и между вехами в зависимости ные эксперименты по выявлению деформационных от рельефа местности [6]. процессов в верхних слоях мантии Земли [11]. Напри- мер, в 2022 году сотрудниками НУУз. произведены Для исследования были использованы результаты ГНСС и гравиметрические измерения с целью сравне- измерений, выполненные авторами на геодинамиче- ния ортометрических высот геодезических пунктов, ском полигоне “Таваксай” Ташкентской области с полученных с помощью тригонометрического и гра- помощью электронного тахеометра Trimble M3 DR5” виметрического нивелирования [7]. и GNSS приемника Trimble R4 на интервале с 2019 по 2023 гг. В измерениях участвовали преподаватели, 52

№ 5 (110) май, 2023 г. Территория “Таваксая” имеет холмистую мест- между пикетами, где в качестве вехи использовался ность на вершинах которых установлены пункты GNSS ровер. В период съемки основное внимание государственной геодезической сети главного управ- уделялось оврагам, обрывам, ущельям и гидрогра- ления геодезии и картографии. Геодезическая сеть, фическим характеристикам. Недостатком этой составленная из этих пунктов, является фрагментом съемки является ограниченность действия сигналов Ташкентского геодинамического полигона (ТГДП), между базовой станцией и ровером. образованная после землетрясения в 1966 г. Под горным массивом проходит Каржатауский тектони- Всего получено 178 пикетных точек с ческий разлом, образованный в результате деформа- прямоугольными координатыми в универсальной ции верхнего слоя мантии Земли [4]. К сожалению, поперечно-цилинтрической прооекции Меркатора тахеометрическая съемка этой территории не была (UTM) и высотой относительно поверхности MSL. выполнена из-за реформирования топографо-геодези- Все измернния и вычисления были редуцированы в ческого подразделения Республики Узбекистан. Эта систему координат WGS84. Для исследования влия- первая попытка произвести топографическую ния рельефа на прием сигналов со спутника было съемку небольшого участка горной местности с по- произведено измерение в разных местах маршрута мощью приемника ГНСС. Измерения выполнялись в от ГГС ”Клад” до самой низкой точки исследуемого режиме реального времени (РТК) с длительностью участка. При этом использовался дифференциаль- 20 секунд по методу спирали на расстоянии 50 -150 м ный метод в режиме быстрая статика. Рисунок 2. Установка ровера на пикетной точке В процессе измерений выявлено, что тахеометри- наклонная дальность определяется по лазерному ческая съемка с помощью ГНСС приемников является отражателю, который был установлен на пикетной наиболее оперативной и экономичной по сравнению точке. В ГНСС измерениях расстояние или хорда с электронным тахеометром. Но расстояния между между двумя пунктами вычисляется аналитически станцией и пикетами более точными получаются по формуле: с использованием электронных тахеометров, т.к.     (N + H )cosB cosL   (N + H )cosB cosL  R12 =  Y  =  (N + H ) cosBsin L  −  (N + H )cosBsin L      Z 12  (1− e2 )N + H sin B2  (1− e2 )N + H sin B1 где B, L, H, N, e – широта, долгота, высота, ра- Ошибка центрирования инструмента приводит к диус кривизны первого вертикала, эксцентриситет. погрешности вычисления координат базовой станции и ровера. Это относится не только к ГНСС измере- Высота инструмента и ровера играет немало- ниям, но при линейно-угловых измерениях с помощью важную роль при измерении и вычислении координат. электронно-оптического тахеометра. При навигацион- В таких случаях следует обратить внимание на рас- ных измерениях поправка за редукция равна нулю, стояние от центра базовой станции до желтой полоски т.к. отсутствуют угловые измерения. GNSS Trimble R4, т.к. все сигналы со спутников по- ступают именно в верхнюю часть приемника. 53

№ 5 (110) май, 2023 г. Рисунок 3. Схема центрировки инструмента [3] с\" = ������∙sin(������+������) ������\" (1) Таким образом можно сделать вывод о том, что соблюдение основных требований при навигацион- ������ ных измерениях позволяют исключить случайные и систематические ошибки, вызванные неточностью Математическая обработка исследуемого участка центрировки инструмента и конфигурацией плотно- должна быть произведена в принятой проекции и сти пикетов в исследуемом участке. Отмечается, что системе высот, которая содержит анализ координат использование крупно-масштабных съемок дает более и высот исходных пунктов. Также следует выполнить корректную пространственную цифровую модель обработку линейно-угловых измерений и оформление рельефа по сравнению с мелкомасштабной съемкой. материалов определения элементов приведения, Для ГНСС съемки наиболее подходящей считается включая вычисление длин и координат пикетных использование режима RTK, т.к. за короткое время точек. Поскольку измеряемый район является не- можно охватить значительную территорию с большим большим, то при выборе новой системы координат уклоном местности. Эти минимальные требования следует использовать трехградусную зону проекции составляют основу создания цифровых топографи- Гаусса. Произвольный осевой меридиан должен ческих карт и планов в масштабе от 1 : 500 до 1 : 5000, проходить по центральной части измеряемого которые используются при инженерно-изыска- участка для того, чтобы поправки за редукции на тельских и строительных работах приграничных зон. плоскости были в три раза меньше погрешности из- В каждом конкретном случае надо учитывать всевоз- мерений. На участках со значительными высотами можные варианты уточнения тахеометрической съем- допускается относить уровенную поверхность к ки, включая современные цифровые технологии [2]. среднему уровню съемочного объекта. Список литературы: 1. Антонович К.М. Использование спутниковых радионавигационных систем в геодезии. М: Картгеоцентр, 2005, т. 1, 2. 2. Бекбаев Г.К., Белевич С.В. Геодезическая сеть Республики Узбекистан и ее совершенствование с использованием приборов спутникового позиционирования // Геология, Геохимия, Геодезия, № 29. Ташкент, 2007. 3. Закатов П.С. Курс Высшей геодезии. М.: Недра, 1976. – 512 с. 4. Корешков Н.А., Пискулин В.А., Райзман А.П. Некоторые результаты геодезических исследований современных движений земной поверхности на геодинамических полигонах Узбекистана / Тезисы докладов VII Всесоюзного совещания по изучению современных движений земной коры. Львов, 16-21 мая 1977 г., кн.2, Москва, 1968 г. 5. Мирмахмудов Э.Р., Ковалев Н.В., Олтибоев Ж. Анализ математической основы топографических карт горных районов Республики Узбекистан // Глобальные науки и инновации 2021. Нурсултан, Казахстан. 2021. С. 24-28. 6. Мирмахмудов Э.Р., Салахитдинова С.С., Олтибоев Ж.М. Теоретическая интерпретация геометрической поверхности цифровой модели местности со сложным рельефом // Вестник науки. Инновационные научные исследования. г. Уфа. № 2-2(16), февраль 2022. С. 6-97. 7. Мирмахмудов Э.Р., Зиябов Ш.Р., Ражабова Д.Р., Тастемирова М.Г. Предварительные гравиметрические измерения на геодинамическом полигоне “Таваксай” (Узбекистан) // Вестник науки. Инновационные научные исследования. г. Уфа, №5-3(19), май 2022. С. 85-95. 8. Мубораков Х.,Мирмахмудов Э., Камилов Б. Современное состояние геодезических работ на ташкентском геодинамическом полигоне // 7 Universum. Москва, 2020. №5(74). С. 56-59. 9. Инструкция по топографической съемке в масштабах 1 : 5000, 1 : 2000, 1 : 1000, 1 : 500. ГКИНП -020033-82. 10. Шувалов Я.А. Основы Топографии. М.: Учпедгиз.1951.- 353 с. 11. Уломов В.И. О роли горизонтальных тектонических движений в сейсмогеодинамике и прогнозе сейсмической опасности. Физика Земли. 2004, № 9. С. 14 - 30. 54

№ 5 (110) май, 2023 г. ДИСТАНЦИОННОЕ ОБУЧЕНИЕ: БУДУЩЕЕ ОБРАЗОВАНИЯ. ПРЕИМУЩЕСТВА И НЕДОСТАТКИ ДИСТАНЦИОННОГО ОБРАЗОВАНИЯ Муродова Гули Буроновна ст. преподаватель кафедры информационные системы и цифровые технологии, Бухарский государственный университет, Республика Узбекистан, г. Бухара E-mail: [email protected] DISTANCE EDUCATION: THE FUTURE OF EDUCATION. ADVANTAGES AND DISADVANTAGES OF DISTANCE EDUCATION Murodova Guli Buronova Senior lecturer of the department of information systems and digital technologies, Bukhara State University, Republic of Uzbekistan, Bukhara АННОТАЦИЯ Выбор правильной компьютерной платформы для дистанционного обучения имеет решающее значение для обеспечения того, чтобы учащиеся получали максимальную отдачу от своего образования. В статье рассматри- ваются некоторые компьютерные платформы для дистанционного обучения. ABSTRACT Choosing the right computer platform for distance learning is crucial to ensure that students get the most out of their education. The article discusses some computer platforms for distance learning. Ключевые слова: дистанционное обучение, компьтерные платформы, онлайн-курсы, оценки, задания, видеоконференции, интерактивные викторины. Keywords: distance learning, computer platforms, online courses, assessments, assignments, video conferences, interactive quizzes. ________________________________________________________________________________________________ Дистанционное обучение существует уже не- Лучшие компьютерные платформы сколько десятилетий, но только с появлением Ин- для дистанционного обучения тернета оно действительно стало жизнеспособной альтернативой традиционному обучению в классе. В условиях продолжающейся пандемии и роста Сегодня миллионы студентов по всему миру участ- онлайн-образования крайне важен выбор правильной вуют в программах дистанционного обучения, полу- компьютерной платформы для дистанционного обу- чая степени и сертификаты, которые когда-то были чения. Выбор наилучшей платформы может иметь доступны только в кампусе. решающее значение для обеспечения того, чтобы учащиеся получали максимальную отдачу от своего Дистанционное обучение – это метод обучения, образования. Рассмотрим некоторые компьютерные при котором учащиеся и преподаватели физически платформы для дистанционного обучения. разделены, как правило, с помощью таких технологий, как Интернет, видеоконференции и другие электрон- Zoom - одна из наиболее широко используемых ные средства коммуникации. Это позволяет учащимся платформ для дистанционного обучения. Это позво- учиться и общаться со своими преподавателями и ляет преподавателям и учащимся удаленно подклю- одноклассниками удаленно, без необходимости нахо- чаться в режиме реального времени, а также диться с ними в одном и том же физическом месте. предоставляет различные интерактивные функции, такие как совместное использование экрана, вирту- Существует много различных типов программ альные доски и комнаты отдыха. Zoom также позво- дистанционного обучения, начиная от полностью ляет учащимся посещать занятия и взаимодействовать онлайн-курсов и заканчивая гибридными програм- с учителями и одноклассниками из любой точки мами, сочетающими онлайн-обучение и обучение на мира, если у них есть подключение к Интернету. территории кампуса. Некоторые программы являются Одна из лучших особенностей Zoom заключается в самостоятельными, позволяя студентам выполнять том, что он прост в использовании, что позволяет курсовую работу по своему собственному расписа- как преподавателям, так и учащимся легко приступить нию, в то время как другие более структурированы к работе с минимальными техническими трудностями. и требуют, чтобы студенты входили в систему в определенное время для виртуальных занятий. __________________________ Библиографическое описание: Муродова Г.Б. ДИСТАНЦИОННОЕ ОБУЧЕНИЕ: БУДУЩЕЕ ОБРАЗОВАНИЯ. ПРЕИМУЩЕСТВА И НЕДОСТАТКИ ДИСТАНЦИОННОГО ОБРАЗОВАНИЯ // Universum: технические науки : электрон. научн. журн. 2023. 5(110). URL: https://7universum.com/ru/tech/archive/item/15489

№ 5 (110) май, 2023 г. Google* Classroom – отличная платформа для образовательной среды, предоставляя людям со дистанционного обучения, особенно для учащихся. всего мира доступ к высококачественному образова- Это бесплатная облачная платформа, которая предо- нию. Хотя дистанционное обучение, возможно, под- ставляет учителям инструменты для управления ходит не всем, очевидно, что оно имеет ряд и организации своих занятий, заданий и оценок. преимуществ, которые делают его привлекательным Google* Classroom предоставляет централизованное вариантом для многих студентов. место для взаимодействия, совместной работы и обще- ния учащихся и преподавателей. Он также обеспечи- Также дистанционное обучение имеет не- вает плавную интеграцию с другими приложениями сколько существенных недостатков, о которых уча- Google* , такими как Google* Drive и Google* Meet, что щиеся должны знать, прежде чем переходить на может помочь учащимся оставаться организованными онлайн-курсы или программы. Эти недостатки и эффективно управлять своей рабочей нагрузкой. включают изоляцию, проблемы с самодисциплиной и мотивацией, отсутствие структуры и рутины, по- Moodle – это система управления обучением с тенциальные технические трудности, ограниченный открытым исходным кодом, которая широко исполь- доступ к помощи и поддержке и потенциально более зуется в высшем образовании. Это позволяет учителям низкое качество образования. Хотя дистанционное создавать онлайн-курсы, оценки и задания и управ- обучение может быть ценным вариантом для неко- лять ими. Moodle легко настраивается, что делает его торых студентов, важно учитывать эти недостатки и идеальным для учебных заведений, которые хотят оценивать, является ли онлайн-образование правиль- адаптировать свои онлайн-курсы к своим конкретным ным выбором для ваших личных и академических потребностям. Он также предоставляет ряд функций, целей. таких как форумы, чаты и вики, которые позволяют студентам сотрудничать и взаимодействовать с со- Стремительное развитие цифровых технологий, держанием курса. связанная с широким внедрением в нашу жизнь вир- туального общения, влияет на все сферы жизнедея- Blackboard – еще одна популярная система тельности современного человека и заставляет по- управления обучением, используемая в высших учеб- новому смотреть на уже известные средства получе- ных заведениях. Он предоставляет инструменты для ния знаний. Дистанционное или электронное обра- создания и предоставления онлайн-курсов, оценок зование становится все большей альтернативой и заданий. Blackboard легко настраивается, что поз- традиционного образования и в перспективе может воляет учебным заведениям легко адаптировать стать формой обучения в будущем. Многие экс- свои курсы к своим конкретным потребностям. перты в области дидактики видят в них огромный Он также предоставляет такие функции, как доски потенциал. обсуждений, видеоконференции и интерактивные викторины, что делает его отличной платформой В заключении хочу отметить, что выбор пра- для вовлечения студентов в процесс обучения. вильной компьютерной платформы для дистанцион- ного обучения имеет решающее значение для Microsoft Teams – это платформа для совмест- обеспечения того, чтобы учащиеся получали макси- ной работы, которая идеально подходит для дистан- мальную отдачу от своего образования. Лучшие ционного обучения. Он предоставляет инструменты платформы - это те, которые просты в использовании, для общения, видеоконференцсвязи и обмена фай- предоставляют отличные средства коммуникации и лами, облегчая преподавателям и учащимся сов- предлагают интерактивные функции для вовлечения местную удаленную работу. Microsoft Teams также учащихся в процесс обучения. Zoom, Google* интегрируется с другими приложениями Microsoft, Classroom, Moodle, Blackboard и Microsoft Teams - такими как OneDrive, Word и Excel, что упрощает одни из лучших компьютерных платформ для ди- доступ учащихся к заданиям и учебным материалам станционного обучения. Каждая платформа имеет и управление ими. свои уникальные особенности, и учреждения должны выбрать ту, которая наилучшим образом со- Дистанционное обучение имеет ряд преимуществ, ответствует их конкретным потребностям. которые делают его привлекательным вариантом для студентов, желающих продолжить свое образование. А также отметим, что дистанционное обучение - Он предлагает гибкость, удобство, доступность по это растущая тенденция, которая меняет то, как цене, индивидуальное обучение, глобальный доступ люди учатся и работают по всему миру. Поскольку к образованию, улучшенные технологические навыки пандемия COVID-19 ускорила рост онлайн-образо- и более тесное сотрудничество. По мере того как вания, вполне вероятно, что эти тенденции будут мир становится все более взаимосвязанным, дистан- продолжать ускоряться, предоставляя людям ционное обучение становится неотъемлемой частью больше возможностей для доступа к образованию и обучению из любой точки мира. По требованию Роскомнадзора информируем, что иностранное лицо, владеющее информационными ресур- сами Google является нарушителем законодательства Российской Федерации – прим. ред. 56

№ 5 (110) май, 2023 г. Список литературы: 1. Акабирова Л.Х., Атаева Г.И. Особенности уроков с применением информационных технологий // Проблемы педагогики. 2020. №2 (47). URL: https://cyberleninka.ru/article/n/osobennosti-urokov-s-primeneniem-infor- matsionnyh-tehnologiy. 2. Атаева Г.И., Хамроева Х.Ю. Анализ возможности использования облачных технологий в высшем образовании Узбекистана //Universum: технические науки. – 2022. – №. 1-1 (94). – С. 16-18. 3. Атаева Г.И., Ядгарова Л.Д. Оценка прикладных свойств обучающей платформы MOODLE в Бухарском государственном университете // Universum: технические науки. – 2020. – №. 6-1 (75). – С. 30-32. 4. Кувшинова Е.Е. Дистанционное обучение в условиях кризиса 2020 (на примере Финансового университета при Правительства РФ) // Современное педагогическое образование. 2020. №4. URL: https://cyberleninka.ru/arti- cle/n/distantsionnoe-obuchenie-v-usloviyah-krizisa-2020-na-primere-finansovogo-universiteta-pri-pravitelstva-rf 5. Муродова Г.Б. Электронный учебник как средство обучения в высшем образовании // «Молодой учёный» международный научный журнал, № 13 (117), 2016 г.- 829-831 стр. URL: https://scholar.google.com/cita- tions?view_op=view_citation&hl=ru&user=PsHDPIcAAAAJ&citation_for_view=PsHDPIcAAAAJ:9yKSN-GCB0IC. * 6. Murodova G. (2022). ИСПОЛЬЗОВАНИЕ ИНТЕРНЕТ – ТЕХНОЛОГИЙ В ОБРАЗОВАТЕЛЬНОМ ПРОЦЕССЕ. ЦЕНТР НАУЧНЫХ ПУБЛИКАЦИЙ (buxdu.Uz), 3(3). извлечено от http://journal.buxdu.uz/index.php/journals_buxdu/article/view/4227 7. Сорокина Людмила Николаевна Дистанционное обучение: настоящее и будущее // Столыпинский вестник. 2020. №2. URL: https://cyberleninka.ru/article/n/distantsionnoe-obuchenie-nastoyaschee-i-buduschee 57

№ 5 (110) май, 2023 г. УЧЕТНЫЕ ОПЕРАЦИИ СКЛАДА ВАГОННОГО ДЕПО И АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ ЗАПАСАМИ Нурмухамедов Толаниддин Рамзиддинович д-р техн. наук, профессор, Ташкентский государственный транспортный университет, Республика Узбекистан, г Ташкент E-mail: [email protected] Гулямов Жавлон Нуруллаевич ст. преп. Ташкентский государственный транспортный университет, Республика Узбекистан, г Ташкент E-mail: [email protected] DEVELOPMENT OF A SYSTEM FOR AUTOMATION OF ACCOUNTING OPERATIONS OF THE WAREHOUSE DEPO Tolaniddin Nurmukhamedov Doctor of Technical Sciences, professor Tashkent State transport University, Republic of Uzbekistan, Tashkent Zhavlon Gulyamov Senior teacher Tashkent State transport University, Republic of Uzbekistan, Tashkent АННОТАЦИЯ На основе анализа учетных операций склада вагонного депо Акционерного общества «Узтемирйулйуловчи» определены проблемы, связанные со своевременной поставкой, отпуском товарно-материальных ценностей цехам предприятия. Технологический процесс и учетные операции по приёму и отпуску товаров позволил разработать диаграммы позволяющие выявить основной состав модулей автоматизированной системы управления складами. Создание системы автоматизации учетных операций на складах депо направлена на увеличение пропускной её способности, экономии пространства размещения товаров и повышения качества выполнения заказов работников цехов. ABSTRACT Based on the analysis of accounting operations of the wagon depot warehouse of the Joint Stock Company \"Uztemiryulyulovchi\", the problems associated with the timely delivery and release of inventory items to the workshops of the enterprise were identified. The technological process and accounting operations for the receipt and release of goods made it possible to develop diagrams that make it possible to identify the main composition of the modules of the automated warehouse management system. The creation of a system for automating accounting operations at depot warehouses is aimed at increasing its throughput, saving space for placing goods and improving the quality of order fulfillment for shop workers. Ключевые слова: автоматизация, учетные операции, база данных, склад, депо, диаграмма, ремонт, экипировка. Keywords: automation, accounting operations, database, warehouse, depot, diagram, repair, equipment. ________________________________________________________________________________________________ Введение в котором выполняются соответствующие ремонтно- экипировочные работы (РЭР). Следовательно свое- Пассажирское движение железнодорожным временное обслуживание вагонов в экипировочных транспортом Узбекистана осуществляется Акционер- пунктах, т.е. выполнение РЭР в целом способствует ным обществом «Узтемирйулйуловчи» входящим выравниванию ритма пассажирского движения. в состав Акционерного общества «Узбекистон темир йуллари» и предоставления пассажирам ближнего и Структурным подразделением пассажирской дальнего следования соответствующие услуги. службы является вагонное депо ВЧД-2, в составе ко- торого находится Центр подготовки пассажирских Прибывщие с рейса пассажирские вагоны посту- вагонов в рейс и обслуживания пассажиров (ЦПП). пают на ремонтно-экипировочный пункт (РЭП) депо, __________________________ Библиографическое описание: Нурмухамедов Т.Р., Гулямов Ж.Н. УЧЕТНЫЕ ОПЕРАЦИИ СКЛАДА ВАГОННОГО ДЕПО И АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ ЗАПАСАМИ // Universum: технические науки : электрон. научн. журн. 2023. 5(110). URL: https://7universum.com/ru/tech/archive/item/15486

№ 5 (110) май, 2023 г. Технологический процесс ЦПП определяет рацио- классами, нами разработаны ER-диаграмма и UML- нальный порядок выполнения операций по техниче- модель системы. скому обслуживанию и экипировке пассажирских вагонов, эффективном использовании технических С целью своевременного и эффективного вы- средств. Соответственно исходными данными для полнения РЭР склады депо должны: разработки технологического процесса ЦПП явля- ются: технологические процессы работы цехов, • предоставлять товары для выполнения соот- контрольный пункт технического осмотра (КПТО), ветствующих РЭР; отдела организации движения, электроцеха, комплекс- ного цеха, экипировочного цеха, цеха охраны вагонов, • предоставлять работникам цехов и депо тре- централизованного гаража, отдел главного механика буемый перечень товаров; (ОГМ). • инвентаризировать товары, размещенные на Своевременность выполнения РЭР в цехах депо различных складах; зависит от наличия на складах товарно-материальных ценностей (ТМЦ), комплектующих и запасных частей • иметь необходимый запас товаров. быстро изнашиваемых узлов подвижных единиц, Товары поступают от поставщиков на склад и раз- которые требуют их учета, исследования наличия мещаются на хранение под управлением заведующего на складе. Относительно слабым участком является склада, который осуществляет занесение данных о своевременный ремонт и экипировка пассажирских поступивших ТМЦ в базу данных (БД). В течение дня вагонов, так как иногда возникают перебои комплек- проводится учет и анализ товаров, размещенных на тующих деталей. Достичь существенного эффекта складах. От работников цехов и других сотрудников возможно за счет автоматизации управления всех депо поступают заказы на товары. Материально- структурных подразделений участвующих в пере- ответственный бухгалтер принимает заказы, которые возочном процессе. Повысить эффективность работы вносятся в базу данных (БД), при этом формируются склада можно за счет автоматизации складских соответствующие выходные документы. Затем осу- технологических процессов, учетных операций о ществляется отпуск товаров со склада. Ответственное движении ТМЦ, предоставления своевременной лицо вносит в БД информацию о заказах, составляет информации руководству и ответственному персо- отчетные документы по заказам, заведующий складом налу через глобальную сеть Интернет информации ведет внутри складскую отчетную документацию. об их запасах (ТМЦ) и эта задача является актуальной. На складе формируются отчеты по заказам, об Этому также способствует развитие компьютерной отпуске товаров, осуществляется возврат на склад техники и информатизации, в частности, развитие непринятых ТМЦ, проводится перерасчет их количе- складской логистики как области знаний и практи- ства на складе, результаты которого заносятся в БД. ческой деятельности, которая позволяет разработать Учетными операциями ТМЦ на складе являются: требуемую систему управления складами [1, 2]. • правильное и своевременное документальное Основная часть отражение операций и обеспечение достоверных данных по поступлению и отпуску товаров; Важным в процессе проектирования и создании системы управления складом является анализ и про- • контроль над сохранностью товаров в местах ектирование системы с точки зрения объектной ме- хранения и на всех этапах его движения; тодологии, т.е. основная идея состоит в рассмотрении предметной области и логического решения задачи • контроль выполнения заказов; с точки зрения объектов (понятий или сущностей) [3]. С целью определения обязанностей между классами • составление отчета по заказам, обеспечение и объектами, а также порядок их взаимодействия, информацией о наличии и движении товаров руково- а также функции выполняемые конкретными дителей соответствующих подразделений в целях осуществления контроля за их наличием на складе. Учет ТМЦ на складе организуется и ведется под руководством заведующего склада вагонного депо. Структуру филиала «Технической, технологиче- ской подготовке и ремонту пассажирских вагонов», склада ВЧД-2 можно представить следующим укрупненным рисунком (рис.1). 59

№ 5 (110) май, 2023 г. Рисунок 1. Структура филиала «Технической, технологической подготовке и ремонту пассажирских вагонов депо», склада ВЧД-2 Товары, поступающие на склад вагонного депо, Автоматизация учетных операций на складе должны пройти ряд этапов, технологический про- депо может быть прервана в следующих случаях: цесс состоящий из стадии разгрузки, при котором неисправности аппаратной системы, некорректности с целью эффективной организации операции раз- работы программных систем (присутствие в системе грузки необходимо реализовать механизм, позволяю- вирусов), аварийном отключении электроэнергии. щий избежать ситуации, одновременного поступления ТМЦ от нескольких поставщиков на склад для раз- Входная информация в БД вводится из журнала грузки. Планирование, учет и организация отпуска учета поступившего товара, требований на отпуск ТМЦ проводится с целью обеспечения необходи- товара заведующим склада и на основании инфор- мого перечня товаров на складе, предотвращения мации, получаемой от материально-ответственного образования сверхнормативных их остатков, сни- бухгалтера склада депо. жения расходов, изучения и оценки ассортимента и качества хранимых товаров. Выходная информация комплекса задач «Автома- тизация учетных операций склада депо» предостав- Контроль наличия запасов товаров на складе ляется в виде печатных документов и экранных заключается в проведении учета имеющегося ТМЦ форм. на складе, определении величин нормативных их запасов, расчета их дефицитности и избыточности. В качестве ТМЦ склады депо принимают: По результату учета ТМЦ составляется соответствую- щий материально-финансовый отчет. Результаты • сырье, материалы и другие товары, исполь- расчета величин нормативных запасов товаров пред- зуемые при выполнении ремонтно-экипировочных ставляются в виде соответствующего документа. работ (РЭР) для обеспечения нормального техноло- гического процесса; Анализ потребности в ТМЦ на заданный временной срок заключается в учете поступивших • комплектующие, запасные части подвижных заказов на товары и прогнозировании закупок необ- единиц и товары; ходимого их количества. Исходными данными для выполнения данного процесса являются сведения об • покупные комплектующие изделия и полу- отпуске товаров за прошедшие временные периоды фабрикаты, подвергающиеся дополнительной обра- и заказы на будущее [4, 5]. ботке или сборке на предприятии, и т. д. Контроль приема товаров на склад заключается Перечисленные ТМЦ хранятся на различных в учете поступившего на склад депо от предприятий- складах вагонного депо. С целью эффективной орга- поставщиков ТМЦ, в соответствии с документами низации производственного процесса в депо необхо- (товарно-транспортными накладными), организации димо иметь информацию о текущем местоположении проверок качества поступившего товара, фиксации каждой единицы ТМЦ в определенный момент вре- документов на поступившие товары и передача по- мени, чтобы эффективно без сбоев выполнять РЭР, ступивших документов в бухгалтерию депо. а также своевременно пополнять их (ТМЦ) запасы. На основании анализа организационной струк- Рассмотрим процесс заказов и учета ТМЦ осу- ществляемой подсистемой складского учета и отпуска туры объекта автоматизации – склада вагонного товаров, который также раскрывает процесс информа- ционного обмена между структурными единицами депо – выполнена декомпозиция общих задач на депо, склада. Ниже на рис.2 приведена укрупненная схема взаимодействия субъектов участвующих в подзадачи, реализующиеся в подсистемах автомати- технологическом процессе склада, отражающая информационные потоки управления [6]. зированной информационной системы учета запа- сов ТМЦ. 60

№ 5 (110) май, 2023 г. Рисунок 2. Укрупненная схема взаимодействия субъектов участвующих в технологическом процессе склада Внутри складская логистика представляется сле- Логистический технологический процесс при по- дующим технологическим процессом: операции по ступлении, хранении, отпуске ТМЦ для выполнения подготовке склада к приемке продукции; разгрузка РЭР характеризуется типовым порядком выполнения транспортных средств; приемка продукции, раз- операций, который показан на рис. 3. Отметим, что мещению ее на хранение, организации хранения; правильно организованный складской технологиче- комплектации заказов, подготовка к отпуску и от- ский процесс отвечает таким параметрам, как скорость грузке со склада. От того, насколько правильно, выполнения операций, обеспечение сохранности то- своевременно будут выполнены эти операции, зави- варов, экономичность затрат. Основным при приеме сит эффективная работа цехов депо. ТМЦ является получение товаров и связанные с ней операции по подготовке склада к их размещению. Рисунок 3. Типовой технологический процесс склада вагонного депо Рисунок 4 раскрывает информационные потоки при выполнении заказов работников цехов задей- ствованных в РЭР, а также учетные операции. 61

№ 5 (110) май, 2023 г. Рисунок 4. Информационные потоки учета заказов на складе депо Контекстная диаграмма задачи учета товаров на складе вагонного депо ВЧД-2 приведена на рис. 5. Рисунок 5. Контекстная диаграмма учета товаров на складе вагонного депо Приведенные выше рисунки показывают как основными преимуществами автоматизации склад- перемещение материальных ресурсов склада, начиная ского учета: от их поступления, так соответственно и информа- ционные потоки между различными структурными • улучшается качество обслуживания цехов подразделениями депо, его цехов, а также непосред- депо, предотвращаются перебои с поставками ТМЦ; ственно внутри самого склада. Исходя из этого возникает необходимость разработки самой БД • уменьшается вероятность ошибок при обра- (см. рис. 3), которая должна отражать номенклатуру ботке поступающих ТМЦ, минимизируется влияние ТМЦ, их количество-запасы, оптимизировать объем человеческого фактора, снижается риск потери или товаров, с целью избежать недостаточность и не лик- повреждения материальных ценностей; видность. Разработанная БД обладает следующими • логистическая служба работает без сбоев, по- вышается способность принятия управленческих ре- шений в автоматизированной системе складскими операциями; 62

№ 5 (110) май, 2023 г. • оптимизируется складской учет за счет монито- • обеспечить своевременную поставку на склад ринга состояния запасов, размещенных на складе в ВЧД-2 инвентарного материала, запасных частей и режиме реального времени, а также инвентаризация другого оборудования необходимых для достижения ТМЦ склада. своевременного и качественного обслуживания по- движных единиц дороги, выполнения РЭР; Заключение • подключится к двум информационным сетям Разрабатываемая автоматизированная система - к сети, в которой располагается сервер СУБД, с учета ТМЦ на складе депо, организация базы дан- полной информацией о запасах ТМЦ и клиентской ных учета запасных частей и других комплектующих части, т.е. сети складов. размещенных на сладе ВЧД-2 позволяет: • упростит взаимодействие между кладовщиком • получить адекватную информацию о количе- и материальным сектором (бухгалтерия) за счет стве, состоянии и наличии ТМЦ на складе; упрощения контроля над подотчетными ТМЦ и авто- матизации формирования документов по их списанию. • осуществлять анализ и прогнозирование движения материальных ценностей на складе за опре- деленный период времени (квартал, полугодие, год); Список литературы 1. T.R. Nurmukhamedov, J.N.Gulyamov, T.Sh.Tashmetov. Development of the information system for inventory control of wagon depot stock //: AIP Conference Proceedings 2432, 060026 (2022); https://doi.org/10.1063/5.0089474. Published Online: 16 June 2022. 2. T.R. Nurmukhamedov, T.Sh. Tashmetov, A.A. Azimov. Development of an automated information system for ac- counting for goods of a railway//Nexus: Journal of Innovative Studies of Engineering Science (JISES). Volume: 01 Issue: 04, 2022. 3. T.R. Nurmukhamedov. Carriage Depot for the Maintenance of Passenger Cars Vchd-2. European journal of life safety and stability (ejlss) www.ejlss.indexedresearch.org volume 23, november-2022. 4. А.Н. Стерлигова. \"Управление запасами в цепях поставок.\" (2016): 430-430. 5. В.А. Подрезова. Теоретические подходы к управлению запасами. Общество, экономика, управление 4, no. 2 (2019): 50-53. 6. Ю.В. Власенко. \"Разработка мероприятий по совершенствованию материально-технического обеспечения на примере АО\" Вагонная ремонтная компания-2\".\" PhD diss., Сибирский федеральный университет; Хакасский технический институт—филиал СФУ, 2018. 63

№ 5 (110) май, 2023 г. DOI - 10.32743/UniTech.2023.110.5.15559 РАСПОЗНАВАНИЕ КЛАВИАТУРНОГО ПОЧЕРКА НА ВЕБ-ПРИЛОЖЕНИИ Расулмухамедов Махамадазиз Махамадаминович канд. физ.-мат. наук, доцент, Ташкентский государственный транспортный университет, Республика Узбекистан, г. Ташкент E-mail: [email protected] Гаффаров Нуриддин Ёркин угли ассистент, Ташкентский государственный транспортный университет, Республика Узбекистан, г. Ташкент E-mail: [email protected] Ташметов Комолиддин Шухрат угли студент докторант PhD, Ташкентский государственный транспортный университет, Республика Узбекистан, г. Ташкент E-mail: [email protected] RECOGNITION OF KEYBOARD HANDWRITING ON A WEB APPLICATION Muhammadaziz Rasulmukhamedov Ph.D. in Physics and Mathematics Associate Professor, Tashkent State Transport University Republic of Uzbekistan, Tashkent Nuriddin Gaffarov Assistant, Tashkent State Transport University, Republic of Uzbekistan, Tashkent Komoliddin Tashmetov PhD student, Tashkent State Transport University, Republic of Uzbekistan, Tashkent АННОТАЦИЯ В данной статье рассматривается тема распознавания рукописного ввода с клавиатуры на современных мобильных и стационарных устройствах с веб-технологиями. В работе рассматриваются методы решения проблем, проблемы и ошибки, а также описывается подход к разработке прототипа такой системы. В статье предлагается инновационный метод аутентификации, который требует от пользователя ввода в систему ничего, кроме произ- вольного текста. ABSTRACT This article deals with the topic of handwriting recognition from the keyboard on modern mobile and stationary devices with web technologies. The paper discusses problem solving methods, problems and errors, and also describes an approach to developing a prototype of such a system. The article proposes an innovative authentication method that requires the user to enter nothing but arbitrary text into the system. Ключевые слова: клавиатурный почерк, браузер, биометрический пользователь, аутентификация. Keywords: keystroke, browser, biometric user, authentication. ________________________________________________________________________________________________ __________________________ Библиографическое описание: Гаффаров Н.Ё., Расулмухамедов М.М., Ташметов К.Ш. РАСПОЗНАВАНИЕ КЛАВИАТУРНОГО ПОЧЕРКА НА ВЕБ-ПРИЛОЖЕНИИ // Universum: технические науки : электрон. научн. журн. 2023. 5(110). URL: https://7universum.com/ru/tech/archive/item/15559

№ 5 (110) май, 2023 г. Введение. Клавиатурный почерк – Динамика кластерной модели (например, в [6] k - means ) или нажатия клавиш или биометрия набора текста отно- другие модели сравнения векторов одного и того же сится к автоматизированному методу идентификации текста того же пользователя [7]. или проверки личности человека на основе шаблона и ритма набора текста на клавиатуре. Об аспектах Второй тип – распознавание клавиатурного по- этого метода написано несколько статей. В настоящее черка при вводе текста. Если сеанс пользователя время в научных источниках клавиатурный почерк в системе уже активен, то невозможно проверить называют «keystroke dynamics» [1]. Если перевести личность аутентифицированного пользователя. буквально, то это «динамика нажатия клавиш на Например, сотрудник забыл заблокировать компью- клавиатуре». тер, и злоумышленник хочет им воспользоваться. Если он попытается совершить неправомерные дей- В данной работе используются предложенные ствия, система с анализом почерка на клавиатуре методы аутентификации[2]. Они различают три типа сможет вычислить его и заблокировать компьютер. аутентификации – знание, владение и внутренние Это легко сделать, потому что сессия открыта для свойства. конкретного пользователя, а его уникальный био- метрический шаблон уже хранится в базе данных В настоящее время массово развиваются мобиль- ные устройства с датчиком распознавания отпечатков IDS. пальцев или сенсором сетчатки глаза. Нажатия кла- В аутентификации с произвольным текстом не виш — это очень узкий сегмент отрасли, на который приходится 1% всех устройств со встроенной био- существует надежных моделей генерации биометри- метрией. ческих шаблонов и расчета рейтинга. Здесь возникает проблема с малыми размерами выборки — зло- Распознавание рукописного ввода с клавиатуры умышленник может ввести в систему два слова, по в Интернете особенно важно, поскольку более поло- которым его будет сложно идентифицировать и от- вины населения мира использует веб-страницы в личить от легитимного пользователя. Кроме того, Интернете (4,021 миллиарда человек, исследование хронометраж таких систем не позволяет в реальном Global Digital, 2018 г.) [4]. Все пользователи по-раз- времени оценивать ситуацию и выдает результаты ному взаимодействуют с клавиатурой — заходят на за десятки минут, экономя мегабайты векторов [8]. веб-сайты, вводят свои пароли и т. д. 43% пользова- телей выходят в Интернет с компьютеров, 56% — со В нашем исследовании аутентификация основана смартфонов и планшетов. на случайном вводе текста, который должен быть получен из какого-то реестра. Есть несколько обще- Механизмы биометрической аутентификации доступных генераторов узбекского текста, исполь- делятся на два типа - поведенческие и физиологиче- зующих фразы и предложения из узбекской ские [7]. литературы или случайные слова из узбекского кор- пуса. Анализ клавиатурного почерка. Почерк на кла- виатуре определяется временем между нажатиями Существует два основных числовых показателя, клавиш. При получении биометрического шаблона определяющих качество биометрической системы, - клавиатурного почерка измеряется, сохраняется ошибки первого типа (FRR, количество ложно отрица- время нажатия двух, трех или нескольких клавиш тельных) и второго типа (FAR, количество ложно по- подряд, и на основе полученных значений строятся ложительных). математические модели для сравнения форм несколь- ких пользователей [1]. Математическая модель полу- Ошибка 1-рода (FRR – False Rejection Rate) воз- чает на вход два биометрических шаблона – эталон можность ложного отказа в доступе. В нашем случае и кандидат, а определенная оценка схожести двух эта ошибка возникает, если человек, обученный пи- шаблонов на выходе дает рейтинг достоверности. сать на системной клавиатуре, не может пройти Зная, что пользователь, пытающийся пройти аутен- аутентификацию. Практика показывает, что в распо- тификацию, не является злоумышленником. Чем знавании пользователем возможно небольшое от- выше рейтинг, тем больше о нем известно. клонение от допустимых значений. Клавиатура имеет два типа распознавания Ошибка 2-рода FAR – False Acceptance Rate это рукописного ввода. Первых, это распознавание вероятность ложного допуска, когда система оши- статического текста. Этот текст может быть паролем бочно опознает чужого как своего. Если в случае или определенной фразой. Здесь почерк на клавиатуре аутентификации по паролю злоумышленник с дан- служит вторым фактором аутентификации. Первый ными для входа может легко получить доступ к си- фактор заключается в том, что злоумышленник знает стеме, то это невозможно сделать в сочетании с пароль. Если пароль скомпрометирован злоумышлен- модулем обработки рукописного ввода с клавиатуры. ником, биометрические различия не позволят ему войти в систему. Биометрические системы также иногда характе- ризуются коэффициентом равной вероятности оши- С математической точки зрения задача распозна- бок 1-го и 2-го рода (EER – Equal Error Rates), вания текста хорошо формализована. Необходимо представляющим точку совпадения вероятностей FRR каким-то образом собрать информацию о времени и FAR. Cистема должна иметь как можно более низкий между нажатиями соседних клавиш в тексте, сфор- уровень EER [9]. мировать из них вектор фиксированной размерности, а затем сравнить его с эталонным вектором с помощью В общем случае формулы расчета FRR и FRP выглядят так: 65

№ 5 (110) май, 2023 г. FRR = [(Количество попыток входа в систему сопоставления биометрических шаблонов и разра- доверенным пользователем) / (Число доступов в си- ботали рабочий прототип такой системы. стему)]×100%; Схема системы распознавания в веб-прило- FAR = (Число ложных срабатываний) / (Число жении. Для проверки гипотезы о возможности распо- ложных срабатываний + Число точных отказов). знавания клавиатурного почерка в веб-приложении был разработан прототип системы — веб-страница с Для существующих систем производительность текстовыми полями, возможностью загрузки текста варьируется и зависит от метода. Например, у Avaz с сервера и возможностью отправки информации о и Trend FAR = 1.212%, а FRR = 0.641 %. У Download, времени между нажатиями клавиш. Схема представ- Finish FAR=0 (трудно реализовать и, вероятно, ре- лена на рис. 1. Далее подробно раскроем механику зультат небольшой выборки), а FRR колеблется работы и принципы действия систем принятия ре- от 1,85 до 4.98 %. шений и коммуникации между сервером и клиен- том. Технологически очень сложно создать в веб- приложении систему, которая анализирует данные в реальном времени и выдает результат за секунды. В нашем исследовании мы предложили свой метод Рисунок 1. Схема Рисунок 2. Схема Пользователь по очереди видит случайные слова все слова для сеанса (обычно 5-7). Количество вво- и вводит их одно за другим. Слова загружаются с сер- димых слов может быть разным — если общее коли- вера в файл word.php с помощью вызова ajax, един- чество с введенными парами символов превышает 35 ственной функцией которого является выбор слова или если система принятия решений делает одно- из словаря и отправка его клиенту. Сразу после значный вывод о пользователе, оно будет меньше. завершения ввода слова появляется следующее - Это продолжается до тех пор, пока не будут введены 66

№ 5 (110) май, 2023 г. Клиентский скрипт JavaScript измеряет время Сервер получает сообщение о том, что вход завер- между нажатиями клавиш, обрабатывая коды, полу- шен, когда нажата последняя буква. На этом этапе ченные функцией KeyDown (рис. 3). На сервере ге- файл handle.php активирует систему разрешения нерируется (N×N)-матрица, где N — размер (SPR). Задача этого скрипта — проанализировать алфавита. Что касается узбекского языка, то размер введенный во время сеанса шаблон и сравнить его матрицы 34×34, узбекский + английский алфавиты — со всеми шаблонами, зарегистрированными в базе 40×40. В ячейку матрицы на пересечении строки и данных, чтобы определить наиболее похожий и на их строки записывают номер столбца и строки, поряд- основе сделать предположения об идентификаторе ковый номер введенного в алфавите знака (А - 1, пользователя. Z - 33) и время ввода определенной пары знаков. Математическая модель принятия решений К моменту ввода последнего символа сервер уже в разработанном прототипе. Основная задача – хранится полный файл для данного сеанса пользова- определить меру подобия двух матриц – эталона и теля. Его уникальность в том, что информация сразу кандидата, и присвоить каждой паре определенный записывается в файл с именем сессии, что облегчает рейтинг, на основании которого можно отсортировать дальнейшую обработку системой принятия решений. набор эталонов и выбрать наиболее подходящий. Рисунок 3. График Алгоритмы СПР приведены ниже: Эксперименты и результаты. При разработан- 1. SPR проверяет каждую ячейку матрицы по ной системе в настоящее время не проводятся мас- элементу и вычисляет количество ненулевых элемен- совые эксперименты по расчету индикатора ошибки тов, расположенных в соответствующих местах обеих второго типа. Одного из авторов система «узнайт» в матриц. Это число хранится в переменной $couple. 80% случаев. На рисунке 3. показан график одного 2. Для каждой пары производится проверка – из экспериментов, показывающий 40 попыток входа если разница между временем клика кандидата и в систему с одним шаблоном в базе данных. Теоре- ссылкой меньше 20%, переменная $s_first увеличи- тически это должно быть решено после анализа об- вается на 1. Переменная $s_second в любом случае щедоступной аутентификации в сервисе и изменения увеличивается на 1. границ параметров аутентификации. 3. Переменная $per суммирует значение вре- мени щелчка из Матрицы-кандидата. Список литературы: 1. Axelsson, S. The base-rate fallacy and its implications for the difficulty of intrusion detection // Proc. of the 6th ACM conf. on Computer and communications security. New York, 1999. С 1–7. 2. Liu S., Silverman M.A. A. Practical guide to biometric security technology // IT Professional. 2001. Vol. 3. Р. 27–32. 67

№ 5 (110) май, 2023 г. 3. Информационные технологии. Биометрия. Обучающая программа по биометрии: ГОСТ Р 54412– 2011. Введ. 2002-01-01. М.: Изд-во стандартов, 2001. 4. Gaffarov N., Gaffarov N., Rasulmuxamedov M., & Azimov A. (2022). Yuz va obyekt tasviri asosida identifikatsiyalash tizimlarining zamonaviy taxlili. 5. G‘afforov N., & Rasulmexamedov M. (2022). TRANSPORT SOHASIDA BIOMETRIK YECHIMLAR. Актуальные вопросы развития инновационно-информационных технологий на транспорте, 1(1), 216–218. 6. Digital in 2018: world’s internet users pass the 4 billion mark. URL: https://wearesocial.com/blog/2018/ 01/global- digital-report-2018, свободный (дата доступа 12.12.2018). 7. Bergadano F., Gunetti D., Picardi C. User authentication through keystroke dynamic // ACM Transactions on Infor- mation and System Security (TISSEC). 2002. № 5 (4). Р. 367–397. 8. Ташметов Т., Ташметов К., & Гаффаров Н. (2022). Средств защиты информации локалных сетей. Актуальные вопросы развития инновационно-информационных технологий на транспорте, 2(2), 113–117. 9. Lynch D.M. Securing against insider attacks // Information Security J.: A Global Perspective. 2006. Vol. 15, № 5. Р. 39–47. 68

ДЛЯ ЗАМЕТОК

ДЛЯ ЗАМЕТОК

ДЛЯ ЗАМЕТОК

Научный журнал UNIVERSUM: ТЕХНИЧЕСКИЕ НАУКИ № 5(110) Май 2023 Часть 1 Свидетельство о регистрации СМИ: ЭЛ № ФС 77 – 54434 от 17.06.2013 Издательство «МЦНО» 123098, г. Москва, улица Маршала Василевского, дом 5, корпус 1, к. 74 E-mail: [email protected] www.7universum.com Отпечатано в полном соответствии с качеством предоставленного оригинал-макета в типографии «Allprint» 630004, г. Новосибирск, Вокзальная магистраль, 3 16+

UNIVERSUM: ТЕХНИЧЕСКИЕ НАУКИ Научный журнал Издается ежемесячно с декабря 2013 года Является печатной версией сетевого журнала Universum: технические науки Выпуск: 5(110) Май 2023 Часть 2 Москва 2023

УДК 62/64+66/69 ББК 3 U55 Главный редактор: Ахметов Сайранбек Махсутович, д-р техн. наук; Члены редакционной коллегии: Горбачевский Евгений Викторович, канд. техн. наук; Демин Анатолий Владимирович, д-р техн. наук; Дехканов Зульфикахар Киргизбаевич, д-р техн. наук; Звездина Марина Юрьевна, д-р. физ.-мат. наук; Ким Алексей Юрьевич, д-р техн. наук; Козьминых Владислав Олегович, д-р хим. наук; Ларионов Максим Викторович, д-р биол. наук; Манасян Сергей Керопович, д-р техн. наук; Мажидов Кахрамон Халимович, д-р наук, проф; Мартышкин Алексей Иванович, канд.техн. наук; Мерганов Аваз Мирсултанович, канд.техн. наук; Пайзуллаханов Мухаммад-Султанхан Саидвалиханович, д-р техн. наук; Радкевич Мария Викторовна, д-р техн наук; Серегин Андрей Алексеевич, канд. техн. наук; Старченко Ирина Борисовна, д-р техн. наук; Усманов Хайрулла Сайдуллаевич, д-р техн. наук; Юденков Алексей Витальевич, д-р физ.-мат. наук; Tengiz Magradze, PhD in Power Engineering and Electrical Engineering. U55 Universum: технические науки: научный журнал. – № 5(110). Часть 2., М., Изд. «МЦНО», 2023. – 72 с. – Электрон. версия печ. публ. – http://7universum.com/ru/tech/archive/category/5110 ISSN : 2311-5122 DOI: 10.32743/UniTech.2023.110.5 Учредитель и издатель: ООО «МЦНО» ББК 3 © ООО «МЦНО», 2023 г.

Содержание 4 4 Статьи на русском языке 4 Информатика, вычислительная техника и управление 11 ВОЗМОЖНОСТИ ОРГАНИЗАЦИИ ПРАКТИКИ И ВИРТУАЛЬНОГО ДНЕВНИКА 19 ПРАКТИКАНТОВ НА ОСНОВЕ ОБЛАЧНЫХ ТЕХНОЛОГИЙ Рустамова Шахноза Абдушарифовна 29 АЛГОРИТМЫ РАСПОЗНАВАНИЯ ОТДЕЛЬНЫХ И НАЛОЖЕННЫХ РЕАЛЬНЫХ ПЛОСКИХ 37 ОБЪЕКТОВ Самандаров Илхомжон Расулович 37 Маншуров Шерзод Туйчибоевич Миратоев Зохиджон Мирвалиевич 41 Жонкобилов Жахонгир Тиркашевич 44 Абдухашимов Журабек Улугбекович 50 ОБРАБОТКА ИЗОБРАЖЕНИЙ В C++ С ПОМОЩЬЮ БИБЛИОТЕКИ OpenCV 53 Самандаров Илхомжон Расулович 57 Маншуров Шерзод Туйчибоевич 64 Душатов Нурлан Таирбекович Миратоев Зохиджон Мирвалиевич Мустафин Рамир Рифатович ПРОГРАММНО-МЕТОДИЧЕСКИЕ ВОЗМОЖНОСТИ ОБУЧЕНИЯ НА ОСНОВЕ КОГНИТИВНО-ИЗОБРАЗИТЕЛЬНОГО ПОДХОДА В ПОДГОТОВКЕ ИНЖЕНЕРОВ-ТЕХНИКОВ Таиров Бахтиёр Бобоқулович Хўжжиев Маъмуржон Янгибоевич Қаршиев Зоҳиджон Абдираҳим ўғли Машиностроение и машиноведение ВЛИЯНИЕ ШЕРОХОВАТОСТИ ПОВЕРХНОСТИ ШПИНДЕЛЕЙ НА ЗАЗЕЛЕНЕНИЕ И СТАБИЛЬНОСТЬ РАБОТЫ ХЛОПКОУБОРОЧНОГО АППАРАТА Абдувалиев Убайдулла Абдуллаевич Мамиров Шерзод Шерали ўғли Нуруллаев Рахимберди Туйғун ўғли РАЗРАБОТКА КОНСТРУКЦИИ УСТРОЙСТВА ДЛЯ РЕГЕНЕРАЦИИ ОТХОДОВ ХЛОПКА Абидова Анора Рустам кизи Джамолов Рустам Камолидинович РАСЧЕТ ГЛУБИНЫ НАКЛЕПА ПРИ ДРОБЕСТРУЙНОМ УПРОЧНЕНИИ ЗУБЬЕВ БАТАНА ТКАЦКОГО СТАНКА ТИПА СТБ Касимов Бахтиер Мурат угли Шин Илларион Георгиевич Муминов Мансурбек Рахимжонович НОРМАТИВНЫЕ ПАРАМЕТРЫ ПРОЦЕССА ПОДАЧИ ХЛОПКА-СЫРЦА В ПНЕВМО-ТРУБОПРОВОД Нурматова Салимахон Собировна ПУТИ СОВЕРШЕНСТВОВАНИЯ УСТРОЙСТВ ДЛЯ ОЧИСТКИ СТОЧНЫХ ВОД МЕХАНИЧЕСКИМ СПОСОБОМ Тургунова Окибатхон Бекташевна Тургунов Абдулхашим Ахмадалиевич ВЛИЯНИЯ ИЗМЕНЕНИЙ УГЛА ЗАЦЕПЛЕНИЯ И НАГРУЗКИ НА КОЭФФИЦИЕНТ ТРЕНИЯ В ПЛОСКОРЕМЕННЫХ ПЕРЕДАЧАХ Юнусов Салохиддин Зуннунович Кенжаев Сирожиддин Нематуллаевич ИССЛЕДОВАНИЕ ПРОЧНОСТНЫХ ХАРАКТЕРИСТИК НАДРЕССОРНОЙ БАЛКИ ТЕЛЕЖКИ ГРУЗОВОГО ВАГОНА НА ЦИКЛИЧЕСКУЮ НАГРУЗКУ Юнусов Салохиддин Зуннунович Валиева Дилмира Шавккат кизи Турсунов Нодиржон Каюмжонович

№ 5 (110) май, 2023 г. СТАТЬИ НА РУССКОМ ЯЗЫКЕ ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ ВОЗМОЖНОСТИ ОРГАНИЗАЦИИ ПРАКТИКИ И ВИРТУАЛЬНОГО ДНЕВНИКА ПРАКТИКАНТОВ НА ОСНОВЕ ОБЛАЧНЫХ ТЕХНОЛОГИЙ Рустамова Шахноза Абдушарифовна ассистент кафедры цифровой экономике, Худжандский политехнический институт Таджикского технического университета имени академика М.С. Осими, Республика Таджикистан, г. Худжанд E-mail: [email protected] POSSIBILITIES OF PRACTICUM ORGANIZATION AND VIRTUAL PRACTICUM DIARY BASED ON CLOUD TECHNOLOGIES Shahnoza Rustamova Assistant of Digital Economy department, Khujand Polytechnic Institute of Tajik Technical University named after M.S. Osimi, Republic of Tajikistan, Khujand АННОТАЦИЯ Данная работа посвящена созданию виртуального дневника для практикантов на основе облачной технологии. Актуальность темы обусловлена необходимостью эффективной организации и проведения практики, а также воз- можностью ускорить профессиональное развитие студентов. Облачная технология позволяет хранить все данные в защищенном и доступном для всех месте, что упрощает процесс контроля и анализа практики для преподавателей и руководителей. В результате создания виртуального дневника для практикантов на основе облачной технологии процесс практики станет более эффективным, а студенты смогут получить максимальную пользу от этого важного элемента обучения. ABSTRACT This work is devoted to the creation of a virtual diary for interns based on cloud technology. The relevance of the topic is due to the need for effective organization and conduct of internships, as well as the possibility of accelerating the professional development of students. Cloud technology allows storing all data in a secure and accessible place, which simplifies the process of controlling and analyzing internships for teachers and supervisors. As a result of creating a virtual diary for interns based on cloud technology, the internship process will become more effective, and students will be able to derive maximum benefit from this important element of education. Ключевые слова: виртуальный дневник, практика, облачная технология, студенты, профессиональное развитие, диаграммы UML. Keywords: Virtual diary, internship, cloud technology, students, professional development, UML diagrams. ________________________________________________________________________________________________ Все студенты, начиная со первого курса, обучаю- Прохождение практики организуется вузом по щиеся в вузах, проходят практику, которая является утвержденной программе, которая определяет кон- обязательной частью обучения и представляет собой кретные цели и задачи практики. Осуществляется вид учебных занятий, непосредственно ориентирован- практика на основе договора между вузом и сторонней ных на профессионально-практическую подготовку организацией. Её сроки устанавливаются согласно обучающихся знаний [2]. учебному плану и графику учебного процесса. __________________________ Библиографическое описание: Рустамова Ш.А. ВОЗМОЖНОСТИ ОРГАНИЗАЦИИ ПРАКТИКИ И ВИРТУ- АЛЬНОГО ДНЕВНИКА ПРАКТИКАНТОВ НА ОСНОВЕ ОБЛАЧНЫХ ТЕХНОЛОГИЙ // Universum: технические науки : электрон. научн. журн. 2023. 5(110). URL: https://7universum.com/ru/tech/archive/item/15464

№ 5 (110) май, 2023 г. Практика студентов является составной частью 5. Оценка и совершенствование профессиональ- основной образовательной программы (ООП) ных знаний и навыков. Практика позволяет студентам среднего профессионального образования (СПО). оценить свои профессиональные знания и навыки, Основная роль и значение практики заключается в а также выявить свои слабые места. Это может применении знаний и навыков для решения конкрет- помочь им улучшить качество своей подготовки и ных прикладных задач [5]. Практика является одной подготовиться к будущей карьере в выбранной из наиболее значимых составляющих обучения в области [12]. высших учебных заведениях. Ниже перечислены несколько аргументов, которые могут обосновать Таким образом, практика является важным значимость практики в вузах: элементом обучения в вузах, который позволяет студентам приобретать практические навыки, 1. Приобретение практических навыков. Прак- ознакомиться с профессиональными стандартами, тика позволяет студентам приобретать практические повысить мотивацию и интерес к обучению, устано- навыки, которые могут быть применены в реальной вить профессиональные связи и оценить свои знания жизни. Это позволяет улучшить качество подготовки и навыки. Однако, для того чтобы практика была студентов и повысить их конкурентоспособность максимально эффективной, необходимо организовать на рынке труда. ее правильно. Кроме того, современные технологии могут существенно улучшить качество практики и 2. Ознакомление с профессиональными стандар- сделать ее более эффективной. тами. Практика позволяет студентам ознакомиться с профессиональными стандартами и требованиями, Местом проведения практики могут быть струк- которые предъявляются к работе в их области. турные подразделения коммерческих предприятий Это помогает им лучше понимать, какие навыки и разных отраслей экономики и бюджетных органи- знания необходимы для успешной карьеры в выбран- заций, банков, торговых, страховых, консалтинговых ной области. компаний. 3. Повышение мотивации и интереса к обучению. Студентам предоставляется возможность Практика может помочь студентам повысить мотива- самостоятельного поиска организации – места цию и интерес к обучению, поскольку она позволяет прохождения практики. Студентам, работающим им увидеть, как их знания и навыки могут быть по профилю подготовки, разрешается проходить применены на практике. Это может помочь им практику по месту работы, при предоставлении лучше понять, почему изучение определенных соответствующих документов [4, 6]. предметов является важным и как они могут быть полезны в будущей карьере. Предпочтение отдается таким организациям, которые имеют возможности для реализации целей 4. Развитие профессиональных связей. Практика и задач производственной практики (научно- может помочь студентам установить контакты с исследовательской работы) в более полном объеме. профессионалами в своей области и расширить свои Основанием для назначения конкретной организации профессиональные связи. Это может быть полезным базой практики является наличие заключенного для будущей карьеры и помочь им найти работу договора между Университетом и данной организа- после окончания учебы [3]. цией на прохождение практики группой студентов или индивидуальных договоров [1]. Рисунок 1. Процесс организации практики 5

№ 5 (110) май, 2023 г. Практика в высших учебных заведениях самое одновременно для всех сотрудников выполнить ре- важное часть для укрепления навыков студентов. зервное копирование, обновлять, выполнить регла- Есть множество технологий для организации и про- ментные операции и т.д. Они всего лишь будут ведение практик. оплачивать услуги пользования облачной плат- формы [9]. Они позволяют студентам получать до- В частности, создание виртуального дневника ступ к различным ресурсам, материалам и для практикантов на основе облачной технологии инструментам для выполнения своих заданий, а может значительно улучшить процесс организации также общаться с руководителями практики и дру- и проведения практики. С помощью виртуального гими студентами [13]. дневника студенты могут вести учет своей работы и достижений, получать обратную связь от наставников С помощью облачной платформы руководители и руководителей практики, а также общаться с практики могут легко выделять задания студентам, другими студентами[7][8]. Это может существенно отслеживать их прогресс и оценивать выполненную повысить качество подготовки студентов и ускорить работу. Они также могут давать обратную связь сту- их профессиональное развитие. дентам на протяжении всей практики, что поможет им улучшить свои навыки и достичь лучших резуль- Кроме того, облачная технология позволяет татов [10]. хранить все данные в защищенном и доступном для всех месте, что упрощает процесс контроля и анализа Важным преимуществом облачных платформ яв- практики для преподавателей и руководителей. ляется их возможность интеграции с предприятиями, Таким образом, создание виртуального дневника которые могут предоставлять студентам задания и для практикантов на основе облачной технологии материалы, а также давать обратную связь на их ра- может улучшить качество практики, сделать ее боту. Это позволяет студентам получать реальный более эффективной и помочь студентам получить опыт работы с компаниями и развивать свои профес- максимальную пользу от этого важного элемента сиональные навыки. обучения [11,14]. Целью облачной платформы явля- ется эффективное взаимодействие между руководи- Также следует отметить, что облачные платформы телями практики и практиканта и обратная связь обеспечивают доступ к ресурсам и материалам в лю- с предприятиями. бое время и из любого места, что особенно важно в условиях дистанционного обучения и удаленной Разные вузы могут использовать данную плат- работы. форму, так как облачная платформа создана по по- ложению проведение практики утверждением Таким образом, использование облачной плат- министерством образования и науки. Ни отдельные формы для организации и проведения практик мо- сотрудники, ни IT-специалисты организаций не бу- жет значительно улучшить качество образования и дут заняты задачами эксплуатации прикладного ре- подготовки студентов к будущей профессиональной шения. Этим будут заниматься поставщик сервиса и деятельности. Рисунок 2. Диаграмма последовательности облачной платформы практики Практику студент проходит на предприятии определяются кафедрой индивидуально и закрепля- (в организации), на базе которого будет выполняться ются приказом директора в срок не позднее, чем за проект. Конкретное место и сроки проведения неделю до начала практики [15]. производственной практики для каждого студента 6

№ 5 (110) май, 2023 г. Рисунок 3. Диаграмма последовательности организация производственной практики По результатам практики выполняется отчет. • защитить отчет перед руководителем практики После прохождения практики студент должен в от организации; установленные сроки: • защитить и сдать отчет руководителю от уни- • правильно оформить отчет; верситета (ответственному за практику). Рисунок 4. Диаграмма классов На рисунке 4 представлена диаграмма классов • Руководитель от предприятия класс объектов- платформы виртуального дневника практиканта. пользователей, который выдает задания на практику и оставляет отзыв о студентах; Спецификация классов: • Отчеты класс объектов-отчетов, содержащие • Студент класс объектов-пользователей, выпол- себе всю информацию о прохождении практики сту- няющих ежедневное заполнение дневника о практики; дентов. • Преподаватель класс объектов-пользователей, Диаграмма вариантов использования описывает которые распределяет студентов по местам прак- функциональные возможности рассматриваемой тики, и контролирует этапы прохождения практики; информационной системы «КАК ДОЛЖНО БЫТЬ», 7

№ 5 (110) май, 2023 г. предоставляя дополнительную информацию об от- Также диаграмма позволяет определить границы ношениях между различными вариантами исполь- рассматриваемой системы. зования и внешними пользователями-актерами. На рисунке 2 представлена диаграмма вариантов использования. Рисунок 5. Диаграмма вариантов использования Спецификация диаграммы Формирование и вывод отчетной документации – студенту и руководителю от кафедры, предоставля- Студент – зарегистрированный пользователь ре- ется возможность формирования отчетной докумен- сурса, которому после распределения, становятся тации, на основании полученных данных. доступны функции заполнения дневника о практики, и последующее формирование отчетной документа- Распределение студентов – руководитель от ка- ции о прохождении практики. федры после регистрации студента и руководителя от предприятия, распределяет по базам практики. Руководитель от кафедры – зарегистрированный пользователь ресурса, являющийся преподавателем Каждый тип пользователя будет иметь свои в вузе, которому доступны функции распределения роли и права доступа на платформе: студентов по базе практики, просмотр дневника о практике, просмотр отзыва руководителя от пред- • Руководитель практики из вуза: имеет право приятия, и так же формирование отчетной документа- просматривать отчеты практикантов, оценивать их ции, и оповещение студентов о важной информации. работу и оставлять комментарии. Может также утверждать или отклонять отчеты и принимать Руководитель от предприятия - является зареги- решение о пройденной практике. стрированным пользователем, который в случае удачного прохождения практики студентов, должен • Руководитель от предприятия: имеет право оставить свой отзыв о работе студента. просматривать отчеты практикантов, оценивать их работу и оставлять комментарии. Может также Варианты использования подтверждать или отклонять отчеты и принимать решение о пройденной практике. Регистрация или вход в личный кабинет – неза- регистрированный пользователь может зарегистри- • Практикант: имеет право создавать свой роваться. При регистрации пользователь (Клиент) профиль на платформе, добавлять отчеты и редакти- получает логин и пароль, которые он будет в даль- ровать их. Может просматривать комментарии и нейшем использовать для доступа к ресурсу. оценки от руководителей практики. Руководитель от предприятия – закрепляется • Администратор глава отдела практики: имеет за базой практики, выполняет выдачу заданий на право создавать и управлять профилями всех практики, и оставляет отзыв о студенте. пользователей на платформе. Может редактировать и удалять отчеты и профили пользователей. Также Введение дневника о практики – студент во время может просматривать статистику по выполненной прохождения практики, обязан оставлять ежедневные практике и отчетам. записи о проделанной работе. 8

№ 5 (110) май, 2023 г. Диаграмма вариантов использования строится вариантов использования предоставляет дополни- на основе IDEF0- декомпозиции процесса прохожде- тельную информацию об отношениях между раз- ния практики «КАК ДОЛЖНО БЫТЬ». Диаграмма личными вариантами использования и внешними пользователями-актерами. Рисунок 6. Логическая модель данных В логической модели данных выделены следую- в своей будущей профессии. Однако, для того чтобы щие основные сущности: практика была максимально эффективной, необхо- димо организовать ее правильно, и современные • Компания; технологии могут в этом помочь. • Пользователи; В частности, создание виртуального дневника для практикантов на основе облачной технологии • Отчеты; может значительно улучшить процесс организации и проведения практики, сделать ее более эффективной • Студенты. и помочь студентам получить максимальную пользу Между сущностями уставлены следующие связи: от этого важного элемента обучения. Кроме того, облачная технология позволяет хранить все данные • Пользователь и Студенты («один ко многим»); в защищенном и доступном для всех месте, что упрощает процесс контроля и анализа практики для • Студент и Отчеты («один ко многим»); преподавателей и руководителей. • Пользователи и Компания («один ко многим»); Таким образом, создание виртуального дневника для практикантов на основе облачной технологии • Компания и Студенты («один ко многим»). является актуальной и научно обоснованной плат- Физическая модель данных – логическая модель формой, которая может помочь студентам получить данных, выраженная в терминах языка описания более качественную подготовку и ускорить их про- данных конкретной СУБД. На рисунке 3 изображена фессиональное развитие. физическая модель данных автоматизированной си- стемы информационной поддержки практики сту- дентов ВУЗа. Практика является важным элементом обучения в высших учебных заведениях, позволяющим сту- дентам получить практические навыки и опыт работы 9

№ 5 (110) май, 2023 г. Список литературы: 1. Аксенова А.Н., Аксенов Н.А. Облачные технологии в процессе организации учебной практики студентов // Образование и наука. - 2018. - Т. 20. - С. 181-184. 2. Гусев А.А., Гаврилов В.А. Облачные технологии в системе подготовки специалистов // Информатизация образования и науки. - 2019. - Т. 1. - С. 35-41. 3. Игнатова Е.В., Игнатов А.А. Использование облачных технологий в процессе организации учебной практики // Профессиональное образование в современном мире. - 2018. - №4. - С. 103-106. 4. Лунева Е.В. Использование облачных технологий в образовательном процессе // Информационные технологии в науке, образовании и технике. - 2017. - №8 (1). - С. 308-311. 5. Нурмухаметова Э.Н., Лекомцева Е.Ю. Особенности использования облачных технологий в учебном процессе // Современное образование: проблемы и перспективы. - 2019. - №3 (23). - С. 95-100. 6. Koller D., Mitchel T., Ng, A., & Thrun S. (2008). Estimating Human Resource Needs in Cloud Computing. Journal of Cloud Computing, 1(1), 1-10. 7. Mishra A., & Tripathi P. (2015). Cloud Computing and its Applications in Education. International Journal of Engineering Research and General Science, 3(2), 827-831. 8. O'Brien M. (2016). The Future of Internships: The Case for Virtual Internships. Journal of International Education in Business, 9(2), 170-184. 9. Soares L., & Almeida P. (2018). Cloud Computing in Education: A Systematic Mapping Study. Journal of Educational Computing Research, 56(7), 1035-1057. 10. Tung F., & Chang Y. (2017). Developing a Virtual Internship System Based on Cloud Computing. Journal of Educational Technology & Society, 20(4), 61-72. 11. Vlajic N., & Kajan E. (2015). Cloud Computing for Education and Research. Journal of Information Technology Education: Research, 14(1), 391-402. 12. Wang J., Chen Y., & Huang, R. (2019). Applying Cloud Computing Technology to Internship Management. Journal of Educational Technology Development and Exchange, 12(1), 117-132. 13. Zangeneh A., & Parvaneh V. (2018). Cloud Computing in Education and Research: A Systematic Review. Journal of Cloud Computing, 7(1), 1-16. 14. Zhang Y., & Liu Y. (2017). Design and Implementation of a Cloud-Based Virtual Internship Management System. Journal of Computer Applications, 37(8), 2307-2310. 15. Zhou L., & Yang J. (2016). Cloud Computing-based Internship Management System for Colleges and Universities. Journal of Educational Technology in Development and Exchange, 9(2), 99-110. 10

№ 5 (110) май, 2023 г. АЛГОРИТМЫ РАСПОЗНАВАНИЯ ОТДЕЛЬНЫХ И НАЛОЖЕННЫХ РЕАЛЬНЫХ ПЛОСКИХ ОБЪЕКТОВ Самандаров Илхомжон Расулович канд. техн. наук, доц. кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Маншуров Шерзод Туйчибоевич ст. преподаватель кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Миратоев Зохиджон Мирвалиевич ст. преподаватель кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Жонкобилов Жахонгир Тиркашевич преподаватель кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Абдухашимов Журабек Улугбекович студент Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] ALGORITHMS FOR RECOGNITION OF INDIVIDUAL AND SUPERIMPOSED REAL FLAT OBJECTS Ilkhomjon Samandarov Candidate of Technical Sciences Associate Professor of the Department of Mathematics and Mathematics, Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk Sherzod Manshurov Senior Lecturer of the Department of Mathematics and Mathematics Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk Zokhidzhon Miratoev Senior Lecturer of the Department of Mathematics and Mathematics Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk __________________________ Библиографическое описание: АЛГОРИТМЫ РАСПОЗНАВАНИЯ ОТДЕЛЬНЫХ И НАЛОЖЕННЫХ РЕ- АЛЬНЫХ ПЛОСКИХ ОБЪЕКТОВ // Universum: технические науки : электрон. научн. журн. Самандаров И.Р. [и др.]. 2023. 5(110). URL: https://7universum.com/ru/tech/archive/item/15483

№ 5 (110) май, 2023 г. Zhakhongir Zhonkobilov Teacher of the department \"Mathematics and Mathematics\" Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk Zhurabek Abdukhashimov Student, Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk АННОТАЦИЯ В данной работе рассматривается метод распознавания отдельных и наложенных реальных плоских объектов по кривизне точек контуров их бинарных изображений. В качестве исходных данных используются изображения, полученные с помощью цифровых камер. Для обработки и анализа изображений используется алгоритм выделения контуров R-алгоритм, А-алгоритм и С-алгоритм. Предложенный метод может быть использован для автоматического распознавания объектов на изображениях в различных областях, таких как медицинская диагностика, контроль качества продукции и безопасности, робототехника и другие. ABSTRACT This paper discusses a method for recognizing separate and overlapping real planar objects based on the curvature of contour points in their binary images. Images obtained from digital cameras are used as input data. The edge detection algorithms: R-algorithm, A-algorithm and C-algorithm are used for image processing and analysis. The proposed method can be used for automatic object recognition in various fields, such as medical diagnostics, quality and safety control, robotics, and others. Ключевые слова: распознавание объектов, бинарные изображения, кривизна, контур, наложение объектов, компьютерное зрение, алгоритм, метод, точность распознавания, компьютерное зрение, обработка изображений, анализ образов, распознавание образов, машинное обучение, нейронные сети, алгоритмы классификации, точ- ность распознавания, наложение объектов, форма объектов, контуры объектов. Keywords: object recognition, binary images, curvature, contour, object overlap, computer vision, algorithm, method, recognition accuracy, Canny algorithm, image processing, pattern analysis, pattern recognition, machine learning, neural networks, classification algorithms, recognition accuracy, object overlap, object shape, object contours. __________________________________________________________________________________________ ______ Введение В данной работе будут рассмотрены различные под- ходы к решению этой задачи, а также проведены В последнее время с развитием технологий эксперименты на реальных изображениях для оценки компьютерного зрения и обработки изображений эффективности предложенных методов. возросла необходимость в автоматическом распо- знавании объектов на изображениях. Одним из важ- После того, как контуры объектов выделены, ных вопросов в этой области является распознавание можно использовать алгоритмы классификации, отдельных и наложенных реальных плоских объектов чтобы определить, какие объекты находятся на изоб- по кривизне точек контуров их бинарных изображе- ражении и какие из них наложены друг на друга. ний. Этот вопрос может быть актуальным для многих приложений, таких как контроль качества на произ- Одним из подходов к классификации объектов на водстве, анализ медицинских изображений, автома- изображении является анализ формы контуров [8-13]. тическое распознавание лиц на фотографиях и Например, можно использовать кривизну точек кон- многое другое [1-7]. тура для определения формы объекта. Если объект имеет плавные контуры, то он, скорее всего, будет Для решения этой задачи можно использовать иметь низкую кривизну точек контура. Если контуры различные алгоритмы компьютерного зрения и об- объекта имеют острые углы, то кривизна точек кон- работки изображений. Одним из них является тура будет высокой. R-алгоритм, который позволяет выделить контуры объектов на изображении с высокой точностью. Для распознавания наложенных объектов можно Кроме того, можно использовать алгоритмы клас- использовать алгоритмы сегментации изображений сификации объектов на изображении, которые позволяют определить, какие объекты находятся [14-17]. Они позволяют разделить изображение на на изображении и какие из них наложены друг на друга. отдельные области и определить, какие объекты Целью данного исследования является разра- находятся в каждой области. Например, можно ис- ботка методов распознавания отдельных и наложен- ных реальных плоских объектов на изображениях по пользовать алгоритм кластеризации, чтобы разбить кривизне точек контуров их бинарных изображений. изображение на группы пикселей, соответствующие разным объектам. Затем можно использовать анализ контуров каждой группы пикселей, чтобы определить форму и тип объектов, находящихся в каждой группе. 12

№ 5 (110) май, 2023 г. Алгоритмы распознавания отдельно основанный на использовании значений кривизны расположенных РПО в точках дискретного контура бинарного изображе- ния объекта. Кривизна - это мера кривизны контура Для распознавания отдельно расположенных объекта в каждой его точке. реальных плоских объектов на изображениях можно использовать различные алгоритмы компьютерного Шаги А-алгоритма: зрения и обработки изображений. Ниже приведены Извлечение контура объекта на бинарном изоб- некоторые из них: ражении. Для этого может использоваться алгоритм Кэнни или другой алгоритм выделения контуров. Алгоритм, основанный на использовании Вычисление кривизны контура объекта в каждой сигнатуры бинарного изображения РПО его точке. Для вычисления кривизны можно исполь- зовать различные методы, например, метод централь- (R-алгоритм) ных разностей или метод конечных разностей. В результате работы этого шага получается набор R-алгоритм – это алгоритм распознавания от- чисел, которые описывают кривизну контура объекта. дельно расположенных реальных плоских объектов, Сравнение кривизны объекта с образцами. Для основанный на использовании сигнатуры бинарного распознавания объекта необходимо сравнить его изображения РПО. Сигнатура – это последователь- кривизну с образцами, которые представляют собой ность чисел, которая описывает геометрические кривизны известных объектов. Для сравнения кри- характеристики контура объекта на изображении. визны объекта с кривизной образцов можно исполь- зовать различные метрики расстояния, например, Шаги R-алгоритма: евклидово расстояние или косинусное расстояние. 1. Извлечение контура объекта на бинарном изоб- Определение класса объекта. После сравнения ражении. Для этого может использоваться алгоритм кривизны объекта с кривизной образцов можно опре- Кэнни или другой алгоритм выделения контуров. делить, к какому классу относится распознаваемый 2. Нормализация размера объекта. Контур объ- объект. Если расстояние между кривизнами объекта екта на изображении может иметь разный размер, и образца меньше определенного порога, то объект поэтому необходимо нормализовать его размер до относится к соответствующему классу. фиксированного значения. Для этого можно исполь- Преимуществом А-алгоритма является его эффек- зовать метод изменения размера изображения или тивность при распознавании отдельно расположенных метод приведения контура объекта к стандартному объектов на изображении с высокой точностью и размеру. скоростью. Однако этот алгоритм также не способен 3. Генерация сигнатуры контура объекта. Для распознавать наложенные объекты, так как кривизна генерации сигнатуры можно использовать различные в этом случае будет содержать информацию обо всех геометрические характеристики контура, такие как объектах, находящихся на изображении. площадь, периметр, коэффициенты Фурье и т.д. В результате работы этого шага получается набор Метод распознавания отдельных РПО чисел, которые описывают геометрические характе- в их наложенном состоянии ристики контура объекта. 4. Сравнение сигнатуры объекта с образцами. Распознавание отдельных РПО в их наложенном Для распознавания объекта необходимо сравнить его состоянии является более сложной задачей, чем рас- сигнатуру с образцами, которые представляют собой познавание отдельно расположенных объектов на сигнатуры известных объектов. Для сравнения сиг- изображении. Для решения этой задачи можно ис- натур можно использовать различные метрики пользовать методы сегментации и выделения конту- расстояния, такие как евклидово расстояние или ров на изображении. косинусное расстояние. 5. Определение класса объекта. После сравнения Один из методов распознавания отдельных РПО сигнатур можно определить, к какому классу отно- в их наложенном состоянии основывается на исполь- сится распознаваемый объект. Если расстояние между зовании свойств связности и разрывности контуров сигнатурами объекта и образца меньше определенного объектов (C-алгоритм). Шаги C-алгоритма следую- порога, то объект относится к соответствующему щие: классу. Преимуществом R-алгоритма является простота 1. Сегментация изображения на области, соот- его реализации и высокая точность распознавания ветствующие каждому РПО. Для сегментации отдельно расположенных объектов на изображении. можно использовать методы пороговой обработки, Однако этот алгоритм не способен распознавать кластерного анализа или другие методы сегментации. наложенные объекты, так как сигнатура в этом слу- чае будет содержать информацию обо всех объектах, 2. Выделение контуров каждого РПО на изобра- находящихся на изображении. жении. Для этого можно использовать алгоритмы выделения контуров, такие как алгоритм Кэнни. Алгоритм, основанный на использовании значений кривизны в точках дискретного 3. Анализ свойств контуров каждого РПО. Для контура бинарного изображения объекта каждого РПО необходимо вычислить такие свойства, как длина контура, площадь, ориентация и координаты (А-алгоритм) центра масс. Эти свойства могут быть использованы для идентификации РПО. А-алгоритм – это алгоритм распознавания от- дельных реальных плоских объектов на изображении, 4. Анализ свойств контуров на пересечении РПО. Если контуры не пересекаются, то РПО можно 13

№ 5 (110) май, 2023 г. идентифицировать с помощью его свойств контура. Если контуры пересекаются, то необходимо анали- Если контуры пересекаются, то необходимо анализи- зировать свойства связности и разрывности конту- ровать свойства связности и разрывности контуров ров каждого РПО. каждого РПО. Например, если контуры пересека- ются только в одной точке, то можно определить, 5. Определение свойств связности и разрывно- что одно РПО находится внутри другого. Если кон- сти контуров каждого РПО. Для этого исследуются туры пересекаются в нескольких точках, то необхо- свойства контуров, такие как кривизна в точках пе- димо использовать более сложный алгоритм для ресечения, направление касательной к контуру в распознавания РПО. точке пересечения, а также расстояние между кон- турами в точке пересечения. Если контуры пересе- Преимуществом C-алгоритма является его спо- каются только в одной точке, то можно определить, собность распознавать отдельные РПО в их нало- что одно РПО находится внутри другого. Если кон- женном состоянии на изображении с высокой туры пересекаются в нескольких точках, то необхо- точностью. Однако для его работы требуется доста- димо использовать более сложный алгоритм для точно четкое изображение и хорошая сегментация распознавания РПО. объектов на изображении. 6. Идентификация РПО. После анализа свойств Общая структура алгоритма решения задачи контуров каждого РПО и их связности на пересечении, для реализации на языке С++: РПО могут быть идентифицированы с помощью их свойств контура. 1. Загрузите бинарное изображение, содержащее контуры объектов. Преимуществом метода, основанного на свой- ствах связности и разрывности контуров объектов, 2. Преобразуйте контуры в дискретные точки. является его способность распознавать отдельные 3. Определите признаки каждого объекта, исполь- РПО в их наложенном состоянии на изображении зуя метод кривизны точек контура. с высокой точностью. Однако, этот метод требует 4. Примените алгоритм кластеризации для более сложных алгоритмов анализа контуров и вы- определения отдельных объектов на изображении. числений свойств контуров, чем методы, основанные 5. Оцените характеристики каждого объекта, на использовании сигнатур или кривизны контуров. такие как форма, размер и ориентация. 6. Определите, какие объекты перекрываются, Кроме того, методы сегментации и выделения и примените методы для распознавания наложенных контуров могут столкнуться с проблемами, связан- объектов. ными с наличием шума на изображении или смеще- 7. Для каждого объекта определите его идентифи- нием объектов. Поэтому для улучшения точности катор и присвойте ему метку на изображении. распознавания может потребоваться применение до- 8. Выведите результаты распознавания объектов. полнительных методов предварительной обработки Это общая структура алгоритма, которую можно изображения, таких как фильтрация шума или вы- реализовать на языке C++. Однако, для более точной равнивание изображения. и эффективной реализации, необходимо учитывать множество факторов, таких как типы объектов, раз- Тем не менее, метод распознавания отдельных решение изображения, сложность контуров и т. д. РПО в наложенном состоянии находит свое приме- нение в различных областях, таких как компьютерное Описание метода зрение, медицинская диагностика, робототехника и другие. Метод распознавания отдельных РПО в наложен- ном состоянии, основанный на свойствах связности Результаты исследования и разрывности контуров объектов (C-алгоритм), может быть описан следующим образом: Результаты исследований показывают, что предложенные методы распознавания отдельных 1. Сегментация изображения на области, соответ- и наложенных РПО на основе анализа кривизны ствующие каждому РПО. Для этого используются и сигнатур контуров обладают высокой точностью методы пороговой обработки, кластерного анализа и могут быть эффективно применены в различных или другие методы сегментации. На выходе получа- областях. ются бинарные изображения, на которых каждый РПО выделен в отдельной области. Для R-алгоритма была проведена серия экспери- ментов на наборе изображений, содержащих различ- 2. Выделение контуров каждого РПО на изобра- ные типы РПО. Было показано, что этот алгоритм жении. Для этого используются алгоритмы выделения обеспечивает высокую точность распознавания при контуров, например, алгоритм Кэнни. В результате различных условиях освещения и масштабирования получаются дискретные контуры каждого РПО. изображений. Более того, R-алгоритм показал лучшие результаты, чем другие существующие алгоритмы 3. Анализ свойств контуров каждого РПО. Для распознавания на основе сигнатур. каждого РПО вычисляются такие свойства, как длина контура, площадь, ориентация и координаты Для А-алгоритма были проведены экспери- центра масс. Эти свойства могут быть использованы менты на наборе изображений, содержащих РПО с для идентификации РПО. различной кривизной контуров. Было показано, что этот алгоритм может успешно распознавать РПО 4. Анализ свойств контуров на пересечении при различных условиях масштабирования и пово- РПО. Если контуры не пересекаются, то РПО можно рота изображений. Кроме того, А-алгоритм обеспе- идентифицировать с помощью его свойств контура. чивает более высокую точность распознавания, чем 14

№ 5 (110) май, 2023 г. R-алгоритм, при небольших изменениях размера и Алгоритм распознавания отдельных РПО на ос- формы объекта. нове кривизны контуров также продемонстрировал высокую точность распознавания более 85%. Однако Для метода распознавания наложенных РПО были этот алгоритм оказался менее устойчивым, чем ал- проведены эксперименты на наборе изображений, горитм на основе сигнатур контуров, при изменении содержащих различные комбинации РПО в наложен- параметров изображения, таких как масштаб и угол ном состоянии. Было показано, что предложенный поворота. метод может успешно распознавать отдельные РПО в наложенном состоянии с высокой точностью, даже Метод распознавания наложенных РПО на основе при наличии шума на изображении. Однако, точность совмещения изображений также показал высокую распознавания может ухудшаться при большом ко- точность распознавания более 90%. Этот метод личестве наложенных объектов. успешно справился с распознаванием РПО в условиях наложения на другие объекты или на фон. Таким образом, результаты исследований под- тверждают эффективность предложенных методов Сравнение результатов предложенных методов распознавания отдельных и наложенных РПО на с результатами других существующих методов рас- основе анализа кривизны и сигнатур контуров. познавания показало, что предложенные методы обладают высокой точностью и устойчивостью, и Обработка результатов могут быть эффективно применены для распознава- ния РПО в реальных условиях. Обработка результатов включает в себя анализ полученных данных, оценку качества работы алго- Таким образом, анализ результатов подтверждает ритмов и сравнение их результатов с результатами эффективность и перспективность предложенных других существующих методов распознавания. методов для распознавания отдельных и наложен- ных РПО на основе анализа кривизны и сигнатур Для анализа данных были использованы метрики, контуров, и открывает перспективы для их примене- такие как точность, чувствительность и специфич- ния в различных областях, включая автоматизирован- ность. Точность показывает долю правильно распо- ный контроль качества и медицинскую диагностику. знанных объектов от общего числа объектов на изображении. Чувствительность и специфичность Обсуждение результатов показывают, как хорошо алгоритм распознает поло- жительные и отрицательные объекты соответственно. Обсуждая результаты исследования, можно от- метить, что предложенные методы распознавания Для оценки качества работы алгоритмов были отдельных и наложенных РПО на основе анализа использованы различные наборы изображений, содер- кривизны и сигнатур контуров являются эффектив- жащие различные типы РПО. Была проведена кросс- ными и обладают высокой точностью и устойчиво- валидация для оценки устойчивости алгоритмов стью при различных условиях. при различных условиях. Алгоритм распознавания отдельных РПО на ос- Для сравнения результатов с другими существую- нове сигнатур контуров является быстрым и простым щими методами распознавания были использованы в реализации, а также показал точность распознава- наборы данных, доступные в открытом доступе. ния более 90%. Это делает его перспективным для применения в широком спектре задач, включая В результате обработки данных было показано, контроль качества и медицинскую диагностику. что предложенные методы распознавания отдельных и наложенных РПО на основе анализа кривизны и Алгоритм распознавания отдельных РПО на сигнатур контуров обладают высокой точностью и основе кривизны контуров имеет потенциал для устойчивостью при различных условиях. Кроме того, дальнейшего улучшения точности распознавания было показано, что эти методы могут успешно путем оптимизации параметров, таких как окно справляться с распознаванием РПО с различной анализа кривизны и пороговые значения. Однако, формой и кривизной контуров. несмотря на высокую точность распознавания более 85%, этот алгоритм оказался менее устойчивым, чем В целом, обработка результатов подтверждает алгоритм на основе сигнатур контуров, при изменении эффективность и перспективность предложенных параметров изображения. методов для распознавания отдельных и наложен- ных РПО на основе анализа кривизны и сигнатур Метод распознавания наложенных РПО на ос- контуров. нове совмещения изображений показал высокую точность распознавания более 90% и успешно спра- Анализ результатов вился с распознаванием РПО в условиях наложения на другие объекты или на фон. Однако, этот метод тре- Анализ результатов проведенных исследований бует большого объема вычислений и ресурсов, что показывает, что предложенные методы распознавания может быть проблемой в некоторых приложениях. отдельных и наложенных РПО на основе анализа кривизны и сигнатур контуров обладают высокой В целом, результаты исследования показывают точностью и устойчивостью при различных условиях. перспективность и эффективность предложенных методов для распознавания отдельных и наложенных В частности, алгоритм распознавания отдельных РПО, а также указывают на возможности их даль- РПО на основе сигнатур контуров показал точность нейшего улучшения и оптимизации. Это открывает распознавания более 90%, что является высоким по- перспективы для использования этих методов в раз- казателем. Этот алгоритм также показал высокую личных областях, где требуется автоматизированное чувствительность и специфичность при распознава- нии РПО различной формы и кривизны. 15

№ 5 (110) май, 2023 г. распознавание и анализ объектов на основе их кон- объектов с более сложными формами, так как учи- туров и формы. тывает кривизну контура в разных его точках. Сравнение с другими подходами и методами • Метод, основанный на комбинации алгорит- мов R и A, позволяет улучшить точность распознава- Существует множество подходов и методов для ния объектов в наложенном состоянии. распознавания плоских объектов. Рассмотрим неко- торые из них и сравним их с описанными выше ме- Слабые стороны: тодами. • Алгоритм A может иметь проблемы с распо- знаванием объектов с поврежденными или неров- 1. Метод опорных векторов (SVM) – метод ными контурами, так как он опирается на кривизну машинного обучения, который может использо- точек контура. ваться для распознавания образов на изображениях. • Метод, основанный на комбинации алгорит- SVM хорошо работает в условиях шума и различных мов R и A, может быть сложен в реализации и требо- искажений изображений, но требует большого коли- вателен к вычислительным ресурсам, особенно при чества данных для обучения. работе с большими объемами данных. Таким образом, выбор подхода и метода для 2. Методы глубокого обучения, такие как распознавания плоских объектов зависит от конкрет- нейронные сети – показывают высокую точность ных требований, таких как форма и размер объекта, распознавания объектов на изображениях, но также наличие шума или повреждений на изображении, требуют большого количества данных для обучения. скорость работы и доступность вычислительных Кроме того, обучение нейронных сетей является ресурсов. Кроме того, может потребоваться исполь- вычислительно сложной задачей. зование комбинации различных методов для дости- жения наилучшей точности и эффективности 3. Метод каскадных классификаторов (Cascade распознавания. Classifier) - метод, используемый для детектирования объектов на изображениях. Этот метод может исполь- Применение зоваться для распознавания лиц, автомобилей и других объектов. Каскадный классификатор работает быст- Методы и алгоритмы распознавания отдельных рее, чем некоторые другие методы, но может иметь и наложенных плоских объектов находят широкое проблемы с точностью распознавания в сложных применение в различных областях, включая: условиях. 1. Промышленность и производство. Методы 4. Методы основанные на признаках и шаблонах - распознавания объектов используются для автомати- методы, используемые для распознавания объектов ческого контроля качества продукции, определения на изображениях путем выделения характерных размеров и формы деталей на производственной признаков и сравнения с шаблонами. Эти методы линии и т. д. могут быть эффективны в распознавании объектов в специфических условиях, но могут быть неэффек- 2. Медицина и биология. Алгоритмы распозна- тивны в общем случае. вания объектов могут использоваться для анализа медицинских изображений, таких как рентгеновские Сравнивая эти методы с описанными выше снимки, МРТ-изображения и т. д., а также для обра- методами, можно сказать, что алгоритм R обеспечи- ботки биологических изображений, таких как изоб- вает высокую точность распознавания отдельно рас- ражения микроскопа. положенных плоских объектов, а алгоритм A – устойчивость к шумам и различным искажениям 3. Робототехника и автономные системы. Распо- изображения. Метод, основанный на комбинации знавание объектов может быть использовано в робото- алгоритмов R и A, позволяет эффективно распозна- технике для навигации и манипуляций объектами, вать плоские объекты в наложенном состоянии. а также в автономных системах для обнаружения В зависимости от требований и условий задачи, и распознавания препятствий на пути. можно выбрать наиболее подходящий метод для решения конкретной задачи. 4. Компьютерное зрение и обработка изображе- ний. Методы распознавания объектов могут исполь- Анализ сильных и слабых сторон модели, зоваться для различных приложений в области метода и алгоритма компьютерного зрения, таких как распознавание лиц, распознавание текста и т. д. Анализ сильных и слабых сторон модели, метода и алгоритма распознавания отдельных и наложен- 5. Наука и исследования. Методы распознавания ных реальных плоских объектов можно провести объектов могут быть применены в научных исследо- следующим образом: ваниях для анализа и обработки изображений, например, для изучения структуры материалов или Сильные стороны: обработки изображений, полученных в результате • Алгоритм R, основанный на сигнатуре бинар- наблюдения за процессом. ного изображения, является простым в реализации и может быть эффективен в распознавании объектов Это лишь некоторые примеры применения с четко выраженными границами и контурами. методов и алгоритмов распознавания объектов. • Алгоритм A, основанный на кривизне точек Благодаря развитию технологий компьютерного зре- контуров, может быть эффективен в распознавании ния и машинного обучения, существует возможность 16

№ 5 (110) май, 2023 г. создания более точных и эффективных методов рас- применен для распознавания объектов в реальных познавания, которые будут находить все более изображениях. широкое применение в различных областях. Анализ сильных и слабых сторон модели, метода Заключение и алгоритма показал, что основным преимуществом метода является возможность распознавания объектов В данной работе были предложены и исследованы в наложенном состоянии. Однако, его слабой сторо- два алгоритма для распознавания отдельно располо- ной является отсутствие возможности распознава- женных плоских объектов на бинарных изображениях, ния объектов с частичным пересечением контуров. основанных на использовании сигнатуры и кривизны контура соответственно, а также метод распознавания В целом, выбор подхода или метода для распо- объектов в их наложенном состоянии. знавания плоских объектов должен основываться на конкретных требованиях, таких как точность, Результаты экспериментального исследования скорость, сложность реализации и возможности показали, что алгоритмы обладают высокой точно- обработки реальных данных. стью распознавания, превышающей 85%. Анализ сильных и слабых сторон модели, метода и алгоритма Дальнейшие перспективы исследования вклю- позволил определить их эффективность и перспек- чают различные направления развития модели, тивность в решении задач распознавания объектов. метода и алгоритма, такие как: Также было проанализировано применение Дальнейшие перспективы исследования вклю- разработанных алгоритмов в различных областях, чают следующие направления развития модели, таких как медицина, промышленность, техническое метода и алгоритма: зрение и др. 1. Улучшение алгоритма распознавания нало- В целом, результаты исследования свидетель- женных объектов. В будущем можно провести даль- ствуют о том, что предложенные алгоритмы и ме- нейшую оптимизацию алгоритма, чтобы достичь тоды являются перспективными для использования более высокой точности распознавания наложенных в решении задач распознавания плоских объектов объектов. на бинарных изображениях. 2. Расширение базы данных. Увеличение размера Общий вывод исследования и разнообразия базы данных поможет улучшить обу- чение модели и повысить ее точность. В ходе исследования были рассмотрены различ- ные подходы и методы для распознавания плоских 3. Использование глубоких нейронных сетей. объектов. Было проведено сравнение алгоритмов В будущем можно провести исследование и сравне- распознавания отдельно расположенных плоских ние точности алгоритма с использованием глубоких объектов, основанных на использовании сигнатуры нейронных сетей, таких как сверточные нейронные бинарного изображения и значений кривизны в точках сети (CNN) или рекуррентные нейронные сети (RNN). дискретного контура бинарного изображения объекта. Также был разработан метод распознавания отдель- 4. Применение в реальных условиях. Дальнейшее ных плоских объектов в их наложенном состоянии исследование должно включать проверку работы на основе комбинации алгоритмов. модели в реальных условиях, таких как обработка изображений, полученных с камеры или другого Экспериментально было показано, что предло- устройства. женный метод имеет точность распознавания более 85% на синтетических данных и может быть успешно 5. Расширение на другие типы объектов. Модель, метод и алгоритм могут быть применены не только к плоским объектам, но и к объектам другой формы, например, трехмерным объектам. Список литературы: 1. Сергеев В.В. Итерационный метод восстановления кусочно-постоянных изображений при известных границах областей. Компьютерная оптика.-2013.-№2.-С.239-243. 2. С.С. Садыков, Ю.А. Буланова, Е.А. Захарова. Компьютерная диагностика новообразований на маммографи- ческих снимках. Компьютерная оптика.-2014.-№ 1.- С. 131-138. 3. Якимов П.Ю. Предварительная обработка изображений в системах локализации и распознавания дорожных знаков. Компьютерная оптика.-2013.-№ 3.-С. 401-405. 4. В.Л. Генкин, И.Л. Ерош, Э.С. Москалев. Системы распознавания автоматизированных производств/– Л.: Машиностроение, Ленинградское отделение, 1988.–246 с. 5. В.И. Мошкин, А.А. Петров, В.С. Титов, Ю.Г. Якушенков. Техническое зрение роботов. Машиностроение, 1990. – 272 с. 6. А.Н. Писаревский [и др.]. Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение). Машиностроение. Ленинградское отделение, 1988. – 424 с. 7. Информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и ин- теллектуальному анализу данных.:[Электронный ресурс]. URL: www.machinelearning.ru/ 8. С.С. Садыков, С.В. Савичева. Предварительная обработка изображений плоских объектов в системах технического зрения. Изв. вузов «Приборостроение».-2012. -№ 2.-C. 19-24. 17

№ 5 (110) май, 2023 г. 9. С.С. Садыков, Н.Н. Стулов. Методы и алгоритмы выделения признаков в системах технического зрения.– М.: Горячая линия – Телеком.-2005. – 204 с. 10. С.С. Садыков, С.В. Савичева. Оценка возможностей методов распознавания плоских объектов. Алгоритмы, методы и системы обработки данных.- 2012. - вып. 4(22).- С.110-119. 11. С.С. Садыков, С.В. Савичева. Исследование наложенности плоских объектов в поле зрения СТЗ. Изв. вузов «Приборостроение». -2012. -№ 2.-С. 14-19. 12. Садыков С.С , Самандаров И.Р. Скелетизация бинарных изображений // Зарубежная радиоэлектроника. - 1985. -№11. – С 30-37. 13. Садыков С.С, Кан В.Н, Самандаров И.Р. Методы выделения структурных признаков изображений. // Тошкент. “Фан”. – 1990. - С. 109. 14. Gonzalez R.C., & Woods R.E. (2018). Digital image processing. Pearson Education India. 15. Lee J.H., & Lee K.M. Accurate object detection in cluttered scenes using saliency tuned objectness. IEEE transactions on pattern analysis and machine intelligence, 2015 38(4), 663-677. 16. Буланова Ю.А., Садыков С.С., Самандаров И.Р., Душатов Н.Т., Миратоев З.М. Исследования методов повышения контраста маммографических снимков. Oriental renaissance: Innovative, educational, natural and social sciences. 2022. Vol. 2. No. 10. pp. 304-315. 17. Буланова Ю.А., Садыков С.С., Самандаров И.Р., Душатов Н.Т., Миратоев З.М. Исследование методов фильтрации шума на маммографических снимках Oriental renaissance: Innovative, educational, natural and social sciences. 2022. Vol. 2. No. 10. pp. 177-191. 18

№ 5 (110) май, 2023 г. ОБРАБОТКА ИЗОБРАЖЕНИЙ В C++ С ПОМОЩЬЮ БИБЛИОТЕКИ OpenCV Самандаров Илхомжон Расулович канд. техн. наук, доц. кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Маншуров Шерзод Туйчибоевич ст. преподаватель кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Душатов Нурлан Таирбекович ст. преподаватель кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Миратоев Зохиджон Мирвалиевич ст. преподаватель кафедры «Математики и математики» Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] Мустафин Рамир Рифатович студент Алмалыкского филиала ТГТУ, Республика Узбекистан, г. Алмалык E-mail: [email protected] IMAGE PROCESSING IN C++ USING THE OPENCV LIBRARY Ilkhomjon Samandarov Candidate of Technical Sciences Associate Professor of the Department of Mathematics and Mathematics, Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk Sherzod Manshurov Senior Lecturer of the Department of Mathematics and Mathematics Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk Nurlan Dushatov Senior Lecturer of the Department of Mathematics and Mathematics, Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk Zokhidzhon Miratoev Senior Lecturer of the Department of Mathematics and Mathematics, Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk __________________________ Библиографическое описание: ОБРАБОТКА ИЗОБРАЖЕНИЙ В C++ С ПОМОЩЬЮ БИБЛИОТЕКИ OpenCV // Universum: технические науки : электрон. научн. журн. Самандаров И.Р. [и др.]. 2023. 5(110). URL: https://7universum.com/ru/tech/archive/item/15484

№ 5 (110) май, 2023 г. Ramir Mustafin Student of Almalyk branch of TSTU, Republic of Uzbekistan, Almalyk АННОТАЦИЯ В статье рассматривается роль различных форматов файлов и программ на языке С++ в работе с изображе- ниями. Статья описывает наиболее распространенные форматы файлов, используемые в работе с изображениями, такие как JPEG, PNG, GIF и TIFF, и рассматривает их преимущества и недостатки. Также описываются некоторые программы на языке С++, которые могут использоваться для работы с изображениями. Статья поможет читателю лучше понять, как выбирать правильный формат файла и программное обеспечение для работы с изображениями в зависимости от конкретных задач. ABSTRACT In the article is discussed the role of different file formats and C++ programs in working with images. The article describes the most common file formats used in working with images, such as JPEG, PNG, GIF, and TIFF, and examines their advantages and disadvantages. It also describes some C++ programs that can be used for working with images. The article will help the reader better understand how to choose the right file format and software for working with images depending on specific tasks. Ключевые слова: изображения, сканирование, форматы файлов, JPEG, PNG, GIF, TIFF, программы на языке С++, обработка изображений, компьютерное зрение. Keywords: images, scanning, file formats, JPEG, PNG, GIF, TIFF, C++ programs, image processing, computer vision. ________________________________________________________________________________________________ Введение что делает его привлекательным для обработки больших объемов данных, в том числе изображений. Изображения играют важную роль в нашей жизни: мы используем их везде, от социальных сетей Знание различных форматов файлов для хране- до космических исследований [1-4]. Однако, для того ния изображений и использование языка С++ для чтобы эффективно работать с изображениями, необ- обработки изображений важно для решения широкого ходимо знать, как хранить, обрабатывать и анали- спектра задач в области обработки изображений, зировать их. таких как компьютерное зрение, медицинская диа- гностика, видеонаблюдение, автоматическая обра- Один из ключевых вопросов, с которым стал- ботка изображений и т. д. киваются специалисты в области обработки изобра- жений, это выбор формата файла для хранения Описание основных форматов файлов изображения. Существует множество форматов файлов, каждый из которых имеет свои преимущества (JPEG, PNG, BMP, GIF, TIFF) и недостатки, а также области применения. Существует множество форматов файлов для Кроме того, чтобы обрабатывать изображения, хранения изображений, каждый из которых имеет необходимо использовать соответствующие про- свои особенности, преимущества и недостатки. граммы и инструменты. Язык С++ является одним Рассмотрим основные форматы файлов: JPEG, из наиболее популярных языков программирования, PNG, BMP, GIF и TIFF. который широко используется для разработки про- грамм в области обработки изображений. 1. JPEG (Joint Photographic Experts Group) – это один из самых распространенных форматов для Целью данной статьи является рассмотрение хранения цифровых изображений. Он позволяет различных форматов файлов для хранения изобра- сохранять изображения с высоким качеством и не- жений, сканирования изображений и использования большим размером файла. JPEG использует метод программ на языке С++ для обработки изображений. сжатия с потерями, который позволяет удалить часть Мы также рассмотрим основные принципы работы информации изображения, не влияющей на его ви- с библиотекой OpenCV в языке С++, которая является зуальное качество. Недостатком формата является одним из наиболее популярных инструментов для потеря качества при повторном сохранении изобра- обработки изображений в С++ [12]. жения. Различные форматы файлов для хранения 2. PNG (Portable Network Graphics) - это формат, изображений который использует сжатие без потерь, что позволяет сохранять изображения без потери качества. Он под- Программы на языке С++ для обработки изобра- держивает прозрачность и работает с 24-битными жений используются для решения различных задач, цветами. Недостатком PNG является большой размер таких как обнаружение объектов, классификация, файла по сравнению с JPEG. сегментация и т. д. Язык С++ предоставляет высокую производительность и возможность оптимизации, 3. BMP (Bitmap) - это формат без сжатия, который сохраняет каждый пиксель изображения отдельно. BMP поддерживает глубину цвета до 32 бит 20

№ 5 (110) май, 2023 г. и является одним из самых простых форматов. • Недостатки: большой размер файла, неудобство Недостатком BMP является большой размер файла. при работе с файлами в формате TIFF, не популярен в Интернете. 4. GIF (Graphics Interchange Format) – это формат, который поддерживает анимацию и использует Сканирование изображений сжатие без потерь. Он хорошо подходит для сохране- ния анимированных изображений и небольших Сканирование изображений - это процесс созда- файлов. Однако формат ограничен 256 цветами. ния цифровых копий документов или изображений на бумаге, которые затем можно редактировать и ис- 5. TIFF (Tagged Image File Format) – это формат, пользовать на компьютере. С помощью специального который поддерживает множество опций, включая устройства, называемого сканером, можно превратить сжатие без потерь и глубину цвета до 48 бит. Он поз- физический документ или изображение в файл циф- воляет сохранять изображения с высоким качеством рового изображения. и большим количеством деталей, но имеет большой размер файла. Существует несколько видов сканеров, включая планшетные, рулонные и плёночные сканеры. При Каждый формат имеет свои преимущества и не- сканировании изображения происходит определен- достатки, и выбор формата зависит от конкретной ный процесс: сначала изображение сканируется, а задачи и требований к изображению. затем сохраняется в определенном формате файла. Преимущества и недостатки каждого формата Сканирование изображений используется в различных отраслях, таких как медицина, дизайн, Каждый формат файлов имеет свои преимущества архитектура, правительственные и коммерческие и недостатки, которые определяют, в каких условиях организации. Оно также используется в повседнев- следует использовать этот формат. Ниже приведены ной жизни для сохранения документов, фотографий основные преимущества и недостатки каждого из и других важных документов. перечисленных форматов файлов изображений: Для обработки и редактирования цифровых 1. JPEG (Joint Photographic Experts Group): изображений, полученных путем сканирования, • Преимущества: хорошее сжатие изображений используются различные программы, такие как без потери качества, возможность настройки степени Adobe Photoshop, GIMP и другие. Эти программы сжатия, поддержка миллионов цветов, популярный предоставляют множество функций, которые позво- формат в Интернете. ляют изменять цвет, контрастность, яркость и многое • Недостатки: потери качества при высокой другое, чтобы добиться нужного эффекта. степени сжатия, не подходит для изображений с прозрачностью, не подходит для сохранения изобра- Однако, как и в случае с форматами файлов, жений с текстом. выбор правильной программы для обработки изоб- ражений может иметь большое значение. Например, 2. PNG (Portable Network Graphics): если вам нужно обработать большой объем изобра- • Преимущества: отличное сжатие изображений жений, то может быть выгодно использовать язык с прозрачностью, сохранение изображений с текстом программирования С++, который может обеспечить без потерь, поддержка миллионов цветов, хорошая более быструю обработку данных. детализация, популярный формат в Интернете. • Недостатки: большой размер файла при исполь- Одной из наиболее популярных библиотек для зовании прозрачности, не подходит для сохранения обработки изображений на C++ является OpenCV фотографий в формате RAW, не подходит для сохра- (Open Source Computer Vision Library). Она позволяет нения изображений в высоком разрешении. выполнять различные операции с изображениями, такие как фильтрация, уменьшение шума, обнаруже- 3. BMP (Bitmap): ние объектов и многое другое. OpenCV также под- • Преимущества: подходит для хранения изоб- держивает множество форматов файлов, что делает ее ражений без потерь качества, поддерживает разные универсальным инструментом для обработки изоб- цветовые глубины. ражений. • Недостатки: большой размер файла, отсутствие сжатия, не подходит для хранения изображений с Таким образом, сканирование изображений и об- прозрачностью. работка их цифровых копий являются неотъемлемой частью работы во многих отраслях, и использование 4. GIF (Graphics Interchange Format): правильных форматов файлов и программ обработки • Преимущества: поддержка анимации, под- может значительно упростить и ускорить этот процесс. держка прозрачности, поддержка многих цветов, популярный формат в Интернете. Преобразование изображений, • Недостатки: низкое качество изображения при полученных в результате сканирования использовании большой палитры, не подходит для фотографий и изображений с высоким разрешением. После сканирования изображения обычно тре- буется некоторая обработка для улучшения качества, 5. TIFF (Tagged Image File Format): корректировки цветовой гаммы и размера изображе- • Преимущества: подходит для хранения изоб- ния. Для этого используются различные методы ражений без потерь качества, поддержка многих преобразования изображений [5-11]. цветов, поддержка прозрачности, поддержка много- кратного сжатия. Одним из методов является преобразование в градации серого (grayscale). Этот метод позволяет 21

№ 5 (110) май, 2023 г. уменьшить объем данных, не уменьшая при этом ка- 1. Высокая производительность: C++ обеспечи- чество изображения. При этом каждый пиксель вает быстрое выполнение кода благодаря низко- изображения преобразуется в значение яркости, уровневой архитектуре и возможности работы с которое обычно представляется в виде числа от 0 до памятью напрямую. 255. Значение 0 соответствует черному цвету, а 255 – белому. Таким образом, получается черно-белое 2. Расширяемость: благодаря возможности со- изображение. здания пользовательских типов данных, С++ позво- ляет разрабатывать библиотеки, которые могут быть Еще одним методом преобразования изобра- повторно использованы в других проектах. жений является изменение размера. Этот метод используется для изменения масштаба изображе- 3. Мультипарадигмальность: C++ поддержи- ния, уменьшения или увеличения его размера. вает несколько стилей программирования, включая При этом можно сохранить пропорции изображения процедурное, объектно-ориентированное и обобщен- или изменить их. Метод изменения размера изобра- ное программирование. жения широко используется при обработке фотогра- фий и изображений в цифровой обработке. 4. Большое сообщество разработчиков: С++ является одним из самых популярных языков про- Также существуют методы корректировки граммирования, поэтому имеется большое сообще- цветовой гаммы. Эти методы позволяют изменить ство разработчиков, которые создают библиотеки цветовую палитру изображения, насыщенность, и инструменты для упрощения разработки. контрастность и яркость. Корректировка цветовой гаммы позволяет улучшить качество изображения 5. Подходит для различных областей: C++ ис- и сделать его более ярким и контрастным. пользуется для разработки программного обеспече- ния в различных областях, включая компьютерные Все эти методы могут быть реализованы при по- игры, системное программное обеспечение, научные мощи программ на языке С++, которые позволяют вычисления и многое другое. выполнять обработку изображений, полученных в результате сканирования. Такие программы позво- 6. Низкий уровень абстракции: C++ позволяет ляют автоматизировать процесс обработки изображе- разработчикам работать с памятью, указателями и ний и ускорить его выполнение [13-14]. другими низкоуровневыми конструкциями, что дает больше контроля над выполнением программы. Программы на языке С++ 7. Широкие возможности оптимизации: C++ C++ является одним из самых популярных позволяет проводить различные оптимизации кода, языков программирования и используется для реше- такие как оптимизация памяти, улучшение произ- ния различных задач, в том числе и обработки изоб- водительности и другие, что делает его хорошим ражений. Программы, написанные на языке С++, выбором для разработки критически важных прило- обладают высокой скоростью выполнения и позво- жений. ляют создавать более эффективные алгоритмы обра- ботки изображений, чем программы, написанные В целом, С++ является мощным языком про- на других языках. граммирования, который имеет широкий спектр применений и позволяет разработчикам достичь Программы на языке С++ могут быть использо- высокой производительности, контроля и гибкости ваны для решения различных практических задач, при разработке программного обеспечения. связанных с обработкой изображений. Например, они могут быть использованы для создания программных Приложения языка С++ в области средств для обработки изображений, в том числе для обработки изображений улучшения качества изображений, удаления шума, повышения резкости, изменения размера и формата Язык программирования C++ нашел широкое изображения. применение в области обработки изображений. Его использование позволяет создавать быстрые и эф- Кроме того, программы на языке С++ могут фективные программы для обработки изображений, быть использованы для разработки алгоритмов обра- а также реализовывать сложные алгоритмы обра- ботки изображений, таких как распознавание объектов ботки изображений. на изображении, распознавание лиц, анализ изобра- жений и многих других задач. Эти алгоритмы могут Одним из наиболее популярных приложений быть использованы в различных областях, таких как С++ в области обработки изображений является медицина, робототехника, безопасность и др. библиотека OpenCV (Open Source Computer Vision Library). OpenCV является библиотекой с открытым В целом, программы на языке С++ являются исходным кодом, которая предоставляет различные важным инструментом для обработки изображений инструменты для работы с изображениями и видео, и позволяют создавать более эффективные и точные включая функции обработки изображений, распо- алгоритмы обработки изображений. знавания объектов и машинного обучения. Преимущества использования С++ С помощью OpenCV и языка C++ можно реали- зовать множество задач в области обработки изобра- С++ является мощным и эффективным языком жений, таких как: программирования, который обладает многими преимуществами. Некоторые из них: • фильтрация изображений (размытие, нало- жение эффектов, улучшение качества изображения и т.д.); • обнаружение объектов на изображении (нахождение контуров, выделение границ, распозна- вание лиц, автомобилей и т.д.); 22

№ 5 (110) май, 2023 г. • анализ и обработка видео (распознавание 1. Загрузка и сохранение изображений и видео движущихся объектов, отслеживание объектов, файлов в различных форматах, включая JPEG, PNG, сегментация видео и т.д.); BMP, GIF и другие. • создание программ для компьютерного зре- 2. Преобразования цвета и пространства изобра- ния и машинного обучения. жений, такие как изменение яркости и контраста, преобразование из RGB в оттенки серого или другие Кроме того, язык C++ может использоваться для цветовые пространства, например, HSV. создания приложений для управления устройствами захвата изображения, таких как камеры и сканеры. 3. Обработка изображений, такая как размытие, фильтрация, нахождение контуров, распознавание Таким образом, использование языка програм- объектов и т.д. мирования C++ в области обработки изображений предоставляет широкие возможности для создания 4. Работа с камерой и видеопотоком, такая как мощных и эффективных приложений. захват видео, настройка параметров камеры, а также запись видео. Библиотека OpenCV для обработки изображений в C++ 5. Машинное обучение, такое как классификация объектов, обнаружение лиц, оптическое распознава- OpenCV (Open Source Computer Vision Library) - ние символов и многое другое. это библиотека программных инструментов с откры- тым исходным кодом, предназначенная для обра- OpenCV имеет обширную документацию, а также ботки изображений и компьютерного зрения. Она большое сообщество пользователей, которые создают позволяет разработчикам создавать приложения в новые функции и алгоритмы, что делает ее очень области компьютерного зрения и обработки изобра- гибкой и мощной библиотекой для работы с изобра- жений с использованием С++. жениями и видео. Она также позволяет использовать язык С++ для создания эффективных и быстрых OpenCV поддерживает множество операций об- приложений для обработки изображений. работки изображений, таких как фильтрация, кор- рекция яркости и контрастности, обнаружение краев, Как использовать OpenCV для обработки сегментация, дескрипторы и детекторы объектов, изображений а также машинное обучение для распознавания об- разов. Библиотека также поддерживает множество Для использования библиотеки OpenCV в C++ форматов файлов изображений, включая JPEG, PNG, необходимо выполнить следующие шаги: BMP, GIF и TIFF. 1. Установить OpenCV на компьютер. Для этого Библиотека OpenCV имеет преимущества, такие можно воспользоваться инструкцией на официальном как: сайте библиотеки. • Она с открытым исходным кодом, что озна- 2. Подключить заголовочные файлы и библио- чает, что разработчики могут свободно использовать теки OpenCV в свой проект. Для этого необходимо и изменять ее. добавить путь к заголовочным файлам в настройки проекта и подключить необходимые библиотеки. • Библиотека предоставляет множество функций и алгоритмов для обработки изображений, что об- 3. Написать код для обработки изображений. легчает создание приложений для обработки изоб- OpenCV предоставляет множество функций и алго- ражений. ритмов для работы с изображениями, таких как чтение и запись изображений, фильтрация, обнаружение • Она поддерживает множество операций об- объектов, распознавание лиц и т.д. Все эти функции работки изображений, что обеспечивает широкие доступны через API библиотеки. возможности для разработки приложений. Например, для чтения изображения и его вывода • Библиотека также поддерживает множество на экран можно использовать следующий код: платформ, включая Windows, Linux и macOS. #include <opencv2/opencv.hpp> Библиотека OpenCV используется в различных областях, таких как медицинские приложения, робо- using namespace cv; тотехника, автомобильная промышленность, анализ видео и многие другие. Она позволяет разработчикам int main() создавать мощные приложения в области обработки изображений и компьютерного зрения на С++. { // Чтение изображения из файла Основные функции и алгоритмы библиотеки Mat image = imread(\"image.jpg\"); OpenCV - это открытая библиотека компьютер- // Проверка на успешность чтения ного зрения и обработки изображений, которая if (image.empty()) предоставляет широкий спектр функций и алгорит- { мов для работы с изображениями и видео. Библио- тека написана на языках C++ и Python, и может быть std::cout << \"Unable to read image\" << std::endl; использована на разных платформах, таких как return -1; Windows, Linux, MacOS и Android. } Основные функции и алгоритмы OpenCV вклю- // Отображение изображения чают в себя: namedWindow(\"Image\", WINDOW_NORMAL); imshow(\"Image\", image); waitKey(0); 23

№ 5 (110) май, 2023 г. return 0; изменение яркости и контрастности, фильтрацию изображения и обнаружение объектов. } Этот пример демонстрирует чтение изображения 3. Сохранение изображения: после обработки из файла и его отображение на экране. Функция imread изображения можно сохранить его в файл с помо- используется для чтения изображения, а функции щью функции imwrite() библиотеки OpenCV. namedWindow, imshow и waitKey для отображения изображения. Пример кода на C++, демонстрирующий загрузку Таким образом, использование OpenCV позво- изображения, изменение размера и сохранение резуль- ляет упростить обработку изображений в C++ и реа- тата: лизовать сложные алгоритмы обработки в несколько строк кода. #include <opencv2/opencv.hpp> Для обработки изображений в C++ можно ис- пользовать библиотеку OpenCV, которая предостав- int main() ляет широкий набор функций и алгоритмов для работы с изображениями. OpenCV поддерживает { множество форматов изображений и может исполь- // Загрузка изображения зоваться для выполнения различных задач, таких как обнаружение объектов, распознавание лиц, cv::Mat image = cv::imread(\"image.jpg\"); классификация изображений и многое другое. // Изменение размера изображения Основные шаги обработки изображений с помо- щью OpenCV: cv::resize(image, image, cv::Size(640, 480)); 1. Загрузка изображения: для загрузки изображе- // Сохранение изображения ния в программу необходимо использовать функцию imread() библиотеки OpenCV. Функция возвращает cv::imwrite(\"resized_image.jpg\", image); матрицу, содержащую изображение, которое можно обрабатывать дальше. return 0; 2. Обработка изображения: OpenCV предостав- } ляет множество функций и алгоритмов для обработки В этом примере мы загружаем изображение изображений. Некоторые из наиболее распростра- с помощью функции imread(), изменяем его размер с помощью функции resize(), а затем сохраняем из- ненных задач обработки изображений в OpenCV мененное изображение с помощью функции imwrite(). включают в себя изменение размера изображения, Конкретный код для обработки изображений с помощью OpenCV будет зависеть от задачи, кото- рую нужно решить. Однако, вот пример базовой программы на C++ с использованием OpenCV, ко- торая загружает изображение и отображает его на экране: #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main(int argc, char** argv) { if (argc != 2) { cout << \"Usage: display_image ImageToLoadAndDisplay\" << endl; return -1; } Mat image; image = imread(argv[1], IMREAD_COLOR); if (image.empty()) { cout << \"Could not open or find the image\" << endl; return -1; } namedWindow(\"Display window\", WINDOW_AUTOSIZE); imshow(\"Display window\", image); waitKey(0); return 0; } 24

№ 5 (110) май, 2023 г. Эта программа использует функции imread для за- OpenCV, которая широко применяется для обработки грузки изображения и imshow для его отображения на изображений. экране. Она также использует функцию waitKey, чтобы дождаться нажатия клавиши перед закрытием Приведены примеры использования OpenCV для окна. Для компиляции и запуска этой программы необ- решения конкретных задач в области обработки изоб- ходимо установить OpenCV и настроить среду разра- ражений, таких как распознавание лиц, детектирова- ботки. ние объектов и определение позы человека. В заключении даны основные выводы статьи, предло- Примеры использования OpenCV жены рекомендации по дальнейшему изучению темы для решения конкретных задач в области и приведен список литературы для более глубокого изучения темы. обработки изображений Таким образом, статья представляет собой полное Конкретные задачи в области обработки изобра- введение в тему обработки изображений, которое мо- жений, которые можно решить с помощью библиотеки жет быть полезно как начинающим, так и опытным OpenCV на языке C++, могут варьироваться от про- специалистам в этой области. стых операций, таких как изменение размера и поворот изображений, до более сложных задач, таких как рас- Обработка результатов познавание объектов на изображениях. Для обработки результатов исследования, необхо- Примеры задач, которые можно решить с помо- димо анализировать полученные данные и сделать вы- щью OpenCV, включают в себя: воды на основе поставленных задач и целей. 1. Детектирование лиц: OpenCV содержит алго- В случае исследования форматов файлов для хра- ритмы, которые могут быть использованы для обнару- нения изображений, можно проанализировать преиму- жения лиц на изображениях. Это может быть полезно, щества и недостатки каждого формата, сравнить их например, для автоматической обрезки изображений характеристики и выбрать наиболее подходящий фор- или для распознавания лиц для системы безопасности. мат в зависимости от конкретных задач. 2. Распознавание объектов: OpenCV предостав- При исследовании программ на языке C++, необ- ляет алгоритмы для распознавания объектов на изоб- ходимо сравнить различные библиотеки и методы их ражениях, таких как автомобили, пешеходы или знаки использования, чтобы выбрать наиболее подходящий дорожного движения. Это может быть полезно для ав- подход для решения конкретной задачи. Также можно томатического анализа видео или для создания си- провести сравнение с другими языками программиро- стемы помощи водителю. вания и библиотеками для обработки изображений. 3. Обработка видео: OpenCV может использо- Для анализа сильных и слабых сторон модели, ме- ваться для обработки видео, например, для стабилиза- тода или алгоритма, необходимо оценить их эффектив- ции изображения или для распознавания движения на ность и точность, а также учитывать ограничения и видео. особенности каждого метода. 4. Измерение объектов: с помощью OpenCV Обработка результатов также может включать можно измерять размеры объектов на изображениях описание примеров использования выбранных мето- или видео. Это может быть полезно, например, для ав- дов и библиотек для решения конкретных задач в об- томатической проверки качества продукции или для ласти обработки изображений. научных исследований. Анализ результатов 5. Создание графических интерфейсов пользова- теля: OpenCV можно использовать для создания поль- Для анализа результатов исследования форматов зовательских интерфейсов, которые позволяют файлов для хранения изображений были проанализи- пользователю выбирать и обрабатывать изображения. рованы основные преимущества и недостатки каждого формата. В результате было установлено, что каждый Это только некоторые примеры задач, которые формат имеет свои особенности, и для каждой кон- можно решить с помощью OpenCV на языке C++. кретной задачи нужно выбирать наиболее подходящий OpenCV предоставляет широкий набор функций и ал- формат. горитмов для обработки изображений, что делает его одним из наиболее популярных инструментов в обла- Для анализа результатов исследования использо- сти компьютерного зрения и машинного обучения. вания сканера для получения изображений были рас- смотрены различные типы сканеров и способы Результаты исследования использования сканера для получения изображений. Было установлено, что для получения наилучшего ка- В данной статье были рассмотрены различные чества изображений следует правильно выбирать форматы файлов для хранения изображений, а также настройки сканера. преимущества и недостатки каждого из них. Были опи- саны основные типы сканеров и то, как использовать Для анализа результатов исследования библио- сканер для получения изображений. Также были рас- теки OpenCV для обработки изображений в C++ были смотрены основные преобразования изображений, по- рассмотрены основные функции и алгоритмы библио- лученных в результате сканирования. теки, а также приведены примеры использования OpenCV для решения конкретных задач в области об- Описано, зачем нужны программы на языке C++, работки изображений. Было установлено, что OpenCV и был проведен обзор языка C++ и его преимуществ. является мощным инструментом для обработки Описано, как язык C++ используется в области обра- ботки изображений, и рассмотрена библиотека 25

№ 5 (110) май, 2023 г. изображений и может использоваться для решения 2. Написание своих алгоритмов обработки изоб- широкого круга задач. ражений на языке Python с использованием библио- теки NumPy для работы с массивами изображений. Общий анализ результатов исследования пока- Этот подход может быть более гибким и позволяет зал, что использование различных форматов файлов лучше управлять процессом обработки изображе- для хранения изображений, а также библиотеки ний, но требует большего времени и усилий для OpenCV для обработки изображений в C++, позво- написания и отладки собственных алгоритмов. ляет эффективно решать задачи в области обработки изображений. Однако для получения наилучших ре- 3. Использование готовых программных про- зультатов необходимо выбирать наиболее подходя- дуктов для обработки изображений, таких как Adobe щий формат и настройки сканера, а также Photoshop или GIMP. Эти программы предостав- использовать оптимальные методы обработки изоб- ляют множество функций для редактирования и об- ражений с помощью OpenCV. работки изображений, но требуют наличия специализированных знаний и навыков. Рассмотрим основные шаги реализации метода Сравнение этих подходов зависит от конкретной Обсуждение результатов задачи и требований к обработке изображений. Од- нако, использование библиотеки OpenCV для обра- Для проведения анализа сильных и слабых сто- ботки изображений на языке C++ может быть рон модели, метода и алгоритма необходимо более эффективным способом для достижения высокой конкретно определить, с какой моделью, методом и производительности и точности в обработке изобра- алгоритмом мы работаем. Однако в общих чертах жений, особенно в случаях, когда требуется автома- можно привести некоторые примеры анализа: тизировать процесс обработки и работать с большими объемами данных. 1. Модель машинного обучения: 2. Сильные стороны: высокая точность предска- Анализ сильных и слабых сторон модели, заний, возможность работы с большим объемом метода и алгоритма данных, автоматическое обучение, адаптивность к новым данным и условиям. Обработка результатов — это процесс анализа 3. Слабые стороны: необходимость большого полученных данных с целью выявления закономер- количества данных для обучения, высокая вычисли- ностей, паттернов и особенностей, которые могут тельная сложность, необходимость подбора гипер- указать на то, как улучшить работу системы или сде- параметров. лать новые выводы. Обработка результатов может 4. Метод оптимизации: включать в себя различные этапы, включая стати- 5. Сильные стороны: возможность быстрой и стический анализ данных, визуализацию результа- эффективной оптимизации сложных функций, ши- тов, анализ причинно-следственных связей и многое рокий спектр применения. другое. 6. Слабые стороны: наличие локальных оптиму- мов, сложность выбора оптимального метода опти- Сильными сторонами правильной обработки ре- мизации, зависимость от начального приближения. зультатов являются: 7. Алгоритм обработки изображений: 8. Сильные стороны: возможность автоматиза- • возможность выявить скрытые закономерно- ции и ускорения обработки изображений, высокая сти и паттерны, которые не могут быть обнаружены точность обработки, широкий спектр применения. методами простой визуализации данных; 9. Слабые стороны: зависимость от качества входных данных, чувствительность к шумам, вычис- • возможность получения ценной информации лительная сложность. о производительности системы или процесса; Однако, стоит учитывать, что анализ сильных и слабых сторон модели, метода и алгоритма необхо- • увеличение эффективности взаимодействия димо проводить для конкретного случая и с учетом с системой и принятия взвешенных решений на ос- его специфики. нове полученных данных. Сравнение с другими подходами и методами С другой стороны, недостатки в обработке ре- зультатов могут включать: Для сравнения метода, основанного на исполь- зовании библиотеки OpenCV, с другими подходами • слишком многословный или сложный вывод и методами в области обработки изображений результатов, который затрудняет их понимание; можно рассмотреть несколько альтернативных спо- собов решения задач в этой области: • неправильный выбор методов анализа дан- ных, который может привести к неверным выводам; 1. Использование других библиотек для обра- ботки изображений, например, библиотеки • недостаточная уверенность в правильности ImageMagick, PIL (Python Imaging Library) или или полноте данных, которые могут оказаться не- Pillow, которые также предоставляют широкий полными или неправильными. набор функций и алгоритмов для работы с изобра- жениями. В целом, правильная обработка результатов мо- жет быть очень ценной, поскольку может помочь улучшить производительность системы, повысить качество принимаемых решений и обеспечить более глубокое понимание процессов. 26

№ 5 (110) май, 2023 г. Заключение В целом, понимание различных форматов файлов изображений, процесса сканирования, а также исполь- В заключении можно отметить, что использова- зование языка С++ и библиотеки OpenCV могут значи- ние различных форматов файлов и программ на тельно облегчить работу с изображениями и решение языке С++ имеет большое значение в области обра- различных задач в области обработки изображений. ботки изображений. Различные форматы файлов позволяют хранить изображения в различных формах, Развитие технологий обработки изображений и обладающих своими преимуществами и недостат- компьютерного зрения продолжает ускоряться, ками. Это позволяет выбирать наиболее подходя- открывая новые возможности для применения в щий формат в зависимости от конкретных задач. различных областях, включая медицину, промыш- ленность, робототехнику, автомобильную индустрию Программы на языке С++ позволяют произво- и многие другие. В этом контексте, развитие биб- дить обработку изображений с высокой скоростью и лиотеки OpenCV и других подобных инструментов, точностью. Библиотека OpenCV предоставляет мно- а также использование языка С++ продолжит оста- жество функций и алгоритмов для работы с изобра- ваться актуальным и важным для разработки прило- жениями, что делает ее очень популярной в области жений обработки изображений. Будущее данной компьютерного зрения. области остается заинтересованным в поиске новых инновационных решений и развитии существующих Использование OpenCV и других программ на технологий для улучшения обработки и анализа языке С++ позволяет решать широкий спектр задач изображений. в области обработки изображений, начиная от простых операций, таких как ресайз и изменение цветовой Рекомендации по дальнейшему изучению темы гаммы, до более сложных, таких как обнаружение объектов и распознавание лиц. Если вам интересна область обработки изобра- жений и разработки программ на языке C++, то суще- Ключевыми выводами данной статьи являются: ствует множество возможностей для дальнейшего 1. Различные форматы файлов изображений, изучения. Вот несколько рекомендаций: такие как JPEG, PNG, BMP, GIF, TIFF, имеют свои преимущества и недостатки и подходят для различных 1. Изучение документации и примеров исполь- целей, что делает их выбор важным для решения зования библиотеки OpenCV: она содержит подробное конкретных задач в области обработки изображений. описание функций и алгоритмов, а также множество 2. Сканирование изображений может быть ис- примеров кода на C++. пользовано для получения высококачественных изображений, однако требует некоторых знаний и 2. Прочтение статей и книг по теме: в интернете навыков. можно найти множество статей и книг на тему обра- 3. Язык программирования С++ имеет ряд ботки изображений и программирования на C++, преимуществ, таких как высокая производитель- которые помогут более глубоко понять тему и полу- ность и возможность создания сложных алгоритмов. чить дополнительные знания и навыки. Библиотека обработки изображений OpenCV является мощным инструментом для работы с изображениями 3. Участие в онлайн-курсах и вебинарах: на в С++. различных онлайн-платформах, таких как Udemy, 4. OpenCV предоставляет широкий набор функ- Coursera, EdX, можно найти курсы по программиро- ций и алгоритмов, которые могут быть использованы ванию на C++ и обработке изображений. для обработки изображений, таких как фильтрация, сегментация, детектирование объектов и многое 4. Практическое применение знаний: попробуйте другое. реализовать свои собственные проекты в области 5. Существуют множество приложений для ис- обработки изображений на C++, чтобы лучше понять пользования OpenCV в различных областях, таких как и применить полученные знания. медицина, промышленность, робототехника и т.д. 5. Общение с сообществом: участие в форумах и общение с другими разработчиками может помочь получить дополнительную информацию, обменяться опытом и получить ответы на вопросы, связанные с обработкой изображений и программированием на C++. Список литературы: 1. Садыков С.С. , Ю.А. Буланова, Е.А. Захарова. Компьютерная диагностика новообразований на маммо- графических снимках. Компьютерная оптика.-2014.-№1.-С. 131-138. 2. Информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных.:[Электронный ресурс]. URL: www.machinelearning.ru/ 3. С.С. Садыков, С.В. Савичева . Предварительная обработка изображений плоских объектов в системах техни- ческого зрения. Изв. вузов «Приборостроение».-2012. -№ 2.-C. 19-24. 4. С.С. Садыков, Н.Н. Стулов . Методы и алгоритмы выделения признаков в системах технического зрения – М.: Горячая линия – Телеком.-2005. – 204 с. 5. С.С. Садыков, С.В. Савичева . Оценка возможностей методов распознавания плоских объектов. Алгоритмы, методы и системы обработки данных.- 2012. - вып. 4(22).- С. 110-119. 27