СОДЕРЖАНИЕ

ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ

ПРИМЕНЕНИЕ МЕТОДОВ, ОСНОВАННЫХ НА ТЕОРИИ RETINEX, ПРИ

ОБРАБОТКЕ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ, ПОЛУЧЕННЫХ В ШАХТАХ
Зайцева Екатерина Викторовна, Кочнева Алина Александровна,

Катунцов Евгений Владимирович, Ромакина Оксана Михайловна............................................................................10

УСТРОЙСТВО ДЛЯ ИМИТАЦИИ КАРДИОСИГНАЛОВ В УЧЕБНОМ РОБОТЕ-ТРЕНАЖЕРЕ
Чулков Валерий Александрович, Сержантова Наталья Александровна....................................................................18

ТЕХНОЛОГИИ ИНФОРМАЦИОННОГО МОДЕЛИРОВАНИЯ

КАК ИНСТРУМЕНТ ЦИФРОВИЗАЦИИ СТРОИТЕЛЬНОЙ ОТРАСЛИ
Гусарова Алла Александровна..........................................................................................................................................25

УПРАВЛЕНИЕ ПРОФИЛАКТИЧЕСКИМИ РАБОТАМИ ПО ПРЕДОТВРАЩЕНИЮ

ПОЖАРОВ АВТОМОБИЛЕЙ НА АВТОТРАНСПОРТНОМ ПРЕДПРИЯТИИ
Моторыгин Юрий Дмитриевич, Литовченко Ирина Олеговна, Топилкин Павел Сергеевич.................................35

ПРОГРАММНОЕ ЯДРО МИКРОПРОЦЕССОРА RISC АРХИТЕКТУРЫ

НА БАЗЕ ПРОГРАММИРУЕМОЙ ЛОГИЧЕСКОЙ ИНТЕГРАЛЬНОЙ СХЕМЫ
Кольчугина Елена Анатольевна, Мартышкин Алексей Иванович,

Пащенко Дмитрий Владимирович, Трокоз Дмитрий Анатольевич.............................................................................42

РАЗРАБОТКА СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ

РЕШЕНИЙ НА ОСНОВЕ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ
Шуршев Тимофей Валерьевич, Хоменко Татьяна Владимировна...............................................................................50

СРАВНЕНИЕ ЭФФЕКТИВНОСТИ НЕЙРОННЫХ СЕТЕЙ ПО УЛУЧШЕНИЮ

РАЗРЕШЕНИЯ ИЗОБРАЖЕНИЙ ДОРОЖНОЙ ПОВЕРХНОСТИ
Журавлев Александр Александрович...............................................................................................................................58

ПОДХОДЫ К ЦИФРОВОЙ ОБРАБОТКЕ ИЗОБРАЖЕНИЙ В ГОРНОЙ ПРОМЫШЛЕННОСТИ
Зайцева Екатерина Викторовна, Кочнева Алина Александровна,

Катунцов Евгений Владимирович, Киба Мария Романовна........................................................................................62

МЕТОДИКА ПРЕОБРАЗОВАНИЯ ДИАГРАММЫ НАПРАВЛЕННОСТИ

РУПОРНОЙ АНТЕННЫ ВО ВЗВЕШЕННЫЙ ГРАФ
Мерзляков Юрий Владимирович, Пащенко Дмитрий Владимирович.......................................................................68

ПИЩЕВЫЕ ТЕХНОЛОГИИ

ВЛИЯНИЕ ХРАНЕНИЯ НА ХАРАКТЕРИСТИКИ КАЧЕСТВА ЯГОД

КРЫЖОВНИКА (RIBES UVA-CRISPA L.)
Голуб Ольга Валентиновна, Мотовилова Наталья Владимировна,

Чекрыга Галина Петровна, Петрук Вера Александровна..............................................................................................75

СИНЕРГЕТИЧЕСКИЙ ЭФФЕКТ ПРИ ОБРАБОТКЕ СЕМЯН

ПШЕНИЦЫ НИЗКИМИ ДОЗАМИ γ-ИЗЛУЧЕНИЯ
Тимакова Роза Темерьяновна, Ильюхин Руслан Васильевич........................................................................................83

ВЛИЯНИЕ ЗАГРЯЗНЕНИЯ ОВОЩНЫХ КУЛЬТУР НА ПРОЦЕССЫ

ХРАНЕНИЯ И ПЕРЕРАБОТКИ СЕЛЬСКОХОЗЯЙСТВЕННОГО СЫРЬЯ
Школьникова Марина Николаевна, Аббазова Венера Нагимовна...............................................................................90

ВЛИЯНИЯ МЕТОДОВ ТЕРМИЧЕСКОЙ ОБРАБОТКИ НА ОРГАНОЛЕПТИЧЕСКИЕ

И ФИЗИКО-ХИМИЧЕСКИЕ ПОКАЗАТЕЛИ МЯСА БАРАНИНЫ
Чугунова Ольга Викторовна, Степнева Екатерина Витальевна,

Крюкова Екатерина Владимировна, Кокорева Лариса Анатольевна...........................................................................96

ОЦЕНКА СОДЕРЖАНИЯ БЕЛКА И АМИНОКИСЛОТНОГО СОСТАВА

СУБПРОДУКТОВ СВИНЕЙ ПОРОДЫ «КРУПНАЯ БЕЛАЯ»
Разумовская Елена Сергеевна, Милентьева Ирина Сергеевна, Неверова Ольга Александровна........................103

ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ

ПРЕОБРАЗОВАНИЕ ПАРАМЕТРОВ СРЕДЫ В ПОКАЗАТЕЛИ

ПРОИЗВОДСТВЕННОГО РИСКА НА ПРЕДПРИЯТИЯХ
Борисова Анастасия Викторовна, Баланова Марина Васильевна,

Козлюк Виталий Викторович, Чубарь Евгения Петровна...........................................................................................108

ИССЛЕДОВАНИЕ СМАЧИВАЮЩЕЙ СПОСОБНОСТИ ПОВЕРХНОСТНО АКТИВНЫХ

ВЕЩЕСТВ ДЛЯ ПОДАВЛЕНИЯ РЕСПИРАБЕЛЬНОЙ ФРАКЦИИ ПЫЛИ

ПРИ ПРОИЗВОДСТВЕ МАССОВЫХ ВЗРЫВОВ
Коршунов Геннадий Иванович, Каримов Артур Маратович......................................................................................113

УТИЛИЗАЦИЯ ВЫСШИХ ВОДНЫХ РАСТЕНИЙ С ЦЕЛЬЮ ПОЛУЧЕНИЯ БИОГАЗА
Политаева Наталья Анатольевна, Вельможина Ксения Алексеевна,

Шинкевич Полина Сергеевна, Бондаренко Кристина Александровна, Ефремова Сания Юнусовна..................119

ОЦЕНКА СОСТОЯНИЯ ОСТАТКОВ КАТОДА ЛИТИЙ-ИОННЫХ АККУМУЛЯТОРОВ

ПОСЛЕ ТЕПЛОВОГО РАЗГОНА ПРИ ЭКСПЕРТИЗЕ ПОЖАРОВ
Мокряк Анна Васильевна, Мельник Антон Анатольевич...........................................................................................127

ЭКСПЕРТНОЕ ИССЛЕДОВАНИЕ ФАКТОРОВ, ОКАЗЫВАЮЩИХ НАИБОЛЬШЕЕ

ВЛИЯНИЕ НА БЕЗОПАСНОСТЬ ТРУДА В ПУТЕВОМ КОМПЛЕКСЕ ЖЕЛЕЗНЫХ ДОРОГ
Навценя Владимир Юрьевич, Нарусова Елена Юрьевна, Королева Анна Михайловна.......................................135

АНАЛИЗ СОСТОЯНИЯ ТЕОРИИ И ПРАКТИКИ ОЦЕНКИ ЭКОЛОГИЧЕСКОЙ

БЕЗОПАСНОСТИ НА ЭТАПАХ ЖИЗНЕННОГО ЦИКЛА СУДНА
Наумов Виктор Степанович, Кочнева Ирина Борисовна.............................................................................................140

ПОВЫШЕНИЕ МЕР БЕЗОПАСНОСТИ ПРИ ВЫПОЛНЕНИИ РАБОТ НА НЕУСТОЙЧИВЫХ

ДЕРЕВЯННЫХ ОПОРАХ С ИСПОЛЬЗОВАНИЕМ ПРИСТАВНЫХ ЛЕСТНИЦ
Сенченко Владимир Александрович, Каверзнева Татьяна Тимофеевна,

Фетисов Александр Георгиевич, Мессинева Екатерина Михайловна......................................................................145

ОБОСНОВАНИЕ ПАРАМЕТРОВ СИСТЕМЫ РАННЕГО ОБНАРУЖЕНИЯ ЛЕСНЫХ ПОЖАРОВ
Богданов Андрей Владимирович, Сулейманов Игорь Эдуардович...........................................................................152

ОЦЕНКА ЭФФЕКТИВНОСТИ НЕЙТРАЛИЗАТОРА ТОКСИЧНЫХ

КОМПОНЕНТОВ ДЫМОВЫХ ГАЗОВ ДЛЯ СНИЖЕНИЯ СОДЕРЖАНИЯ

ОКИСЛОВ АЗОТА В ВОЗДУШНОЙ СРЕДЕ
Баландина Ольга Александровна....................................................................................................................................157

АНАЛИЗ ПРОФЕССИОНАЛЬНОГО РИСКА ВОЗДЕЙСТВИЯ ШУМА

И ВИБРАЦИИ НА РАБОТНИКОВ НЕФТЯНЫХ ШАХТ
Мяков Владислав Владимирович, Коршунов Геннадий Иванович...........................................................................164

ОПРЕДЕЛЕНИЕ ТИПА ЛИТИЙ-ИОННЫХ АККУМУЛЯТОРНЫХ БАТАРЕЙ

ЭЛЕКТРОВЕЛОСИПЕДА ПОСЛЕ ПОЖАРА
Мокряк Анна Васильевна, Парийская Анна Юрьевна................................................................................................170

МОДЕЛЬ АВАРИЙНОЙ УТЕЧКИ ВОДОРОДСОДЕРЖАЩЕГО ГАЗА В ВЕНТИЛИРУЕМОМ

ПОМЕЩЕНИИ В ПРОГРАММНОМ ОБЕСПЕЧЕНИИ FIRE DYNAMICS SIMULATOR (FDS)
Тимошенко Артем Леонидович, Самигуллин Гафур Халафович, Булатов Вячеслав Олегович...........................176

ОЦЕНКА ПЕРСПЕКТИВ СНИЖЕНИЯ НЕГАТИВНОГО ВОЗДЕЙСТВИЯ

НА ОКРУЖАЮЩУЮ СРЕДУ ПРИ ПЕРЕХОДЕ НА НАИЛУЧШИЕ

ДОСТУПНЫЕ ТЕХНОЛОГИИ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ
Кондратьева Ольга Евгеньевна, Локтионов Олег Александрович,

Боровкова Анастасия Михайловна, Звонкова Наталья Владимировна.....................................................................188

НЕПРЕРЫВНЫЙ КОНТРОЛЬ НЕФТЕПРОДУКТОВ

В СТОКАХ СИСТЕМЫ ОХЛАЖДЕНИЯ ТЭЦ
Баденко Владимир Львович, Молодкина Людмила Михайловна, Тарасевский Филипп Георгиевич.................198

ОЦЕНКА СОЦИАЛЬНО-ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ

ПРИМЕНЕНИЯ МЕТОДИКИ ОЦЕНКИ ПРОФЕССИОНАЛЬНЫХ РИСКОВ

С УЧЕТОМ ВЛИЯНИЯ ЧЕЛОВЕЧЕСКОГО ФАКТОРА РАБОТНИКОВ ХОЗЯЙСТВА

ЭЛЕКТРИФИКАЦИИ И ЭЛЕКТРОСНАБЖЕНИЯ
Чаплыгин Владимир Сергеевич......................................................................................................................................206

МЕТОДИКА РАСЧЕТА КОЛИЧЕСТВЕННОЙ ОЦЕНКИ ПОТЕНЦИАЛЬНОЙ

ОПАСНОСТИ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ
Борисова Анастасия Викторовна, Баланова Марина Васильевна,

Козлюк Виталий Викторович, Чубарь Евгения Петровна...........................................................................................212

УДАЛЕНИЕ ЧАСТИЦ МИКРОПЛАСТИКА ИЗ ПРИРОДНЫХ ВОД Г. САНКТ-ПЕТЕРБУРГА И

ЛЕНИНГРАДСКОЙ ОБЛАСТИ С ПОМОЩЬЮ МИКРОВОДОРОСЛЕЙ CHLORELLA KESSLERI
Бондаренко Кристина Александровна, Зибарев Никита Васильевич,

Политаева Наталья Анатольевна, Пугачева Дарья Алексеевна, Белоусова Вита Юрьевна...................................218

ПРИМЕНЕНИЕ ЭМПИРИЧЕСКОЙ ФОРМУЛЫ В ОЦЕНКЕ БЕЗОПАСНОСТИ

ДОРОЖНОГО ДВИЖЕНИЯ
Дементьева Юлия Васильевна, Татаринцев Святослав Дмитриевич........................................................................227

РАЗРАБОТКА МЕТОДИКИ ПРОВЕДЕНИЯ СПЕЦИАЛЬНОЙ ОЦЕНКИ УСЛОВИЙ

ТРУДА НА ПРЕДПРИЯТИЯХ С НАНОДИСПЕРСНЫМИ МАТЕРИАЛАМИ
Самарин Евгений Владимирович, Хайруллин Руслан Зуфарович.............................................................................232

ОПРЕДЕЛЕНИЕ ФАКТОРОВ, ВЛИЯЮЩИХ НА УРОВЕНЬ ЗРЕЛОСТИ ПРОЦЕССА ВНУТРЕННЕГО РАССЛЕДОВАНИЯ ПРОИСШЕСТВИЙ
Никитина Дарья Александровна, Фомина Екатерина Евгеньевна.............................................................................242

ВЫБОР СОРБИРУЮЩИХ СРЕД ДЛЯ ПАССИВНОГО ОТБОРА ПРОБ ОКСИДА УГЛЕРОДА
Таранцева Клара Рустемовна, Худойбердиев Максуджон Саиджон-Угли,

Курочкина Ольга Геннадьевна.........................................................................................................................................248

МОДЕЛИРОВАНИЕ, ПРОГНОЗИРОВАНИЕ И ОЦЕНКА ОПАСНЫХ ЯВЛЕНИЙ,

СВЯЗАННЫХ С ЛЕСНЫМИ ПОЖАРАМИ
Баденко Владимир Львович, Федоров Михаил Петрович,

Масликов Владимир Иванович, Молодкина Людмила Михайловна........................................................................255

CONTENT

INFORMATION SCIENCE, COMPUTING DEVICES AND CONTROLING

APPLICATION OF METHODS BASED ON RETINEX THEORY IN PROCESSING

COLOR IMAGES OBTAINED IN MINES
Zaytseva Ekaterina Viktorovna, Kochneva Alina Alexandrovna,

Katuntsov Evgeny Vladimirovich, Romakina Oksana Mihalovna......................................................................................10

DEVICE FOR SIMULATING CARDIO SIGNALS IN A TRAINING SIMULATOR
Chulkov Valery Alexandrovich, Serzhantova Natalya Aleksandrovna...............................................................................18

INFORMATION MODELING TECHNOLOGIES AS A TOOL FOR DIGITIZATION

OF THE CONSTRUCTION INDUSTRY
Gusarova Alla Alexandrovna................................................................................................................................................25

MANAGEMENT OF PREVENTIVE MAINTENANCE TO PREVENT CAR FIRES

AT A MOTOR TRANSPORT COMPAN
Motorygin Yury Dmitrievich, Litovchenko Irina Olegovna, Topilkin Pavel Sergeevich...................................................35

RISC ARCHITECTURE MICROPROCESSOR SOFTWARE CORE BASED

ON A FIELD-PROGRAMMABLE GATE ARRAY
Kolchugina Elena Anatolievna, Martyshkin Alexey Ivanovich,

Pashchenko Dmitry Vladimirovich, Trokoz Dmitry Anatolyevich.....................................................................................42

EVELOPMENT OF AN INTELLIGENT DECISION SUPPORT SYSTEM BASED

ON A CONVOLUTIONAL NEURAL NETWORK
Shurshev Timofey Valerievich, Khomenko Tatyana Vladimirovna....................................................................................50

COMPARISON OF THE EFFECTIVENESS OF NEURAL NETWORKS TO IMPROVE

THE RESOLUTION OF ROAD SURFACE IMAGES
Zhuravlev Alexander Alexandrovich....................................................................................................................................58

APPROACHES TO DIGITAL IMAGE PROCESSING IN THE MINING INDUSTRY
Zaytseva Ekaterina Viktorovna, Kochneva Alina Alexandrovna,

Katuntsov Evgeny Vladimirovich, Kiba Maria Romanovna...............................................................................................62

TECHNIQUE FOR CONVERSION OF THE DIRECTION DIAGRAM

OF A HORN ANTENNA INTO A WEIGHTED GRAPH
Merzlyakov Yuri Vladimirovich, Pashchenko Dmitry Vladimirovich................................................................................68

FOOD TECHNOLOGY

THE EFFECT OF STORAGE ON THE GOOSEBERRY

QUALITY CHARACTERISTICS (RIBES UVA-CRISPA L.)
Golub Olga Valentinovna, Motovilova Natalya Vladimirovna,

Chekryga Galina Petrovna, Petruk Vera Alexandrovna.......................................................................................................75

SYNERGISTIC EFFECT IN THE TREATMENT OF WHEAT SEEDS WITH

LOW DOSES OF γ-RADIATION
Timakova RozaTemer'janovna, Iliukhin Ruslan Vasilievich...............................................................................................83

INFLUENCE OF VEGETABLE CROPS CONTAMINATION ON THE PROCESSES OF

STORAGE AND PROCESSING OF AGRICULTURAL RAW MATERIALS
Shkolnikova Marina Nikolaevna, Abbazova Venera Nagimovna.......................................................................................90

EFFECTS OF HEAT TREATMENT METHODS ON ORGANOLEPTIC

AND PHYSICO-CHEMICAL PARAMETERS OF MUTTON MEAT
Chugunova Olga Viktorovna, Stepneva Ekaterina Vitalevna,

Kryukova Ekaterina Vladimirovna, Kokoreva Larisa Anatolevna......................................................................................96

ASSESSMENT OF PROTEIN CONTENT AND AMINO ACID COMPOSITION

OF OFFAL OF PIGS OF THE "LARGE WHITE" BREE
Razumovskaya Elena Sergeevna, Milentyeva Irina Sergeevna, Neverova Olga Alexandrovna.....................................103

TECHNOSPHERE SAFETY

TRANSFORMATION OF ENVIRONMENTAL PARAMETERS INTO INDICATORS

OF PRODUCTION RISK AT ENTERPRISES
Borisova Anastasia Viktorovna, Balanova Marina Vasilyevna,

Kozlyuk Vitaly Viktorovich, Chubar Evgeniya Petrovna...................................................................................................108

INVESTIGATION OF THE WETTING ABILITY OF SURFACTANTS TO SUPPRESS

THE RESPIRATORY FRACTION OF DUST IN THE PRODUCTION OF MASS EXPLOSIONS
Korshunov Gennadiyv Ivanovich, Karimov Artur Maratovich.........................................................................................113

UTILIZATION OF HIGHER AQUATIC PLANTS IN ORDER TO OBTAIN BIOGAS
Politaeva Natalya Anatolyevna, Velmozhina Ksenia Alekseevna,

Shinkevich Polina Sergeevna, Bondarenko Kristina Aleksandrovna, Efremova Sania Yunusovna................................119

EVALUATION OF THE STATE OF THE CATHODE REMAIN OF LITHIUM-ION

BATTERIES AFTER THERMAL RUNNING DURING EXAMINATION OF FIRE
Mokryak Anna Vasievna, Melnik Anton Anatolyevich.....................................................................................................127

EXPERT STUDY OF FACTORS HAVING THE GREATEST INFLUENCE ON

OCCUPATIONAL SAFETY IN THE RAILWAY TRACK COMPLEX
Navtsenya Vladimir Yurievich, Narusova Elena Yurievna, Koroleva Anna Mikhailovna..............................................135

ANALYSIS OF THE THEORY AND PRACTICE OF ENVIRONMENTAL SAFETY

ASSESSMENT AT THE STAGES OF THE SHIP'S LIFE CYCLE
Naumov Victor Stepanovich, Kochneva Irina Borisovna..................................................................................................140

SAFETY MEASURES IMPROVING DURING WORKING ON UNSTABLE WOODEN

SUPPORTS USING ATTACHED LADDERS
Senchenko Vladimir Alexandrovich, Kaverzneva Tatiana Timofeevna,

Fetisov Alexander Georgievich, Messineva Ekaterina Mikhailovna................................................................................145

JUSTIFICATION OF THE PARAMETERS OF THE FOREST FIRES EARLY DETECTION SYSTEM
Bogdanov Andrey Vladimirovich, Suleymanov Igor Eduardovich..................................................................................152

ASSESSMENT OF THE EFFECTIVENESS OF A NEUTRALIZER FOR TOXIC

COMPONENTS OF FLUE GASES FOR REDUCING THE CONTENT

OF NITROGEN OXIDES IN THE AIR ENVIRONMENT
Balandina Olga Alexandrovna............................................................................................................................................157

ANALYSIS OF OCCUPATIONAL RISK OF NOISE AND VIBRATION

EXPOSURE FOR OIL MINE WORKERS
Miakov Vladislav Vladimirovich, Korshunov Gennadiy Ivanovich................................................................................164

DETERMINING THE TYPE OF LITHIUM-ION BATTERIES AN ELECTRIC BIKE AFTER A FIRE
Mokryak Anna Vasievna, Pariyskaya Anna Iurevna..........................................................................................................170

MODEL OF ACCIDENTAL LEAKAGE OF HYDROGEN GAS IN A ROOM WITH SUPPLY

AND EXHAUST VENTILATION IN FIRE DYNAMICS SIMULATOR (FDS)
Timoshenko Artem Leonidovich, Samigullin Gafur Khalafovich, Bulatov Vyacheslav Olegovich...............................176

ASSESSMENT OF THE PROSPECTS FOR REDUCING THE NEGATIVE IMPACT

ON THE ENVIRONMENT WHEN SWITCHING TO THE BEST AVAILABLE

TECHNOLOGIES OF INDUSTRIAL ENTERPRISES
Kondrateva Ol'ga Evgen'evna, Loktionov Oleg Aleksandrovich,

Borovkova Anastasiya Mikhaylovna, Zvonkova Natal'ya Vladimirovna.........................................................................188

CONTINUOUS CONTROL OF OIL PRODUCTS IN THE EFFLUENTS

OF THE COOLING SYSTEM OF THERMAL POWER PLANTS
Badenko Vladimir Lvovich, Molodkina Lyudmila Mikhailovna, Tarasevskiy Philip Georgievich................................198

ASSESSMENT OF THE SOCIO-ECONOMIC EFFICIENCY OF THE APPLICATION

OF THE METHODOLOGY FOR ASSESSING OCCUPATIONAL RISKS, TAKING INTO

ACCOUNT THE INFLUENCE OF THE HUMAN FACTOR OF EMPLOYEES

OF THE ELECTRIFICATION AND POWER SUPPLY FACILITIES
Chaplygin Vladimir Sergeevich..........................................................................................................................................206

METHODOLOGY FOR CALCULATING A QUANTITATIVE ASSESSMENT

OF THE POTENTIAL HAZARD OF PRODUCTION PROCESSES
Borisova Anastasia Viktorovna, Balanova Marina Vasilyevna,

Kozlyuk Vitaly Viktorovich, Chubar Evgeniya Petrovna...................................................................................................212

REMOVAL OF MICROPLASTIC PARTICLES IN NATURAL WATER SAMPLES ST. PETERSBURG AND LENINGRAD REGION WITH THE HELP MICROALGAE CHLORELLA KESSLERI
Bondarenko Kristina Aleksandrovna, Zibarev Nikita Vasilyevich,

Politaeva Natalya Anatolyevna, Pugacheva Darya Alekseevna, Belousova Vita Yuryevna............................................218

APPLICATION OF AN EMPIRICAL FORMULA IN ASSESSING ROAD SAFETY
Dementieva Yulia Vasilievna, Tatarintsev Svyatoslav Dmitrievich...................................................................................227

DEVELOPMENT OF LABOR CONDITIONS SPECIAL EVALUATION FOR COMPANIES

WITH NANODISPERSED MATERIALS
Samarin Evgeny Vladimirovich, Khayrullin Ruslan Zufarovuch.....................................................................................232

IDENTIFICATION OF FACTORS WHICH IMPACT INTERNAL INCIDENT

INVESTIGATION EFFICIENCY
Nikitina Daria Alexandrovna, Fomina Ekaterina Evgenyevna.........................................................................................242

SELECTION OF SORBENT MEDIA FOR PASSIVE CARBON OXIDE SAMPLING
Tarantseva Klara Rustemovna, Khudoberdiev Maksudzhon Saidzhon-Ugli,

Kurochkina Olga Gennadievna...........................................................................................................................................248

MODELING, FORECASTING AND ASSESSMENT OF HAZARDOUS PHENOMEN

A ASSOCIATED WITH FOREST FIRES
Badenko Vladimir Lvovich, Fedorov Mikhail Petrovich,

Maslikov Vladimir Ivanovich, Molodkina Lyudmila Mikhailovna..................................................................................255

УДК 004.932.4

EDN: QRJBPY

ПРИМЕНЕНИЕ МЕТОДОВ, ОСНОВАННЫХ НА ТЕОРИИ RETINEX, ПРИ

ОБРАБОТКЕ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ, ПОЛУЧЕННЫХ В ШАХТАХ

© Автор(ы) 2024

SPIN: 4751-6200

AuthorID: 724154

ORCID: 0000-0002-7944-0468

ResearcherID: N-8229-2016

ScopusID: 57193408429

ЗАЙЦЕВА Екатерина Викторовна, кандидат технических наук,

доцент кафедры «Информатики и компьютерных технологий»

Санкт-Петербургский горный университет императрицы Екатерины II

(199106, город Санкт-Петербург, линия 21-я В.О., дом 2, e-mail: Zaytseva_EV@pers.spmi.ru)

SPIN: 8139-9418

AuthorID: 906326

ORCID: 0000-0002-8189-782X

ResearcherID: K-5359-2017

ScopusID: 57189387806

КОЧНЕВА Алина Александровна, кандидат технических наук,

доцент кафедры «Информатики и компьютерных технологий»

Санкт-Петербургский горный университет императрицы Екатерины II

(199106, город Санкт-Петербург, линия 21-я В.О., дом 2, e-mail: Kochneva_AA@pers.spmi.ru)

SPIN: 6378-6951

AuthorID: 728974

ORCID: 0000-0001-8345-0979

ResearcherID: Q-4914-2016

ScopusID: 57191523004

КАТУНЦОВ Евгений Владимирович, кандидат технических наук, первый заместитель директора

института «Базового инженерного образования» – заместитель по образовательной деятельности

Санкт-Петербургский горный университет императрицы Екатерины II

(199106, город Санкт-Петербург, линия 21-я В.О., дом 2, e-mail: Katuntsov_EV@pers.spmi.ru)

SPIN: 2851-1051

AuthorID: 722550

ORCID: 0000-0001-9468-4404

ResearcherID: ADL-1915-2022

РОМАКИНА Оксана Михайловна, кандидат физико-математических наук,

доцент факультета «Инфокоммуникационных технологий»

Национальный исследовательский университет ИТМО

(197101, Санкт-Петербург, Кронверкский пр., д. 49, лит. А., e-mail: omromakina@itmo.ru)

Аннотация. Исследованы методы обработки изображений, основанные на теории Retinex – Single-Scale Retinex и Multi-Scale Retinex, применительно к изображениям в шахтных выработках. Эффективность методов оценивается в сравнении с классическим методом гамма-коррекции, для чего шахтные изображения обработаны тремя методами и построены соответствующие гистограммы распределения яркости с последующим сопоставлением и оценкой качества и численных показателей визуального восприятия. Предложена методика подбора коэффициентов как для классического метода гамма-коррекции, так и для Single-Scale Retinex и Multi-Scale Retinex методов с учетом средних значений уровней яркости исходных изображений. На основании сравнения методов Single-Scale Retinex и Multi-Scale Retinex с классическим методом гамма-коррекции и другими известными методами обработки полученных в шахтах видеоданных сделаны выводы относительно целесообразных областей применения и направлений совершенствования этих методов.

Ключевые слова: изображение, видеоданные, цифровая обработка, горная промышленность, теория Retinex, контрастность, резкость, яркость.

APPLICATION OF METHODS BASED ON RETINEX THEORY IN PROCESSING

COLOR IMAGES OBTAINED IN MINES

© Автор(ы) 2024

ZAYTSEVA Ekaterina Viktorovna, candidate of technical sciences,

associate professor of the department of «Informatics and Computer Technologies»

Empress Catherine II Saint Petersburg Mining University

(199106, building 2, line 21st V.O., St. Petersburg, Russia, e-mail: Zaytseva_EV@pers.spmi.ru)

KOCHNEVA Alina Alexandrovna, candidate of technical sciences,

associate professor of the department of «Informatics and Computer Technologies»

Empress Catherine II Saint Petersburg Mining University

(199106, building 2, line 21st V.O., St. Petersburg, Russia, e-mail: Kochneva_AA@pers.spmi.ru)

KATUNTSOV Evgeny Vladimirovich, candidate of technical sciences,

first deputy director of the «Institute of «Basic Engineering Education» - deputy for educational activities

Empress Catherine II Saint Petersburg Mining University

(199106, building 2, line 21st V.O., St. Petersburg, Russia, e-mail: Katuntsov_EV@pers.spmi.ru)

ROMAKINA Oksana Mihalovna, candidate of technical sciences,

associate professor of the faculty of «Infocommunication Technologies»

ITMO University

(197101, Kronverksky Pr. 49, bldg. A, St. Petersburg, Russia., e-mail: omromakina@itmo.ru)

Abstract. Image processing methods based on the Retinex theory - Single-Scale Retinex and Multi-Scale Retinex - have been studied in relation to images in mine workings. The effectiveness of the methods is assessed in comparison with the classical gamma correction method, for which mine images are processed by three methods and corresponding brightness distribution histograms are constructed, followed by comparison and assessment of the quality and numerical indicators of visual perception. A methodology for selecting coefficients for both the classical gamma correction method and Single-Scale Retinex and Multi-Scale Retinex methods is proposed, taking into account the average values of the brightness levels of the original images. Based on a comparison of the Single-Scale Retinex and Multi-Scale Retinex methods with the classical gamma correction method and other known methods of processing video data obtained in mines, conclusions were drawn regarding appropriate areas of application and directions for improving these methods.

Keywords: image, video data, digital processing, mining, Retinex theory, contrast, sharpness.

Для цитирования: Зайцева Е.В. Применение методов, основанных на теории Retinex, при обработке цветных изображений, полученных в шахтах / Е.В. Зайцева, А.А. Кочнева, Е.В. Катунцов, О.М. Ромакина // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 10-17. – EDN: QRJBPY.

Введение. В современном обществе системы видеонаблюдения используются повсеместно. При-менение видеокамер на участках технологических процессов в разных отраслях промышленности делает производственный процесс более предсказуемым и контролируемым [1-3]. Помимо стационарных видеокамер, находящихся на важных участках, приборы видения размещаются в устройствах связи персонала, используются для фиксирования обстановки при чрезвычайных ситуациях [4-6]. На качественные характеристики таких фото и видеоданных накладывают ограничения условия, при которых происходит фото и видео съемка.

Для фото и видеоданных, сделанных в шахтах, характерны низкие освещённость, контрастность, резкость и средний уровень яркости. Кроме того «неподготовленному зрителю» цветные изображения могут показаться и вовсе изображениями в оттенках серого, что обусловлено плохой освещённостью снимаемого участка – большинство изображений только вблизи осветительных приборов имеют достаточную яркость [7-10].

Примеры таких изображений представлены на рисунке 1.

а)

б)

Рисунок 1 – Изображение, полученное в шахте [из источника 3]

На рисунке 1а можно выделить участки изоб-ражения, которые нуждаются в дополнительной обработке: правый нижний угол, который выглядит просто черным пятном, неразличимы области в глубине изображения за шахтерами и под их ногами. На рисунке 1б различима фигура шахтёра, а помещение вокруг нее не просматривается.

Целью обработки изображения при слабом освещении является извлечение скрытых деталей, удаление шума, восстановление деталей и цветовых тонов, а также увеличение динамического диапазона и контрастности. Методы повышения контраст-ности при слабом освещении можно разделить на классические и подходы, основанные на глубоком обучении нейросети [11-13]. Классические методы в свою очередь можно разделить на методы выравнивания гистограмм, гамма-коррекции и методы, основанные на теории Retinex [14-16]. В данной статье представлено сравнение методов, основанных на теории Retinex с гамма-коррекцией. Методы, основанные на выравнивании гистограммы, нуждаются в отдельном изучении и требуют осо-бого подхода в связи с наличием на изображениях, полученных в шахтах, участков вблизи источника освещения с максимальной яркостью. Такие мето-ды нуждаются в корректировке контрастности, ха-рактеристики которой выделяются из «красной», «зелёной» и синей составляющей изображения.

Методология. Контрастность К монохромного изображения можно определить как [17-19]:

где , – соответственно максимальная и минимальная яркость пикселей на изображении. Относительная контрастность k находится по фор-муле:

где 255 — максимально возможная яркость в любом из каналов цветовой модели RGB.

Как правило, для увеличения резкости и повышения контраста используется классический метод гамма-коррекции [15]:

(1)

где: – яркость пикселей обработанного изображения; – относительная яркость, которая позволяет регулировать контрастность путем снижения максимальных значений яркости в одной области изображения, тем самым увеличивая локальную контрастность другой области изобра-жения; n – коэффициент гамма-коррекции.

Эффективность работы алгоритма гамма-коррекции определяется надлежащим подбором коэффициента n, который для изображений, полу-ченных в шахтах, определяется в зависимости от средней яркости изображения. Зависимость коэффициента гамма-коррекции от уровня средней яркости изображения была найдена опытным путём для полученных в шахтах цветных изображений. Для видеоданных, представленных на рисунке 1а, этот коэффициент равен 0,45, а на рисунке 1б – 0,35.

Согласно теории Лэнда [13] изображение можно разложить на карты отражения и освещенности, где часть отражения считается внутренним свойством и остается неизменной при всех условиях освещения. Реализации Retinex согласно публикациям [12, 14-15] используют различную геометрию при расчете относительной яркости соседних пикселей для получения компонента отражения.

Single-Scale Retinex (SSR) является алгоритмом, который производит выравнивание освещенности изображения и при этом сохраняет контраст в ярко и плохо освещенных областях. Формула данного алгоритма имеет вид:

R(x,y,sigma) = log[I(x,y)] – log[I(x,y) G(x,y,sigma)] (2)

где: G – Гауссиан; I(x,y) – яркости «красной», «зелёной» или «синей» составляющих изображения в соответствующей точке x, y; R(x,y,sigma) – полученные в результате работы алгоритма SSR яркости «крас-ной», «зелёной» и «синей» составляющих изоб-ражения; sigma – коэффициент размытия; – оператор свертки. Считается, однако, что алгоритм SSR искажает цветовой баланс, поэтому для вы-равнивания цветопередачи был разработан алгоритм Multi-Scale Retinex (MSR):

(3)

где – весовые коэффициенты состав-ляющих SSR, чаще всего n = 3 и .

Эффективность методов Retinex обычно зависит от тщательной настройки параметров [20-22], которые зависят от особенностей изображений. Для изображений, полученных в шахтах, коэффи-циенты определяются средним значением яркости изображения. Исходя из этого, сформируем коэф-фициенты для методов SSR и MSR Retinex. Таким образом, алгоритм обработки, основанный на теории Retinex, для изображений, полученных в шахтах, будет выглядеть следующим образом:

1) определение средней яркости кадра;

2) задание коэффициента sigma как средней яр-кости кадра;

3) обработка кадра в соответствии с зависимостью (2).

Результаты. Чтобы количественно оценить качество обработки изображений (рис. 1) для них составлены гистограммы распределения яркостей, они показаны на рисунке 2. На рисунке 3а представ-лено то же изображение после обработки методом гамма-коррекции, а на рисунке 3б – гистограмма распределения яркости полученного изображения. Поскольку средняя яркость исходного изображения составляет 49,9 уровня яркости, то коэффициент гамма-коррекции был выбран равным 0,45.

Как мы видим, на рисунке 3а область правого нижнего угла визуализируется, становятся видны очертаний предметов. Также появляются силуэты объектов в глубине изображения за шахтерами. В области «под ногами шахтеров» появляется некая текстура поверхности. Тем не менее полностью на-рушается цветопередача, изображений становится размытым. Сравнивая гистограмму на рисунке 2а и 3б, мы также видим перераспределение яркости по всем участкам изображения, что и приводит к иска-жению цвета.

На рисунке 4 представлены а – обработанное методом гамма-коррекции (1) изображение на рисунке 1б, б – гистограмма распределения яр-кости полученного изображения. Средняя яркость изображения на рисунке 1б составляет 31,3 уровня яркости, поэтому коэффициент гамма-коррекции на основании таблицы 1 был выбран 0,35.

а)

б)

Рисунок 2 – Гистограммы распределения яркостей изображений рисунка 1

а)

б)

Рисунок 3 – Изображение 1а после гамма-коррекции (а) и его гистограмма распределения яркости (б) [получено авторами]

а)

б)

Рисунок 4 – Изображение 1б после гамма-коррекции (а) и его гистограмма распределения яркости (б)

На рисунке 4а можно заметить очертания помещения вокруг фигуры шахтера, контрастность изображения возросла.

Однако цветопередача по прежнему нарушена, наблюдается также размытие контуров. Сравнивая гистограммы на рисунках 2б и 3б, можно видеть перераспределение яркости по всем участкам изображения, что также характеризует искажение цвета.

Далее исходные изображения (рис. 1) обработаны методом SSR (2), основанным на теории Retinex. При этом в качестве коэффициента sigma использовано значение средней яркости исходного изображения: для изображения на рисунке 1а sigma = 49,9, а для изображения на рисунке 1б sigma = 31,3. Результаты обработки рисунка 1а представлены на рисунке 5: а – обработанное методом SSR изображение, б – гистограмма распределения яркости полученного изображения, на рисунке 6а показаны результаты обработки изображения рисунка 1б, а на рисунке 6б – гистограмма распределения яркости полученного изображения.

а)

б)

Рисунок 5 – Изображение 1а после применения алгоритма SSR (а) и его гистограмма распределения яркости (б)

а)

б)

Рисунок 6 – Изображение 1б после применения алгоритма SSR (а) и гистограмма распределения его яркости (б)

Хотя цветопередача изображений осталась без изменений, области, которые были означены как ма-лоразличимые, визуализировались, появились очер-тания предметов. Как в случае с гамма-коррекцией искажения цветопередачи не наблюдается. Из срав-нения гистограмм на рисунках 2а и 5б следует, что яркость перераспределилась из диапазона от 0 до 50 в диапазон 150-200 уровней. Сравнение гистограмм рисунках 2б и 6б демонстрирует смещение яркости из диапазона 0-50 в диапазон 50-100 уровней. «Мяг-кая» корректировка гистограмм обоих изображений позволяет улучшить результат в части цветопередачи.

Исходные изображения (рис. 1) обработаны также основанным на теории Retinex методом MSR (3). В качестве коэффициента sigma при использовании данного метода взято значение средней яркости исходного изображения: для изображения на рисунке 1а sigma = 49,9 – для SSR1, sigma = 127 – для SSR2, sigma = 255 – для SSR3, а изображения на рисунке 1б sigma = 31,3 – для SSR1, sigma = 127 – для SSR2, sigma = 255 – для SSR3, коэффициенты w1=w2=w3=0,33. На рисунке 7 представлены результаты применения этого метода к рисунку 1а: а – обработанное изображение, б – гистограмма распределения яркости полученно-го изображения. На рисунках 8а и б – результаты обработки изображения на рисунке 1б, соответст-венно итоговые изображение и гистограмма яркости.

Сравнивая рисунки 5а и 7а можно заметить, что последний более контрастный, что следует и из гистограмм распределения их яркости, демонст-рирующих перемещение из диапазона от 0 до 50 в диапазон 150-200 уровней. На гистограмме 7б такое перераспределение коснулось меньшего числа пикселей. То же самое наблюдается и на гистограм-мах рисунков 6б и 8б, только это касается диапазона от 50 до 100 уровней яркости.

а)

б)

Рисунок 7 – Изображение 1а после применения алгоритма MSR (а) и его гистограмма распределения яркости (б)

а)

б)

Рисунок 8 – Изображение 1б после применения алгоритма MSR (а) и его гистограмма распределения яркости (б)

Таким образом, методы SSR и MSR улучшают показатели освещенности и восстанавливают сцены для цифровых изображений, полученных в шахтах, однако вблизи краев наблюдаются артефакты орео-лов.

Обсуждение. Методы SSR и MSR показали свою эффективность, позволяя улучшить резкость и контрастность полученных в шахтах изображений. Визуальная оценка, анализ рисунков 1, 3-8 позво-ляет заключить, что данные методы превосходят классический алгоритм гамма-коррекции и в части цветопередачи, и в части «близости» полученного изображения к оригиналу. Количественная оценка, следующая из анализа гистограмм (рис. 2-8), также подтверждает преимущество методов, основанных на теории Retinex.

Однако не стоит забывать о ресурсозатратности методов. Поскольку классический метод гамма-коррекции относится к глобальным методам, то он требует небольших временных ресурсов [23-25]. Поскольку методы, основанные на теории Retinex, относятся к локальным методам, то и временных ресурсов требуют значительно больше. Применение методов SSR и MSR оправдано при постобработке видеоданных, когда режим съёмки и режим обра-ботки разделены во времени [26-28]. Подобная обработка может потребоваться при анализе тех или иных происшествий: поломках, выходе из строя оборудования, несчастных случаях, тогда как применение методов, подобных гамма-коррекции, оправдано в режиме реального времени, когда тре-буется быстрое принятие решения на основе по-лученных видеоданных.

Следует заметить, что исходные изображения получены без импульсного шума. Однако в горной промышленности при видеосъёмке технологичес-ких процессов наблюдается зашумление типа «соль» [29-31], вызванное, к примеру, угольной пылью. Применение к таким изображениям методов, основанных на теории Retinex, позволит добиться высокого визуального качества итоговых видео-данных даже без применения фильтров ранговых статистик, в частности медианного фильтра для коррекции шумовой составляющей.

Дополнительного исследования требует обосно-вание выбора коэффициентов sigma метода SSR и w1=w2=w3 метода MSR, а также выявление их связи со средней яркостью цифрового изображения. Обыч-но при применении методов, основанных на теории Retinex, требуется цветокоррекция, необходимости в которой в данной работе не установлено. Поэтому следует изучить большее количество изображений, полученных в шахтах, и сделать по этому поводу выводы.

В данной статье методы, основанные на теории Retinex, применялись к цифровому пространству RGB. Существует подход, предусматривающий преобразование изображения из цветового прост-ранства RGB в цветовое пространство HSV [32-34]. Коррекция изображения алгоритмами SSR и MSR в таком случае применяется только к одному каналу V, соответствующему яркости изображения [35]. Следует провести исследования данных методов и сравнить с полученными результатами данной статьи.

Отдельно стоит коснуться метода эквализации гистограммы. Эквализация в пространстве RGB приведет к чрезмерной яркости в области источника освещения и как следствие к «засветке» данной области. Имеет смысл исследовать применение метода эквализации гистограммы в цветовом прост-ранстве HSV только к одному каналу V. Данный метод также нуждается в исследовании и сравнении с полученными здесь данными.

Выводы. В работе произведено исследование методов обработки изображений SSR и MSR, осно-ванных на теории Retinex. Оценена эффективность данных методов в сравнении с классическим ме-тодом гамма-коррекции. Представлены гистограммы распределения яркости по всем использованным методам. Даны пояснения и предложена методика выборов коэффициентов как для классического метода гамма-коррекции, так и для SSR и MSR методов. Определены визуальные и количественные характеристики качества изображения и указаны недостатки как классического метода гамма-кор-рекции, так и методов SSR и MSR. Даны рекомен-дации по выбору методов обработки изображений, исходя из их достоинств и недостатков. Обоснованы направления совершенствования методов, основан-ных на теории Retinex, и других методов обработки видеоданных, полученных в шахтах.

Методология цифровой обработки изображений, полученных в шахтах, неотделима от классической методологии цифровой обработки изображений, с учётом особенностей видеоданных, снятых при низких уровнях освещения, подбираются режимы и параметры применения выбранной технологии.

СПИСОК ЛИТЕРАТУРЫ:

1. Новиков А.В., Паневников К.В., Писарев И.В. Мно-гофункциональная система безопасности угольных шахт – визуализация событий (горнотехнических процессов) с рабочего места шахтера. // Горная промышленность. – 2021. – № 5. – С. 65-69. DOI: 10.30686/1609-9192-2021-5-65-69.

2. Выстрчил М.Г., Гусев В.Н., Сухов А.К. Методика определения погрешностей сегментированных GRID моделей открытых горных выработок, построенных по результатам аэрофотосъемки с беспилотного воздушного судна // Записки Горного института. – 2023. – Т. 262. – С. 562-570. EDN SZOFVD.

3. Череповицын А.Е., Третьяков Н.А. Разработка новой системы оценки применимости цифровых проектов в нефтегазовой сфере // Записки Горного института. – 2023. – Т. 262. – С. 628-642. EDN QYBHMC.

4. Клюев Р.В., Моргоева А.Д., Гаврина О.А., Босиков И.И., Моргоев И.Д. Прогнозирование планового потреб-ления электроэнергии для объединенной энергосистемы с помощью машинного обучения // Записки Горного института. – 2023. – Т. 261. – С. 392-402.

5. Куликова Е.Ю., Полянкин А.Г., Потокина А.М. Специфика управления геотехническими рисками при проектировании подземных сооружений // Записки Горного института. – 2023. – Т. 264. – С. 895-905. EDN DGEAGK.

6. Litvinenko V.S., Bowbrick I., Naumov I.A., Zaitseva Z. Global guidelines and requirements for professional competencies of natural resource extraction engineers // Implications for ESG principles and sustainable development goals. J. of Cleanel Production. – 2022. – № 338. – P. 1-9. doi 10.1016/j.jclepro.2022.130530.

7. Makhovikov A.B. Development of the boundaries of science and education in the USSR (Russia) from the 1960s to the end of the 2010s. (based on materials from St. Petersburg Mining University) // Questions of history. – 2022. – No. 11. – P. 56-69. DOI: 10.31166/VoprosyIstorii202211Statyi08.

8. Khokhlov V., Lukin V., Khokhlov S. Modelling full-colour images of earth: Simulation of radiation brightness field of Earth’s atmosphere and underlying surface. // Annals of GIS. 2022 doi:10.1080/19475683.2022.2064911.

9. Mustafaev A.S., Popova A.N., Sukhomlinov V.S. A new technique of eliminating the actual plasma background when calibrating emission spectrometers with a CCD recording system // Applied Sciences. – 2022. – № 12(6). doi:10.3390/app12062896.

10. Yu. Ol’t, Maksarov V.V., Makhov V.E. Intelligence systems for quality assessment of threaded surfaces and flaw monitoring based on digital light field recording // Russian Journal of Nondestructive Testing. – 2020. – № 56(11). – P. 915-926. doi:10.1134/S1061830920110054.

11. Kornilova E.V. The interdisciplinary approach to the conceptualization of the image of the arctic and the north in the mass consciousness // An example of russian students. Social Sciences. – 2022. – № 11(12). doi:10.3390/socsci11120580.

12. Cooper T.J., Baqai F.A. Analysis and extensions of the Frankle-Mccann retinex algorithm // J. Electron. Imaging. – 2004. – № 13 (1). – P. 85-92.

13. Land E.H. Recent advances in retinex theory and some implications for cortical computations: color vision and the natural image // Proc. Natl. Acad. Sci.USA. – 1983. – № 80 (16). – P. 51-63.

14. Land E.H. An alternative technique for the computation of the designator in the retinex theory of color vision // Proc. Natl. Acad. Sci. – 1986. – №83 (10). – P. 3078-3080.

15. Zhang Y., Zhang X. Di. B., Yan Q. Li. S., Wang C. Self-supervised low light image enhancement and denoising // arXiv preprint arXiv:2103.00832. 2021.

16. Гонсалес Р., Вудс Р. Цифровая обработка изображе-ний. М.: Техносфера, 2005. – 1072 с.

17. Brooks C.N., Dobson R.J., Dean D.B., Banach D., Oommen T., Havens T.C., Ahlborn T., Cook S.J., Clover A. Evaluating the use of unmanned aerial vehicles for transportation purposes // Michigan Department of Transportation. Michigan, USA. – 2015. Report No. RC-1616. – 201 р.

18. Zhang H., Tao P., Meng X., Liu M., Liu X. An optimum deployment algorithm of camera networks for open-pit mine slope monitoring // Sensors. – 2021. – vol. 21. – № 4. – article 1148. DOI: 10.3390/s21041148.

19. Temkin I., Myaskov A., Deryabin S., Konov I., Ivannikov A. Design of a digital 3D model of transport—technological environment of open-pit mines based on the common use of telemetric and geospatial information // Sensors. – 2021. – vol. 21. – № 18. article 6277. DOI: 10.3390/ s21186277.

20. Зотин А.Г., Проскурин А.В. Повышение быстро-действия алгоритмов выравнивания освещенности на основе технологии Retinex при программной реализации В сборнике: Цифровая обработка сигналов и ее применение DSPA – 2023. Доклады XXV Международной конференции. Москва, 2023. – С. 187-192.

21. Медиевский А.В., Зотин А.Г., Симонов К.В., Кругляков А.С. Технология визуализации интересующих биологических тканей в момент интраоперационного кро-воизлияния В книге: Марчуковские научные чтения - 2022. Сборник Тезисов Международной конференции . Институт вычислительной математики и математической геофизики Сибирского отделения РАН. – 2022. – С. 127.

22. Arena F., Pau G., Severino A. An overview on the current status and future perspectives of smart cars // Infrastructures. – 2020. – vol. 5. – no. 7. – article 53. DOI: 10.3390/infrastructures 5070053.

23. Kamenskiy A.V. (2022) High-speed recursive-separable image processing filters // Computer Optics. – Vol. 46. – № 4. – P. 659-665.

24. Применение методов улучшения контрастности при обработке спутниковых снимков Губин Д.И., Мистратов Н.Ю. В сборнике: Актуальные проблемы авиации и кос-монавтики. сборник материалов VIII Международной научно-практической конференции, посвященной Дню космонавтики: в 3 т.. Красноярск, 2022. – С. 120-122.

25. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: БИНОМ. Лаборатория знаний, 2006. – 752 с.

26. Vostrikov A., Sergeev M., Balonin N., Chernyshev S. В (2017) Digital masking using mersenne matrices and their special images. Procedia Computer Science. Knowledge-Based and Intelligent Information and Engineering Systems: Proceedings of the 21st International Conference, KES 2017. – P. 1151-1159.

27. Востриков А.А., Сергеев М.Б., Литвинов М.Ю. Мас-кирование цифровой визуальной информации: термин и основные определения// Информационно-управляющие сис-темы. – 2015. – № 5 (78). – С. 116-123. doi:10.15217/issn1684-8853.2015.5.116

28. Михайлов В.В., Колпащиков Л.А., Соболевский В.А., Соловьев Н.В., Якушев Г.К. Методологические подходы и алгоритмы распознавания и подсчета животных на аэро-фотоснимках // Информационно-управляющие системы. – 2021. – № 5 (114). – С. 20-32. doi:10.31799/1684-8853-2021-5-20-32.

29. Подгорнова Ю.А., Жизняков А.Л., Садыков С.С. Повышение контраста маммограмм, содержащих области рака молочной железы, на фоне жировой инволюции // Прикаспийский журнал: управление и высокие технологии. – 2020. – № 2 (50). – С. 136-147.

30. Подгорнова Ю.А., Садыков С.С., Самандаров И.Р., Воронцов С.А Исследование критериев распознавания доброкачественных заболеваний на маммограммах. В сборнике: Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений. Материалы XVI Международной научно-технической кон-ференции. Редколлегия: С.Г. Емельянов, В.С. Титов (отв. ред.) [и др.]. Курск, 2021. – С. 279-281.

31. Podgornova Yu.A., Sadykov S.S. Comparative analysis of segmentation algorithms for the allocation of microcalcifications on mammograms // CEUR Workshop Proceedings. ITNT 2019 Proceedings of the 5th Information Technology and Nanotechnology 2019: Image Processing and Earth Remote Sensing. – P. 122-127.

32. Куприянов В.В., Бондаренко И.С. Логико-вероят-ностные методы моделирования сценариев аварий в шахтах // Горный информационно-аналитический бюллетень. – 2023. – № 7. – С. 114-131. DOI: 10.25018/0236_1493_2023_7_0_114.

33. Грузман И.С. и др. Цифровая обработка изображений в информационных системах. Новосибирск: НГТУ, 2000. – 156 с.

34. Сергеев М.Б., Соловьев Н.В., Стадник А.И. Мето-ды повышения контрастности растровых изображений для систем цифровой обработки видеоинформации // Информационно-управляющие системы. – 2007. – № 1 (26). – С. 2-7.

35. Захлебин А.С., Калибеков А., Курячий М.И. Пост-роение геопривязанного ортофотоплана участка местности по изображениям с телевизионной камеры бпла вертолетного типа // Электронные средства и системы управления. Материалы докладов Международной научно-практической конференции. – 2020. – № 1-2. – С. 187-189.

Статья поступила в редакцию 30.01.2024

Статья принята к публикации 15.03.2024

УДК 378.162.33, 616-71, 621.373

EDN: SBVWKK

УСТРОЙСТВО ДЛЯ ИМИТАЦИИ КАРДИОСИГНАЛОВ В УЧЕБНОМ РОБОТЕ-ТРЕНАЖЕРЕ

© Автор(ы) 2024

SPIN: 1222-5399

AuthorID: 517750

ORCID: 0000-0003-0933-1212

ResearcherID: P-2232-2015

ScopusID: 7004205146

ЧУЛКОВ Валерий Александрович, доктор технических наук, доцент,

заведующий кафедрой «Биомедицинская инженерия»

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: chu@penzgtu.ru)

SPIN: 2235-1054

AuthorID: 564853

ORCID: 0000-0003-1387-2580

ResearcherID: N-3517-2018

ScopusID: 40462363600

СЕРЖАНТОВА Наталья Александровна, кандидат технических наук, доцент,

доцент кафедры «Биомедицинская инженерия»

Пензенский государственный технологический университет

(440039, г. Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: itmmbspgta@yandex.ru)

Аннотация. В учебном процессе при подготовке специалистов медико-технического профиля огромную роль играет приобретение ими практических навыков диагностического обследование пациентов, среди методов диагностики первостепенное значение имеет снятие кардиосигналов с помощью электрокардиографа. Медик должен знать места установки электродов на теле пациента и разбираться в основных показателях нарушения сердечной деятельности, проявляющихся на кардиограмме. Эту задачу призваны решать учебные медицинские тренажеры, среди основных функций которых предусмотрено физическое моделирование кардиосигналов. Рынок медицинских приборов насыщен роботами-тренажерами, способными воспроизводить различные эффекты жизнедеятельности организма, однако все они отличаются высокой стоимостью и сложностью технического обслуживания. В настоящей работе предлагается схема простого имитатора кардиосигналов на основе постоянного запоминающего устройства (ПЗУ), хранящего приведенные к заданному формату оцифрованные сигналограммы, характерные для нормального и патологических состояний сердца. Устройство рассчитано на генерирование восьми сигналограмм, однако его возможности несложно расширить путем увеличения емкости памяти.

Ключевые слова: генератор, тактовая частота, кардиосигнал, постоянное запоминающее устройство, базовая линия сигналограммы, интегральная микросхема.

DEVICE FOR SIMULATING CARDIO SIGNALS IN A TRAINING SIMULATOR

© The Author(s) 2024

CHULKOV Valery Alexandrovich, doctor of technical sciences, associate professor,

head of the Department of Biomedical Engineering

Penza State Technological University

(440039, Russia, Penza, Baydukova passage/Gagarina street, 1а/11, e-mail: chu@penzgtu.ru)

SERZHANTOVA Natalya Aleksandrovna, candidate of technical sciences,

associate professor of the department of Biomedical Engineering

Penza State Technological University

(440039, Penza, Baydukov passage / Gagarinastreet, 1a / 11, e-mail: itmmbspgta@yandex.ru)

Abstract. In the educational process when training medical and technical specialists, a huge role is played by their acquisition of practical skills in diagnostic examination of patients. Among diagnostic methods, the acquisition of cardiac signals using an electrocardiograph is of paramount importance. The physician must know where the electrodes are installed on the patient’s body and understand the main indicators of cardiac dysfunction that appear on the cardiogram. Medical training simulators are designed to solve this problem, the main functions of which include physical modeling of cardiac signals. The medical device market is saturated with robotic simulators capable to reproducing various effects of the body’s vital functions, but they are all characterized by high cost and complexity of maintenance. This work is devoted to the development of a simple simulator of cardiac signals based on a read-only memory device that stores digitized signalograms, reduced to a given format, characteristic of normal and pathological conditions of the heart. The device is designed to generate eight signalgrams, but its capabilities can be easily expanded by increasing the memory capacity.

Keywords: generator, clock frequency, cardiac signal, read-only memory, signalgram baseline, integrated circuit.

Для цитирования: Чулков В.А. Устройство для имитации кардиосигналов в учебном роботе-тренажере / В.А. Чулков, Н.А. Сержантова // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 18-24. – EDN: SBVWKK.

Введение. Развитие в последние десятилетия информационных технологий, микроэлектронных систем и датчиковой аппаратуры, обеспечивающих визуализацию с высоким разрешением внутренних структур живых организмов, стимулировало разра-ботку роботизированных платформ диагностики заболеваний и лечебных воздействий в медицине [1-5]. При этом все более реальные черты приобретают перспективы использования в медицинской практи-ке нанороботов [6, 7], способных вывести сложные терапевтические процедуры и хирургические опера-ции на полностью автоматизированный неинвазив-ный уровень.

К настоящему времени создано огромное коли-чество роботов-симуляторов для практического обучения медицинского персонала способам диаг-ностических исследований и лечебных процедур [8-13]. Их использование обладает рядом достоинств по сравнению с обучением на реальных пациентах: имеется возможность программирования симуля-тора для выполнения конкретных манипуляций с многократным повторением, исключаются риски травмирования пациента, учебное время не огра-ничена рамками клинического распорядка.

Отдельную группу симуляторов составляют устройства для привития широкому кругу лиц навыков оказания первой немедицинской помощи, в том числе при обострении заболевания и в экстренных ситуациях для реанимации пострадавших. Если среди многофункциональных сложных симуляторов хирургического назначения на российском рынке преобладают изделия зарубежного производства, такие как известная хирургическая система Da Vinci, то относительно простые тренажеры для оказания первой помощи выпускаются множеством отечественных компаний [14-17].

Хотя область медицинской робототехники раз-вивается очень быстрыми темпами, трудно ожидать появления достаточно простых и бюджетных имитаторов жизнедеятельности организма, ориен-тированных на использование в учебном процессе по программам биомедицинской инженерии при практическом освоении студентами дисциплин, связанных с проектированием и применением ме-дицинских приборов. Прежде всего, для этого необходимы имитаторы сердечной деятельности и дыхательной активности человека, позволяющие воспроизвести наиболее важные характеристики его состояния и ознакомиться на этой основе с принци-пами действия и устройством электрокардиографа, стетоскопа, тонометра, спирометра и пр.

Целью настоящей работы является обоснование номенклатуры генерируемых кардиосигналов и методики преобразования сигналов из базы меди-цинских данных для записи в память учебного медицинского тренажера, выбор структуры и разработка принципиальной схемы имитатора кардиосигналов.

Методология. Схемотехника имитаторов кардио-сигналов, способных воспроизводить электрические колебания, сопровождающие сердечную деятель-ность (кардиограммы) и оценивать работоспособ-ность электрокардиографов сочетает аналоговые и цифровые способы формирования электрических колебаний. Принцип действия аналоговых устройств, построенных полностью на дискретных элементах [18-20], основан на параметрическом синтезе формы сигнала. Такие имитаторы отличаются сложностью структуры, требуют многочисленных регулировок, не обеспечивают достаточной точности воспроизведе-ния формы кардиоимпульсов. Функциональные возможности аналоговых устройств ограничены ввиду невозможности воспроизведения множества сигналограмм, характерных для различных состояний сердечной мышцы.

В цифровых устройствах для генерирования кардиосигналов оцифрованные их образцы хра-нятся в постоянном запоминающем устройстве (ПЗУ), откуда они по тактам извлекаются в процессе перебора адресов его ячеек памяти, для образования электрической кардиограммы используется цифроаналоговый преобразователь. Такие имитаторы часто используются для про-верки функционирования и диагностирования неисправностей кардиоаппаратуры, в качестве ге-нератора тестовых сигналов они могут применяться и для метрологической поверки электрокардиографа [21-23]. Обычно управление подобным устройством (по сути системой) с программной установкой варианта сигналограммы, ее тактовой частоты и амплитудных параметров управляет компьютер или микроконтроллер, что не всегда приемлемо при создании автономного портативного учебного тренажера. Кроме того, на точности генерируе-мого кардиосигнала может сказываться возможное смещение его базовой (нулевой) линии под воз-действием дестабилизирующих факторов.

Приведенные основания позволяют представить структуру имитатора кардиосигналов в виде, показанном на рисунке 1, ядро которой представляет ПЗУ (ROM), адреса которого циклически перебирает k-разрядный двоичный счетчик импульсов (СТ) по тактам, задаваемым генератором G. Область памяти ПЗУ объемом 2k×n назначается m-разрядным двоичным кодом номера образца кардиосигнала. Заданный образец кардиосигнала образуется на выходе цифроаналогового преобразователя (D/A), далее он передается на выход через аттенюатор.

Остальные блоки устройства служат для стабилизации базовой линии сформированной кардиограммы на уровне операционной «земли». Такая стабилизация необходима уже потому, что выходное напряжение цифроаналогового преобразователя на основе матрицы R-2R однополярное, в то время как формируемый кардиосигнал имеет биполярную природу. Кроме того его базовая линия даже в исходном виде в базе медицинских данных и ввиду различных искажающих воздействий может отличаться от нуля. С учетом этого базовая линия всех хранимых образов кардиосигнала в ПЗУ смещена в центр диапазона к уровню 2n-1, а размах кардиосигнала в цифровом исчислении приведен к диапазону от 0 до (2n –1). Таким образом, все отсчеты ПЗУ суть положительные числа, выходное напряжение цифроаналогового преобразователя можно также сделать положительным при соответствующем выборе опорного напряжения.

Рисунок 1 – Структура имитатора кардиосигналов

Для автоматического приведения базовой линии сигнала к нулевому уровню в устройство введены цифровой компаратор К1 и аналоговый компаратор К2, первый из них срабатывает в моменты, когда выводимое из ПЗУ число становится равным среднему значению 2n-1, а второй непрерывно сравнивает поступающее на аттенюатор напряжение с уровнем операционной «земли». Кроме компара-торов в устройстве дополнительно предусмотрен суммирующий узел, с помощью которого к сигналу цифроаналогового преобразователя добавляется ком-пенсирующее напряжение, поступающее с выхода D-триггера через усредняющий фильтр нижних частот (ФНЧ).

Автоподстройка осуществляется в следующем порядке. В тех тактах, когда из ПЗУ выводится число 2n-1, компаратор К1 разрешает прохождение тактового импульса генератора через вентиль И на синхровход D-триггера, который фиксирует теку-щий уровень напряжения аналогового компаратора К2, отражающий отклонение базового уровня сигналограммы от нуля. В зависимости от знака отклонения выходное напряжение ФНЧ получает приращение того или иного знака, способствующее компенсации отклонения, добавляясь к сигналу циф-роаналогового преобразователя в суммирующем узле. В итоге через достаточное время базовая линия генерируемого кардиосигнала становится точно равной нулю. Далее сигнал ослабляется аттенюатором до требуемой амплитуды в несколько милливольт, характерной для сигнала на электроде, и поступает на выход устройства.

Важное значение имеет выбор номенклатуры генерируемых кардиосигналов, соответствующих норме и наиболее значимым патологиям сердечной деятельности. В литературе имеется множество публикаций по форме кардиосигнала в различных состояниях человека и по методикам их расшифров-ки [24-27]. Поскольку описываемый имитатор пред-назначен для учебных целей и ориентирован на будущих инженеров в области медицинской техники, в задачи которых не входит профессиональная ин-терпретация результатов исследования, то признано возможным ограничиться несколькими формами кардиосигнала, характерные признаки которых приведены в таблице 1 [28].

В качестве исходных данных использованы диск-ретизированные по времени сигналы из базы AHA Database Sample Excluded Record [29] – протяженности каждой сигналограммы 6 секунд соответствуют 1024 отсчета. Кардиограммы соответствуют сигна-лам, снятым непосредственно электродами, они представляют собой изменения напряжения (мВ) во времени, базовые линии сигналов могут быть смещены относительно нуля. Число уровней квантования при оцифровке кардиограмм принято равным 256 (8-разрядные двоичные числа), что обеспечивает погрешность 0,4%. Предварительно средствами программы Excel базовые линии исход-ных сигналограмм смещены к нулевому уровню, после этого они приведены к диапазону (Dmin=0, Dmax=255 ) по формуле:

где dn – текущее (n-ое) значение цифрового отсчета, ΔU – размах шкалы исходной кардиограммы, un – текущее (n-ое) значение кардиосигнала. Очевидно, что нулю оцифрованного сигнала будет соответствовать значение dcp=Dmax / 2 =127,5 (целое число 127), что следует учесть при формировании выходного напряжения.

Таблица 1 – Характерные признаки форм кардиосигнала

№	Наименование	Характерные признаки
1	Норма	нулевая базовая линия; маленький зубец Р – продолжительность 0,7 … 0,12 с; небольшой ровный сегмент PQ; отрицательный зубец Q (может отсутствовать) –продолжительностью 0,03 с; положительный зубец R амплитудой в 40 – 50 раз больше отрицательного зубца S; ровный сегмент ST; округлый положительный зубец Т продолжительностью 0,12-0,28 с. и амплитудой не более четверти зубца R; очень низкий округлый положительный зубец U; продолжительности интервалов: P-Q – 0,2 … 0,8 с, P-R – 0,18 … 0,2 с, QRST – 0,38 … 0,55 с, QRS –0,06 … 0,1 с, S-T –0,35 … 0,44 с
2	Мерцательная аритмия	отсутствие регулярных волн Р; хаотические волны между комплексами QRS.
3	Тахикардия	увеличение частоты сердечных сокращений с регулярными QRS-комплексами; узкий комплекс QRS.
4	Брадикардия	увеличение интервала R-R; расширение комплексов QRS; увеличение длительности PR-интервала; снижение частоты сердечных сокращений.
5	Тригеминия	правильное чередование экстрасистол и нормальных сокращений (каждый второй комплекс является экстрасистолой).
6	Бигеминия	правильное чередование экстрасистол и нормальных сокращений (каждый третий комплекс – экстрасистола).
7	Фибрилляция	отсутствие организованных P-зубцов; беспорядочные QRS-комплексы; увеличение частоты сердечных сокращений; наличие волн фибрилляции (F-волны).
8	Экстрасистолия	раннее появление P-волны.; отсутствие PR-интервала или R-волны; компенсаторная пауза.

Результаты. Описанная процедура обработки кардиограммы типа «норма» с последующей ее оцифровкой для записи в ПЗУ и воспроизведения с помощью цифроаналогового преобразователя ил-люстрируется рисунком 2. Колебания кардиосигнала происходят относительно средней (базовой) линии, близкой к нулю, его протяженность во времени составляет 6 с, а шкала напряжения простирается от –3 мВ до +3 мВ. Оцифрованная сигналограмма представлена 1024 отсчетами от 0 до 1023, цифровые значения отсчетов укладываются в шкалу от 0 до 255, центр этой шкалы приходится на значение 127. Заметим, что в двоичной системе счисления предел шкалы равен восьмиразрядному числу 2n–1=11111111, центру шкалы соответствует цело-численное значение (2n–1)/2=01111111.

В соответствии со структурой устройства (рис. 1) построена принципиальная схема, ядро которой изображено на рисунке 3. Схема состоит из опорного генератора частотой 2720 Гц на микросхеме тайме-ра К1006ВИ1 (D1), нагруженного на 14-разрядный счетчик импульсов D2 типа К561ИЕ16. Десять старших разрядов счетчика используются для задания адреса ПЗУ (D3), а младшие разряды служат для де-ления опорной частоты генератора до необходимой тактовой частоты имитатора 170 Гц. Тактовая частота (частота дискретизации) определяется величиной, обратной длительности такта, который равен отно-шению временной протяженности кардиограммы 6 секунд к числу отсчетов 1024. ПЗУ КС573РФ4 (D3) с информационной емкостью 8К×8 хранит цифровые образы восьми кардиограмм, мгновенные значения которых по тактам передаются на цифроанало-говый преобразователь D5 (модель К572ПА1А) у которого задействованы младшие 8 входов, что при опорном напряжении –5 В обеспечивает на выходе операционного усилителя D7 напряжение от 0 до +1,25 В (без участия в работе цепи автоподстройки базовой линии). В задачу выходного пассивного аттенюа-тора, включающего потенциометр R7 и конденсатор C3 входит регулируемое ослабление и сглажи-вание ступенчатого напряжения цифроаналогового преобразователя.

Остальные узлы структуры в принципиальной схеме служат для автоматического приведения базовой линии выходного кардиосигнала к нулю. Роль цифрового компаратора К1 выполняет вентиль И с инвертором (D4), которые в тактах, когда из ПЗУ выводится число 01111111 (127), пропускают импульсы опорного генератора на синхровход триггера D6, фиксирующего в эти моменты результат сравнения выходного напряжения (до аттенюатора) с уровнем операционной земли компаратором D8. Широтно-модулированные импульсы триггера ус-редняются фильтром R5, C2, результат усреднения через резистор R4 добавляется к итоговому выход-ному напряжению в направлении приближения базовой линии к нулю

На рисунке 4 показана осциллограмма выход-ного напряжения устройства для случая «нор-мы». Сравнение осциллограммы с исходными сигналограммами (рис. 2) показывает их совпадение, базовая линии удерживается близкой к нулевому уровню.

а)

б)

Рисунок 2 – Кардиограмма «в норме» до (а) и после (б) преобразования

Рисунок 3 – Ядро имитатора кардиосигналов. Принципиальная схема

Рисунок 4 – Осциллограмма выходного напряжения: развертка по горизонтали 1 мВ/дел, по горизонтали 0,2 с/дел

Обсуждение. Стабилизация базового уровня имитируемой кардиограммы позволяет повы-сить точность ее воспроизведения в отличие от простой гальванической развязки выхода генератора с помощью разделительного конден-сатора, которой свойственно динамическое на-копление заряда и смещение среднего уровня в соответствии с соотношением площадей полуволн противоположных полярностей. Идея заключается в том, что выделяются промежутки времени, в которые кардиосигнал должен принимать нулевое значение, и корректировка базового уровня сигнала в направлении компенсации его отличия от нуля. В предложенном варианте устройства стабилизация достигается простыми средствами без участия оператора и/или персонального компьютера.

Разработанный автономный имитатор кар-диосигналов построен на небольшом числе ин-тегральных схем, использование КМОП микросхем обеспечивает низкое энергопотребление при пита-нии от пары источников постоянного напряжение +5 В и –5 В. Схема ориентирована на использовании в портативном учебном оборудовании для прак-тического обучения студентов.

Выводы. В учебном процессе при подготовке специалистов по медицинской технике и системам овладение навыками и их закрепление нуждается в наличии пациента, на котором тестируется обо-рудование. Благодаря успехам техники и технологий в настоящее время появилась возможность заме-щения в учебных целях живого организма его виртуальным либо механическим аналогом. Среди методов диагностики первостепенное значение имеет снятие и интерпретация сигналов сердечной деятельности с помощью электрокардиографа, для чего необходимо адекватное физическое моделиро-вание кардиосигналов, снимаемых с помощью элект-родов. Имитатор кардиосигналов, встраиваемый в структуру учебного медицинского тренажера, обязан быть автономным, простым в использовании и маломощным. В порядке решения этой задачи предложена схема имитатора кардиосигналов на основе ПЗУ, хранящего приведенные к заданному формату оцифрованные сигналограммы, характерные для нормального и патологических состояний сердца. Отличие имитатора от подобных устройств состоит в повышенной точности воспроизведения реальных кардиосигналов в учебном тренажере благодаря автоматической стабилизации из базовых уровней. Устройство рассчитано на генерирование восьми сигналограмм, однако его возможности несложно расширить путем увеличения емкости памяти.

СПИСОК ЛИТЕРАТУРЫ:

1. Ginoya, T.A Historical Review of Medical Robotic Platforms / T. Ginoya, Y. Maddahi , K. Zareinia // Journal of Robotics. – Volume 2021, Article ID 6640031. – Р. 1 – 13. – См. также [Электронный ресурс] Режим доступа: URL https://www.hindawi.com/journals/jr/2021/6640031/ (дата обращения 16.02.2024).

2. Olfa Boubaker. Medical and Healthcare Robotics: New Paradigms and Recent Advances (Medical Robots and Devices: New Developments and Advances). – Tunisia, Elsevier Inc. – 2023 – 298 p., eBook ISBN: 9780443184611. – См. также [Электронный ресурс] Режим доступа: URL https://booksclub.online/book/fmilEAAAQBAJ/medical-and-healthcare-robotics/olfa-boubaker/elsevier/300/2023-08-01/9780443184611/technology-engineering (дата обращения 16.02.2024).

3. Alex Khang. Medical Robotics and AI-Assisted Diagnostics for a High-Tech Healthcare Industry Book.– IntechOpen. – 2024. – 166 р. – Paperback ISBN: 9780443184604, eBook ISBN: 9780443184611. [Электронный ресурс] Режим доступа: URL https://shop.elsevier.com/books/medical-and-healthcare-robotics/boubaker/978-0-443-18460-4 (дата обращения 16.02.2024).

4. Dwivedi, J. Robotic Surgery – A Review on Recent advances in Surgical Robotic Systems / Jyotsna Dwivedi, Imad Mahgoub // 2012 Florida Conference on Recent Advances in Robotics. Boca Raton, Florida, May 10-11, 2012. – Р. 1-7. – См. также [Электронный ресурс] Режим доступа: URL https://www.researchgate.net/publication/268408467_Robotic_Surgery_-A_Review_on_Recent_advances_in_Surgical_Robotic_Systems (дата обращения 16.02.2024).

5. Beasley R.A. Medical Robots: Current Systems and Research Directions / Ryan A. Beasley // Journal of Robotics. – Volume 2012, Article ID 401613. Р. 1 – 14. См. также [Электронный ресурс] Режим доступа: URL https://www.hindawi.com/journals/jr/2012/401613/ (дата обращения 16.02.2024).

6. Fernando Soto, Robert Chrostowski. Frontiers of Medical Micro/Nanorobotics: in vivo. Applications and Commercialization. Perspectives Toward Clinical Uses. [Электронный ресурс] Режим доступа: URL https://www.frontiersin.org/articles/10.3389/fbioe.2018.00170/full (дата обращения 16.02.2024).

7. Чехонин, В.П. Перспективы применения нанобио-технологий в медицине / В.П. Чехонин, В.А. Меркулов, Д.А. Кузнецов, А.А. Петров, А.С. Павлюк // Вестник РГМУ. – 2009. – № 1. – С. 7-11.

8. Медицинские роботы-симуляторы. [Электронный ресурс]. – Режим доступа: URL http://www.mforum.ru/news/article/114172.htm (дата обращения 16.02.2024).

9. Бойко Алексей. Роботы-тренажеры для обучения врачей. [Электронный ресурс]. – Режим доступа: URL https://robotrends.ru/robopedia/roboty-trenazhery-dlya-obucheniya-vrachyay (дата обращения 16.02.2024).

10. Набраться опыта: как современные манекены помогают врачам. [Электронный ресурс]. – Режим доступа: URL https://chudo.tech/2023/11/26/manekeny-pomogayut-vracham/ (дата обращения 16.02.2024).

11. Cao C.G.L. Increasing Accessibility to Medical Robotics Education / Caroline G.L. Cao, Ethan Danahy // IEEE Conference: Technologies for Practical Robot Applications (TePRA), 2011. – Р. 49-53. – См. также [Электронный ресурс] Режим доступа: URL https://www.researchgate.net/publication/224230909_Increasing_accessibility_to_medical_robotics_education (дата обращения 16.02.2024).

12. Naik, R. Robotic simulation experience in undergraduate medical education: a perspective. / R. Naik, I. Mandal // J. Robot Surg. – 2020 Oct. – №14(5). – Р. 793-794. – См. также [Электронный ресурс]. URL https://pubmed.ncbi.nlm.nih.gov/32125601/ (дата обращения 15.02.2024).

13. Уханов, М.М. Применение роботов в стоматологии. Часть 1. Роботассистированные системы для обучения студентов-стоматологов и специалистов / М.М. Уханов, А.В. Иващенко, И.М. Федяев, А.Е. Яблоков, И.Н. Колганов, В.П. Тлустенко // Российский стоматологический журнал. – 2018. – № 22(6). – С. 314-324.

14. Особенности медицинского манекена человека, типы анатомических моделей. [Электронный ресурс]. – Режим доступа: URL https://zarnitza.ru/press-center/blog/osobennosti-meditsinskogo-manekena-cheloveka-tipy-anatomicheskikh-modeley/ (дата обращения 16.02.2024).

15. Медицинское учебное оборудование производст-венного объединения «Зарница». [Электронный ресурс]. – Режим доступа: URL https://zarnitza.ru/catalog/meditsina/ (дата обращения 16.02.2024).

16. Медицинское учебное оборудование компании НТЦ «Решение». [Электронный ресурс]. – Режим доступа: URL https://ntcreshenie.ru/cat/medicinskie-manekeny-trenazhery/?yclid=11626458315184144383 (дата обращения 16.02.2024).

17. Дудырев, Ф.Ф. Симуляторы и тренажеры в про-фессиональном образовании: педагогические и техноло-гические аспекты / Ф.Ф. Дудырев, О.В. Максименкова // Вопросы образования/Educational Studies Moscow. – 2020. – № 3. – С. 255-276. – См. также [Электронный ресурс] Режим доступа: URL https://publications.hse.ru/pubs/share/direct/414450961.pdf (дата обращения 16.02.2024).

18. Имитатор кардиосигналов. Авторское свидетельство СССР 738603, М.Кл. А61 B 5/02, F61 H 31/00, опубл. 05.06.1980.

19. Шустов М. Эмулятор сигналов кардиографа [Электронный ресурс]. – Режим доступа URL https://www.rlocman.ru/shem/schematics.html?di=642353 (дата обращения 12.12.2023).

20. Генератор кардиоимпульсов. Патент РФ 2682987, МПК G09B 23/28, опубл. 25.03.2019.

21. Подмастерьев К.В. Генератор тестовых сиг-налов для поверки и сертификационных испытаний электрокардиоаппаратуры / К.В. Подмастерьев, А.В. Козюра // Фундаментальные и прикладные проблемы техники и технологии. – 2010. – № 1. – С. 82-87. [Электронный ресурс].

22. Рафиков Р.А. Биоэлектричество и медицинская электроника: учеб. пособие / Р.А. Рафиков; Ряз. гос. радиотехн. акад. – Рязань: Изд-во РГРТА, 2005. – 104 с.

23. Федотов, А.А. Имитатор электрокардиосигнала для поверки интерпретирующих электрокардиографов / А.А. Федотов // XV Королевские чтения [Электронный ресурс]: междунар. молодеж. науч. конф., посвящ. 100-летию со дня рождения Д. И. Козлова: сб. тр.: 8-10 окт. 201 / М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т) ; науч. ред. М. А. Шлеенков. – 2019. – Т. 1. – С. 421-422.

24. Зайченко К.В., Жаринов О.О., Кулин А.Н., Кулыгина Л.А., Орлов А.П. Съем и обработка биоэлектрических сигналов: Учеб. пособие / Под ред. К. В. Зайченко. – СПб, . СПбГУАП. – 2001. – 140 c.

25. Расшифровка ЭКГ: наиболее важные показателями кардиограммы с примерами нарушений. – [Электронный ресурс]. – Режим доступа URL https://unclinic.ru/rasshifrovka-jekg-naibolee-vazhnye-pokazateli-kardiogrammy-s-primerami-narushenij/#Разберем_различные_виды_аритмий (дата обращения 12.12.2023).

26. Аритмии сердца. – [Электронный ресурс]. – Режим доступа URL https://meduniver.com/Medical/cardiologia/4a.html (дата обращения 25.02.2024).

27. ЭКГ: как определяется болезнь на ЭКГ, расшифровка результатов. – [Электронный ресурс]. – Режим доступа URL https://spb.medsi.ru/articles/ekg-kak-opredelyaetsya-bolezn-na- ekg-rasshifrovka-rezultatov/ (дата обращения 25.02.2024).

28. Полякова О.В. Арабидзе Г.Г. Алгоритмы ЭКГ диагностики. Учебное пособие для студентов. – М.: МГМСУ, 2020. – 90 с.

29. AHA Database Sample Excluded Record. – [Электронный ресурс]. – Режим доступа URL https://physionet.org/content/ahadb/1.0.0/ (дата обращения 25.02.2024).

Статья поступила в редакцию 24.02.2024

Статья принята к публикации 15.03.2024

УДК 69.004

EDN: QRHCSK

ТЕХНОЛОГИИ ИНФОРМАЦИОННОГО МОДЕЛИРОВАНИЯ КАК ИНСТРУМЕНТ ЦИФРОВИЗАЦИИ СТРОИТЕЛЬНОЙ ОТРАСЛИ

© Автор 2024

SPIN: 2641-8604

AuthorID: 946541

ORCID: 0000-0003-1940-1552

ГУСАРОВА Алла Александровна, аспирант

Национальный исследовательский Московский государственный строительный университет

(Россия, 129337, г. Москва, Ярославское шоссе, дом 26, e-mail: 2609gaa@gmail.com)

Аннотация. Целью данной статьи является исследование и анализ технологий информационного моделирования в контексте их роли в цифровизации строительной отрасли. Информационное моделирование представляет собой ключевой инструмент для автоматизации процессов инвестиционно-строительных проектов, способствуя повышению эффективности, оптимизации ресурсов, улучшению качества проектирования и управлению жизненным циклом объектов строительства. В рамках исследования были рассмотрены методы и подходы, используемые в информационном моделировании для цифровизации строительной отрасли. Особое внимание уделено анализу применения BIM (Building Information Modeling), его влияния на процессы проектирования, строительства, эксплуатации и утилизации объектов и существующим проблемам. Результаты исследования представляют собой обобщение и систематизацию современных подходов к использованию технологий информационного моделирования в строительной отрасли. Исследование позволило выделить ключевые аспекты, способствующие улучшению процессов в контексте цифровизации строительной области, текущихе проблем и предложить варианты их решения. Исследование выводит на повестку дня важность интеграции информационного моделирования в сферу строительства в контексте цифровизации, предлагая практические методы и рекомендации для оптимального использования технологий информационного моделирования в современной строительной отрасли.

Ключевые слова: технологии информационного моделирования, ТИМ, Building Information Modeling, BIM, цифровизация, инвестиционно-строительный проект, SMART-стандарты, ЦИМ, информационные технологии, объект капитального строительства.

INFORMATION MODELING TECHNOLOGIES AS A TOOL FOR DIGITIZATION

OF THE CONSTRUCTION INDUSTRY

© The Author 2024

GUSAROVA Alla Alexandrovna, post-graduate student

Moscow State University of Civil Engineering (National Research University)

(432700, Russia, Moscow, Yaroslavskoe Shosse, 26, e-mail: e-mail: 2609gaa@gmail.com)

Abstract. The purpose of this article is to study and analyze information modeling technologies in the context of their role in the digitalization of the construction industry. Information modeling is a key tool for automating the processes of investment and construction projects, helping to increase efficiency, optimize resources, improve design quality and manage the life cycle of construction projects. The study examined methods and approaches used in information modeling for digitalization of the construction industry. Particular attention is paid to the analysis of the use of BIM (Building Information Modeling), its impact on the processes of design, construction, operation and disposal of objects and existing problems. The results of the study will represent a generalization and systematization of modern approaches to the use of information modeling technologies in the construction industry. The study made it possible to identify key aspects that contribute to improving processes in the context of digitalization of the construction field, current problems and propose options for solving them. The study highlights the importance of integrating information modeling into the construction industry in the context of digitalization, offering practical methods and recommendations for the optimal use of information modeling technologies in the modern construction industry.

Keywords: information modeling technologies, TIM, Building Information Modeling, BIM, digitalization, investment and construction project, SMART standards, DIM, information technology, capital construction project.

Для цитирования: Гусарова А.А. Технологии информационного моделирования как инструмент цифровизации строительной отрасли / А.А. Гусарова // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 25-34. – EDN: QRHCSK.

Введение. Сфера строительства в настоящее время сталкивается с необходимостью эффектив-ного управления процессами инвестиционно-строи-тельных проектов, обеспечивая высокий уровень качества, оптимизацию ресурсов и снижение затрат. Это подтверждает утвержденная Стратегия развития строительной отрасли и жилищно-коммунального хозяйства до 2030 года [1].

На данный момент существуют различные современные технологии, которые внедряются в сфере строительства. Одним из перспективных ре-шений становится применение технологий инфор-мационного моделирования (ТИМ), которые влияют на все этапы жизненного цикла строительных объектов. Применение BIM (Building Information Modeling) и других современных подходов к информационному моделированию представляет со-бой ключевой фактор цифровизации строительной отрасли. Информационное моделирование позволяет формировать данные об объекте управления в виде систематизированных сведений, которые могут быть использованы в различных бизнес-процессах и при применении других технологий.

Анализ последних исследований (Шестаков К.И., Соколов И.М., Пирогов М.А., Соловьев С.Г. [2], Мирошкин Н.В [3], и др.[4, 5]) показывает, что тех-нологии информационного моделирования активно внедряются в сферу строительства, однако, все еще существует необходимость в комплексном анализе их внедрения и влияния на процессы управления и планирования строительства, а также в выделении неразрешенных частей общей проблемы, таких как потребности в формирование и корректировка нормативной базы с учетом особенностей цифро-визации строительства, потребности в улучше-нии взаимодействия между участниками проекта, оптимизация стоимости проектов и повышение эффективности управления жизненным циклом зданий.

В текущее время BIM используется для создания цифровой информационного модели (трёхмерной модели) объекта капитального строительства (ЦИМ) на этапе проектирования, так как для совместного взаимодействия проектной группы, автоматизации работы проектировщиков и визуализации проектных решений BIM доказал свою эффективность. Однако, на этапе строительства практика применения BIM не так распространена. Таким образом, сейчас ЦИМ используется для формирования проектное документации (проектной, рабочей и исполнитель-ной) [6]. Но потенциал этой технологии значительно больше. Одним из возможных вариантов приме-нения ЦИМ (рис. 1) является её использование в качестве общей базы данных об объект, вместо проектной и иной документации, в той степени, в которой это является целесообразным. Цифровое представление объекта позволяет автоматизировать процессы, связанные с его управлением в части экспертизы, различных проверок, контроля и управ-ления процессов строительно-монтажных работ (СМР), строительного контроля, эксплуатации и т.д. Реализация данного варианта развития представляет собой достаточно сложную задачу, так как требует изменения бизнес-процессов внутри реализации ин-вестиционно-строительных проектов и изменения части нормативной базы в строительной области.

Рисунок 1 – Обобщенная схема процессов на разных этапах жизненного цикла объекта капитального строительства

Важен непрерывный обмен и актуализация данных об объекте, так как на основе актуальных данных возможен качественный анализ для принятия наиболее эффективных решений. Обычно наиболь-шее количество рисков сосредоточено на начальных этапах проекта из-за большой степени неопределен-ности, обусловленной ограниченной информацией о дальнейшем ходе проекта [7]. Приближаясь к завершению проекта и расширяя информационную базу о нем, риски, связанные с управлением проектом, обычно снижаются. Таким образом, наличие актуаль-ной и доступной информация о состоянии проекта позволяет более эффективно управлять им.

Актуальность данного исследования обусловлена необходимостью комплексного понимания современ-ных вызовов и возможностей, которые представляют собой технологии информационного моделирования в контексте цифровизации строительной отрасли. Разработка эффективных методов и инструментов, позволяющих применять данные технологии в повседневной практике строительства, становится важной научной и практической задачей, нацеленной на повышение качества и эффективности управления строительными проектами.

Таким образом, данная статья направлена на обобщение современных подходов к использованию технологий информационного моделирования в сфере строительства, обоснование их актуальности и практической значимости для различных участников строительного процесс. Исследование позволило определить наиболее актуальные проблемы приме-нения ТИМ в России и сформулировать варианты решений этих проблем, которые могут позволить избежать ошибочных гипотез при внедрении ТИМ в России.

В настоящее время проблемам цифровизации отрасли строительства посвящены многочисленные научные исследования (Уткина В.Н., Грязнов С.Ю., Бабушкина Д.Р. [8] и др [9,10].

Методология. Учитывая описанные выше аспек-ты, цель настоящей работы заключается в проведе-нии комплексного исследования методов примене-ния информационного моделирования, особенно BIM, как инструмента для цифровизации строительной отрасли. Исследование включает анализ влияния технологий BIM на управление строительством, оптимизацию процессов и улучшение взаимодействия между участниками проектов.

Для достижения этой цели были применены следующие методы и методики:

1. Обзор литературы и анализ публикаций: проанализированы последние исследования и пуб-ликации, касающиеся внедрения и использования технологий информационного моделирования в строительстве. Выполнен анализ различных ме-тодов применения BIM и других технологий, а также общих тенденций, выявленных в отношении влия-ния BIM на строительную отрасль.

2. Кейс-стади и моделирование: рассмотрены несколько кейсов применения BIM на различных строительных объектах. Это позволило исследовать конкретные сценарии использования BIM, выделить успешные практики, а также выявить проблемные моменты, требующие внимания и улучшения.

Выводы полученные через методологию поз-волили сделать значимый вклад в понимание влия-ния информационного моделирования на различные аспекты строительной отрасли, описать успешные кейсы и предложить рекомендации для улучшения процессов в будущем.

Результаты. Опытным путём и с помощью анализа исследований (Mousharbash, N [11], Smith P.[12],Savey L., Daradkeh I.I., Gouveia L.B.[13]) в рассматриваемой области были выделены основные процессы управления проектом, в которых приме-нение BIM позволит повысить информативность таких процессов. Данные цифровой информацион-ной модели могут применяться в процессах проек-тирования объекта, процессах экспертизы проектных решений на соответствие различным требованиям, при управлении стоимостью реализации проекта, в процессе строительного контроля по результатам выполнения строительно-монтажных работ, для формирования и передачи разрешительных и от-четных документов в различные ведомственные системы, при эксплуатации объекта и планировании развития территорий и города .

Важно сказать, что это часть наиболее очевидных процессов для внедрение в них технологий инфор-мационного моделирования, но область применения информационного моделирования в строительстве потенциально намного шире.

В таблице 1 описаны текущие возможности и сопутсвующие проблемы при применении ТИМ в контексте цифровизации процессов в строительной области.

Стоит выделить общие аспекты внедрения ТИМ, как инструмента цифровизации строительной отрасли, с учётом комментариев автора:

1) Уровень отечественного нормативного и методического обеспечения ТИМ в строительной отрасли на данный момент находится на низком уровне [32, 33]. На данный момент нормативная база, регламентирующая применение ТИМ, только в процессе формирования. На момент 2024 года утвержден ряд нормативных документов, в том числе ГОСТ Р 10.00.00.00-2023 «Единая систе-ма информационного моделирования. Основные положения» и ПНСТ 909-2024 «Требование к циф-ровым информационным моделям объектов неп-роизводственного назначения. Часть 1. Жилые зда-ния», что является важным шагом для развития системы нормативной базы для повышения уровня цифровизации строительной отрасли.

Кроме этого, важным является использовать принципы цифровизации и при формировании самой нормативной базы. В 2024 году утверж-ден документ ПНСТ 864-2023 «Умные (SMART) стандарты. Общие положения» с датой введения в действие 01.02.2024. Применение подходов SMART-стандартизации позволит эффективнее внедрять и соблюдать разработанные на её основе документы в различных отраслях.

2) Единое развитие программного и технического обеспечения в области ТИМ, позволит исполь-зовать единые подходы в работе и снизить потери информации при обмене данными в программных продуктах разных вендоров. Внедрение общего языка цифровизации строительной отрасли [34, 35] поз-волит вывести единые методики работы, автоматизи-ровать различные процессы и конкретнее определить вектор дальнейшего развития технологий в области строительства. Важным также является готовность разработчиков специализированных программных продуктов для ТИМ идти навстречу пользователям в части доработки функционала систем [36].

3) Государственная поддержка при внедрении новых технологий позволяет снижать затраты на развитие инфраструктуры предприятий для обес-печения применения ТИМ в работе и переобучения специалистов.

4) Подготовка квалифицированных кадров путём обучения и переобучения актуальным запросам рынка в области ТИМ является важной задачей для развития отрасли [37]. Неготовность кадров к применению новых программных инструментов, отсутствие знаний о принципах формирования и обмена информации в соответсвии с отраслевыми стандартами является одним из главных препятствий при внедрении новых технологий в процесс работы.

Таблица 1 – Возможности и текущие проблемы ТИМ

№	Возможности ТИМ	Описание	Текущие проблемы и варианты их решения
1	Автоматизация процессов проектирования	Эффективность применения BIM в процессе проектирования доказана на практике тем, что данная технология позволяет организовать совместную работу смежных специалистов в общем пространстве модели, получать актуальную информацию об изменениях у смежных специалистов, проводить автоматические проверки модели и использовать гибкие инструменты автоматизации различных процессов[14]. Среда общих данных может позволить проводить согласование проекта на основе ЦИМ с передачей замечаний сразу в системы автоматизированного проектирования (САПР) для их отработки исполнителями.	Развитые системы автоматизированного проектирования, используемые на практике в России, официально недоступны для работы из-за санкций. Проблема заключается в том, что все крупные компании организовывали свою работу в части BIM на основе ушедших зарубежных вендоров САПР. Переход на другие системы требует серьезных затрат. Другая проблема связана с тем, что отечественные аналогичные программные продукты отстают по функционалу от зарубежных. Также существует проблема высокой стоимости внедрения ТИМ. Решение: 1) Установление партнерских отношений с более доступными поставщиками программного обеспечения из дружественных стран. 2) Развитие системы государственной поддержки или финансирования для перехода на инновационные решения. На данный момент уже существуют программа финансирования пилотных тестирований инновационных решений на городских площадках Москвы. 3) Разработка гибких финансовых моделей или иных инструментов, позволяющих снизить затраты на внедрение технологий информационного моделирования. Развитие системы субсидий и льгот для проектов, где применяются ТИМ и иные иновационные решения.
			Отсутствие достаточной системы нормативно-технической документации и общепринятой методологии применения ТИМ на разных этапах ЖЦ объекта капитального строительства в России. Компании разрабатывают внутренние стандарты работы и организовывают в соответствии с ними внутренние процессы. Решение: 1) Необходима разработка методологий и системы стандартов и сводов правил для применения ТИМ, охватывающих все этапы жизненного цикла объектов капитального строительства. В феврале 2024 года в области ТИМ принят ПНСТ 909-2024, который описывает единые требования к ЦИМ. Апробация методологических подходов может быть выполнена в Москве, как наиболее передовом регионе России, и передана региональным участникам строительной отрасли для внедрения и адаптации ТИМ под их запросы.
			Проблема квалификации кадров также является актуальной. Специалистов, которые могут работать с BIM, мало. Опытные специалисты редко готовы менять технологии работы. В ВУЗах программы обучения профильных специалистов начинают включать технологии информационного моделирования. Относительно низкая оплата труда в строительной сфере по сравнению со сферой информационных технологий, вынуждает специалистов с высоким уровнем навыков в технологиях информационного моделирования переходить из строительной сферы в более высокоплачиваемую сферу ИТ. Решение: 1) Проведение обучения и подготовки персонала для работы с новыми системами, с акцентом на эффективное использование доступных аналогов. 2) Развитие кадрового потенциала компаний для успешной интеграции и использования новых технологий. 3) Проведение семинаров, конкурсов, стажировок для обучающихся школьников и студентов позволит привлечь внимание к профессии и самостоятельно подготовить квалифицированные кадры.

Продолжение таблицы 1

№	Возможности ТИМ	Описание	Текущие проблемы и варианты их решения
2	Автоматизация экспертизы проектных решений	ЦИМ представляется в машиночитаемом и машинопонимаемом формате, это позволяет автоматизировать работу с ней в разных аспектах. На данный момент существуют как зарубежные, так и отечественные программные продукты, которые позволяют проверять ЦИМ на содержание требуемой информации, коллизии и различные требования, в том числе нормативные. Таким образом, можно проверять расположение элементов модели, их геометрические параметры, характеристики, расстояние между элементами и т.д. Кроме того, трёхмерная визуализация объекта упрощает проверку для эксперта. Указанные преимущества применения BIM значительно сокращают время экспертизы проектных решений и повышают качество и безопасность проекта [15].	На данный момент программные инструменты позволяют реализовывать относительно простые проверки в части требований. Т.е. требования со сложными условиями в ЦИМ проверить автоматически затруднительно. Решение: 1) Необходимо развитие функционала специализированных программ в области ТИМ с учётом специфики проверок на соответсвие требованиям. Выявить указанную специфику помогут пилотные проекты, направленные на анализ нормативных требований с учётом концепции представления информации в ЦИМ.
			Отсутствует база машиночитаемых требований к объекту капитального строительства. Нормативно-техническая база в текущем её виде не поддается автоматической обработке и анализу, так как текст нормативных документов написан в человековоспринимаемой форме и представлен не в машиночитаемых и не машинопонимаемых форматах. Решение: 1) Необходим новый подход к формированию нормативной базы. Таким подходом может быть применения SMART-стандартов, где предусматривается наличие машиночитаемого и машинопонимаемого формата. Кроме этого, цифровизация нормативной базы позволит выявить коллизии в самих требованиях между разным нормативно-техническими документами [16,17]. 2) Необходимо развитие существующих стандартов проверки соответствия требованиям ЦИМ ( например, IDS) или разработка самостоятельных отечественных стандартов и форматов формирования машинопонимаемых и машиночитаемых правил проверок ЦИМ.
3	Автоматизация процесса управления стоимостью	Электронно представление объекта в виде ЦИМ позволяет автоматизировать процесс расчёта технико-экономических показателей, формирование ведомостей объёмов работ и смет. Также в процессе изменений, вносимых в объект и отображаемых в ЦИМ, можно выполнить перерасчёт и оценить изменения.[18-22] При формировании графика работа используется 4D моделирование, учитывающее время строительства, что позволяет отслеживать ход работ, прогнозировать изменения сроков и принимать актуальные управленческие решения [23-25].	Отсутствие стандартов, нормативной базы и четко выработанных нормативных документов затрудняет применение BIM для целей управления стоимостью. Это усложняет процессы взаимодействия сметчиков и иных специалистов. Решение: 1) Необходима разработка методологий и подходов к применению ТИМ для задач формирования сметных документов проекта, основанных и апробированных в пилотных проектах.
			На данный момент существует отечественное программное обеспечение, которое позволяет формировать ведомости объемов работ и сметную документацию на основе ЦИМ, например LARIX (ООО "АЙБИМ"), АВС (ООО НПП «АВС-Н»), BIMIT (ООО"БИМИТ" и др.). Однако, в России практика оценки и управления стоимостью на основе ЦИМ небольшая. Решение: 1) Финансирование,субсидирование и выделение грантов для пилотных проектов с применением ТИМ.
			Дефицит квалифицированных кадров в части BIM. Опытные инженеры-сметчики редко применяют в своей работе BIM, а у специалистов, которые имеют навык работы с BIM, может быть недостаточно опыта для составления качественной сметы. Таким образом, наблюдается недостаток специалистов с необходимыми навыками [26]. Решение предложено в п.1 данной Таблицы.

Продолжение таблицы 1

№	Возможности ТИМ	Описание	Текущие проблемы и варианты их решения
4	Автоматизация процесса стройконтроля	Применение BIM позволяет автоматизировать мониторинг строительных процессов на основе данных цифровых моделей, поддерживать более точный контроль за поведением проекта в реальном времени и в автоматическом режиме, формировать и передавать замечания в ЦИМ, а также обеспечивать точное сопоставление фактических результатов и планируемых задач, например при совместном применении BIM и технологии 3D-сканирования. В результате реализуется возможность оперативно выявлять и исправлять отклонения, минимизируя риски и повышая эффективность процесса строительства [27].	Высокая стоимость программных инструментов и устройств для их использования на строительной площадке затрудняет внедрение ТИМ в практику компаний. Решение: 1) Финансирование,субсидирование и выделение грантов для пилотных проектов с применением ТИМ.
			Дефицит квалифицированных кадров, обладающих навыками работы с ТИМ инструментами. Решение предложено в п.1 данной Таблицы.
			Нередко BIM модели охватывают только визуальные аспекты, но могут упускать другие важные параметры, такие как управление ресурсами и технологические решения, что снижает полезность BIM в стройконтроле. На данный момент существует отечественный продукт 7D Modeler, позволяющий прогнозировать и планировать управление ресурсами на этапе строительства. Решение: 1) Необходимо исследовать возможности интеграции дополнительных параметров, таких как управление ресурсами и технологические решения, в BIM модели. 2) Разработка пользовательских дополнений или плагинов для BIM программного обеспечения, чтобы расширить возможности моделирования.
			Отсутствие общепринятых методик и регламентов, обеспечивающих реализацию процессов стройконтроля с применением ТИМ. Решение предложено в п.1 данной Таблицы.
5	Автоматизация процесса передачи данных об объекте между системами различных ведомст (интеграция систем)	Систематизация и автоматизация процессов обмена информацией по объекту между разными ведомствами позволит сократить количество бюрократических процедур, связанных с предоставлением информации участников проектов различным ведомствам.	Отсутствие достаточной интеграции и взаимосвязи между различными ведомствами приводит к тому, что, например, застройщик вынужден дублировать одну и туже информацию при предоставлении её в разные ведомства. Решение: 1) Необходима единая информационная платформа, интегрирующая всех необходимых участников инвестиционно-строительного проекта, аналог «Единого портала государственных услуг Российской Федерации», но в строительной области. Такая платформа должна обеспечивать взаимодействие и обмен информацией в одной среде разным организациям, ведомствам и другим учреждениям.
			Поскольку BIM-модели содержат большое количество конфиденциальной информации, включая данные о проектах, материалах и технологиях, необходимы строгие меры безопасности для защиты этих данных от утечек или несанкционированного доступа. Решение: 1) Необхоимо внедрение многоуровневых методов аутентификации и шифрования для защиты BIM-моделей и связанных данных. 2) Систематический анализ и устранение обнаруженных рисков безопасности для предотвращения возможных утечек информации. 3) Хранения BIM-моделей на защищенных облачных платформах с возможностью шифрования данных и контроля доступа.
			Нередко возникают проблемы с интеграцией BIM в уже используемые системы управления и контроля, особенно в сфере планирования развития инфраструктуры. Решение: 1) Определите проблемные моменты и решите их на ранних этапах внедрения, чтобы улучшить процесс интеграции в целом. Могут проводиться пилотные проекты для тестирования интеграции между BIM и системами управления. 2) Разработка общих стандартов и протоколов данных для обмена информацией между BIM и системами управления и контроля. 3) Определить совместимость форматов данных и определите четкие процедуры и правила для интеграции. 4) Разработка прикладных программных интерфейсов (API), позволяющих эффективно интегрировать BIM и системы управления.

Продолжение таблицы 1

№	Возможности ТИМ	Описание	Текущие проблемы и варианты их решения
6	Автоматизация процессов при эксплуатации объекта	BIM обеспечивает возможность подробного виртуального анализа и планирования обслуживания объектов. Благодаря детальной информации в BIM-моделях, управляющие компании могут более точно определить потребности в обслуживании и запасных частях, что в конечном итоге снижает затраты на обслуживание. BIM позволяет проводить анализ безопасности и устойчивости строительных объектов, что способствует раннему выявлению потенциальных рисков и улучшению безопасности эксплуатации. Благодаря возможности анализа энергопотребления и эффективности систем, BIM обеспечивает инструменты для создания более эффективных решений по управлению энергией и ресурсами на этапе эксплуатации.	Отсутствие единого стандарта, нормативной базы и четко выработанных нормативных документов затрудняет широкое применение BIM в строительной отрасли. Это усложняет согласование процессов эксплуатации с требованиями BIM. Решение предложено в п.1 данной Таблицы.
			Отсутствие запроса на применение ЦИМ со стороны эксплуатирующих организаций. Решение: 1) Различные методы финансовой поддержки могут стимулировать интерес к инновационным решениям, в том числе ТИМ.
			Нехватка квалифицированных специалистов: Внедрение BIM требует наличия высококвалифицированных специалистов, способных работать с BIM-моделями и адаптировать их для процессов эксплуатации. Недостаток подготовленных кадров может замедлить внедрение этой технологии. Решение предложено в п.1 данной Таблицы.
			Проблемы взаимодействия с существующими системами управления: Существующие системы управления объектами капитального строительства могут быть несовместимы с BIM. Это создает трудности в интеграции BIM для улучшения процессов эксплуатации. Решение в части проблем интеграции BIM и существующих систем предложено в п.5 данной Таблицы.
			Защита данных и конфиденциальность информации, содержащейся в BIM моделях, представляет собой значительную проблему, особенно в публичном секторе и при участии государственных заказчиков. Решение в части проблем безопасности предложено в п.5 данной Таблицы.
7	Автоматизация документооборота, архивации	ЦИМ может быть использована как база данных, на основе которой возможно формировать документы для различных задач, а также ЦИМ может содержать ссылки на необходимую информацию и документы. ЦИМ позволяет сохранять и архивировать информацию о проектах для будущих потребностей.	Отсутствие методик применения и использования ЦИМ на протяжении всего жизненного цикла. Нет достаточной информации и практики об передаче данных между разными этапами ЖЦ и о способе применения ЦИМ для различных задач на каждом этапе ЖЦ объекта. Решение предложено в п.1 данной Таблицы.
8	Автоматизация процессов планирования развития инфраструктуры и территорий	BIM может позволить планировать развитие инфраструктуры с учетом всех пространственных особенностей территории. BIM облегчает взаимодействие между различными участниками процесса планирования развития инфраструктуры, такими как градостроители, инженеры, архитекторы и заказчики, обеспечивая более эффективное общение и совместную работу. BIM позволяет проводить анализ обслуживания и управления инфраструктурой в долгосрочной перспективе, что способствует принятию более информированных решений на этапе планирования развития территорий [28,29].	В России отсутствует общепринятая методология применения BIM в планировании инфраструктуры и территорий, что затрудняет стандартизацию процессов и координацию между участниками проектов. Решение предложено в п.1 данной Таблицы.
			Проблемы с качеством данных, их полнотой и согласованностью, особенно при объединении информации от различных источников. Решение: 1) Формирование единых подходов к верификации и валидации BIM модели позволит выполнять эффективный контроль качества данный, представленных в моделе.

Продолжение таблицы 1

№	Возможности ТИМ	Описание	Текущие проблемы и варианты их решения
8	Автоматизация процессов планирования развития инфраструктуры и территорий	Детальная проработка информации позволит повысить уровень управления городом и его устойчивость[30], а именно: - выполнять грамотное городское планирование с учетом контекста окружающей среды; - моделировать и выявлять потенциально опасные территории; - управлять в условиях чрезвычайных ситуаций (обеспечение готовности к стихийным бедствиям, предотвращение стихийных бедствий, ликвидация их последствий) [31]; - формировать комфортную городскую среду и безопасную экологию; - выполнять благоустройство территории и рациональное ее использование; - проводить оперативную инвентаризацию элементов инфраструктуры города (столбы, подеревная съемка, остановки общественного транспорта и т. д.); - более корректно устанавливать стоимость текущих и перспективных работ за счет точной оценки планируемых объемов; - эффективно управлять городом без выезда на территорию	Трудности в создании централизованных и объединенных BIM-моделей, особенно в масштабе городского планирования из-за сложности объединения данных различных типов инфраструктуры. Решение: 1) Разработка и применение единых стандартов данных для различных типов инфраструктуры, обеспечивающих совместимость и интероперабельность данных. 2) Согласование принципов работы между разными участниками процесса городского планирования для создания централизованных BIM-моделей. 3) Определение процессов обмена данными и согласования между командами, чтобы обеспечить единство и целостность моделей. 4) Создание централизованной информационной моделигорода, которая учитывает сложности объединения данных.
			Несовместимость форматов данных между различными программными решениями и системами, усложняющая обмен информацией между участниками процесса. Использование открытых стандартов данных: Решение: 1) Использованию форматов данных, основанных на открытых стандартах, таких как Industry Foundation Classes (IFC) или альтернативных, для представления информации в BIM-моделях.Это обеспечит совместимость между различными программными решениями BIM . 2) Интеграционные платформы могут помочь сгладить различия в форматах данных и обеспечить более эффективный обмен информацией.
			Проблемы с интеграцией BIM в уже существующие инженерные и геоинформационные системы, что затрудняет совместное использование данных и совместимость. Решение представлено выше в п.8.
			Недостаточность современной инфраструктуры и вычислительных ресурсов для эффективной работы с крупными BIM-моделями. Решение: 1) Переноса крупных BIM-моделей на облачные серверы с более мощными вычислительными ресурсами. 2) Использование средств и методов оптимизации, чтобы уменьшить нагрузку на вычислительные ресурсы при работе с моделями (удаления ненужных деталей или применения упрощенных версий моделей для уменьшения объема данных)

Данное исследование объединяет взгляды различных ученых и специалистов в области строи-тельства на применение технологий информа-ционного моделирования в строительной отрасли, подчеркнув важность оценки влияния BIM на эффективность и результативность строительных проектов.

Полученные результаты полностью соответст-вуют целям статьи, представляя описание текущего состояние и перспектив внедрения информационного моделирования в практику строительной отрасли России.

Методика исследования включала обширный обзор литературы, анализ реальных проектов, а также применение моделирования для анализа внедрения BIM на практике.

Полученные результаты представлены в виде подробной таблицы с определенными возможностями и проблемами в области применения технологий информационного моделирования. Для каждой проблемы автор сформулировал варианты решений, которые могут служить основой для исследования решений определённой проблемы.

Обсуждение. Проведенное исследование поз-волило сравнить полученные результаты с данными других статей (Юшкин И.И., Аламиди Ш.Г.Х., Ста-шевская Н.А.[38], Петроченко М. В., Недвига П. Н. и др. [39]), посвященных аналогичной тематике. Сделан вывод, что эффективное внедрение информацион-ного моделирования, в сочетании с привлечением современных технологий, действительно оказывает существенное влияние на различные аспекты управ-ления строительными проектами, предоставляя новые возможности в работе. Разбор и обобщение полученных результатов выявили значительный прогресс в управлении строительными проектами с использованием BIM, особенно в сокращении сроков и улучшении качества работ.

Были выделены ключевые аспекты, которые заслуживают дополнительного разъяснения и анализа. Прежде всего, сравнение результатов данного исследования с предшествующими исследованиями выявило несколько важных отличий и сходств. Современные методы информационного моделирования, особенно BIM, действительно оказывают влияние на управление строительными проектами, подтверждая тем самым важность правильного внедрения данных технологий для повышения качества работы в строительной отрасли.

Эффективное применение информационного моделирования, в сочетании с инновационными технологиями, создает новый уровень перспектив для управления строительными проектами. Это отражается в улучшении процессов и повышении результативности проектов.

Однако, было обнаружено, что на практике на текущий момент нет универсального подхода к внедрению BIM, и важно учитывать контекст каждого конкретного проекта для достижения оптимальных результатов.

Также было уделено внимание различиям и сходствам между проведенным исследованием и другими проектами, посвященными области информационного моделирования в строительстве. Анализ не только методов, но и результатов исследований, позволил выявить позитивные и негативные аспекты применения BIM, выделить успешные практики и определить области для улучшения в будущем.

Выводы. Полученные результаты не противоречат существующим данным и исследованиям, однако дополняют их представляют собой комплексный подход к анализу состояния процессов внедрения технологий информационного моделирования в строительные процессы.

Проведенное исследование имеет практическое значение, так как позволяет выявить текущие проблемы в рассматриваемой области и оценить дополнительные возможности развития. Рассмотрены актуальные вопросы применения ТИМ в строительстве и предложены варианты решения по каждой выявленной проблеме.

В ходе исследования были получены ряд существенных результатов, которые подтверждают важность использования информационного моде-лирования в строительной отрасли. Полученные выводы подчеркивают значимость правильного внедрения BIM для оптимизации процессов и повышения эффективности управления строи-тельными проектами. Дальнейшие изыскания в данном направлении могут быть направлены на более детальное изучение проблем и решений в сфере BIM в отрасли строительства.

СПИСОК ЛИТЕРАТУРЫ:

1. Распоряжение Правительства РФ от 31 октября 2022 г. № 3268-р Об утверждении Стратегии развития строительной отрасли и жилищно-коммунального хозяйства РФ на период до 2030 г. с прогнозом до 2035 г.

2. Шестаков К.И., Соколов И.М., Пирогов М.А., Соловьев С.Г. Опыт АО «НПО «РИВС» в BIM [ТИМ] проектирования // Горная промышленность. – 2021. – №5-2. – С.42-52.

3. Мирошкин Н.В. Технический анализ существующих решений в рамках создания IT-системы проектирования работ по благоустройству и строительству // Вестник науки. – 2024. – №1 (70) Том 3. – С.679-682.

4. Крохин Д.Н. Как применение новейших технологий в архитектуре упрощает создание строительных проектов // Инновации и инвестиции. – 2023. – №7. – С.343-347.

5. Ожгибесова К.Е., Мингареева Р.Р., Сондуева С. Р. Технологии информационного моделирования (ТИМ) в строительстве РФ: Особенности применения на различных стадиях жизненного цикла объекта // Гуманитарные, социально-экономические и общественные науки. – 2021. – №11-1. – С.157-159

6. Фонтокина В.А., Савенко А.А., Самарский Е.Д. Роль BIM-технологий в организациях и технологии строительства // Вестник еврейской науки. – 2022. – №1.– Том 14.

7. Da Silva T.F.L. , Arroteia A.V., Melhado S.B. et al.Exploring the influence ofrisks in BIM implementation: a review exploring BIM criticalsuccess factors and bimimplementation phases // Journal of Modern Project Management. – 2021. – Vol. 8, № 3. – P. 125-135.

8. Уткина В.Н., Грязнов С.Ю., Бабушкина Д.Р. Проблемы и перспективы внедрения технологии информационного моделирования в области строительства в России: проблемы и перспективы внедрения // Основы ЭУП. – 2019. – №1 (19). – С.57-61

9. Гусарова, А.А. Технологии информационного модели-рования в России // Актуальные вопросы современной науки и практики: Сборник научных статей по материалам X Международной научно-практической конференции. В 2 частях, Уфа, 20 января 2023 года. Том Часть 2. – Уфа: ООО "Научно-издательский центр "Вестник науки", 2023. – С. 271-276.

10. Савина А.Г., Малявкина Л.И., Савин Д.А. Теоретико-методологические основы построения цифровой инфраст-руктуры управления объектами капитального строительства на базе BIM // Russian Journal of Economics and Law. – 2023. – №1. – С.90-109

11. Mousharbash, N. BIM based development of bill of materials with case studies.// BIM A+ International Conference 30th September and 1st October, 2021. Pp. 38-39

12. Smith P. BIM Implementation – Global Strategies // Procedia Engineering. – 2014. – Vol. 85. – Pp. 482-492.

13. Savey L., Daradkeh I.I., Gouveia L.B. The Success of Startups Through Digital Transformation // International Journal of Open Information Technologies. – 2020. – № 5(8). – Pp. 53-56.

14. Дорофеев Е.П. BIM-системы как инновационные инструменты в проектировании и строительстве // Экономика строительства. – 2023. – №7. – С.55-57.

15. Lu, P. Gong, Y. Tang et al. BIM-integrated construction safety risk assessment at the design stage of building projects // Automation in construction. – 2021. – Vol. 124. – P. 103553.

16. Муромцев Д.И., Шилин И.А., Плюхин Д.А., Баймуратов И.Р., Хайдарова Р.Р., Дементьева Ю.Ю., Ожигин Д.А., Малышева Т.А. Построение графов знаний нормативной документации на основе семантического моделирования и автоматического извлечения терминов // Научнотехнический вестник информационных технологий, механики и оптики. – 2021. – Т. 21. – № 2. – С. 256-266.

17. Глухов Н.И., Наседкин П.Н. Разработка элементов онтологии комплексной системы защиты информации предприятия // «Информационные технологии и матема-тическое моделирование в управлении сложными систе-мами»: электрон. науч. журн. – 2021. – №1(9). – С. 35-42.

18. А.А. Трегубова, Е.В. Мишкина Управление стои-мостью проекта строительства индивидуального жилого дома с применением BIM-технологий // Современные техно-логии в строительстве. Теория и практика. – 2020. – Т. 1. – С. 306-311.

19. Курбатова, А.Д. Управление стоимостью строи-тельства на основе BIM технологий // Modern Science. – 2021. – № 11-3. – С. 92-95.

20. Ю.Г. Кислякова, Е.Д. Докучаева, К.В. Угланов. Роль BIM - технологий в оценке стоимости строительства // Фотинские чтения. – 2018. – № 1(9). – С. 102-104.

21. Diogo Ferronato. BIM-based cost estimation at early stages based on historical data, Erasmus Mundus Joint Master Degree Programme -ERASMUS+, European Master in Building Information Modelling BIM A+, September 2020.

22. Hari Krishna Krishnakumar, BIM-based optimization of the data acquiring process for construction and operational cost calculation, Technical University of Munich, 14. December 2021.

23. Дмитриева Т.Л., Ященко В.П., Курышов И.А. BIM как средство сквозного проектирования, технологии возведения и эксплуатации // Известия вузов. Инвестиции. Строительство. Недвижимость. – 2023. – №2 (45). – C.252-261.

24. Wan Abdul Basir, Wan Nor Fa'Aizah & Ujang, Uznir & Majid, Zulkepli. (2023). Adaptation 4D and 5D BIM for BIM/GIS data integration in construction project management. IOP Conference Series: Earth and Environmental Science.

25. Attia, E. 2020. Workflows for the Automation of 4D/5D simulation.,Master Th. Ljubljana, UL FGG, Second cycle master study programme Building information modelling - BIM A+.

26. Гудзь С.В. Gроблемы интеграции сметного ценооб-разования в технологии информационного моделирования // Столыпинский вестник. – 2023. – №4. – C.1714-1718.

27. Сиргалин Р.Р., Эльшейх А.М. Повышение качества строительного контроля на основе технологий BIM // Системные технологии. – 2022. – №4 (45). – С.49-53.

28. Алябьев А.А., Иванов А.Е., Кобзев А.А., Никитин В.Н. Фотограмметрия в развитии городских агломераций // Вестник СГУГиТ. – 2022. – №1. – С.30-41.

29. El Haite, Anouar & Boton, Conrad.An Integrated BIM-GIS Dashboard to Improve BIM Coordination. – 2023.

30. Saeed, Yousif. Bim Technology Strategies in Designing Sustainable Cities. The Journal of University of Duhok. 2023.

31. Шеина С.Г., Новоселова И.В., Дементеев Д.С. Применение технологий информационного моделирования при возникновении чрезвычайных ситуаций // ИВД. – 2023. – №1 (97).

32. B. Manzoor, I. Othman, S. S. S. Gardezi et al. BIM-Based Research Framework for Sustainable Building Projects: A Strategy for Mitigating BIM Implementation Barriers // Applied sciences (Switzerland). – 2021. – Vol. 11. – № 12. – P. 5397.

33. Shi, Haotian. Development and Challenges of BIM in the Construction Industry in China and Australia. Highlights in Science, Engineering and Technology. – 2023.

34. Шахраманян М.А., Куприяновский В.П., Климов А.А. Открытый BIM и автоматизированный учет объемов строительства: от машиночитаемых стандартов до реализации // International Journal of Open Information Technologies. – 2022. – №10. – С.128-147.

35. Шилкина С.В., Иванова О.В. Выбор программного обеспечения при реализации проектов на основе технологий информационного моделирования // Строительство и архитектура. – 2023. – №. 2. – С. 13-13.

36. Savey L., Daradkeh I.I., Gouveia L.B. The Success of Startups Through Digital Transformation // International Journal of Open Information Technologies. – 2020. – № 5(8). – P.53-56

37. Ponzio, Angelica & Filho, Dirceu & Weijh, Leticia & Mesquita, Morgana & Diehl, Natália & Schulz, Victor. (2023). Capacitação BIM para docentes: Módulo I. ENCONTRO NACIONAL SOBRE O ENSINO DE BIM.

38. Юшкин И.И., Аламиди Ш.Г.Х., Сташевская Н.А. Проблемы и преимущества внедрения BIM на предприятиях строительной отрасли // Строительная механика инженерных конструкций и сооружений. – 2022. – Т. 18. – No 2. – С.172-181.

39. Петроченко М.В., Недвига П.Н., Кукина А.А., Шерстюк В.В. Классификация строительной информации в BIM с использованием алгоритмов искусственного интел-лекта // Вестник МГСУ. – 2022. – №11. – С.1537-1550.

Статья поступила в редакцию 30.01.2024

Статья принята к публикации 15.03.2024

УДК 005. 53; 004.942

EDN: QZBKSV

УПРАВЛЕНИЕ ПРОФИЛАКТИЧЕСКИМИ РАБОТАМИ ПО ПРЕДОТВРАЩЕНИЮ ПОЖАРОВ

АВТОМОБИЛЕЙ НА АВТОТРАНСПОРТНОМ ПРЕДПРИЯТИИ

©Автор(ы) 2024

SPIN:3913-7751

AuthorID: 586844

ORCID: 0000-0002-2407-5061

МОТОРЫГИН Юрий Дмитриевич, доктор технических наук, профессор,

профессор кафедры криминалистики и инженерно-технических экспертиз

Санкт-Петербургский университет Государственной противопожарной службы МЧС России

(196105, г. Санкт-Петербург, Московский пр-кт, д. 149, e-mail: fire-risk@mail.ru)

SPIN: 2838-2550

AuthorID:634849

ORCID: 0000-0003-3524-0568

ЛИТОВЧЕНКО Ирина Олеговна, кандидат технических наук, доцент кафедры трудового права

Санкт-Петербургский университет Государственной противопожарной службы МЧС России

(196105, г. Санкт-Петербург, Московский пр-кт, д. 149, e-mail: litovchenko.irina@bk.ru)

SPIN: 1117-1748

AuthorID:1122241

ORCID: 0000-0002-2934-2536

ТОПИЛКИН Павел Сергеевич, старший преподаватель кафедры криминалистики и

инженерно-технических экспертиз

Санкт-Петербургский университет Государственной противопожарной службы МЧС России

(196105, г. Санкт-Петербург, Московский пр-кт, д. 149, e-mail: kyb.valery@yandex.ru)

Аннотация. В статье рассмотрены вопросы управления техническим обслуживанием и проведения ремонтных работ на предприятиях автомобильного транспорта. В настоящее время пожары, возникающие от неисправностей в электросети, вышли на первое место. Особенно опасны пожары на небольших автотранспортных предприятиях с низкой рентабельностью. На таких предприятиях обеспечить надежную пожарную безопасность в условиях рыночной экономики часто бывает затруднительно. Автомобильный парк таких предприятий имеет автомобили разного года выпуска, что усложняет проведение ремонтных работ. Профилактика и ликвидация пожароопасных режимов в электросети автомобилей на каждом жизненном этапе функционирования автомобиля имеет свою специфику. Разработанные математические модели позволяют получить информацию о вероятности возникновения пожароопасного аварийного режима в электросети автомобиля в зависимости от срока его эксплуатации. Предлагается использовать полученную информацию для целенаправленного управления профилактикой и предотвращением пожароопасных режимов в электросети автомобиля. Актуальность такой информации возрастает для автомобильных парков, где различаются степень эксплуатации, марка производителя, год выпуска и использование электрических элементов в автомобиле. Для реализации методики управления профилактическими работами разработан программный комплекс. Этот математический комплекс позволяет создавать базу данных автомобилей и проводить оценку пожарной безопасности электросети автомобилей.

Ключевые слова: автотранспортные предприятия, транспорт, электрооборудование, авариные режимы работы электросети, пожарная безопасность, автомобильный транспорт, математическое моделирование.

MANAGEMENT OF PREVENTIVE MAINTENANCE TO PREVENT CAR FIRES

AT A MOTOR TRANSPORT COMPANY

© The Author(s) 2024

MOTORYGIN Yury Dmitrievich, doctor of technical sciences, professor,

professor of the Department of Criminalistics and Engineering-Technical Expertise

St. Petersburg University of the State Fire Service of the Ministry of Emergency Situations of Russia

(196105, St. Petersburg, Moskovsky Avenue, 149, e-mail: fire-risk@mail.ru)

LITOVCHENKO Irina Olegovna, candidate of technical sciences, lecturer of the Department of Labor Law

St. Petersburg University of the State Fire Service of the Ministry of Emergency Situations of Russia

(196105, St. Petersburg, Moskovsky Avenue, 149, e-mail: litovchenko.irina@bk.ru)

TOPILKIN Pavel Sergeevich, senior lecturer at the Department of Criminology and Engineering Expertise

St. Petersburg University of the State Fire Service of the Ministry of Emergency Situations of Russia

(196105, St. Petersburg, Moskovsky Avenue, 149, 149, e-mail: kyb.valery@yandex.ru)

Abstract. The focus of the article is on the management of maintenance and repair work in road transport enterprises. The most pressing concern at the moment is the occurrence of fires caused by power grid malfunctions. Small motor transport enterprises with low profitability are particularly vulnerable to these fires. Ensuring reliable fire safety in such enterprises is often challenging in a market economy. The repair work is further complicated by the fact that the car fleet consists of vehicles from different production years. Each stage of the car's operation requires specific measures to prevent and address fire hazards in the electrical network. The prevention and management of fire hazardous modes in the electric network of a car can be effectively achieved by utilizing the developed mathematical models that provide valuable insights into the probability of such emergencies occurring based on the car's service life. This information can be utilized to implement targeted measures to prevent and mitigate fire hazardous modes in the car's electrical network. The importance of this information is particularly significant for car parks, where various factors such as operational intensity, brand, production year, and the utilization of electrical components may vary. The implementation of a procedure for managing preventive work has resulted in the creation of a software package. This complex mathematical tool enables the assessment of fire safety in the electric network of cars by creating a database of cars.

Keywords: motor transport enterprises, transport, electrical equipment, emergency modes of operation of the electric grid, fire safety, road transport, mathematical modeling

Для цитирования: Моторыгин Ю.Д. Управление профилактическими работами по предотвращению пожаров автомобилей на автотранспортном предприятии / Ю.Д. Моторыгин, И.О. Литовченко, П.С. Топилкин // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 35-41. – EDN: QZBKSV.

Введение. В настоящее время в России существует большое количество небольших автотранспортных предприятий (АТП) [1]. К ним относятся предприятия, осуществляющие городские и междугородние перевозки, туристические организации и ведомственные автомобильные хозяйства. Это объясняется структурными преобразованиями, произошедшими в начале 1990 годов. В это время процессы приватизации и разгосударствления на автомобильном транспорте были наиболее активны и поддерживались многими руководителями предприятий, готовых самостоятельно работать на рынке автоперевозок. Поэтому существующие в настоящее время АТП используют автомобили различного года выпуска, от старых (послуживших 10-15 лет) до самых современных. Особенно это характерно для ведомственных автомобильных хозяйств.

Статистические данные по Российской Федерации, показывают, что количество пожаров на транспорте стоит на втором месте после жилого сектора [2], при этом пожары от электрических причин стоят на втором месте после неосторожного обращения с огнем [3]. На автомобильном транспорте пожары от аварийных режимов работы электросети занимают первое место. При этом возгорание одного автомобиля часто приводит к крупному пожару, когда сгорает весь автопарк (рис. 1).

Рисунок 1 – Последствия пожара на автотранспортном предприятии

Целью работы является разработка програм-много комплекса для управления профилактичес-кими работами по предотвращению пожаров автомобилей на автотранспортном предприятии. В основу программного комплекса положена мето-дика управления профилактическими работами автотранспортного предприятия для анализа пожа-роопасных режимов в электросети автомобилей.

Методология. При возникновении пожара в автотранспортном средстве обычно проводится исследование причин возникновения пожара. На самом деле, электрические источники зажигания известны. Однако частота возникновения каждого из этих аварийных режимов зависит от технических параметров автомобиля. Эти сведения используются в дальнейшем для управления профилактическими работами.

В современном транспортном средстве исполь-зуется большое количество электрических эле-ментов и, соответственно, электрических контактов. Аварийные режимы в электрооборудовании автомо-биля можно разделить на две группы. К первой груп-пе относятся неисправности, связанные с контак-тами. Это, в первую очередь, короткие замыкания в контактах разного потенциала, электрические перегрузки, связанные с добавлением нештатного оборудования в электрическую сеть автомобиля, и большие переходные сопротивления, возникающие при нарушении целостности контактных соедине-ний. Ко второй группе неисправностей относятся аварийные режимы, связанные с нарушением правил эксплуатации автомобильных устройств и элементов [4, 5].

Учитывая, что пожары от электрических источ-ников зажигания стоят на втором месте после неосторожного обращения с огнем, был разработан программный комплекс, позволяющий управлять безопасностью электросети автомобиля в течении всего его жизненного цикла.

В работе использовались методы исследования, основанные на системном анализе профилактики пожароопасных электротехнических процессов, происходящих в электрической сети, на объектах транспортной инфраструктуры на различных этапах их жизненного цикла.

Результаты. В процессе эксплуатации автот-ранспортное средство может находиться в рабочем или в аварийном режиме. На рисунке 2 показаны параметры, влияющие на жизненный цикл и состояние автотранспортного средства на каждом этапе эксплуатации. При проведении своевремен-ных профилактических работ возникновение аварий-ных и ремонтных состояний автомобиля можно сократить [4, 6, 7].

Рисунок 2 – Параметры, влияющие на жизненный цикл и состояние автотранспортного

средства на каждом этапе эксплуатации

Управление профилактикой и ликвидацией пожа-роопасных режимов в электросети автомобилей на каждом жизненном этапе функционирования автомобиля имеет свою специфику. На рисунке 3 показан алгоритм оценки пожарной безопасности электросети автомобиля. На первом этапе в программном комплексе используется специальный алгоритм по созданию базы данных по состоянию элементов электрической сети эксплуатируемых автомобилей.

Для оценки текущего состояния элементов электросети автомобиля используется метод им-пульсной рефлектометрии. Суть метода заклюается в следующем. Генератор импульсов посылает импульсы в электрическую сеть автомобиля, импульсы отражаются от аварийных участков, а приемник оценивает вид неисправности [3,5,6]. В данном исследовании использовался прибор РЕЙС-105М1. В приборе реализован локационный метод, основанный на применении импульсной рефлектометрии. Использование прибора РЕЙС-105М1 с определенными доработками позволяет определить вид неисправности: обрыв, короткое замыкание, БПС, пробой изоляции и т. п. Кроме того, прибор определяет расстояние до неисправности с достаточной точностью.

Если неисправности не обнаружены, показания фиксируются в базе данных и в дальнейшем будут использоваться как эталонные. При обнаружении заводских неисправностей или при исследовании эклектической сети автомобиля в профилактических целях и выявлении значительных отклонений от эталонных значений, автотранспортное средство направляется для проведения ремонтных работ. После ликвидации неисправностей исследование методом рефлектометрии повторяется. В базу данных вводят-ся показатели импульсной рефлектометрии, харак-терные для исправной электрической сети.

Далее автотранспортное средство оценивается по периоду эксплуатации автомобиля. Все автомобили разбиваются на три периода эксплуатации. В начале эксплуатации автотранспортного средства могут возникать неисправности, характерные для начального периода. Часто возникающие проблемы связаны с недостатками конструкции, неудачно спланированной компоновкой, наличием ошибок, которые могут проявиться в период начального использования автомобиля. Другие проблемы включают скрытые производственные недостатки, неисправности, связанные с использованием нека-чественных материалов и электрических компонен-тов, а также потенциальные неисправности, выз-ванные транспортировкой автомобиля [7-9]. Эти проблемы могут привести к аварийным режимам работы электросети и в дальнейшем способствовать возгоранию. Начальная фаза эксплуатации авто-мобиля называется периодом обкатки. Этот период считают завершенным, когда интенсивность отказов элементов электросети автомобиля приближается к минимальной величине.

Рисунок 3 – Алгоритм оценки пожарной безопасности электросети автотранспортного средства

Следующий этап рассматривается как фаза нормальной эксплуатации, во время которой проис-ходят отказы из-за различных случайных фак-торов [10-13]. Эти сбои практически невозможно предсказать или предотвратить, но важно отметить, что на данный момент в электрической сети автот-ранспортного средства остаются только полностью функциональные компоненты, так как они еще не достигли конца срока службы. Причем внезапные аварийные режимы действительно зависят от ряда случайных факторов и часто определяются маркой (конструктивными особенностями) автомобиля. В целях анализа и технического обслуживания эти факторы определяются как частота отказов λ для определенного интервала времени. (t1-t2). В этом интервале времени количество отказов остается минимальным и демонстрирует отно-сительно постоянное значение λмин ≈ конст. Качество изготовления, точное соблюдение правил эксплуатации автомобиля, своевременное проведе-ние профилактических работ позволяют увеличить временной интервал (t1-t2) и уменьшить частоту отказов λ

На третьем этапе эксплуатации автомобиля проис-ходит увеличение числа отказов. Это обусловлено износом и старением электрооборудования автомо-биля [2, 14-16]. Причем третий этап характеризуется необратимыми физико-химическими изменениями, которые приводят к разрушению или частично-му изменению свойств электрических элементов автомобиля. Эти процессы обычно необратимы и включают изменения диэлектрических показателей изоляции электрических проводов, непрерывное воздействие агрессивных сред, вызывающих значи-тельные переходные процессы, механический износ деталей и многое другое.

Для оценки вероятной причине возникновения пожароопасного режима в автотранспортном средст-ве используется математическая модель, основанная на применении Марковских цепей [6, 11, 17].

Разработанный программный комплекс создает компьютерную базу данных автомобилей для не-больших автомобильных предприятий. Причем использование прибора РЕЙС-105М1 с применение метода импульсной рефлектометрии уже на первых этапах оценивает пожарную безопасность электро-сети транспортного средства. Дальнейшие плановые проверки оценивают изменение (нарастание) аварий-ных режимов, проводя сравнения с ранее полу-ченными данными.

Внешний вид программного комплекса показан на рисунке 4.

Рисунок 4 – Алгоритм оценки пожарной безопасности электросети автотранспортного средства

Распределение автомобилей, входящих в элект-ронную базу данных, на три группы позволяет планировать частоту профилактических работ по устранению аварийно-пожарных режимов.

Риск возникновения пожара в электрической сети транспортного средства повышается при его работе в режимах перегрузки или короткого замыкания [14,15,18,20]. Когда возникают определенные ава-рийные режимы, такие как режим «плохой кон-такт», существует потенциальный риск возгорания из-за повышенных электрических контактных сопротивлений (БПС). Переходное электрическое сопротивление (Rп, Ом) увеличивается во время протекания электрического тока (I, А), при этом контактные соединения нагреваться выше допус-тимых значений. Потеря мощности из-за выделения тепла (Рп, Вт) в контакте определяется уравнением Джоуля-Ленца:

Pп = I2*Rn.

В целях обеспечения пожарной и электричес-кой безопасности нормативные требования к элект-рическим контактам в сети автомобиля регла-ментируют возможность допустимого нагрева при номинальном электрическом токе или кратков-ременных токах короткого замыкания. Эти требова-ния включены в проектирование, испытания, уста-новку и эксплуатацию элементов электрической сети транспортного средства, а также учитываются при выборе защитных устройств. Однако действую-щие нормативные документы не учитывают режим «плохой контакт» (БПС).

Процесс старения может привести к увеличению сопротивления Rп, что приводит к образованию пле-нок с более высоким удельным сопротивлением на контактных поверхностях. Это вызывает утолщение оксидных пленок с течением времени, что приводит к увеличению выделения тепла и в дальнейшем карбонизации и воспламенению изоляции проводов. Для электроустановочных изделий максимально до-пустимым было принято падение напряжения от 7 до 15 мВ [7,18,20,21].

Обсуждение. Разработанный программный комп-лекс позволяет создавать базу данных автомоби-лей с учетом их технических и эксплуатационных параметров транспортного средства. При создании компьютерного комплекса был учтен и реализован метод импульсной рефлектометрии. Это метод ис-пользовался для анализа высоковольтных промыш-ленных сетей. Применение метода импульсной рефлектометрии для профилактики пожарной опас-ности в электрической сети автотранспортного средства впервые было предложено Косенко Д.В. [4]. В разработанном программном комплексе был реализован уникальный алгоритм исследования электросети автомобиля, позволяющий управлять проведением профилактических работ для повыше-ния пожарной безопасности автомобиля.

Исследование электросети автомобиля показало, что самыми опасными аварийными режимами являются неисправности, связанные с большими переходными сопротивлениями. Если от коротких замыканий и перегрузки в электросети существуют защитные автоматические устройства или предох-ранители, то от БПС защиты не существует. Помочь могут только профилактические работы.

Переходное сопротивление контактного соедине-ния сильно зависит от состояния контактной по-верхности. Поддержание стабильности или мини-мизация повреждений контактного сопротивления во времени имеет решающее значение. Увеличение переходного сопротивления в электросети автомо-биля может быть связано с такими факторами как окисление контактной поверхности от воздействия воздуха и коррозия контактного соединения из-за проникновения влаги. Поэтому важно вовремя защитить контактные поверхности от разрушения с помощью установленных способов обработки как самих соединений, так и электрической изоляции.

Выводы. Применение компьютерного комплек-са позволит автоматизировать управление профи-лактическими работами автотранспортного предп-риятия для анализа пожароопасных режимов в электросети автомобиля.

Этот инновационный комплекс автоматически отслеживает порядок проведения профилактических работ на основе результатов, полученных при ис-пользовании импульсного метода рефлектометрии, с учетом математических моделей. Для оценки вероятной причины возникновения пожароопасного режима в автотранспортном средстве используются математические модели для трех этапов эксплуатации транспортного средства. Каждому этапу эксплуа-тации автомобиля соответствует своя математи-ческая модель, основанная на использовании Мар-ковских цепей [6, 11]. В результате, использование программного комплекса позволяет оптимально ор-ганизовать планирование и реализацию профилак-тических мероприятий, что, в конечном итоге, по-высит пожарную безопасность транспортных средств автотранспортных предприятий.

Регулярное техническое обслуживание электроп-роводки автомобиля имеет решающее значение для своевременного обнаружения и решения любых потенциальных проблем пожароопасных аварийных режимов работы.

1. Данный программный комплекс основан на современных алгоритмах и методах математичес-кого моделирования, что позволит точно оценивать состояние электросети и определять необходимость проведения профилактических работ.

2. Программный комплекс имеет гибкую настройку, позволяющую учитывать специфические особенности каждого участка электросети и предлагать оптимальные решения по проведению профилактических мероприятий.

3. Полученные результаты из математических моделей представлены в удобном и наглядном виде, что позволит оперативно принимать решения по проведению профилактических работ и мониторить их выполнение.

4. Кроме того, программный комплекс имеет возможность автоматического расчета затрат на проведение профилактических работ, что поможет оптимизировать бюджетные расходы и сократить издержки.

5. В результате, внедрение данного программного комплекса позволит значительно снизить вероятности возникновения аварийных ситуаций в электросети автомобиля, а также повысить надежность и долго-вечность ее работы.

СПИСОК ЛИТЕРАТУРЫ:

1. Туревский И.С. Экономика отрасли (автомобильный транспорт): учебник. – М.: ИД «ФОРУМ»: ИНФРА-М, 2011. – 288 с.

2. Информационная оценка оптимального управления профилактикой и предотвращением пожароопасных режимов в электросети автомобиля. Моторыгин Ю.Д., Топилкин П.С. // Проблемы управления рисками в техносфере. – 2022. – № 2 (62). – С. 61-68.

3. Пожары и пожарная безопасность в 2021 году. Статистический сборник. / Под общ.ред. Н.П.Копылова. – М.: ВНИИПО, 2022. – 135 с.

4. Методика анализа аварийных режимов работы контактных соединений электросети автотранспортных средств Косенко Д.В. автореферат дис. ... кандидата технических наук / С.-Петерб. гос. ун-т ГПС МЧС России. Санкт-Петербург, 2016

5. Светлов М.В. Техническое обслуживание и ремонт автомобильного транспорта. Дипломное проектирование: учебно-методическое пособие / М.В. Светлов. – 2-е изд., стер. – М.: КНОРУС, 2012. – 320 с.

6. Моделирование процессов развития горения пожарной нагрузки с помощью конечных цепей Маркова / Подрезова А.И., Ловчиков В.А., Моторыгин Ю.Д., Пешков И.А. Вестник Воронежского государственного технического университета. – 2011. – Т. 7. – № 3. – С. 176-179.

7. Смелков Г.И. Пожарная опасность электроустановок при аварийных режимах. — М.: Энергоатомиздат, 1984. – 184 с.

8. Н.К. Мышкин, В.В. Кончин, М. Браунович Элект-рические контакты // Долгопрудный; Издательский дом «Интелект», 2008 – 560 с.

9. Таев И.С. Электрические контакты и дугогасительные устройства аппаратов низкого напряжения. – М.: Энергия, 1973. – 424 с.

10. Методика расчета пожарных рисков на транспорте. Архипов М.И., Косенко Д.В., Галишев М.А., Моторыгин Ю.Д. // Научно-аналитический журнал "Вестник Санкт-Петербургского университета Государственной противо-пожарной службы МЧС России". – 2014. – № 3. – С. 132-139.

11. Система управления спасательными формирова-ниями при угрозе возникновения чрезвычайных ситуаций гидрологического характера. Калач А.В., Зыбин Д.Г., Арифуллин Е.З., Моторыгин Ю.Д., Актерский Ю.Е. // Санкт-Петербург; Воронеж, 2018.

12. Aoki Y. Studies on Probabilistic Spread of Fire, Research Paper No. 80, Building Research Institute, Tokyo, Japan 1978.

13. Transportation management of facilities for rescue operations upon disaster mitigation. Vilkov V.B., Chernykh A.K., Nefed'Yev S.A., Motorygin Y.D., Gromov V.N., Komashinskiy V.I. // International Journal of Civil Engineering and Technology. – 2018. – Т. 9. – № 1. – С. 676-687.

14. Литовченко И.О., Моторыгин Ю.Д., Гречуха Н.М. Процесс управления и принятия решения стохастическими методами в условиях чрезвычайных ситуаций. // Научно-аналитический журнал Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2016. – № 4. – С. 144-150.

15. Пожарная безопасность на открытых автостоян-ках. Моторыгин Ю.Д., Литовченко И.О., Дементьев Ф.А., Бельшина Ю.Н., Топилкин П.С. // Санкт-Петербург, 2022.

16. Токарь Е.В., Рогов Д.А., Чуев М.И. Ресурсный потенциал предприятия как условие его эффективного функционирования // Токарь Е.В., Рогов Д.А., Чуев М.И. Вестник Белгородского университета кооперации, эконо-мики и права. – 2023. – № 2 (99). – С. 33-44.

17. Оценка пожарной безопасности электрической сети автомобиля. Топилкин П.С., Моторыгин Ю.Д. // Свидетельство о регистрации программы для ЭВМ RU 2024610270, 09.01.2024. Заявка от 19.12.2023.

18. Моторыгин Ю.Д., Топилкин П.С., Литовченко И.О. Анализ возникновения и профилактика пожароопасных режимов в электросети автомобиля. // Проблемы управления рисками в техносфере. – 2023. – № 3 (67). – С. 149-157.

19. Акимов С.В., Чижков Ю.П. Электрооборудование автомобилей. // Учебник для ВУЗов. – М.: ООО «Книжное издательство «За рулем», 2007. – 336 с.: ил.

20. Национальный стандарт РФ ГОСТ Р 50571.5.52-2011/МЭК 60364-5-52:2009 "Электроустановки низковольтные. [Электронный ресурс]. – URL:// https://elektroschyt.ru// (дата обращения: 09.03.2023).

21. Приказ Минэнерго РФ от 12.08.2022 N 811 Об утверждении правил технической эксплуатации элект-роустановок потребителей электрической энергии. [Элект-ронный ресурс]. – URL:// https://normativ.kontur.ru// (дата обращения: 09.03.2023).

Статья поступила в редакцию 28.12.2023

Статья принята к публикации 15.03.2024

УДК 004.383.3

EDN: UTZHSU

ПРОГРАММНОЕ ЯДРО МИКРОПРОЦЕССОРА RISC АРХИТЕКТУРЫ НА БАЗЕ

ПРОГРАММИРУЕМОЙ ЛОГИЧЕСКОЙ ИНТЕГРАЛЬНОЙ СХЕМЫ

© Авторы 2024

SPIN: 4241-0712

AuthorID: 348503

ORCID: 0009-0008-5775-4301

КОЛЬЧУГИНА Елена Анатольевна, доктор технических наук, доцент,

профессор кафедры «Математическое обеспечение и применение ЭВМ»

Пензенский государственный университет

(440026, Россия, г. Пенза, улица Красная, 40, e-mail: kea@pnzgu.ru)

SPIN: 5470-1289

AuthorID: 650911

ORCID: 0000-0002-3358-4394

МАРТЫШКИН Алексей Иванович, кандидат технических наук, доцент,

заведующий кафедрой «Программирование»

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: mai@penzgtu.ru)

SPIN: 4628-3390

AuthorID: 215576

ORCID: 0000-0003-4756-0040

ПАЩЕНКО Дмитрий Владимирович, доктор технических наук, профессор, ректор

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: d.paschenko@penzgtu.ru)

SPIN: 2177-7806

AuthorID: 644943

ORCID: 0000-0003-0989-3928

ТРОКОЗ Дмитрий Анатольевич, доктор технических наук, доцент, проректор по научной работе

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: trokoz@penzgtu.ru)

Аннотация. В данной статье рассматривается актуальная тема разработки и интеграции 8-разрядного RISC микропроцессора в программируемые логические интегральные схемы, совместимого с существующими микропроцессорами, например, семейства PIC. Основное внимание уделяется созданию микропроцессора, который не только соответствует требованиям современной микроэлектроники в плане энергопотребления и эффективности, но также предлагает удобные инструменты для компиляции и отладки. Авторы детально описывают методологию проектирования программного ядра микропроцессора на языке Verilog, основные принципы разработки микропроцессорных ядер для программируемых логических интегральных схем, а также подходы к синхронизации данных и интеграции периферийных устройств. Статья также включает в себя описание архитектуры микропроцессора, его ключевых компонентов и функциональной схемы. Представленные результаты демонстрируют преимущества интеграции микропроцессора в программируемую логическую интегральную схему, такие как возможность создания специализированных команд и систем на кристалле, гибкость в конфигурации периферии и упрощение процесса программирования. Обсуждение результатов подчеркивает перспективность использования разработанного микропроцессорного ядра в различных областях, таких как встраиваемые системы, цифровое управление питанием и вычислительные синтезаторы. В заключение статьи приведены основные выводы по работе.

Ключевые слова: архитектура, встраиваемое устройство, интерфейс, микроконтроллер, микропроцессорное ядро, производительность, синхронизация, эффективность, ПЛИС, Verilog.

RISC ARCHITECTURE MICROPROCESSOR SOFTWARE CORE BASED ON A

FIELD-PROGRAMMABLE GATE ARRAY

© The Authors 2024

KOLCHUGINA Elena Anatolievna, doctor of technical sciences, docent,

professor of the Department of Mathematical Support and Computer Application

Penza State University

(440026, Russia, Penza, Krasnaya Street, 40, e-mail: kea@pnzgu.ru)

MARTYSHKIN Alexey Ivanovich, candidate of technical sciences, docent, head of Programming Department

Penza state technological University

(440039, Russia, Penza, Baydukov Proyezd / Gagarin Street, 1a/11, e-mail: mai@penzgtu.ru)

PASHCHENKO Dmitry Vladimirovich, doctor of technical sciences, professor, rector

Penza state technological University

(440039, Russia, Penza, Baydukov Proyezd / Gagarin Street, 1a/11, e-mail: d.paschenko@penzgtu.ru)

TROKOZ Dmitry Anatolyevich, doctor of technical sciences, docent,

vice-rector for scientific work, professor of Programming Department

Penza State Technological University

(440039, Russia, Penza, Baydukov Proyezd / Gagarin Street, 1a/11, e-mail: trokoz@penzgtu.ru)

Abstract. This paper deals with the current topic of development and integration of an 8-bit RISC microprocessor into programmable logic integrated circuits, compatible with existing microprocessors, such as the PIC family. The focus is on creating a microprocessor that not only meets the requirements of modern microelectronics in terms of power consumption and efficiency, but also offers user-friendly tools for compilation and debugging. The authors describe in detail the methodology for designing a microprocessor software core in the Verilog language, the basic principles of microprocessor kernel design for programmable logic integrated circuits, and approaches to data synchronization and peripheral integration. The paper also includes a description of the microprocessor architecture, its key components and functional circuitry. The results presented demonstrate the advantages of integrating a microprocessor into a programmable logic integrated circuit, such as the ability to create specialized on-chip instructions and systems, flexibility in peripheral configuration and simplification of the programming process. The discussion of the results highlights the promising applications of the developed microprocessor core in various fields such as embedded systems, digital power management and computational synthesizers. The paper is concluded with the main conclusions of the work

Keywords: аrchitecture, embedded device, interface, microcontroller, microprocessor core, performance, synchronization, efficiency, FPGA, Verilog.

Для цитирования: Кольчугина Е.А. Программное ядро микропроцессора RISC архитектуры на базе программируемой логической интегральной схемы / Е.А. Кольчугина, А.И. Мартышкин, Д.В. Пащенко, Д.А. Трокоз // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 42-49. – EDN: UTZHSU.

Введение. В наше время мы все в большей степе-ни оказываемся зависимы от передовых технологий в области «искусственного интеллекта». Часто это просто умные алгоритмы, основанные на нейронных сетях. Однако такие инновации все более интенсив-но проникают в различные сферы жизни, открывая новые возможности. Одно из самых динамично развивающихся направлений в современной микро-электронике и интеллектуальных системах – интег-рация подобных алгоритмов в компактные системы с низким энергопотреблением.

Целью настоящей статьи является разработка 8-разрядного RISC микропроцессора (МП) с сов-местимым набор команд существующего МП, об-ладающего доступным для использования инстру-ментарием компиляции и отладки. Ядро МП должно выполнять функции: каждая команда исполняет-ся в одном цикле синхронизации; все команды храниться в памяти команд при инициализации микросхемы; память данных находится в отдельном блоке памяти; необходимо задействовать стек для вызова подпрограмм. Также нужно разработать схе-мотехническое описание для программируемой логической интегральной схемы (ПЛИС) на языке Verilog.

Методология. Практическое проектирование на языке встраиваемых систем на ПЛИС с использованием языка Verilog хорошо описаны в книге «Язык Verilog в проектировании встраиваемых систем на FPGA» [1], которая является введением в практическое проектирование на языке Verilog встраиваемых систем на ПЛИС. Дано понятие встраиваемой системы, рассмотрены область использования и функции встраиваемых систем. Рассмотрены вопросы проектирования на FPGA конечных автоматов, структурные модели, стили описания на языке Verilog, способы кодирования внутренних состояний, методы синтеза. Для каж-дого функционального узла приведены рекомен-дации по наиболее эффективному использованию рассматриваемых методов проектирования.

Принципы разработки встроенных микропро-цессорных ядер (МПЯ) для ПЛИС подробно раск-рыты в серии статей под названием «Микропро-цессор своими руками» Иосифа Коршенбойма [2].

При разработке устройств с периферией, ин-тегрированной на ПЛИС, и обрабатывающих в ре-жиме реального времени большие объемы данных, процесс синхронизации передачи данных является критически важным [3-5]. МП и микроконтроллеры (МК), встроенные в ПЛИС, в отличие от внешних МК с 8-битной архитектурой работают в режи-ме синхронизации с периферией ПЛИС и не требуют дополнительных аппаратных средств для согласования обмена данными. Поэтому для их синхронизации с периферией требуется програм-мное вмешательство, что занимает дополнительное время и ресурсы ПЛИС [6-8]. Более производитель-ные внешние МК предоставляют аппаратные меха-низмы синхронизации данных, но их стоимость и требования к пространству на плате могут быть значительными. В некоторых случаях использование таких МК может быть оптимальным для малых задач.

Интеграция МП в ПЛИС открывает еще одно преимущество: возможность создания специали-зированных команд, предопределенных пользовате-лем. Путем предварительного программирования МП пользователь может определить группы часто используемых команд и объединить их в спе-циализированные команды. Это не только повышает производительность МП для определенных классов задач, но и упрощает процесс программирования. Команды специального назначения могут выполнять-ся в один такт или в несколько тактов. Еще одним преимуществом интеграции МП в ПЛИС является создание системы на кристалле (SoC) [9, 10]. Теперь МП не просто отдельный элемент или устройство, он становится частью большей сущности, легко управляемой и интегрируемой в общую систему. Суть его существования заключается не в физическом корпусе или структуре платы, а в виде программного файла, который входит в состав другого файла. И при этом, несмотря на такую форму интеграции, МП способен выполнять свои функции сравнимо или даже более эффективно, чем внешние МП. Несомненным преимуществом является гибкость в конфигурации периферии, которая может быть ин-тегрирована непосредственно с МП в ПЛИС. Это означает, что пользователь может подключать к МП любые периферийные устройства, включая простые интерфейсы связи типа UART и SPI, а также более сложные контроллеры Ethernet или сопроцессоры DSP [11]. Пользователь получает возможность наст-раивать периферию именно так, как ему необходимо для своих проектов.

Сопоставление внедрения МП в ПЛИС с конеч-ным автоматом позволяет оценить сложность вы-полнения различных задач. При увеличении коли-чества состояний конечного автомата увеличивается задержка сигнала и возникает необходимость пов-торной верификации проекта [12-14]. МП обес-печивает надежную производительность и не требует повторной верификации при изменении числа сос-тояний. Каждая команда, исполняемая МП, имеет фиксированное время выполнения и не подвержена влиянию конкретной программы., обеспечивая ста-бильную эффективность в различных задачах и при изменениях программного кода.

Исходя из первоначальных предпосылок для создания 8-разрядного RISC МП на языке описа-ния аппаратуры примем набор команд, соответст-вующий тому, который применяется в МК семейства PIC [15, 16]. Уточним, что целью настоящей статьи является разработка именно нетребовательного к ресурсам МП, который будет подходить к ши-рокому ряду различных серий микросхем ПЛИС, иметь хорошую переносимость и по минимум использовать привязку к специализированным бло-кам в ПЛИС (например, DSP и т.д.). Рассмотрим архитектуру, приведенную на рисунке 1.

Рисунок 1 – Структура разрабатываемого микропроцессорного ядра

МП включает в себя несколько важных блоков, каждый из которых выполняет определенные функции:

1. Узел управления: генерирует сигналы управ-ления для остальных блоков МП. Этот блок коор-динирует работу всех компонентов, обеспечивая пра-вильную последовательность выполнения операций.

2. Арифметико-логическое устройство (АЛУ): осуществляет выполнение арифметических и ло-гических операций, а также логические операции и операции сравнения.

3. Счетчик адресов памяти команд: следит за адресами инструкций программы, указывая на текущую выполняемую команду.

4. Блок памяти команд: хранит инструкции прог-раммы, которые поступают на выполнение МП.

5. Блок памяти данных (РОН): используется для хранения данных, с которыми работает МП в процес-се выполнения программы.

6. Декодер инструкций: определяет тип и формат каждой инструкции, позволяя МП правильно ин-терпретировать и выполнить ее.

7. Стек: используется для временного хранения данных и адресов в процессе выполнения програм-мы, обеспечивая поддержку вызовов функций и возвратов из них.

8. Таймер: обеспечивает отсчет временных интервалов или задержек, необходимых для реали-зации временных операций в программе.

9. Порты ввода-вывода: предоставляют интерфейс МП для взаимодействия с внешними устройствами и периферийными устройствами.

Перед тем как приступить к разработке и описа-нию функциональной схемы, необходимо выбрать оптимальную структуру. На рисунке 2 представлена предлагаемая функциональная схема.

Рисунок 2 – Функциональный уровень микропроцессорного ядра

Функциональная схема включает в себя сле-дующие компоненты:

– память команд, с областью адресации объемом 11 бит, что позволяет хранить 2048 команд;

– регистры общего назначения (РОН) с областью адресации, состоящей из 72 8-ми битных регистров;

– один 8-разрядный аккумулятор;

– область ввода-вывода, представленная набором 8-разрядных портов, обозначенных как A, B, C;

– входящий тактовый сигнал направляется на МП, где он используется для синхронизации работы блока предделителя таймера. Режим работы предделителя определяется регистром управления;

– при каждой загрузке микросхемы или инициализации системы по сигналу сброса счетчик команд обнуляется, начиная с чистого листа. Затем он активно отслеживает адреса программной памяти, которые поступают с входа блока памяти команд. Каждый раз, когда он получает адрес, он моментально находит соответствующие данные в памяти команд и сохраняет их в регистре инструкций, готовые к последующей обработке. После этого из регистра инструкций команды передаются на дешифратор команд и в АЛУ. Коды команд МП используются для работы АЛУ;

– блоки РОН, стек, регистр статуса, аккумулятор, регистр управления, регистр косвенной адресации, таймер и порты ввода-вывода по внутренней шине данных обмениваются сигналами с АЛУ.

Результаты. Разрабатываемое МПЯ, принци-пиальная схема которого представлена на рисунке 3, спроектировано на основе гарвардской архитек-туры и является совместимым с МК 16C57 фирмы Microchip. Разрядность инструкций составляет 12 бит, а разрядность шины данных – 8 бит. Память дан-ных может содержать до 72 слов и до 2048 команд-ных слова в памяти команд. У разрабатываемого МПЯ есть основанная на аккумуляторе система команд (33 инструкции). Регистр W – аккумулятор. Счетчик команд (PC) и два регистра стека, которые позволяют реализовывать 2 уровня подпрограмм (при необходимости возможно расширение). Ядро конвейерное обрабатывает выборку и выполне-ние инструкций. Регистровый файл использует банковскую схему и режим косвенной адресации. Регистровый файл ядра базируется на элементах триггеров, объединенных в регистры. Память прог-раммы (PRAM) является отдельной памятью от регистрового файла и расположена вне ядра. PRAM – в настоящий момент простая матрица элементов памяти Verilog, находящаяся в test.v. Ядро синхронно с тактовой частотой и имеет один синхронный сброс.

АЛУ включает минимальный необходимый набор 8-разрядных операций. Декодер инструкции – комбинаторная таблица поиска, которая предос-тавляет ключевые управляющие сигналы. Под-держиваются основное для 16C57 порты ввода-вывода, но в отличии от портов 16C57 они не двунаправленные (при необходимости это может быть реализовано в ядре). Какие-либо механиз-мы прерывания не поддерживаются в семейст-ве 16C5X и не предлагаются в разрабатываемом МПЯ. Инструкции выполняются в одном цикле за исключением команд ветвления, требующих 2 циклов. Аргумент, часто приводимый в пользу отсутствия прерываний, заключается в том, что быстрое выполнение за один цикл и проверка битов инструкции позволяют осуществлять очень быстрый опрос и, следовательно, уменьшают потребность в прерываниях. Схема отладки интегрирована непос-редственно в ядро. Модуль test.v предоставляет не-которую минимальную отладочную информацию, такую как печать изменений в портах ввода-вывода, отображение обновлений в регистровом файле, и т.д. Расширение функционала МПЯ обеспечивается через шину расширения в интерфейсе модуля cpu.v. Шина обеспечивает базовый набор сигналов адрес, шину чтения и записи данных и набор сигналов управления. Если планируется задейство-вать несколько модулей расширения тогда для них должна быть разработана собственная схема муль-типлексирования сигналов данных.

Рисунок 3 – Принципиальная схема микропроцессорного ядра

УДК 004.89

EDN: RKBBRR

РАЗРАБОТКА СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

НА ОСНОВЕ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ

© Авторы 2024

SPIN: 2836-4223

AuthorID: 1194162

ORCID: 0000-0002-2814-3201

ШУРШЕВ Тимофей Валерьевич, магистрант Института прикладных компьютерных наук

Национальный исследовательский университет ИТМО

(197101, г. Санкт-Петербург, Кронверкский проспект, д. 49, лит. А, t.shurshev2002@gmail.com)

SPIN: 8303-8942,

AuthorID: 467356

ORCID: 0009-0004-5861-2576

ХОМЕНКО Татьяна Владимировна, доктор технических наук, доцент,

заведующая кафедрой «Автоматизированные системы обработки информации и управления»

Астраханский государственный технический университет,

(414056, г. Астрахань, ул. Татищева, д. 16, t_v_homenko@mail.ru)

Аннотация. Представлено описание разработанной системы интеллектуальной поддержки принятия решений на основе сверточной нейронной сети для диагностики пневмонии. Показано, что разработка системы интеллектуальной поддержки принятия решения для диагностики пневмонии на основе анализа медицинских данных пациентов позволит снизить риски ошибочной диагностики и улучшить эффективность лечения. Представлена информационная модель системы интеллектуальной поддержки принятия решения для диагностики пневмонии. Входная информация для системы являются медицинские снимки легких, полученные при помощи различных методов исследования. Язык программирования Python. Библиотека Keras выбрана в качестве основного фреймворка для разработки сверточной нейронной сети. Библиотека TensorFlow выбрана в качестве основной библиотеки низкого уровня для работы с нейронными сетями. Библиотека NumPy выбрана в качестве основной библиотеки для работы с многомерными массивами данных. Библиотека Pandas выбрана в качестве основной библиотеки для работы с данными, такими как метаданные пациентов и результаты диагностики. Среда разработки Jupyter Notebook. Создана модель нейронной сети, в качестве архитектуры выбрана сверточная нейронная сеть. Описан подбор параметров нейронной сети. Показано, что при реализации свёрточной нейронной сети, стоящей в основе системы поддержки принятия решений для диагностики заболеваний пневмонией было получено 1 246 401 параметр, 1 245 313 из которых являются обучаемыми. Результаты тестирования показали точность предсказаний в 92%.

Ключевые слова: сверточная нейронная сеть, искусственный интеллект, принятие решения, Python, пневмония, диагностика.

DEVELOPMENT OF AN INTELLIGENT DECISION SUPPORT SYSTEM BASED ON A CONVOLUTIONAL NEURAL NETWORK

© The Authors 2024

SHURSHEV Timofey Valerievich, master's student of the institute of Applied Computer Sciences

ITMO University

(197101, St. Petersburg, Kronverksky Prospekt, 49, lit. Ah, t.shurshev2002@gmail.com)

KHOMENKO Tatyana Vladimirovna, doctor of technical sciences, associate professor,

head of the Department "Automated Information Processing and Management Systems"

Astrakhan State Technical University

(414056, Astrakhan, Tatishcheva str., 16, t_v_homenko@mail.ru

Abstract. A description of the developed intelligent decision support system based on a convolutional neural network for the diagnosis of pneumonia is presented. It is shown that the development of an intelligent decision support system for the diagnosis of pneumonia based on the analysis of medical data of patients will reduce the risks of erroneous diagnosis and improve the effectiveness of treatment. The information model of the intellectual decision support system for the diagnosis of pneumonia is presented. The input information for the system is medical images of the lungs obtained using various research methods. The Python programming language. The Keras library has been selected as the main framework for the development of a convolutional neural network. TensorFlow library is selected as the main low-level library for working with neural networks. The NumPy library has been selected as the main library for working with multidimensional data arrays. The Pandas library has been selected as the main library for working with data such as patient metadata and diagnostic results. Jupyter Notebook development environment. A neural network model was created, a convolutional neural network was chosen as the architecture. The selection of neural network parameters is described. It is shown that when implementing the convolutional neural network underlying the decision support system for the diagnosis of pneumonia diseases, 1,246,401 parameters were obtained, 1,245,313 of which are trainable. The test results showed 92% accuracy of predictions.

Keywords: convolutional neural network, artificial intelligence, decision-making, Python, pneumonia, diagnostics.

Для цитирования: Шуршев Т.В. Разработка системы интеллектуальной поддержки принятия решений на основе сверточной нейронной сети / Т.В. Шуршев, Т.В. Хоменко // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 50-57. – EDN: RKBBRR.

Введение. В современном мире информационные технологии открывают перспективы для разра-ботки интеллектуальных систем поддержки при-нятия решений в процессе диагностирования забо-леваний. Эти системы находят свое применение в анализе обширных массивов клинических данных, предоставляя медицинским работникам ценную помощь в формировании точных и обдуманных диагнозов. Примером подобного инновационного подхода является система, предназначенная для диагностики пневмонии, которая интегрирует в себя принципы работы сверточных нейронных сетей и разнообразных математических методик.

Пневмония, как известно, занимает одно из лидирующих мест среди заболеваний респираторной системы по степени риска развития серьезных пос-ледствий и смертности. Эффективность и оператив-ность ее диагностики играют критическую роль в определении адекватной терапевтической стратегии и минимизации вероятности осложнений [1].

Диагностика пневмонии – болезни легких, вы-зываемой многообразием микроорганизмов включая бактерии, вирусы, грибки и другие агенты, выступает объектом данного исследования. Пневмония спо-собна привести к гравитационным последствиям, особенно у лиц с недостаточностью иммунной за-щиты, и в некоторых случаях может стать причиной летального исхода.

Ключевым диагностическим признаком пнев-монии служат специфические изменения в струк-туре легочной ткани, которые можно выявить с использованием различных методов исследования, включая рентгенографию, компьютерную томог-рафию, бронхоскопию, лабораторные анализы и прочие. Тем не менее, задача точной диагностики пневмонии нередко сталкивается с трудностями, особенно при наличии у пациента других легочных заболеваний или сопутствующих патологий, таких как диабет, сердечно-сосудистые болезни или онкология.

В контексте широкого использования искусст-венного интеллекта в разнообразных аспектах жизнедеятельности человека [2-10] системы под-держки принятия решений занимают важное место [11-14]. Система интеллектуальной поддержки диаг-ностики пневмонии функционально внедряется в медицинскую практику, обеспечивая специалистам надежный инструмент для определения наличия данного заболевания у пациентов.

Существующие методы диагностики пневмонии. Процесс выявления пневмонии представляет собой многоэтапную задачу, подразумевающую деталь-ный анализ медицинских данных и проявлений, наблюдаемых у пациента. Клиническая картина пневмонии может охватывать ряд симптомов, таких как кашель, ощущение боли в области груди, повышение температуры тела, общая слабость и быстрая утомляемость. Однако подобная симп-томатика не является уникальной и может пере-секаться с проявлениями других респираторных заболеваний, например, бронхита или гриппа, что создает определенные сложности при установлении диагноза пневмонии [1, 15].

В арсенале медицинских инструментов для диагностики пневмонии присутствуют такие мето-дики, как рентген грудной клетки, лабораторный анализ крови и мокроты, бактериологическое и виру-сологическое тестирование, а также компьютерная томография легких. Несмотря на их применимость, данные методы могут оказаться не всегда достаточно эффективными, к тому же они связаны с высокими затратами и требуют значительного времени на проведение анализа результатов.

В целях повышения точности диагностики пневмонии могут быть использованы более специ-фичные подходы, включая анализ бактериальных культур и биопсию легкого. Такие методы, однако, часто оказываются инвазивными и предполагают необходимость в специальной подготовке пациента, что может быть неосуществимо в некоторых клинических случаях.

Разработка и внедрение интеллектуальной сис-темы поддержки принятия решений для диагности-ки пневмонии, основанной на комплексном анализе медицинских данных пациентов, предоставляет воз-можность минимизировать риск диагностических ошибок и улучшить результаты лечения.

Таким образом, прогресс в сфере медицинской диагностики, обусловленный применением методов машинного обучения и нейронных сетей для создания систем интеллектуальной поддержки при-нятия решений по диагностике пневмонии, отк-рывает новые перспективы для определения вероят-ности заболевания на основании клинического профиля пациента и способствует формированию рекомендаций по адекватному лечению.

Методология. В процессе создания системы, основанной на принципах работы сверточных ней-ронных сетей, были задействованы фундамен-тальные концепции из области теории нейронных сетей и анализа образов, а также из теории множеств. Дополнительно, в разработке применялись методо-логии экспертной оценки, стратегии принятия и поддержки решений. Для реализации указанного математического аппарата использовались специа-лизированные программные инструменты, обладаю-щие необходимыми функциональными возмож-ностями.

Описание информационной модели системы. Информационная модель системы интеллектуальной поддержки принятия решения для диагностики пневмонии состоит из набора компонентов, которые взаимодействуют между собой для обеспечения эффективной работы системы.

Информационная модель данной системы строится на нескольких основных элементах:

1. Источники данных (система активно собирает информацию из различных баз данных, содер-жащих медицинские изображения с детальными метаданными о диагнозах пациентов);

2. Обработка данных (применяются специализи-рованные алгоритмы для анализа этих изображений, выявления важных диагностических признаков, таких как форма и размер легких, а также наличие патологических изменений);

3. Классификация (в основу системы заложено использование разнообразных классификаторов, включая как традиционные методы машинного обучения, так и сверточные нейронные сети, для определения, заражен ли пациент пневмонией);

4. Базы данных (для хранения и управления полу-ченными медицинскими изображениями задейст-вованы специализированные базы данных);

5. Аналитический модуль (система оснащена мощным аналитическим движком, предназначенным для комплексной обработки и анализа собранных данных).

Центральным компонентом в этой многоу-ровневой системе является классификатор на основе сверточной нейронной сети, который был обучен на широком наборе медицинских снимков, включая изображения, демонстрирующие наличие пнев-монии.

Данный классификатор способен с высокой точностью различать нормальные и патологически измененные снимки легких.

Выбор классификатора был обусловлен его высокой эффективностью и надежностью, подтверж-денной в ходе тестирования на независимых вы-борках данных. Важным аспектом стало также использование маркированной базы данных для обучения, что позволило не только добиться высокой диагностической точности, но и учесть в модели разнообразие клинических проявлений пневмонии.

Благодаря применению классификатора и проду-манной структуре информационной системы, дос-тигается точность и надежность в диагностике пневмонии, что в значительной мере снижает риск диагностических ошибок и способствует выбору оптимальной стратегии лечения.

Для эффективного функционирования системы поддержки в выявлении пневмонии важно обеспечить доступ к определенной информации. Среди которой выделяются нормативно-справочные данные, кото-рые включают в себя установленные медицинские стандарты и протоколы. Эти стандарты уточняют критерии, по которым процедуры диагностики и лечения должны осуществляться, а также указы-вают, в какие моменты медицинский персонал может прибегнуть к использованию данной системы поддержки принятия решений для диагностики пневмонии.

Для работы системы требуется входная инфор-мация, состоящая из медицинских изображений легких пациента. Эти изображения могут быть получены различными методами, включая рентген, компьютерную томографию и магнитно-резонансную томографию.

Не менее важной является дополнительная информация, связанная с каждым снимком, например, уста-новленный диагноз, который демонстрируется на примерах, представленных на рисунках 1, 2, 3 [16]. Эти данные критически важны для адаптации про-цесса диагностики к уникальным характеристикам каждого конкретного случая заболевания.

Рисунок 1 – Изображения (снимки) грудной клетки человека со здоровыми легкими

Рисунок 2 – Изображения (снимки) грудной клетки человека с вирусным заболеванием легких

Рисунок 3 – Изображения (снимки) грудной клетки человека с бактериальным заболеванием легких

Для того, чтобы система поддержки принятия решений при диагностики пневмонии была эффек-тивной для диагностики заболевания ей необходим доступ к актуальным обновляемым базам данных, в первую очередь, снимков грудной клетки человека и к медицинской литературе. Это необходимо для правильной интерпретации результатов исследо-вания и постановки верного диагноза.

Ключевую роль в функционировании системы поддержки принятия решений для диагностики играют нормативно-справочная информация и данные, вводимые в систему. Что позволит гарантировать ее точность и надежность.

Выходными данными разработанной интел-лектуальной системы поддержки принятия решений для диагностики пневмонии являются: результаты классификации пневмонии на основе обработанных снимков, а также визуализация снимков, позволяющая врачам более детально рассмотреть области легких, на которых была обнаружена пневмония и рекомен-дации по дальнейшему лечению на основе резуль-татов диагностики.

Для каждого снимка система предоставляет результаты его обработки, включая вероятность наличия пневмонии, а также описание областей, на которых были выявлены изменения. Для этого используются методы анализа изображений – сверточные нейронные сети и алгоритмы глубокого обучения.

Интерфейс системы разработан так, чтобы предоставлять врачам удобный доступ к изобра-жениям, информацию о вероятности пневмонии и рекомендациям по лечению, тем самым делая про-цесс диагностики максимально информативным и понятным.

Средства разработки. Система поддержки приня-тия решений создана на языке программирования Python, который занимает ведущие позиции среди языков программирования, используемых в машин-ном обучении и искусственном интеллекте, благо-даря многочисленным библиотекам и инструментам, которые облегчают разработку и тестирование мо-делей [17-19].

В качестве основного фреймворка для разработки сверточных нейронных сетей для диагностики пнев-монии выбрана библиотека Keras за способность предоставлять удобный высокоуровневый интер-фейс к таким мощным библиотекам, как TensorFlow и Theano. Это значительно упрощает разработку и тренировку сложных архитектур нейронных сетей.

Для манипуляции с многомерными массивами данных, включая изображения для обучения и тестирования моделей, использована библиотека NumPy, обеспечивающая необходимые вычислительные операции.

Библиотека Pandas выбрана как инструментальная библиотека для обработки и анализа данных, включая метаданные пациентов и результаты диагностики, благодаря ее мощным функциям для манипуляции данными и аналитики.

В качестве среды разработки и визуализации использована Jupyter Notebook, которая выделяется своей интерактивностью и визуализацией, которые являются ключевыми при работе с алгоритмами машинного обучения и анализом данных.

Все выбранные средства имеют большое сообщество разработчиков и множество источников информации, способных облегчить разработку системы поддержки принятия решений для диаг-ностики заболеваний пневмонией.

Результаты. Описание базы данных снимков. Набор данных организован в 3 папки («train», «test», «val») и содержит подпапки для каждой категории изображений (пневмония/норма). Имеется 5863 рент-геновских изображения (JPEG) и 2 категории (с пнев-монией и нормальные). Рентгенограммы грудной клетки были отобраны из ретроспективных когорт педиатрических пациентов в возрасте от одного до пяти лет из Женского и детского медицинского центра Гуанчжоу [16]. Все рентгенограммы органов грудной клетки выполнялись в рамках клинической помощи пациентам. Для анализа все рентгенограммы грудной клетки первоначально подвергались скри-нингу для контроля качества путем удаления всех низкокачественных или неразборчивых сканов. Диаг-нозы для изображений затем были оценены двумя врачами-экспертами, прежде чем они были одобрены для обучения системы искусственного интеллекта. Чтобы учесть любые ошибки оценки, набор оценок также был проверен третьим экспертом.

Создание модели нейронной сети. Архитектура нейронной сети определяет, как информация будет передаваться через слои сети, какие функции активации будут использоваться, какие параметры будут оптимизироваться в процессе обучения и так далее.

Для задачи диагностики пневмонии наиболее подходящей архитектурой выбрана сверточная нейронная сеть (Convolutional Neural Network, CNN). Она позволяет автоматически извлекать признаки из изображений и добиться высокой точности классификации.

В выборе архитектуры сверточной нейронной сети для диагностики пневмонии были учтены различные факторы, такие как размерность изображений, коли-чество классов, количество данных для обучения, доступность вычислительных ресурсов и другие. Также важным аспектом является выбор размера ядра свертки и шага. Эти параметры определяют, каким образом будет проводиться свертка изображения и какие признаки будут извлекаться. Оптимальные значения этих параметров зависят от размера изображений, архитектуры сети и характеристик данных.

В процессе выбора архитектуры нейронной сети учтена проблема переобучения. Переобучение возникает, когда модель слишком сильно адапти-руется к обучающим данным и не обобщает полученные знания на новые данные.

В ходе разработки системы было создано и обу-чено несколько моделей с различными случайными зёрнами, с целью получить максимальную точность прогнозов.

В итоге была создана свёрточная нейронная сеть [20], структура которой проиллюстрирована на рисунке 4.

Рисунок 4 – Модель свёрточной нейронной сети

Подбор параметров нейронной сети – это важный этап разработки системы интеллектуальной поддержки принятия решения для диагностики пневмонии.

Корректный выбор параметров нейронной сети позволяет достичь лучшей точности диагностики, снизить вероятность ошибок и переобучения.

Один из основных параметров нейронной сети – это гиперпараметры, которые определяют архитектуру нейронной сети и ее обучение. Неко-торые гиперпараметры, такие как количество слоев, количество нейронов в слоях, функции активации, скорость обучения и размер пакетов обучения, могут значительно влиять на точность модели.

Гиперпараметры влияют на общее количество параметров и на количество обучаемых параметров. На рисунке 5 проиллюстрировано, что при реа-лизации свёрточной нейронной сети, стоящей в основе системы поддержки принятия решений для диагностики заболеваний пневмонией было получено 1 246 401 параметр, 1 245 313 из которых являются обучаемыми.

Для подбора параметров нейронной сети, учитывая выбранные архитектуру и функции потерь, использован оптимизатор Adam, который является комбинацией алгоритмов AdaGrad и RMSProp. Этот оптимизатор позволяет быстрее достигать локальных минимумов функции потерь, что особенно важно при обучении сверточных нейронных сетей.

Для выбранной функции потерь – binary cross entropy – параметры можно подбирать, опи-раясь на значения метрик точности (accuracy), чувствительности (recall) и специфичности (specificity) на валидационной выборке.

На рисунке 6 продемонстрировано использование оптимизатора Adam и функции потерь binary cross entropy с использованием метрики точности (accuracy) в рамках обучения нейронной сети.

Также, для улучшения качества модели и предотв-ращения переобучения, используются методы регу-ляризации, такие как dropout и L2-регуляризация.

Важным этапом является подбор параметров методов обучения, таких как ReduceLROnPlateau и EarlyStopping, которые помогают уменьшить ско-рость обучения, если не происходит улучшения метрик качества, и прекратить обучение, когда модель начинает переобучаться и общая ошибка начинает расти на валидационных данных.

Реализация данных методов проиллюстрирована на рисунке 7.

Рисунок 5 – Параметры нейронной сети

Рисунок 6 – Реализация оптимизатора и функции потерь

Рисунок 7 – Реализация методов остановки и замедления обучения нейронной сети

Таким образом, при подборе параметров нейронной сети для диагностики пневмонии, учтены выбранные ранее стороны и использованы методы регуляризации и оптимизации, которые помогли достичь наилучшего качества модели.

Обсуждение. Важным этапом в разработке системы интеллектуальной поддержки принятия решения было тестирование и анализ результатов. После создания модели свёрточной нейронной сети и её обучения, модель была протестирована на тестовой выборке. В результате тестирования была получена точность предсказаний в 92% при значении функции потерь 0.25, что демонстрирует рисунок 8. Большой объем обучающей выборки и сгенерированные данные могут оправдывать несовершенство результатов универсальностью своих прогнозов.

Модель имеет хорошую точность прогнозов и закончила своё обучение с точностью 97% на тренировочном наборе (рис. 9).

На валидационной выборке прогнозы приближены к значению 68% (рис. 10), но если учитывать точность на всех данных, то она составит приблизительно 92%, что равно значению на тестовом наборе. Также на рисунке 10 показано то, как происходило обучение модели по эпохам. На рисунке видно, как модель постепенно увеличивала процент верных прогнозов и уменьшала ошибку переобучения.

Рисунок 8 – Итоги обучения нейронной сети

Рисунок 9 – Данные последней эпохи обучения модели

Рисунок 10 – Графики процента верных прогнозов и потери переобучения

Выводы. Система интеллектуальной поддержки принятия решения, разработанная с использова-нием сверточной нейронной сети [20], может оказать значительную помощь в диагностике заболеваний на основе медицинских снимков, точность предсказания пневмонии составляет 92%.

СПИСОК ЛИТЕРАТУРЫ:

1. Алексеев П.П., Квятковская И.Ю. Применение нейронных сетей в системе распознавания промысловых гидробионтов в условиях повышенной флуктуации // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2022. – № 2. – С. 76-86.

2. Алексеев П.П., Квятковская И.Ю. Применение нейронных сетей для распознавания принципиальных условно-графических электрических обозначений // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2021. – № 2. – С. 47-56.

3. Kvyatkovskaya I., Khasukhadzhiev A., Magomaev T. Development of a searching algorithm based on neural networks for the optimal university studies schedule // В сборнике: AIP Conference Proceedings. 1. Сер. "I International Conference ASE-I - 2021: Applied Science and Engineering, ASE-I 2021" 2021. – С. 040001.

4. Шуршев Т.В., Карлина Е.П. Моделирование функ-ционального узла управления матричным индикатором на базе программируемой логической интегральной схемы // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2022. – № 4. – С. 42-47.

5. Шуршев Т.В., Гайрабекова Т.И. Моделирование узла распознавания символов на жидкокристаллическом дисплее с помощью модели искусственного нейрона // Прикаспийский журнал: управление и высокие технологии. – 2023. – № 1 (61). – С. 149-156.

8. Шуршев Т.В. Анализ систем интеллектуальной под-держки принятия решения для диагностики заболеваний // 73-я Международная студенческая научно-техническая конференция, Астрахань, 17–22 апреля 2023 года: материалы / Астраханский государственный технический университет. – Астрахань: Изд-во АГТУ, 2023. – С. 810-811. 1 CD-диск. Систем. требования: Microsoft Windows XP и выше. Загл. с титул. экрана.

7. Шуршев Т.В. Разработка технического задания на проектирование системы интеллектуальной поддержки принятия решения для диагностики пневмонии на основе машинного обучения и нейронных сетей // 73-я Международная студенческая научно-техническая конфе-ренция, Астрахань, 17-22 апреля 2023 года: материалы / Астраханский государственный технический университет. – Астрахань: Изд-во АГТУ, 2023. – С. 812-813. 1 CD-диск. Систем. требования: Microsoft Windows XP и выше. Загл. с титул. экрана.

8. Свидетельство о государственной регистрации программы для ЭВМ 2023660902 Российская Федерация. Нейронная сеть для диагностики пневмонии / Шуршев Т.В.; заявитель и правообладатель Шуршев Т.В.; заявл. 03.04.2023 ; опубл. 25.05.2023. Реестр программ для ЭВМ – 1 с.

9. Свидетельство о государственной регистрации программы для ЭВМ 2023660903 Российская Федерация. Нейронная сеть для автоматического распознавания руко-писного текста / Шуршев Т.В. ; заявитель и правообладатель Шуршев Т.В.; заявл. 03.05.2023 ; опубл. 25.05.2023. Реестр программ для ЭВМ – 1 с.

10. Квятковская И.Ю., Во Тхи Хуен Ч., Чан К.Т. Модель и алгоритм поддержки принятия решения по выбору продуктов для рекомендации пользователю на основе метода ана-лиза статистической импликации // Вестник Астраханского государственного технического университета. Серия: Управ-ление, вычислительная техника и информатика. – 2023. – № 2. – С. 116-124.

11. Квятковский К.И., Квятковская И.Ю., Шуршев В.Ф. Интегрированные механизмы информационной поддержки принятия решений крупномасштабной территориально-распределенной экономической системы // Вестник Саратовского государственного технического университета. – 2010. – Т. 4. – № 2 (50). – С. 181-189.

12. Квятковская И.Ю. Этапы проблемно-ориентирован-ной методологии поддержки принятия управленческих решений для слабоструктурированных проблем // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2009. – № 1. – С. 60-65.

13. Шуршев Т.В. Решение задачи выбора варианта промыслового сооружения при разработке морского нефтегазового месторождения // Новейшие технологии освоения месторождений углеводородного сырья и обеспечение безопасности экосистем Каспийского шельфа: материалы XIII Международной научно-практической конференции, Астрахань, 12-13 октября 2022 года / Астрахан. гос. техн. ун-т. – Астрахань: Изд-во АГТУ, 2022. – С. 393-395.

14. Заболевания органов дыхания: практическое руководство / под редакцией члена-корреспондента РАН Ж.Д. Кобалава. – Москва: ГЭОТАР-Медиа, 2022. – 248 с.

15. Ройтберг, Г.Е. Внутренние болезни. Система органов дыхания: учеб. пособие / Г.Е. Ройтберг, А.В. Струтынский. – 2-е изд., перераб. и доп. – Москва: МЕДпресс-информ, 2015. - 512 с.

16. https://www.Kaggle.com/

17. Шуршев Т.В. Способ поабзацного ввода числовых значений в массив в языке программирования PYTHON // В сборнике: Информационные технологии и технологии коммуникации: современные достижения. Материалы третьей международной молодежной конференции. 2019. – С. 91.

18. Искусственный интеллект и Машинное обучение. Основы программирования на Python. М.:ЛитРес: Самиздат, 2020: дата введения 2020-18-09. – Москва: М.:ЛитРес: Самиздат, 2020, 2020. – 170 с.

19. Дж. Плас: Python для сложных задач. Наука о данных и машинное обучение / Д. В. Плас, Д. Уиттон, Т. Хасти, Р. Тибширани. – Санкт-Петербург: Питер, 2022. – 576 с.

20. Свидетельство о государственной регистрации программы для ЭВМ 2023661538 Российская Федерация. Сверточная нейронная сеть для диагностики пневмонии / Шуршев Т.В. ; заявитель и правообладатель Шуршев Т.В.; заявл. 05.05.2023 ; опубл. 01.06.2023. Реестр программ для ЭВМ – 1 с.

Статья поступила в редакцию 21.02.2024

Статья принята к публикации 15.03.2024

УДК 004.932

EDN: RMBUIG

СРАВНЕНИЕ ЭФФЕКТИВНОСТИ НЕЙРОННЫХ СЕТЕЙ ПО УЛУЧШЕНИЮ РАЗРЕШЕНИЯ

ИЗОБРАЖЕНИЙ ДОРОЖНОЙ ПОВЕРХНОСТИ

© Автор 2024

SPIN: 8585-7175

AuthorID: 1086300

ORCID: 0000-0001-7051-6182

ScopusID: 57221395701

ЖУРАВЛЕВ Александр Александрович, аспирант

Институт радиоэлектроники и информационных технологий-РТФ

Уральский Федеральный Университет им. Б.Н. Ельцина,

(620078, г. Екатеринбург, ул. Мира, д. 32, e-mail: alexander.zhuravlev@urfu.ru)

Аннотация. В связи с расширяющейся географией автомобильных дорог актуальной задачей является оценка состояния их полотна, в последние годы для анализа изображений и повышения их качества все шире применяются разнообразные методы обучения нейронных сетей. В этой связи интерес представляет сравнение возможностей различных нейронных сетей в части получения изображения высокого разрешения по критерию среднего времени достижения приемлемого результата. Для анализа выбраны нейронные сети ESRGAN, EDSR, ESPCN, FSRCNN, LapSRN, каждая из которых способна увеличить разрешение одновременно по ширине и высоте кадра в 4 раза, и, соответственно, количества пикселей в 16 раз. С этой целью для перечисленных сетей было проведено по 5 экспериментов с 5 разными фотографиями в каждом эксперименте, при этом количество пикселей на изображении всякий раз увеличивалось в два раза. Установлено, что наилучшими показателями по затратам времени обладает сеть ESPCN, сеть FSRCNN демонстрирует сопоставимые результаты.

Ключевые слова: сравнение, эффективность, нейронная сеть, улучшение разрешения изображения, фотография, дорожная поверхность.

COMPARISON OF THE EFFECTIVENESS OF NEURAL NETWORKS TO IMPROVE

THE RESOLUTION OF ROAD SURFACE IMAGES

© Author 2024

ZHURAVLEV Alexander Alexandrovich, postgraduate student

Institute of Radioelectronics and Information Technology-RTF

Ural Federal University named after B.N. Yeltsin

(620078, Yekaterinburg, Mira St., 32, e-mail: alexander.zhuravlev@urfu.ru)

Abstract. Due to the expanding geography of highways, an urgent task is to assess the condition of their tracks. In recent years, various methods of training neural networks have been increasingly used to analyze images and improve their quality. In this regard, it is of interest to compare the capabilities of various neural networks in terms of obtaining a high-resolution image according to the criterion of average time to achieve an acceptable result. The neural networks ESRGAN, EDSR, ESPCN, FSRCNN, LapSRN were selected for analysis, each of which can increase the resolution simultaneously in width and height of the frame by 4 times, and, accordingly, the number of pixels by 16 times. For this purpose, 5 experiments were conducted for the listed networks with 5 different photos in each experiment, while the number of pixels in the image doubled each time. It was found that the ESPCN network has the best indicators in terms of time spent, the FSRCNN network demonstrates comparable results.

Keywords: comparison, effectiveness, neural network, image super-resolution, photo, road surface.

Для цитирования: Журавлев А.А. Сравнение эффективности нейронных сетей по улучшению разрешения изображений дорожной поверхности / А.А. Журавлев // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 58-61. – EDN: RMBUIG.

Введение. Вопросам контроля качества дорог посвящено огромное количество монографий [1-3] и журнальных статей, в которых рассматри-ваются методы обработки изображений дорож-ной поверхности. Методы можно разделить на традиционные без использования машинного обу-чения [4, 5] и методы с использованием нейрон-ных сетей [6-11]. Что касается последних, то ак-туальна сравнительная оценка их эффективности по критериям разрешения изображения дорожной поверхности и временных затрат на их обработку. В настоящем исследовании применительно к указан-ной задаче рассматриваются показатели точности и производительности нескольких нейронных сетей:

– ESRGAN (Enhanced Super-Resolution Generative Adversarial Network – усовершенствованная генеративно-состязательная сеть сверхвысокого раз-решения) [12];

– EDSR (Enhanced Deep Residual Network for Single Image Super-Resolution – усовершенствованная глубокая остаточная сеть для сверхразрешения од-ного изображения) [13];

– ESPCN (Efficient Sub-Pixel Convolutional Neural Network) – эффективная субпиксельная сверточная нейронная сеть [14];

– FSRCNN (Fast Super-Resolution Convolutional Neural Network – быстрая сверточная нейронная сеть со сверхразрешением) [15];

– LapSRN (Laplacian Pyramid Super-Resolution Network – сеть сверхразрешения пирамиды Лапласа) [16].

Каждая из них позволяет улучшить разреше-ние изображений, различаясь, однако, алгоритмами обработки изображений и порядком увеличения разрешения со временем, который может быть линейным O(n), квадратическим O(n2) или куби-ческим O(n3). Все эти факторы могут оказывать существенное влияние на производительность системы.

Цель работы заключается в сравнении эффек-тивности различных нейронных сетей по повышению разрешения изображений и обосновании выбора конкретной сети для обработки изображений до-рожного покрытия.

Методология. Исходным материалом для исследования послужили фотографии дорожной поверхности (на рисунках 1-5 различные фотографии формата png шириной и высотой по 100 пикселей), а методология базируется на эксперименте, нап-равленном на определение зависимости степени разрешения изображений от их размеров для различных нейронных сетей. На характер зависимос-ти влияют тип функции повышения разрешения (линейный, квадратичный, кубический), скорость ее нарастания и времени получения изображения высокого разрешения (ИВР).

Рисунок 1 – Исходные фотографии и соответствующие изображения высокого качества

Каждая из названных выше сетей увеличивает разрешение, как по высоте, так и по ширине изоб-ражения в 4 раза, т.е. общее количество пикселей исходного изображения возрастает в 16 раз. Одним из важных показателей эффективности конкретной нейросети для получения высокого разрешения можно считать среднее время, которое затрачивается на выполнение данной операции, оно зависит от размера изображения.

Для размещения программных продуктов и проведения эксперимента использовался компьютер с 64-разрядным процессором Intel Core i5 с тактовой частотой 8 ГГц и оперативной памятью 8 гигабайт. План эксперимента для определения зависимости среднего времени получения ИВР от размера исход-ного изображения включал проведение для каждой нейросети серии из 5 процедур, последовательно увеличивающих количество пикселей в 2 раза: 10000 (ширина – 100, высота – 100), 20000 (≈141×141), 40000 (200×200), 80000 (≈283×283), 160000 (400×400). Полученные на каждом этапе изображения с присвоением им приставок SR (super-resolution) сохраняются в 25 различных папках (5 нейросетей × 5 экспериментов с разными размерами изображений). Среднее время tср получения ИВР находится как

tср = tобщ / n,

где tобщ – общее время получения всех изображений, n – количество изображений (в нашем случае 5).

Результаты. Результаты обработки фотографи-ческих изображений нейросетями, демонстрирую-щие повышение разрешения, в сопоставлении с ис-ходными изображениями представлены на рисунке 1. Разрешение полученных ИВР по числу пикселей увеличивается в 16 раз.

Численные результаты зависимости произво-дительности нейросетей при образовании ИВР от размера фотографии сведены в таблицу 1. Те же результаты в графическом виде показаны на рисунке 2. В некоторых случаях показатели разных нейро-сетей настолько близки, что их графики совпадают.

Таблица 1 – Зависимость среднего времени получения ИВР нейронной сетью от размера фотографии

Размер изображения	Время работы нейронной сети, мс
	ESRGAN	EDSR	ESPCN	FSRCNN	LapSRN
10000	2016	5140	81	71	437
20000	2712	11524	129	136	890
40000	5552	26439	251	285	1909
80000	9823	54307	466	583	4117
160000	19951	106239	897	1137	8249

Рисунок 2 – Зависимости среднего времени работы нейросети от размера исходного изображения

Обсуждение. Как видно из графика, среднее время работы всех нейронных сетей линейно связано с размером исходного изображения [17]. Однако абсолютные значения показателей произво-дительности и скорости нарастания зависимостей различаются. Для сравнения сетей по их эффек-тивности составим безразмерные отношения по-казателей для пар нейросетей (таблица 2 – в порядке возрастания скорости роста функции). Здесь же выстроим нейронные сети в порядке возраста-ния затрат времени. Сопоставление численных показателей свидетельствует о том, что наиболее эффективным является ESPCN (имеет наименьшую скорость нарастания, и в большинстве случаев наи-меньшие абсолютные временные показатели), близ-кими характеристиками обладает сеть FSRCNN. Наибольшее отношение имеет пара EDSR и ESPCN (118,4381), наименьшее – FSRCNN и ESPCN (1,2676). При увеличении размера исходного изображения данное отношение будет только увеличиваться, т.е. размер существенно влияет на производительность системы.

Таблица 2 – Отношения средних значений времени получения высокого изображения для выбранных нейронных сетей для разрешения 160000 пикселей

Нейронная сеть	ESRGAN	EDSR	ESPCN	FSRCNN	LapSRN
ESRGAN	1	0,1878	22,2419	17,5471	2,4186
EDSR	5,3250	1	118,4381	93,4379	12,8790
ESPCN	0,0450	0,0084	1	0,7889	0,1087
FSRCNN	0,0570	0,0107	1,2676	1	0,1378
LapSRN	0,4135	0,0776	9,1962	7,2551	1

Выводы. Выполнен анализ связи эффектив-ности нейронных сетей с размером изображения до-рожного полотна в пикселях. Исходным материалом послужили пять изображений дорожной поверх-ности формата png с исходным разрешением 200× 200 пикселей. В качестве показателя эффективности выбрано среднее время получения изображения высокого разрешения. Для ряда нейронных сетей проведена серия из пяти экспериментов с последо-вательным двукратным увеличением числа пикселей: 10000, 20000, 40000, 80000, 160000. Установлено, что наилучшей эффективностью обладает сеть ESPCN, которая характеризуется наименьшей скоростью нарастания зависимости среднего времени получе-ния ИВР от исходного разрешения, и в большинстве случаев наименьшими абсолютными показателями затрат времени. Близкие свойства демонстрирует сеть FSRCNN, которая обладает наименьшим абсо-лютным временным показателем при 10000 пик-селях и несколько большей скоростью нарастания функции, чем ESPCN. Таким образом именно эти две нейросети могут быть рекомендованы для применения в технике оценки качества дорожного покрытия.

СПИСОК ЛИТЕРАТУРЫ:

1. Визильтер Ю.В. Обработка и анализ изображений в задачах машинного зрения / Ю.В. Визильтер и др. – М.: ФИЗМАТКНИГА, 2010. – 672 c.

2. Ерош И.Л. Обработка и распознавание изображений в системах превентивной безопасности: Учебное пособие / И.Л. Ерош, М.Б. Сергеев, Н.В. Соловьев. - СПб.: ГОУ ВПО СПбГУАП, 2012. – 154 c.

3. Костяшкин Л.Н. Обработка изображений в авиационных системах технического зрения / Л.Н. Костяшкин, М.Б. Никифоров. - М.: Физматлит, 2016. – 240 c.

4. A. Danti, J.Y. Kulkarni, P.S. Hiremath. An Image Processing Approach to Detect Lanes, Pot Holes and Recognize Road Signs in Indian Roads // International Journal of Modeling and Optimization. – Vol. 2. – № 6. – 2012. – P. 658-662.

5. Fan, R. Road Damage Detection Based on Unsupervised Disparity Map Segmentation / R. Fan, M. Liu // IEEE Transactions on Intelligent Transportation Systems. – November 2020. – Volume:21, Issue 11. – Р. 4906 –4911.

6. L.A. Silva, V.R.Q.Leithardt,V.F.L. Batista,G.V. González; J.F.D.P. Santana. Automated Road Damage Detection Using UAV Images and Deep Learning Techniques // Institute of Electrical and Electronics Engineers Inc. 2023, IEEE Access, Vol. 11, p. 62918-62931.

7. Road Damage Detection and Classification Using Deep Neural Networks with Smartphone Images: Road damage detection and classification // Computer-Aided Civil and Infrastructure Engineering. Vol. 33, Issue 12. – P. 1127-1141.

8. D. Arya, H. Maeda, S. K. Ghosh, D. Toshniwal, A. Mraz, T. Kashiyama, Y. Sekimoto. Deep learning-based road damage detection and classification for multiple countries // Automation in Construction, 2021, Vol.132, 103935

9. Журавлев, А.А. Повышение качества изображений дорожного покрытия на основе подходов морфологической обработки / А.А. Журавлев, К.А. Аксенов // Инженерный вестник Дона. – 2023. – № 7. – С. 404-413.

10. А.А. Журавлев. Улучшение изображений асфаль-тобетонных покрытий на основе методов сегментации// Инженерный вестник Дона, 2023, № 7. – С. 393-403.

11. A.A. Zhuravlev, K.A. Aksyonov. Comparison of Contour Detection Methods in Images on the Example of Photos with Road Surface Damage // Institute of Electrical and Electronics Engineers Inc., 2023 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT), 2023, P. 183-186.

12. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks [Электронный ресурс], режим доступа URL: https://esrgan.readthedocs.io/en/latest/ (дата обращения 2.02.2024).

13. Enhanced Deep Residual Networks for Single Image Super-Resolution (EDSR) [В Интернете] // URL: https://huggingface.co/eugenesiow/edsr#:~:text=EDSR%20upscaling%20x2.-,Model%20description,the%20end% 20of%20the%20network.

14. ESPCN [В Интернете] // URL:https://learnopencv.com/super-resolution-in-opencv/#sec4

15. Accelerating the Super-Resolution Convolutional Neural Network [В Интернете] // URL: http://mmlab.ie. cuhk.edu.hk/projects/FSRCNN.html

16. LapSRN [В Интернете] // URL:https://learnopencv.com/super-resolution-in-opencv/#sec6

17. Analysis of Algorithms | Big-O analysis [В Интер-нете] // URL:https://www.geeksforgeeks.org/analysis-algorithms-big-o- analysis/

Статья поступила в редакцию 31.01.2024

Статья принята к публикации 15.03.2024

УДК 004.932.4

EDN: QZBDSV

ПОДХОДЫ К ЦИФРОВОЙ ОБРАБОТКЕ ИЗОБРАЖЕНИЙ В ГОРНОЙ ПРОМЫШЛЕННОСТИ

© Автор(ы) 2024

SPIN: 4751-6200

AuthorID: 724154

ORCID: 0000-0002-7944-0468

ResearcherID: N-8229-2016

ScopusID: 57193408429

ЗАЙЦЕВА Екатерина Викторовна, кандидат технических наук,

доцент кафедры «Информатики и компьютерных технологий»

Санкт-Петербургский горный университет императрицы Екатерины II

(199106, город Санкт-Петербург, линия 21-я В.О., дом 2, e-mail: Zaytseva_EV@pers.spmi.ru)

SPIN: 8139-9418

AuthorID: 906326

ORCID: 0000-0002-8189-782X

ResearcherID: K-5359-2017

ScopusID: 57189387806

КОЧНЕВА Алина Александровна, кандидат технических наук,

доцент кафедры «Информатики и компьютерных технологий»

Санкт-Петербургский горный университет императрицы Екатерины II

(199106, город Санкт-Петербург, линия 21-я В.О., дом 2, e-mail: Kochneva_AA@pers.spmi.ru)

SPIN: 6378-6951

AuthorID: 728974

ORCID: 0000-0001-8345-0979

ResearcherID: Q-4914-2016

ScopusID: 57191523004

КАТУНЦОВ Евгений Владимирович, кандидат технических наук,

первый заместитель директора института «Базового инженерного образования» – заместитель

по образовательной деятельности

Санкт-Петербургский горный университет императрицы Екатерины II

(199106, город Санкт-Петербург, линия 21-я В.О., дом 2, e-mail: Katuntsov_EV@pers.spmi.ru)

SPIN: 6726-1321

AuthorID: 814190

ORCID: 0000-0001-9999-8146

ScopusID: 57189368677

КИБА Мария Романовна, кандидат технических наук,

ассистент кафедры «Информационных систем и вычислительной техники»

Санкт-Петербургский горный университет императрицы Екатерины II

(199106, город Санкт-Петербург, линия 21-я В.О., дом 2, e-mail: Kiba_MR@pers.spmi.ru)

Аннотация. В статье рассмотрены основные подходы и особенности цифровой обработки изображений в горной промышленности, начиная от формирования видеопоследовательностей до процесса постобработки. Произведен анализ основных характеристик видеокамер с учётом особенностей съёмки в условиях производственного процесса и подбора оптимального режима работы видеокамеры. Уточнены зависимости для расчёта количественных характеристик видеокамер при видеонаблюдении в шахтах, описаны особенности цифровых изображений, полученных в шахтах. Рассмотрены основные методы и алгоритмы, применяемые при обработке таких видеоданных: цифровая фильтрация, детекция импульсного шума, сегментация, распознавание объектов. Проанализированы принципы медианной фильтрации как метода коррекции импульсного шума. Даны рекомендации по оптимизации классических методов цифровой обработки изображений для решения задач видеонаблюдения и постобработки в горной промышленности с учётом ограниченности информационных, трудовых и временных ресурсов. Указаны направления дальнейших исследований в области цифровой обработки изображений в горной промышленности, касающиеся как количественных показателей качества устройств формирования изображений и условий съёмки, так и методов и алгоритмов цифровой обработки изображений.

Ключевые слова: изображение, видеоданные, цифровая обработка, горная промышленность, нейронные сети, чувствительность, медианный фильтр.

APPROACHES TO DIGITAL IMAGE PROCESSING IN THE MINING INDUSTRY

© Автор(ы) 2024

ZAYTSEVA Ekaterina Viktorovna, candidate of technical sciences,

associate professor of the department of «Informatics and Computer Technologies»

Empress Catherine II Saint Petersburg Mining University

(199106, building 2, line 21st V.O., St. Petersburg, Russia, e-mail: Zaytseva_EV@pers.spmi.ru)

KOCHNEVA Alina Alexandrovna, candidate of technical sciences,

associate professor of the department of «Informatics and Computer Technologies»

Empress Catherine II Saint Petersburg Mining University

(199106, building 2, line 21st V.O., St. Petersburg, Russia, e-mail: Kochneva_AA@pers.spmi.ru)

KATUNTSOV Evgeny Vladimirovich, candidate of technical sciences,

First deputy director - deputy for educational activities of the «Institute of basic engineering education»

Empress Catherine II Saint Petersburg Mining University

(199106, building 2, line 21st V.O., St. Petersburg, Russia, e-mail: Katuntsov_EV@pers.spmi.ru)

KIBA Maria Romanovna, candidate of technical sciences,

assistant of the department of «Information Systems and Computer Science»

Empress Catherine II Saint Petersburg Mining University

(199106, building 2, line 21st V.O., St. Petersburg, Russia e-mail: Kiba_MR@pers.spmi.ru)

Abstract. The article discusses the main approaches and features of digital image processing in the mining industry, starting from the formation of video sequences to the post-processing process. An analysis of the main characteristics of video cameras was carried out, taking into account the peculiarities of filming in the conditions of the production process and the selection of the optimal mode of the video camera operation. The dependencies for calculating the quantitative characteristics of video cameras for video surveillance in mines have been clarified. Next, the features of digital images obtained in mines are considered and described. The main methods and algorithms used in processing such video data are analyzed: digital filtering, impulse noise detection, segmentation, object recognition. Median filtering is considered in detail as a method for correcting impulse noise. Recommendations are given for optimizing classical methods of digital image processing for video surveillance and post-processing tasks in the mining industry, taking into account the limited information, labor and time resources. Directions for further research in the field of digital image processing in the mining industry are proposed, concerning both the quantitative characteristics of the quality of image forming devices, shooting conditions, and methods and algorithms for digital image processing.

Keywords: image, video data, digital processing, mining, neural networks, sensitivity, median filter.

Для цитирования: Зайцева Е.В. Подходы к цифровой обработке изображений в горной промышленности / Е.В. Зайцева, А.А. Кочнева, Е.В. Катунцов, М.Р. Киба // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 62-67. – EDN: QZBDSV.

Введение. Горная промышленность отличается опасными условиями труда и угрозами для окру-жающей среды в местах добычи. С развитием видеонаблюдения одним из ключевых элементов для сбора и передачи информации о технологических процессах становятся видеокамеры. Системы ви-деонаблюдения размещают на важных участках производственного процесса: в шахтах, на рабочих местах персонала, в зонах опасных условий труда. Фото и видеоизображения, полученные в шахтах и разрезах, могут предоставить специалистам точную картину условий производимых работ и технического оснащения, а также воспроизвести действия персонала в той или иной критической ситуации. Наличие фото и видеоинформации уско-ряет принятие решений, упрощает процесс устране-ния неполадок, увеличивает эффективность работы. При этом необходимо учитывать, что для хранения видеоинформации необходимы ресурсы памяти.

Прежде чем перейти к цифровой обработке изображений требуется решить задачу их формиро-вания, прежде всего выяснить какова яркость (освещённость) светочувствительного поля датчика и какова связь этой яркости (освещенности) с освещенностью объекта. В условиях видеонаб-людения в шахтах важной характеристикой стано-вится пороговая освещенность как техническая характеристика видеокамеры. Методики расчёта различных освещённостей систем видеонаблюдения изначально ориентировались на специалистов по телевизионным системам, они не всегда учиты-вали расстояния от объектива до объекта, будучи рассчитанными на широковещательное, а не на прикладное телевидение [1-3]. Однако при фото и видеосъёмке в шахтах расстояние от объектива до объекта часто бывает соизмеримо с размерами самого объекта [4-6].

Цифровая обработка изображений в горной промышленности основана как на классических алгоритмах Р. Гонсалеса и Р. Вудса [7] с некоторым их видоизменением, так и на алгоритмах, основа-нных на глубоком обучении с учетом особенностей предметной области [8-10].

Методология. При проектировании систем видеонаблюдения необходимо ответить на ряд вопросов, прежде всего о том, стоит ли вести видеонаблюдение непрерывно, либо достаточно производить видеосъёмку при определённых обстоя-тельствах? Кроме того, следует определить необхо-димые сроки хранения видеоинформации с каждого участка.

Для процесса видеонаблюдения на объекте гор-ной промышленности огромную роль играют различного рода датчики. Это могут быть датчики движения, датчики обнаружения различных веществ в воздухе, превышения концентрации веществ, дат-чики нарушения состава и т.п. [8]. Необходимость в тех или иных аппаратных средствах зависит от особенностей объекта. Также важен уровень осве-щённости на объекте видеонаблюдения, который зависит от особенности установленных видеокамер и источников освещения на объекте [9-12].

Способность приемника излучения обнаруживать предельно малые освещенности определяется по-рогом его чувствительности, пороговая освещённость в плоскости оптического изображения на ПЗС и КМОП определяется выражением [1]

(1)

где 683 – пересчётный коэффициент энергети-ческих величин в световые [лм/Вт]; t – время на-копления; А – площадь пикселя; Sm – значение максимальной чувствительности матрицы; N – среднеквадратическое отклонение шумовых элект-ронов; V(λ) – кривая видности человеческого глаза; Θ – относительное отверстие объектива; X(λ,T) – относительная спектральная плотность светимости абсолютно черного тела (АЧТ) (T – температура абсолютно черного тела (АЧТ) или цветовая тем-пература, °К), рассчитываемая по формуле:

,

где – спектральная плот-ность светимости АЧТ (здесь с – скорость света в вакууме, h – постоянная Планка, k – постоянная Больцмана), которая имеет максимальное значение, равное Mm(T)=1,2865∙10-5∙T5 [Вт/м3 ] при длине волны излучения λm=2897,8∙10-6∙T-1 [м]. Формула (1) получена при условии, что объект подсвечивается источ-ником излучения, относительная спектральная плот-ность светимости которого совпадает с плотностью светимости АЧТ. Пороговое значение интегральной энергетической освещённости в плоскости оптичес-кого изображения на ПЗС и КМОП равно [4]:

Целесообразно для определения взаимосвязи между спектральной освещённостью в плоскости изображения и спектральной освещённостью объекта учесть тот факт, что дальность от объектива до объекта (передаваемой сцены) бывает соизмеримой с расстоянием до его изображения, но не превышает его значительно. В работе [1] при определении энергетической и световой освещённостей телесный угол рассматривается как часть пространства, ограниченного некоторой конической поверхностью, а не отталкивается от способа измерения телесного угла. Для оценки пороговой световой освещенности рекомендуется использовать уточненную зависимость

(2)

где d – отношение диаметра объектива к расстоя-нию до объекта; n – пороговое число сигнальных электронов.

Зависимость (2) получена при подстановке в (1) уточненной зависимости телесного угла Ω от плос-кого α [5]:

Зачастую фото и видеоданные, снятые в усло-виях пониженного освещения, зашумлены атмосфер-ными осадками и остаточными продуктами произ-водственного процесса [13-15]. Для улучшения качества итоговых фото и видеоданных исполь-зуются методы цифровой обработки изображений, адаптированные к условиям съемки [13-15]. Для цифровых изображений, полученных в шахтах, характерно низкое значение среднего уровня яркости, в диапазоне 30-70 единиц (при работе с каналами цветовой модели RGB за 0 принимается значение чёрного цвета, за 255 значение белого цвета). Следует понимать, что для таких изображений характерны участки с наиболее высоким уровнем яркости, когда в кадр попадают источники освещения, и участки с очень низким уровнем яркости, если источника света практически нет [16-18].

Применительно к горной промышленности при цифровой обработке изображений зачастую ис-пользуется пространственная фильтрация – метод коррекции изображения, при которой обработка выполняется посредством некоторого последова-тельного воздействия на каждую точку изображения [19-21]. Методики пространственной фильтрации используются для подавления импульсного шума, который, как правило, обусловлен угольной пылью и другими остаточными продуктами производст-венного процесса [22–24]. Пример изображения с таким шумом представлен на рисунке 1. Предс-тавляют интерес алгоритмы обнаружения и оцен-ки импульсного шума с помощью масштабного параметра, определяемого по изменению значений освещенности в окрестности пикселя [25]. Для изоб-ражения, представленного на рисунке 1, масштаб-ный параметр зашумленности составляет 8%. Этот параметр был рассчитан как отношение разности значений освещенности центрального пикселя и соседних пикселей в заданной окрестности к (N-1) соседних пикселей. Оценка уровня зашумления изображения позволяет выбрать способы дальнейшей коррекции.

Результаты. Импульсный шум, присутствую-щий на изображении рисунка 1, в технике цифровой обработки изображений принято называть шумом типа «Соль», проявляющимся пикселями бело-го цвета. В большинстве встроенных библиотек представлена модель шума типа «Соль и перец» с характерными пикселями чёрного и белого цвета. Но в шахтах вследствие низкого уровня яркости снятых кадров чёрные пиксели, как правило, не просматриваются. С задачей фильтрации импульс-ного шума хорошо справляются фильтры поряд-ковых статистик [25-27]. Пример результата работы медианного фильтра апертурой 3×3 с изображением (рис. 1) представлен на рисунке 2.

В результате проведенных исследований было установлено, что для изображений со средним уров-нем яркости 30-70 при уровне зашумленности до 3% достаточно медианной фильтрации апертурой 3×3, при уровне 3-5% апертуру следует брать 5×5, при 5-10% – 7×7, при 10-20% – 9×9, при зашумленности выше 20% – 11×11. Поэтому была использована медианная фильтрация с апертурой 7×7. Результат работы такого фильтра показан на рисунке 3.

Рисунок 1 – Изображение шахтного пространства с импульсным шумом

Рисунок 2 – Изображение после обработки медианным фильтром апертурой 3×3

Рисунок 3 – Изображение после обработки медианным фильтром апертурой 7×7

Обсуждение. Постобработка полученных видео-данных играет важную роль для всего процесса видеонаблюдения в горной промышленности. Что-бы сократить затраты временных, технических и человеческих ресурсов такой обработке следует уделять отдельное внимание [28-30]. Коснёмся ос-новных особенностей постобработки видеоданных в горной промышленности

В зависимости от уровня зашумленности изображения используют или глобальную или адаптивную медианную фильтрацию. Если постоян-ный импульсный шум обусловлен спецификой производственного процесса, то оправдано исполь-зование глобального метода фильтрации всего изображения [31-33]. Если же подобное зашумление изображений случается время от времени, используют адаптивную фильтрацию. Тем самым обеспечи-вается приемлемый баланс затрат информационных ресурсов. Кроме того, важное значение имеет апертура фильтра, которая выбирается в зависимости от наблюдаемого технологического процесса. Для изображений с отдельных участков в целях экономии информационных ресурсов достаточно апертуры 3×3, а с других участков может потребоваться апертура до 11×11. Для обработки шахтных изображений с шумами разной интенсивности целесообразно дополнительно исследовать медианную фильтрацию с симметричной и несимметричной апертурой.

После коррекции шума методами порядковых статистик необходимо отрегулировать резкость и контрастность изображений. Не все методы конт-растирования подходят к изображениям, полу-ченным в шахтах. Одни не годятся по причинам ресурсозатратности, другие из-за специфических особенностей самих изображений [34, 35]. Поэтому анализ методов и подбор соответствующих коэф-фициентов является важной задачей. Коэффициен-ты подбираются, как правило, исходя из среднего значения яркости всего изображения, однако возмож-ны исключения, если один фрагмент изображения освещен большим количеством источников.

Основные трудности при сегментации получен-ных в шахтах изображений возникают ввиду нерав-номерной яркости отдельных фрагментов таких изображений – максимальные значения вблизи источников освещения, и минимальные – в местах, удаленных от таких источников. Как правило, алгоритмы сегментации имеют блочную структуру, включающую алгоритмы бинаризации, фильтрации и т.п.

К процессу распознавания образов все чаще привлекают нейросетевые алгоритмы. Ключевым моментом является создание набора данных для максимально эффективного распознавания (обуче-ние сети). В такой набор необходимо включить изображения, полученные при разной цветовой температуре источников излучения, разных углах съёмки объекта распознавания, в условиях разной видимости, при наличии/отсутствии шума. При формировании такой выборки следует руководст-воваться ГОСТ Р 55733-2013 «Освещение подзем-ных горных выработок», определить цветовую температуру источников излучения и, исходя из полученных значений, рассчитать пороговые освещённости с использованием зависимости (2). Также необходимо провести дополнительные иссле-дования по поводу цветовой температуры взрыво-защищённых светильников, используемых в гор-ной промышленности. При построении нейросети отдельно следует коснуться такого понятия как функция активации нейронов. Выбор функции активации напрямую зависит от конкретной задачи и архитектуры нейронной сети, он требует тщатель-ного анализа и экспериментов.

Выводы. Выполнен анализ процессов видео-наблюдения на объектах горной промышленности. Рассмотрены условия, в которых производится видеосъёмка, характеристики, влияющие на качест-во видеоданных. Приведены выражения для расчёта пороговой освещённости изображения, обуслов-ливающие работоспособность видеокамер и датчиков свет-сигнал. Были выбраны изображения с камеры, встроенной в головной светильник шахтёра в шахте. И указаны особенности таких изображений: низкий уровень освещённости в глубине помещений при повышенной яркости вблизи источников света, засоренность импульсными шумами, связанная с особенностью горного технологического процесса. На примере выбранных изображений осуществлено апробирование методов и алгоритмов, применяемых для обработки цифровых изображений, полученных в шахтах. При анализе методов учтены особенности цифровых изображений, снятых камерами, встроен-ными в головные светильники шахтеров. В даль-нейшем планируется провести детальный анализ характеристик чувствительности видеокамер, их влияния на качество формируемого изображения и сроки самого процесса съёмки. Данный анализ позволит выработать рекомендации по техническим характеристикам осветительных приборов, приме-няемых в горной промышленности.

Цифровая обработка изображений в горной про-мышленности неразрывно связана с общим разви-тием информационных технологий, телевизионной техники и методов обработки изображений. При появлении новой технологии она тут же адаптируется к потребностям горной отрасли и способствует решению задач и достижению целей данной отрасли.

СПИСОК ЛИТЕРАТУРЫ:

1. Быков Р.Е. Основы телевидения и видеотехники: учебник для вузов / Р.Е. Быков. – М.: Горячая линия – Телеком, 2006. 399 с.

2. Телевидение: учебник для вузов / В.Е. Джакония [и др.]; под ред. В.Е. Джакония. – 3-е изд., перераб. и доп. – М.: Радио и связь, 2004. – 616 с.

3. Мирошников М.М. Теоретические основы оптико-электронных приборов: учеб. пособие для вузов / М.М. Мирошников. – Л.: Машиностроение, 1977. – 600 с.

4. Якушенков Ю.Г. Теория и расчет оптико-электронных приборов / Ю.Г. Якушенков. – М.: Логос, 2011. – 468 с.

5. Пустынский И.Н. Уточнение зависимости освещён-ности оптического изображения от освещённости объекта в телевизионных датчиках // Доклады Томского государст-венного университета систем управления и радиоэлект-роники. – 2009. – №1. – C. 36-39.

6. Gabov VV., Nguyen VX, Zadkov DA, Tran DTh (2022) Increasing the content of coarse fractions in the mined coal mass by a combine using aired cuts. Journal of Mining Institute. – Vol. 257. – P.764-770. DOI:10.31897/PMI.2022.66.

7. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. – 1072 с.

8. Новиков А.В., Паневников К.В., Писарев И.В. Много-функциональная система безопасности угольных шахт – визуализация событий (горнотехнических процессов) с рабочего места шахтера. // Горная промышленность. – 2021. – № 5. – С. 65-69. DOI: 10.30686/1609-9192-2021-5-65-69.

9. Zubov V.P., Le Quang Ph. (2022) Development of resource - saving technology for excavation of flat-lying coal seams with tight roof rocks (on the example of the Quang Ninh coal basin mines). Journal of Mining Institute. – Vol. 257. – P. 795-806. DOI:10.31897/PMI.2022.72.

10. Nepsha F.S., Voronin V.A., Liven A.S., Korneev A.S. (2023) Feasibility study of using cogeneration plants at Kuzbass coal mines. Journal of Mining Institute. – Vol. 259. – P. 141-150. DOI:10.31897/PMI.2023.2.

11. Buzmakov S.A., Sannikov P.Yu., Kuchin L.S., Igosheva E.A., Abdulmanova I.F. (2023) The use of unmanned aerial photography for interpreting the echnogenic transformation of the natural environment during the oil field operation. Journal of Mining Institute. – Vol. 260. – P. 180-193. DOI:10.31897/PMI.2023.22.

12. Matrokhina K.V., Trofimets V.Y., Mazakov E.B., Makhovikov A.B., & Khaykin, M.M. (2023). Development of methodology for scenario analysis of investment projects of enterprises of the mineral resource complex. Journal of Mining Institute, 259. – С.112-124. doi:10.31897/PMI.2023.3.

13. Litvinenko V.S., Bowbrick I., Naumov I.A., Zaitseva Z. (2022) Global guidelines and requirements for professional competencies of natural resource extraction engineers. Implications for ESG principles and sustainable development goals. J. of Cleanel Production, 338, 1-9 (2022). doi 10.1016/j.jclepro.2022.130530.

14. Kryltcov S.B., Makhovikov A.B. , Korobitcyna M.A. Novel approach to collect and process power quality data in medium-voltage distribution grids. Symmetry. – № 13. – Vol. 3. – 2021. – P. 460-460. doi 10.3390/sym13030460.

15. Makhovikov A.B., Kryltsov S.B., Matrokhina K.V., Trofimets, V. Y. (2023). Secured communication system for a metallurgical company. Tsvetnye Metally, 2023(4), 5-13. doi:10.17580/tsm.2023.04.01.

16. Kiselev V.A., Guseva N.V. (2022). Zoning pipeline routes according to the degree of danger of accidents using geoinformation systems and artificial neural networks. Mining Informational and Analytical Bulletin, (10-2). – P. 185-192. doi:10.25018/0236_1493_2022_102_0_185

17. Boikov, A.V., Savelev, R.V., Payor, V.A., Potapov, A.V. (2020). Evaluation of bulk material behavior control method in technological units using dem. part 2. CIS Iron and Steel Review, 20, 3-6. doi:10.17580/cisisr.2020.02.01

18. Brooks C.N., Dobson R.J., Dean D.B., Banach D., Oommen T., Havens T.C., Ahlborn T., Cook S.J., Clover A. Evaluating the use of unmanned aerial vehicles for transportation purposes // Michigan Department of Transportation, Michigan, USA, 2015. Report No. RC-1616,. – 201 р.

19. Zhang H., Tao P., Meng X., Liu M., Liu X. An optimum deployment algorithm of camera networks for open-pit mine slope monitoring // Sensors. 2021, vol. 21, no. 4, article 1148. DOI: 10.3390/s21041148.

20. Temkin I., Myaskov A., Deryabin S., Konov I., Ivannikov A. Design of a digital 3D model of transport-technological environment of open-pit mines based on the common use of telemetric and geospatial information // Sensors. 2021, vol. 21, no. 18, article 6277. DOI: 10.3390/ s21186277.

21. Chaldina E., Movchan A., Kapustin V., Kuryachiy M. (2021) Software tool for modelling active vision areas of tomographic systems. Journal of Physics: Conference Series. 16. Сер. "16th International Conference on Electronic Devices and Control Systems, EDCS 2020",pp. 012015.

22. Arena F., Pau G., Severino A. An overview on the current status and future perspectives of smart cars // Infrastructures. 2020, vol. 5, no. 7, article 53. DOI: 10.3390/infrastructures 5070053.

23. Kamenskiy A.V. (2022) High-speed recursive-separable image processing filters Computer Optics. – Vol. 46. – № 4. – P. 659-665.

24. Красильников Н.Н. Цифровая обработка изобра-жений. М.: Вузовская книга, 2001. – 320 с.

25. Kam H.S., Tan W.H. Noise detection fuzzy (NDF) filter for removing salt and pepper noise // Lecture Notes Comput. Sci. – 2009. – V. 5857. – P. 479-486. (Intern. visual informatics conf. 2009 (IVIC’09)).

26. Vostrikov A., Sergeev M., Balonin N., Chernyshev S.В. (2017) Digital masking using mersenne matrices and their special images. Procedia Computer Science. Knowledge-Based and Intelligent Information and Engineering Systems: Proceedings of the 21st International Conference, KES 2017. – P. 1151-1159.

27. Востриков А.А., Сергеев М.Б., Литвинов М.Ю Маскирование цифровой визуальной информации: термин и основные определения// Информационно-управляющие системы. – 2015. – № 5 (78). – С. 116-123. doi:10.15217/issn1684-8853.2015.5.116.

28. Михайлов В.В., Колпащиков Л.А., Соболевский В.А., Соловьев Н.В., Якушев Г.К. Методологические подходы и алгоритмы распознавания и подсчета животных на аэрофотоснимках // Информационно-управляющие системы. – 2021. – № 5 (114). – С. 20-32. doi:10.31799/1684-8853-2021-5-20-32.

29. Подгорнова Ю.А., Жизняков А.Л., Садыков С.С. Повышение контраста маммограмм, содержащих области рака молочной железы, на фоне жировой инволюции // Прикаспийский журнал: управление и высокие технологии. – 2020. – № 2 (50). – С. 136-147.

30. Подгорнова Ю.А., Садыков С.С., Самандаров И.Р., Воронцов С.А Исследование критериев распознавания доброкачественных заболеваний на маммограммах. В сборнике: Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений. Материалы XVI Международной научно-технической конференции. Редколлегия: С.Г. Емельянов, В.С. Титов (отв. ред.) [и др.]. Курск, 2021. – С. 279-281.

31. Podgornova Yu.A., Sadykov S.S (2019) Comparative analysis of segmentation algorithms for the allocation of microcalcifications on mammograms CEUR Workshop Proceedings. ITNT 2019 Proceedings of the 5th Information Technology and Nanotechnology 2019: Image Processing and Earth Remote Sensing, pp. 122-127.

32. Куприянов В.В., Бондаренко И.С. Логико-вероят-ностные методы моделирования сценариев аварий в шахтах // Горный информационно-аналитический бюллетень. – 2023. – № 7. – С. 114-131. DOI: 10.25018/0236_1493_2023_7_0_114.

33. Грузман И.С. и др. Цифровая обработка изображений в информационных системах / НГТУ. Новосибирск – 2000. – 156 с.

34. Сергеев М.Б., Соловьев Н.В., Стадник А.И. Ме-тоды повышения контрастности растровых изображений для систем цифровой обработки видеоинформации // Информационно-управляющие системы. – 2007. – № 1 (26). – С. 2-7.

35. Захлебин А.С., Калибеков А., Курячий М.И. Пост-роение геопривязанного ортофотоплана участка мест-ности по изображениям с телевизионной камеры БПЛА вертолетного типа // Электронные средства и системы управления. Материалы докладов Международной научно-практической конференции. – 2020. – № 1-2. – С. 187-189.

Статья поступила в редакцию 31.01.2024

Статья принята к публикации 15.03.2024

УДК 004.4

EDN: VEWPLQ

МЕТОДИКА ПРЕОБРАЗОВАНИЯ ДИАГРАММЫ НАПРАВЛЕННОСТИ РУПОРНОЙ

АНТЕННЫ ВО ВЗВЕШЕННЫЙ ГРАФ

© Авторы 2024

AuthorID: 1236864

МЕРЗЛЯКОВ Юрий Владимирович, генеральный директор

АО «ППО ЭВТ ИМ. В.А. Ревунова»

(440039, Россия, Пенза, ул. Гагарина, д. 13, e-mail: analizer@ppoevt.ru)

SPIN: 4628-3390

AuthorID: 215576

ORCID: 0000-0003-4756-0040

ПАЩЕНКО Дмитрий Владимирович, доктор технических наук, профессор, ректор

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: d.paschenko@penzgtu.ru)

Аннотация. Статья посвящена разработке методики описания диаграммы направленности рупорной антенны в виде взвешенного графа. Автоматизированные методы испытаний радиоэлектронных средств становятся все более важными в контексте быстрого развития электроники и автоматизации производства. Традиционные подходы к тестированию часто не могут обеспечить необходимую «точность-скорость», подчеркивая необходимость в новых методах. В предлагаемой статье рассматриваются различные методики анализа диаграмм направленности, включая современные подходы, такие как голография и апертурно-зондовые методы. В статье рассматривается вопрос, связанный с отсутствием автоматизированных комплексов для тестирования продукции радиоэлектронной борьбы, предназначенной для использования в авиации. Для решения этого вопроса авторы предлагают методику преобразования функции, описывающей диаграмму направленности рупорной антенны, во взвешенный граф. Дополнительно обсуждается восстановление трехмерного образа диаграммы направленности из двумерных срезов, а также подробно описаны методы определения ослабления сигнала при отсутствии согласованной ориентации антенн. По полученным и графически представленным распределениям видна высокая информационная значимость весов ребер, отличающихся от единицы по абсолютной величине более, чем на 0,1, что позволит с высокой вероятностью идентифицировать значение функции F(θ, φ), которая описывает диаграмму направленности, а значит, определить текущую ориентацию антенны. В заключение отмечено, что полученное представление нормированной диаграммы направленности рупорной антенны в виде ориентированного графа, который задается в виде совокупности нескольких матриц весов. Каждая матрица характеризуется распределением значений, которые для разных антенн могут быть различными.

Ключевые слова: восстановление трехмерного изображения, граф, диаграмма направленности, коэффициент усиления, опорно-поворотное устройство, ориентация антенн, рупорная антенна, сигнал, система координат

TECHNIQUE FOR CONVERSION OF THE DIRECTION DIAGRAM OF A HORN

ANTENNA INTO A WEIGHTED GRAPH

© The Authors 2024

MERZLYAKOV Yuri Vladimirovich, general director

JSC "PPO EVT named after V.A. Revunov"

(440039, Russia, Penza, Gagarina Street, 13, e-mail: analizer@ppoevt.ru)

PASHCHENKO Dmitry Vladimirovich, doctor of technical sciences, professor, rector

Penza state technological University

(440039, Russia, Penza, Baydukov Proyezd / Gagarin Street, 1a/11, e-mail: d.paschenko@penzgtu.ru)

Abstract. The paper is devoted to the development of a technique for converting the horn antenna pattern into a weighted orgraph. Automated test methods for radio-electronic equipment are becoming more and more important in the context of rapid development of electronics and production automation. Traditional testing approaches often fail to provide the required accuracy and speed, emphasizing the need for new techniques. The proposed paper reviews various techniques for directional pattern analysis, including modern approaches such as holography and aperture-probe methods. The paper addresses the issue related to the lack of automated testing facilities for electronic warfare products intended for use in aviation. To address this issue, the authors propose a technique for converting the horn antenna pattern into a weighted graph. Additionally, the reconstruction of a three-dimensional image of the pattern from two-dimensional slices is discussed, and methods for determining signal attenuation in the absence of coordinated antenna orientation are detailed. The obtained and graphically presented distributions show the high informational significance of the weights of edges that differ from unity in absolute value by more than 0.1, which will allow us to identify with high probability the value of the function F(θ, φ), and thus determine the current orientation of the antenna. In conclusion, it is noted that the representation of the normalized horn antenna pattern is obtained in the form of an oriented graph, which is represented as a set of matrices of weights, each of which will be characterized by a distribution of values, which may be different for different antennas.

Keywords: three-dimensional image reconstruction, graph, pattern, gain, pivoting device, antenna orientation, horn antenna, signal, coordinate system.

Для цитирования: Мерзляков Ю.В. Методика преобразования диаграммы направленности рупорной антенны во взвешенный граф / Ю.В. Мерзляков, Д.В. Пащенко// XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 68-74. – EDN: VEWPLQ.

Введение. В современном мире развитие элект-ронной техники и автоматизации производственных процессов требует постоянного усовершенствова-ния методов испытаний радиоэлектронных средств (РЭС). Эффективность и надежность РЭС напрямую зависят от качества проведения испытаний в ходе их производства и эксплуатации. Однако традиционные методы тестирования зачастую не могут обеспечить достаточную «точность-скорость» и стабильность процесса, что актуализирует вопрос о внедрении ав-томатизированных способов испытаний.

Цель работы – рассмотреть новые подходы к представлению информации о диаграмме направ-ленности, которые позволяют улучшить решаемость задачи позиционирования антенны по параметру «точность-скорость».

Методология. Параметры антенн можно смо-делировать, используя математические зависимости, опирающиеся на физические закономерности. Мо-дели, которые используются при расчете антенн, являются идеальными, с определенными допуще-ниями, которые упрощают расчетные формулы. Од-нако реальное производство обеспечивает соблюде-ние идеала в рамках заданных погрешностей и исходя из использования имеющегося в наличии оборудования. В силу этого, возникает задача конт-роля качества изготавливаемого изделия и подт-верждения соответствия заявленным параметрам, а также получения экспериментальным путем реаль-ных характеристик антенны. В настоящее время существует большой набор методик для анализа диаграмм направленности (ДН) [1-3]. Современные подходы к их определению базируются на новейших техниках, таких как голография, апертурно-зондовые методы, коммутационные и модуляционные под-ходы, а также на бесфазовых техниках и методах фокусировки [4, 5]. Многие из этих методов при-меняются в комбинации, что позволяет преодолеть некоторые ограничения и повысить эффективность анализа.

Кроме этого, существует проблема, которая заключается в отсутствии автоматизированных комплексов испытаний изделий РЭБ авиационно-го базирования [6-8]. Существующие инженерные решения не позволяют за минимальное время ориентировать систему из двух антенн на макси-мальный коэффициент усиления [9-13]. Известные методы поиска максимума излучения, такие как метод координатного спуска, метод градиентного спуска и метод золотого сечения, являются клас-сическими методами оптимизации, которые можно применять, в том числе и для поиска максимального коэффициента усиления системы из двух антенн.

Метод покоординатного спуска представляет собой элементарный подход в задачах многомерной оптимизации и демонстрирует высокую эффек-тивность в обнаружении локальных минимумов функций. Основное направление поиска экстремума сосредотачивается вдоль осей координат, где изме-няется всего одна координата в процессе оптими-зации. Таким образом, сложная задача многомер-ной оптимизации упрощается до более простой одномерной задачи. Основной минус данного метода – необходимо пройти много шагов до достижения необходимого результата.

В процессе проведенного анализа выявлено, что имеется определенная проблема: отсутствие автоматизированных комплексов для тестирования продукции радиоэлектронной борьбы, предназна-ченной для использования в авиации. Нынешние технические решения не обеспечивают возможность быстрого выравнивания системы из двух антенн на достижение максимального коэффициента усиления. Для решения сложившейся проблемы необходимо разработать новую методику описания ДН. В ка-честве нового математического объекта, с помощью которого будет описана ДН антенны выбран взвешенный граф.

Свойства диаграмм направленности и проблема восстановления 3D диаграмм по 2D срезам. Будем считать, что в качестве принимающей антенны рассматривается эталонная антенна, характерис-тики которой полностью известны. В частности, будем считать известной пространственную нор-мированную ДН F(θ, φ). В случае синфазного раскрыва ДН определяется геометрическими па-раметрами, в частности a – ширина рупора и b – высота рупора, и длиной волны – λ.

В соответствии с апертурным методом функция может быть представлена следующим образом:

где:

Пространственная ДН рупорной антенны предс-тавлена на рисунке 1.

Рисунок 1 – Пространственная диаграмма направленности рупорной антенны

Весьма часто нормированную ДН представляют в логарифмическом масштабе и измеряют в децибелах [14]. В этом случае имеем следующую формулу перехода

Следует отметить, что в большинстве своем ДН представляются в виде двух срезов – горизонтального и вертикального. Для рассматриваемой на рисунке 1 диаграммы горизонтальный срез в относительном масштабе представлен на рисунке 2а.

а)

б)

Рисунок 2 – Диаграмма направленности рупорной антенны в горизонтальной (а) и в вертикальной (б) плоскости

Горизонтальный срез получается, если в прост-ранственной диаграмме положить φ=0, то есть

Горизонтальная ДН может быть представлена в логарифмическом масштабе в децибелах, в этом случае

Вертикальный срез (рис. 2б) получается, если в пространственной диаграмме положить φ=π/2, то есть

Вертикальная ДН может быть представлена в логарифмическом масштабе в децибелах, в этом случае

Функция F(θ,φ) – нормированная диаграмма направленности, θ – угол между осью Oz и направлением сигнала (угол места), φ – угол между осью Ox и проекцией направления сигнала на плоскость xOy. Углы θ и φ определяют направление на источник сигнала или на приемник сигнала. Если θ≠0, то наблюдается ослабление как передаваемого, так и принимаемого сигнала. Для решения задачи ориентации функцию F(θ,φ) будем рассматривать как заданную в прямоугольнике -45≤θ≤45, -90≤φ≤90 пространства ℝ2, то есть как функцию, заданную в декартовых координатах (рис. 3). Пространственная диаграмма направленности (рис. 1) в нашем случае представляет идеальную антенну и соответст-вует рассчитываемым характеристикам из геомет-рических параметров рассматриваемой антенны и, поэтому, рассматривается как теоретическая (идеальная) ДН.

Рисунок 3 – Пространственная диаграмма направленности рупорной антенны в декартовой системе координат

Так как в большинстве случаев приходится оперировать информацией о ДН опираясь лишь на горизонтальный и вертикальный срез, возникает задача восстановления 3D образа ДН. Решение подобной задачи рассмотрено, например, в [15-19]. Выберем два подхода аппроксимации пространственной диаграммы. Первый – «клас-сический» – основан на суммировании значений горизонтальной и вертикальной диаграмм, предс-тавленных в логарифмическом масштабе и метод взвешенной суммы

где:

Определение ослабления сигнала в условиях отсутствия согласованной ориентации антенн. Угол ∆ определяется ориентацией обеих антенн, а не только передающей, поэтому известная формула расчета [20] не позволяет решить задачу ориентации даже при известных характеристиках антенны.

Пусть направление на передающую антенну определяется единичным вектором заданным в системе координат, согласованной с принимающей антенной, тогда координата a3 равна cosθ . Направление можно задать единичным вектором, который определяется углами θ и φ: . Рассматриваемый век-тор не меняется, но при вращении принимающей антенны происходит изменение системы координат, что приводит к изменению координат вектора . Будем всегда рассматривать координаты направле-ния относительно текущей системы координат, согласованной с принимающей антенной (рис. 4).

Рисунок 4 – Ориентация осей Ox и Oy для рупорной антенны

Если опорно-поворотное устройство (ОПУ) делает поворот на угол γ0 в вертикальной области, то матрица перехода от старой системы координат к новой будет иметь следующий вид .

При повороте вектор направления получит новые координаты относительно новой системы координат .

В результате новые значения углов места и азимута будут определяться из следующих соображений

Если первоначально θ=0 то θ'=γ0, φ'=90°, то дальнейшие перемещения нам дают θ'=nγ0, φ'=90°, где n – число шагов поворота на угол γ0 в вертикальной плоскости. Таким образом, поворот на дискретный угол порождает дискретную сетку на плоскости для которой возможно задание функ-ции ДН, согласованную с равномерным распреде-лением точек на единичной сфере.

Принимающая антенна расположена в дальней зоне передающей антенны. Пусть – мощность излучаемой антенны, а плотность потока мощности, падающей на апертуру принимающей антенны , тогда мощность приема определяется

(1)

где g – апертурный коэффициент использования поверхности раскрыва (КИП), s – геометрическая площадь апертуры, ψ – угол между нормалью к апертуре приемной антенны (направление мак-симума ДН) и направлением на антенну пере-дающую. Часть мощности переизлучается, а часть поступает в согласованную нагрузку. Таким образом, знание , а значит , и характеристик g и s позволяет определить из (1) угол ψ. Однако в нашем случае принимающая антенна не согласована по направлению с передающей антенной, поэтому, мощность, принимаемая антенной, определяется следующим выражением

(2)

где L – потери при распространении радиоволн, L≤1, раз; G – произведение коэффициентов усиления антенн передающего и принимающего устройств в направлении, соответствующем максимальному излучению, раз; aΣ – произведение ослаблений отно-сительно направления максимального излучения у антенн передающего и принимающего устройств, aΣ≥1, раз.

Если измерить мощность, поступающую в согласованную нагрузку после поворота принимаю-щей антенны , ее изменение, согласно формулы (2), связано с изменением коэффициента aΣ, который связан с ослаблением антенны в направлении отличном от направления максимума ДН по отношению к максимуму излучения. Определим как коэффициент изменения мощности прини-маемого сигнала

(3)

Заметим, что значение правой части формулы (3) определяется из ДН по изменению углов θ и φ

(4)

где φ' и φ' – значения угла места и азимута после поворота антенны.

В силу формул (3) и (4) можно сказать, что в условиях неизвестности ориентации как передающей, так и принимающей антенн нам для наблюдения доступны только значения отношений мощностей принимаемого сигнала при различных положениях антенны. Для извлечения этой инфор-мации, принимая во внимание возможность согла-сования дискретной сетки задания функции F(θ, φ) с поворотами ОПУ, рассмотрим представление ДН в виде ориентированного графа, допускающем извлечение информации об изменении мощности принимаемого сигнала при заданных изменениях угла места и азимута.

Результаты. Методика формирования взвешен-ного графа для описания диаграммы направ-ленности. Рассмотрим нормированную ДН F(θ,φ) на наборе точек (θi, φj), где θi=-45+∆θ∙i, i=0,1,...,N, N=90/∆θ, ∆θ – шаг поворота по вертикали ОПУ; φj=-90+∆φ∙j, j=0,1,...,M, M=180/∆φ, ∆φ – шаг поворота по горизонтали ОПУ.

Таким образом, получаем – матрицу, которая характеризует значения ДН на дискретной сетке. При осуществлении поворота ОПУ на угол места ∆θ осуществляется переход от элемента Fij к элементу Fi+1j. Если поворот ОПУ осуществить на угол азимута ∆φ, осуществляется переход к элементу Fij+1. Если осуществлять одновременный поворот на угол места и угол азимута, то осуществляется переход к элементу Fi+1,j+1. Таким образом, можем представить граф, где в качестве вершин рассматривается положение антенны. Обозначим их Aij, соответственно введенной выше дискретной сетке, и из каждой не крайней вершины выходит восемь ребер, соответствующих различным воз-можным перемещениям антенны (рис. 5).

Рисунок 5 – Графическое представление графа, характеризующего диаграмму направленности

При переходе от значения Fij в соседнее значение за счет поворота в положительном или отрицательном направлении на элементарные углы азимута и места ∆φ и ∆θ значение функции ДН меняется и может быть охарактеризовано отношением (4). Каждому ребру дадим вес, ха-рактеризующий отношение значений функции F(θ,φ) в связанных ячейках. В силу свойств F(θ,φ) на множестве θ∈[-45;45], φ∈[-90;90] вес ребра характеризует коэффициент изменения значения мощности сигнала при движении. Введем в рассмотрение восемь матриц H1, H2, ..., H8, которые будут описывать, соответственно, перемещения на элементарные углы азимута и места. Элементы матриц вычисляются по следующим формулам:

; ; ; ;

; ; ; . (5)

В результате каждое введенное ребро получает вес. Распределение весов для вершины Aij и смежных с ней вершин представлено на рисунке 6.

Рисунок 6 – Часть ориентированного графа: вершина Aij инцидентные с ней ребра и смежные с ней вершины

Матрицы весов ребер связаны между собой, как видно из рисунка 6. Выпишем эти связи H5ij-1=H1ij, H6i+1j-1=H2ij, H7i+1j=H3ij, H8i+1j-1=H4ij. Каждая матрица весов будет характеризоваться распределением значений, которые для разных антенн могут быть различными.

На рисунке 7а представлена плотность расп-ределения значений весов для направления H1 в диапазоне от -1 до 3. Значения весов, рассчитанные для ДН, представленной на рисунке 1, меняются от -112 до 130. Однако, большие значения редки. Для анализа поведения распределения около веса со значением 1 на рисунке 7б представлена плотность распределения весов для направления H1 в диапа-зоне от 0,5 до 1,5.

По распределениям, представленным на рисун-ках 7а и 7б видна высокая информационная значи-мость весов ребер, отличающихся от единицы по абсолютной величине более, чем на 0,1. Получение такого значения с высокой вероятностью позволит идентифицировать значение функции F(θ,φ), а значит, определить текущую ориентацию антенны.

Анализ рисунков 7а и 7б позволяет для каждого направления Hk выделить группы значений весов H1k. Интервал изменения весов разбивается точками на nk полуинтервалов таким образом, чтобы в каждый интервал попало одинаковое количество значений для равномерного выбора весов ребер.

а)

б)

Рисунок 7 – Распределение весов для направления H1 в диапазоне от -1 до 3 (а) и в диапазоне от 0,5 до 1,5 (б)

Как видно из рисунков 7а и 7б распределение значений весов не равномерно, поэтому следует использовать интервалы разной ширины. Каждая группа характеризуется тем, что состоит из тех ребер, для которых , . Первый интервал с границей a0 будем считать закрытым слева. Таким образом, измерительная система может отнести значение Hkij к одной из групп.

Обсуждение. Предложена методика представ-ления диаграммы направленности рупорной антен-ны в виде взвешенного графа, согласно которой с одной стороны нормированная ДН представляется в виде ориентированного графа, представляемого в виде восьми матриц весов, которые характеризуют изменение значений функции F(θ,φ), а с другой позволяет охарактеризовать изменение мощности сигнала при повороте антенны на элементарные углы ∆φ и ∆θ.

Выводы. В данной статье получили предс-тавление нормированной диаграммы направлен-ности в виде ориентированного графа (рис. 5), который представляется в виде восьми матриц весов, характеризующих изменение значений функ-ции F(θ,φ) с одной стороны, а с другой, согласно формулам (3) и (4), изменение мощности сигнала при повороте антенны на элементарные углы ∆φ и ∆θ. Предложенная методика позволяет сохранить информацию об изменениях значений ДН, что даст возможность качественнее решать задачу позицио-нирования антенны по параметру «точность-скорость» за счет сохранения информации об изменении значений функции F(θ,φ) .

СПИСОК ЛИТЕРАТУРЫ:

1. Gusevskii V.I., Duplenkova M.D., Tsvetkova O.N. Remote reconstruction of the radiation pattern of phased array antennas // Journal of Communications Technology and Electronics. – 2021. – Т. 66. – № 4. – С. 427-432.

2. Шелкоплясов С.А. Алгоритм формирования расши-ренной диаграммы направленности фазированной антенной решетки // Известия ЮФУ. Технические науки. – 2023. – № 6 (236). – С. 276-286.

3. Шарамет А.В., Лысый А.Н. Анализ методов измерений параметров диаграммы направленности антенных систем // Доклады Белорусского государственного университета информатики и радиоэлектроники. – 2023. – Т. 21. – № 6. – С. 75-83.

4. Исаков М.А., Лисинский В.П. Перспективы реконст-руктивных антенных измерений как основного метода приемо-сдаточных испытаний // Вестник Концерна ПВО «Алмаз-Антей». – 2015. – № 3. – С. 51–58.

5. Проскурин В.И., Ягольников С.В., Шевчук В.И. Радиолокационное наблюдение. Методы, модели, алгоритмы. М: Издательство «Радиотехника», 2017. – 368 с.

6. Бузинов И.А. Стенд автоматизированных измерений характеристик антенн // Вопросы радиоэлектроники. – 2015. – № 4. – С. 90-100.

7. Воскресенский Д. И., Овчинникова Е. В., Шмачилин П. А. Бортовые цифровые антенные решетки и их элементы. Под ред. Д.И. Воскресенского. М: Издательство «Радиотехника», 2013. – 208 с.

8. Терентьев М.А., Кочетков А.И., Набиулин М.М., Камалов И.И., Похвалов С.И., Ахмерова А.И. Автоматизированный комплекс для настройки фазированной антенной решетки // Современные проблемы проектирования, производства и эксплуатации радиотехнических систем: Сборник научных трудов. Ульяновск. – 2019. – С. 29-32.

9. Толкачев В.И., Пикалов О.Г., Паньчев С.В., Новиков И.Г. Расчет коэффициента усиления антенн через трехмерное представление диаграмм направленности и оценка их взаимного влияния // Ракетно-космическое приборостроение и информационные системы. – 2018. – Т. 5. – № 1. – С. 75-80.

10. Шестаков Е.Н., Гриц В.И., Шестаков И.Я., Малышев Д.О. Основные методы измерения коэффициента усиления антенн // Актуальные проблемы авиации и космонавтики: Сборник материалов V Международной научно-практической конференции, посвященной Дню космонавтики. В 3-х томах. Под общей редакцией Ю. Ю. Логинова. Красноярск. – 2019. – С. 500-502.

11. Наумов Н.Д. Оптимизированный метод расчета рупорной антенны // Успехи прикладной физики. – 2017. – Т. 5. – № 5. – С. 508-513.

12. Драч В.Е., Луганская А.И. Моделирование влия-ния преграды на характеристики рупорной антенны // Вестник Рязанского государственного радиотехнического университета. – 2018. – № 65. – С. 19-25.

13. Калинин Ю.Н., Чавдарь М.А. Измерение коэф-фициента усиления методом трех антенн в планарных сканерах ближнего поля // Вестник метролога. – 2017. – № 1. – С. 10-14.

14. Гладких А.Д., Иванов С.И., Лавров А.П. Диаграмма направленности малогабаритных рупорных антенн: расчет, компьютерное моделирование и эксперимент // Неделя науки ИЭиТ: материалы Всероссийской конференции. Санкт-Петербургский политехнический университет Петра Великого. Санкт-Петербург, 2022. – С. 61-64.

15. Reconstruction of 3-D Radiation Pattern from 2-D Orthogonal Slices - MATLAB & Simulink [Электронный ресурс]. – URL: https://www.mathworks.com/help/antenna/ug/3d-reconstruction-of-radiation-pattern-from-2d-orthogonal-slices.html (дата обращения: 20.01.2024).

16. J. Chen, D. Raye, W. Khawaja, P. Sinha and I. Guvenc, "Impact of 3D UWB Antenna Radiation Pattern on Air-to-Ground Drone Connectivity," 2018 IEEE 88th Vehicular Technology Conference (VTC-Fall), Chicago, IL, USA, 2018, pp. 1-5, doi: 10.1109/VTCFall.2018.8690726.

17. Lan, T. et al. (2022). A UAV-Based Measurement Method for Three-Dimensional Antenna Radiation Pattern. In: Liang, Q., Wang, W., Liu, X., Na, Z., Zhang, B. (eds) Communications, Signal Processing, and Systems. CSPS 2021. Lecture Notes in Electrical Engineering, vol 879. Springer, Singapore. https://doi.org/10.1007/978-981-19-0386-1_74

18. S. J. Maeng, H. Kwon, O. Ozdemir and İ. Güvenç, "Impact of 3-D Antenna Radiation Pattern in UAV Air-to-Ground Path Loss Modeling and RSRP-Based Localization in Rural Area," in IEEE Open Journal of Antennas and Propagation, vol. 4, pp. 1029-1043, 2023, doi: 10.1109/OJAP.2023.3322145.

19. Патент № 2730051C1 Российская Федерация, МПК H01Q 21/00. Способ восстановления диаграммы направленности / Гусевский В.И., Дупленкова М.Д., Никифоров Е.А., Цветкова О.Н., Чеботарев А.С.; заявитель и патентообладатель АО «ОКБ МЭИ» - № 2020108311, заявл. 26.02.2020; опубл. 14.08.2020 Бюл. №23.

20. Зырянов Ю.Т., Федюнин П.А., Белоусов О.А., Рябов А.В., Головченко Е.В. Антенны: Учебное пособие. – 2-е изд., перераб. и доп. – СПб.: Издательство «Лань», 2016 – 416 с.

Статья поступила в редакцию 22.02.2024

Статья принята к публикации 15.03.2024

УДК 634.725:631.563

EDN: IYKXBK

ВЛИЯНИЕ ХРАНЕНИЯ НА ХАРАКТЕРИСТИКИ КАЧЕСТВА ЯГОД

КРЫЖОВНИКА (RIBES UVA-CRISPA L.)

© Автор(ы) 2023

SPIN: 7857-0301

AuthorID: 299690

ORCID: 0000-0002-5870-2350

ResearcherID: ABF-9586-2020

ScopusID: 6507308304

ГОЛУБ Ольга Валентиновна, доктор технических наук, профессор, главный научный сотрудник

Сибирский федеральный научный центр агробиотехнологий Российской академии наук

(630501, Новосибирская обл., Новосибирский район, р.п. Краснообск, e-mail:golubov@sfsca.ru)

SPIN: 4707-3430

AuthorID: 1127163

ORCID: 0000-0002-2249-7666

МОТОВИЛОВА Наталья Владимировна, аспирант, младший научный сотрудник

Сибирский федеральный научный центр агробиотехнологий Российской академии наук

(630501, Новосибирская обл., Новосибирский район, р.п. Краснообск, e-mail:motovilovanv@sfsca.ru)

SPIN: 3051-3895

AuthorID: 471425

ORCID: 0000-0002-3756-1798

ЧЕКРЫГА Галина Петровна, кандидат биологических наук, ведущий научный сотрудник

Сибирский федеральный научный центр агробиотехнологий Российской академии наук

(630501, Новосибирская обл., Новосибирский район, р.п. Краснообск, e-mail:chekrygagp@sfsca.ru)

SPIN: 4082-9662

AuthorID: 702348

ORCID: 0000-0002-9968-2325

ПЕТРУК Вера Александровна, кандидат сельскохозяйственных наук, ведущий научный сотрудник

Сибирский федеральный научный центр агробиотехнологий Российской академии наук

(630501, Новосибирская обл., Новосибирский район, р.п. Краснообск, e-mail:petrukva@sfsca.ru)

Аннотация. Ягоды крыжовника обладают оригинальными вкусо-ароматическими характеристиками, значительным количеством биологически активных соединений. Отмечают ограниченное количество научной информации по оценке влияния условий хранения на характеристики качества ягод крыжовника. Цель работы - оценить влияние сорта, температуры и срока хранения на характеристики качества ягод крыжовника вида Ribes uva-crispa L. Объекты исследований – характеристики качества ягод крыжовника сортов Сенатор и Розовый 2. Ягоды хранили в контейнерах без крышки массой 500±20 г при температурах 18±2ºС и 0,5±0,5ºС. Методы исследований – стандартные. В результате проведенных исследований установлено, что: органолептические характеристики (привлекательность внешнего вида, величина, вкус, общая оценка качества) ягод, а также содержание в них золы, мезофильных аэробных и факультативно-анаэробных микроорганизмов в основном зависели от температуры и продолжительности хранения; потери массы ягод и количество плесневых грибов и дрожжей - от продолжительности хранения; количество растворимых сухих веществ, сахаров и пищевых волокон – температуры хранения; количество титруемых кислот и витамина С – от сорта. Рекомендуемый срок хранения ягод крыжовника сортов Сенатор и Розовый 2 при температуре 18±2ºС 1 сутки, 0,5±0,5ºС – 2 суток.

Ключевые слова: ягоды, Ribes uva-crispa L., хранение, сорт, температура, продолжительность хранения, органолептические характеристики, биохимический состав, микробиологические показатели, характеристики качества.

THE EFFECT OF STORAGE ON THE GOOSEBERRY QUALIT

CHARACTERISTICS (RIBES UVA-CRISPA L.)

© The Author(s) 2023

GOLUB Olga Valentinovna, doctor of technical sciences, professor, chief researcher

Siberian Federal scientific center of agrobiotechnologies of the Russian Academy of Sciences

(630501, Russia, Novosibirsk region, Novosibirsk region working village Krasnoobsk, e-mail:golubov@sfsca.ru)

MOTOVILOVA Natalia Vladimirovna, post-graduate student, junior researcher

Siberian Federal scientific center of agrobiotechnologies of the Russian Academy of Sciences

(630501, Russia, Novosibirsk region, Novosibirsk region working village Krasnoobsk, e-mail:motovilovanv@sfsca.ru)

CHEKRYGA Galina Petrovna, candidate of biological sciences, leading researcher

Siberian Federal scientific center of agrobiotechnologies of the Russian Academy of Sciences

(630501, Russia, Novosibirsk region, Novosibirsk region working village Krasnoobsk, e-mail:chekrygagp@sfsca.ru)

PETRUK Vera Alexandrovna, candidate of agricultural sciences, leading researcher

Siberian Federal scientific center of agrobiotechnologies of the Russian Academy of Sciences

(630501, Russia, Novosibirsk region, Novosibirsk region working village Krasnoobsk, e-mail:petrukva@sfsca.ru)

Abstract. Gooseberry has original flavoring and aromatic characteristics, and a considerable amount of biologically active compounds. There is a little scientific information on the evaluation storage conditions influence on the gooseberry quality characteristics. The aim of the study is to evaluate the effect of the variety, temperature and shelf life on the quality characteristics of the gooseberry species Ribes uva-crispa L. The objects of study are the quality characteristics of gooseberry varieties Senator and Pink 2. The berries are stored in uncovered containers with a weight of 500 ± 20 g and at temperatures of 18 ± 2°C and 0,5 ± 0,5°C. Research methods are standard. The results indicated that: the organoleptic characteristics (attractiveness, size, taste, general quality assessment) of berries, as well as the content of ash, mesophilic aerobic and facultative anaerobic microorganisms in them mainly depended on the temperature and storage durations; the weight loss of berries and the number of mold fungi and yeast depended on the storage duration; the amount of soluble solids, sugars and dietary fibers depended on the storage temperature; the amount of titrated acids and vitamin C depended on the variety. Shelf life of gooseberry varieties Senator and Pink 2 at a temperature of 18±2°C 1 day, and 0,5±0,5°C – 2 days has been recommended.

Keywords: berries, Ribes uva-crispa L., storage, variety, temperature, storage duration, organoleptic characteristics, biochemical composition, microbiological indicators, quality characteristics.

Для цитирования: Голуб О.В. Влияние хранения на характеристики качества ягод крыжовника (Ribes uva-crispa L.) / О.В. Голуб, Н.В. Мотовилова, Г.П. Чекрыга, В.А. Петрук // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 75-82. – EDN: IYKXBK.

Введение. Свежие фрукты играют важную роль в питании и здоровье человека, поскольку содержат значительное количество биологически активных соединений [1-3]. Однако отмечается не-постоянство качества, в том числе нутриентного состава фруктов из-за изменчивых абиотических и биотических факторов, в том числе географичес-кого места произрастания, сорта и пр. [4, 5]. В.А. Гудовским и Л.В. Кожиной разработана техноло-гия хранения ягод смородины черной сортов Та-мерлан и Шалунья, произрастающих в Тамбовс-кой области, на протяжении 30 суток в условиях регулируемой атмосферы (O2 – 14,0-16,0%; СО2 – 13,5-15,5%; влажность 95%), обеспечивающая не только сохранение характеристик их качества, но и замедление созревания и ингибирование грибной гнили [6]. И.М. Новиковой с соавторами, на основании комплекса исследований, определе-но, что ягоды земляники сортов Хоней и Корона, интродуцированные в Центрально-Чернозёмном экономическом районе, отличаются высоким по-тенциалом лежкоспособности при температуре 0,5ºС и относительной влажности воздуха 90% в условиях обычной атмосферы [7]. Е.Н. Киселевой с соавторами выявлены сорта ягод ремонтантной малины, произрастающие на участке многолет-них насаждений малины СИФИБР СО РАН г. Ир-кутска, пригодные для продолжительного хранения в условиях обычной атмосферы и относительной влажности воздуха 50-60% при температурах +1-2ºС или 0-1ºС вне зависимости от условий упаковки (закрытые или открытые контейнеры) – Евразия, Пингвин, Рубиновое ожерелье, Шапка Мономаха, Геракл [8]. L. Brondino с соавторами установлено, что механический сбор урожая голубики сортов Cargo® и Top Shelf® не оказал существенного влияния на качество плодов в течение 28 суток при температуре 2 ± 1°C и относительной влажности 90% [9]. B. Liu с соавторами определено, что хранение абрикосов при температуре близкой к криоскопической (−2,5±0,2°C) является наиболее эффективным способом сохранения вкусо-аромати-ческих соединений по сравнению с хранением при температурах 10 или 5°C [10]. L. Andreu-Coll с соавторами установлено, что хранение плодов опунции инжирной сорта Орито при температу-ре 2°С, относительной влажности воздуха 85-90% сохраняли свою товарность в течение 28 суток после сбора урожая [11]. Р. Zahedipour с соавторами сделан вывод о том, что столовый виноград, выращенный органическим способом, не только безопасен для человека и окружающей среды, но и дает урожай с более высокой пищевой ценностью, по сравнению с традиционным способом [12]. M.E. García-Pastor с соавторами установлено, что предуборочная обработка салицилатами, и особенно салициловой кислотой, представляет собой безопасное средство для улучшения качества плодов граната при сборе урожая и во время хранения [13].

Ягоды крыжовника (Ribes uva-crispa L.), в све-жем или переработанном виде, употребляют в пищу из-за своих оригинальных вкусо-ароматических характеристик, достаточного количества необходи-мых для организма человека нутриентов и пр. [14-17]. При этом ягоды крыжовника являются неклимактерическими плодами, а, следовательно, относятся к скоропортящейся продукции, научная оценка влияния условий хранения на характерис-тики качества ограничена. О.В. Голуб с соавторами установлено, что ягоды крыжовника сорта «Владил», выращенные на территории Новосибирской облас-ти, могут подвергаться контактному одностороннему замораживанию и последующему хранению при стандартных режимах [18]. J. Birgi с соавторами установлено, что наилучшими урожайностью и массой плодов отличались ягоды крыжовника, выращенные в теплицах южной Патогонии, чем в открытом грунте – различий в количестве сухих веществ и значений активной кислотности не обнаружено [19]. О. Orsavová с соавторами, в ре-зультате исследований ягод крыжовника сортов Invicta, Rixanta и Karat (раннеспелых), Black Negus (позднеспелого), выращенных в кадастровой зоне Жабчице Чешской Республики, установлено, что срок созревания не является значимым фактором, влияющим на количество сухих веществ, полифе-нолов, флавоноидов, антоцианов, аскорбиновой кис-лоты, витамина С и антиоксидантную активность; ягоды сорта Black Negus отличались повышенным содержанием исследуемых биологически активных соединений [20].

Следовательно, цель данного исследования состояла в том, чтобы оценить влияние сорта, тем-пературы и срока хранения на характеристики качества (органолептические и микробиологические показатели, биохимический состав) ягод крыжов-ника. Из-за ограниченного количества исследова-ний, оценивающих эти характеристики ягод кры-жовника, полученная информация будет полезна при определении их послеуборочной обработки.

Методология. Объекты исследований – характе-ристики качества (органолептические и микро-биологические показатели, биохимический состав) ягод крыжовника вида Ribes uva-crispa L. культур-ных сортов Сенатор и Розовый 2, собранные на биополигоне Федерального государственного бюд-жетного учреждения науки Сибирский федераль-ный научный центр агробиотехнологий Российской академии наук. Сбор ягод осуществляли в сухую погоду, вручную в контейнеры без крышки из полиэтилентерефталата массой 500±20 г.

Исследуемые ягоды крыжовника по своим характеристикам качества соответствовали требо-ваниям второго товарного сорта согласно ГОСТ 33485-2015 «Крыжовник свежий. Технические условия»: внешний вид – ягоды свежие, вполне раз-вившиеся, здоровые, чистые, целые, без излишней внешней влажности; ягоды разнородные по размерам, однородные по окраске (темно-красная у ягод сорта Сенатор, светло-красная – Розовый 2); без дефектов формы (округлая у ягод сорта Сенатор, округло-овальная – Розовый 2), утечки сока, с незначительной помятости; запах и вкус – свойственные ягодам крыжовника, нежные, без постороннего запаха и (или) привкуса; вкус сладко-кислый у ягод сорта Сенатор, кисло-сладкий – Розовый 2; стадия зрелости – техническая; массовая доля ягод, не соответствующих данному товарному сорту, но соответствующего более низкому сорту, за счет не соответствующих второму сорту – у сорта Сенатор и Розовый 2 соответственно 1,2±0,5 и 2,2±0,6% при норме не более 10,0%. При этом отметили, что ягоды механически поврежденные, с незначительными повреждениями мучнистой росой отсутствовали (согласно требованиям стан-дарта – не более соответственно 10,0 и 5,0%). Исследуемые ягоды крыжовника: сорта Розовый 2 превосходили ягоды сорта Сенатор по массе 100 ягод – 7 баллов (в среднем 550 г при норме от 401 до 600 г) против 5 баллов (в среднем 305 г при норме от 251 до 400 г); сорта Розовый 2 обладали плотной кожицей, экзокарпом со слабым восковым налетом без опушения, сорта Сенатор – тонкой кожицей и практически «голым» экзокарпом.

Хранение ягод крыжовника осуществляли при параметрах физических воздействий, воспроизво-димых при промышленном хранении в складских помещениях: в холодильной камере Polair, сплит-система Belluna U103 (Россия) при относительной влажности воздуха 90-95% при температурах 18±2ºС и 0,5±0,5 ºС в обычной атмосфере.

В ягодах крыжовника определяли: привлека-тельность внешнего вида, величину, вкус, общую оценку качества – используя описательный и балльный методы [21]; потери массы ягод – в процентах к первоначальной массе объекта [22]; массовую долю растворимых сухих веществ, титруемых кислот, сахаров, пищевых волокон, золы, витамина С – соответственно согласно ГОСТ ISO 2173-2013 «Продукты переработки фруктов и овощей. Рефрактометрический метод определения растворимых сухих веществ, ГОСТ ISO 750-2013 «Продукты переработки фруктов и овощей. Определение титруемой кислотности», ГОСТ 8756. 13-87 «Продукты переработки плодов и овощей. Методы определения сахаров», ГОСТ 34844-2022 «Продукция пищевая. Определение массовой доли пищевых волокон», ГОСТ 25555.4-91 «Продукты переработки плодов и овощей. Методы определения золы и щелочности общей и водорастворимой золы», ГОСТ 24556-89 «Продукты переработки пло-дов и овощей. Методы определения витамина C»; мезофильные аэробные и факультативно-анаэроб-ные микроорганизмы, бактерии группы кишечных палочек, бактерий рода сальмонелл, плесневых грибов и дрожжей – соответственно согласно ГОСТ 10444.15-94 «Продукты пищевые. Методы опре-деления количества мезофильных аэробных и фа-культативно-анаэробных микроорганизмов», ГОСТ 31747-2012 «Продукты пищевые. Методы выявле-ния и определения количества бактерий группы кишечных палочек (колиформных бактерий)», МУ 4.2.2723-10 «Лабораторная диагностика сальмонел-лезов, обнаружение сальмонелл в пищевых продук-тах и объектах окружающей среды», ГОСТ 10444.12-2013 «Микробиология пищевых продуктов и кормов для животных. Методы выявления и подсчета количества дрожжей и плесневых гри-бов». Испытания проводили в трехкратной пов-торности. Статистический анализ проводили с ис-пользованием программы Excel. Для исследования степени влияния факторов («А» – сорт ягод; «В» – температура хранения; «С» – срок хранения) на изменение исследуемого результативного призна-ка проводили дисперсионный анализ – обработку экспериментальных данных проводили с исполь-зованием программы SNEDECOR [23].

Результаты. Ягодам крыжовника, как и другим плодам, при хранении характерна тенденция фи-зиологических и физико-химических изменений (транспирация, дыхание, изменение химического состава и пр.), которые приводят к трансформации их характеристик качества за счет обезвоживания и расходованию накопленных органических соедине-ний и т.д.

В таблице 1 представлены результаты исс-ледований органолептических показателей яго-ды крыжовника в зависимости от сорта, темпера-туры и продолжительности хранения, таблице 2 – биохимического состава, рисунке 1 – потерь массы. В таблице 3 представлены результаты исследо-ваний по содержанию регламентируемых ТР ТС 021/2011 «О безопасности пищевой продукции» микроорганизмов в ягодах крыжовника. В табли-це 4 представлены результаты дисперсионного анализа влияния сорта, температуры и продол-жительности хранения на характеристики качества ягод крыжовника.

Таблица 1 – Оценка органолептических показателей ягод крыжовника в процессе хранения, балл (n = 5)

Температура хранения, ºС / срок хранения, сут	Привлекательность внешнего вида	Величина	Вкус	Общая оценка качества
сорт Сенатор
0	5,00±0,00	4,20±0,40	5,00±0,00	4,92±0,04
18±2/1	4,00±0,00	3,80±0,40	4,00±0,00	3,98±0,04
18±2/2	3,40±0,49	3,00±0,00	3,00±0,00	3,08±0,10
18±2/3	1,40±0,49	1,60±0,49	1,20±0,40	1,44±0,22
0,5±0,5/1	4,80±0,40	4,20±0,40	4,80±0,40	4,54±0,12
0,5±0,5/2	4,00±0,00	4,00±0,00	4,00±0,00	3,88±0,04
0,5±0,5/3	4,00±0,00	3,80±0,40	3,80±0,40	3,76±0,05
сорт Розовый 2
0	4,80±0,40	4,80±0,40	5,00±0,00	4,96±0,05
18±2/1	4,00±0,00	4,40±0,49	4,00±0,00	4,00±0,00
18±2/2	3,80±0,40	4,00±0,00	3,00±0,00	3,50±0,20
18±2/3	1,60±0,49	2,40±0,49	1,20±0,40	1,00±0,00
0,5±0,5/1	4,80±0,40	4,80±0,40	5,00±0,00	4,96±0,05
0,5±0,5/2	4,80±0,40	4,80±0,40	4,60±0,49	4,80±0,17
0,5±0,5/3	4,80±0,40	4,80±0,40	4,60±0,49	4,80±0,17

Таблица 2 – Изменения биохимического состава ягод крыжовника в процессе хранения

Температура хранения, ºС / срок хранения, сут	Массовая доля
	растворимых сухих веществ, %	сахаров, %	пищевых волокон, %	титруемых кислот (по лимонной), %	золы, %	витамина С, мг/100 г
сорт Сенатор
0	16,3±0,7	7,8±0,3	2,92±0,12	3,6±0,1	0,87±0,04	22,014±0,881
18±2/1	22,3±0,9	14,4±0,6	2,75±0,11	3,5±0,1	0,87±0,04	23,55±0,942
18±2/2	23,6±1,0	16,2±0,7	2,61±0,10	3,3±0,1	0,96±0,04	21,023±0,841
18±2/3	33,4±1,3	26,1±1,1	2,37±0,10	3,0±0,1	1,31±0,05	15,410±0,616
0,5±0,5/1	16,3±0,7	7,8±0,3	2,91±0,12	3,6±0,1	0,87±0,04	22,102±0,884
0,5±0,5/2	16,4±0,7	7,8±0,3	2,91±0,11	3,6±0,1	0,87±0,04	22,010±0,880
0,5±0,5/3	16,4±0,7	7,8±0,3	2,9±0,12	3,9±0,1	0,87±0,04	20,539±0,822
сорт Розовый 2
0	19,8±0,8	12,7±0,5	2,93±0,12	2,3±0,1	0,94±0,04	36,823±1,473
18±2/1	20,0±0,8	13,2±0,5	2,85±0,11	2,3±0,1	0,94±0,04	36,400±1,456
18±2/2	20,2±0,8	13,5±0,5	2,82±0,11	2,3±0,09	0,97±0,04	35,424±1,417
18±2/3	20,6±0,8	13,8±0,6	2,67±0,11	2,2±0,09	1,00±0,04	25,780±1,031
0,5±0,5/1	19,8±0,8	12,7±0,5	3,0±0,1	2,3±0,1	0,94±0,04	36,933±1,477
0,5±0,5/2	19,9±0,8	12,7±0,5	2,9±0,1	2,3±0,1	0,94±0,4	36,810±1,472
0,5±0,5/3	19,9±0,8	12,8±0,5	2,9±0,1	2,3±0,1	0,94±0,04	34,835±1,393

Рисунок 1 – Изменения потерь массы ягод крыжовника в процессе хранения

Таблица 3 – Изменения микробиоты ягод крыжовника в процессе хранения

Температура хранения, ºС /срок хранения, сут	Среднее количество колоний, КОЕ/г		Бактерии группы кишечной палочки (101)	Патогенные микроорганизмы, в т.ч. сальмонеллы
	мезофильных аэробных и факультативно- анаэробных микроорганизмов	плесневых грибов и дрожжей
сорт Сенатор
0	(1,91±0,58)×104	1,36×102	отсутствуют	не обнаружены
18±2/1	(3,54±0,79)×104	2,36×102	отсутствуют	не обнаружены
18±2/2	(8,27±1,20)×104	4,86×102	отсутствуют	не обнаружены
18±2/3	(2,41±0,65)×105	7,00×102	присутствуют	не обнаружены
0,5±0,5/1	(1,10±0,44)×104	1,68×102	отсутствуют	не обнаружены
0,5±0,5/2	(1,32±0,48)×104	5,23×102	отсутствуют	не обнаружены
0,5±0,5/3	(1,77±0,56)×104	7,27×102	отсутствуют	не обнаружены
сорт Розовый 2
0	(2,36±0,64)×104	2,04×102	отсутствуют	не обнаружены
18±2/1	(3,09±0,73)×104	2,95×102	отсутствуют	не обнаружены
18±2/2	(8,73±1,23)×104	4,27×102	отсутствуют	не обнаружены
18±2/3	(1,36±0,49)×105	7,18×102	присутствуют	не обнаружены
0,5±0,5/1	(1,86±0,57)×104	3,32×102	отсутствуют	не обнаружены
0,5±0,5/2	(4,95±0,93)×104	6,09×102	отсутствуют	не обнаружены
0,5±0,5/3	(7,50±1,14)×104	6,23×102	отсутствуют	не обнаружены
Норма согласно ТР ТС 021/2011	не более 5·104	не более 7·102	не допускаются в 0,1 г	не допускаются в 25 г

Таблица 4 – Влияние сорта, температуры и продолжительности хранения на характеристики качества ягод крыжовника

Показатель	Влияние факторов*, %						Наименьшая существенная разница0,5*, %
	А	В	С	АВ	АС	ВС	А	В	С	АВ	АС	ВС
Привлекательность внешнего вида	1,03	28,79	31,07	0,46	2,89	34,73	0,24	0,24	0,34	0,34	0,48	0,48
Величина	18,03	25,98	22,66	0,00	0,75	32,15	0,13	0,13	0,18	0,18	0,26	0,26
Вкус	0,59	31,28	36,95	1,18	0,00	28,77	0,29	0,29	0,41	0,41	0,58	0,58
Общая оценка качества	1,36	29,29	32,86	2,48	0,00	31,18	0,50	0,50	0,71	0,71	1,00	1,00
Потери массы	0,69	17,86	29,68	0,66	0,70	45,56	3,65	3,65	5,16	5,16	7,30	7,30
Количество растворимых сухих веществ	0,00	21,21	2,26	34,80	0,00	3,42	5,38	5,38	7,61	7,61	10,76	10,76
Количество сахаров	0,00	23,25	2,61	33,34	0,00	4,68	5,68	5,68	14,73	14,73	11,35	11,35
Количество пищевых волокон	7,01	34,15	15,26	8,83	0,47	25,76	0,10	0,10	0,14	0,14	0,20	0,20
Количество титруемых кислот	94,54	1,30	0,60	0,93	0,03	1,05	0,17	0,17	0,24	0,24	0,35	0,35
Количество золы	0,00	12,59	9,38	6,01	0,24	18,43	0,15	0,15	0,21	0,21	0,29	0,29
Количество витамина С	86,05	1,62	5,95	0,38	0,21	5,09	1,42	1,42	2,01	2,01	2,84	2,84
Количество мезофильных аэробных и факультативно-анаэробных микроорганизмов	0,00	21,26	27,88	5,28	0,00	21,81	5,97	5,97	8,44	8,44	11,93	11,93
Количество плесневых грибов и дрожжей	0,42	0,00	92,43	0,00	0,76	0,49	9,51	9,51	13,44	13,44	19,00	19,00
*А – сорт; В – температура хранения; С – срок хранения

Обсуждение. В результате проведенных иссле-дований установлено, что ягоды крыжовника обоих сортов после трех суток хранения при температуре 18±2°С проявили видимые изменения внешнего вида, величины, цвета – становились сморщенными, теряли блеск и насыщенность цвета и пр. (табл. 1). Изменения наиболее выражены для ягод сорта Сенатор по сравнению с сортом Розовый 2, что, скорее всего, можно объяснить особенностями его экзокарпа – отсутствием воскового налета. Ягоды крыжовника после трех суток хранения при температуре 0,5±0,5°С практические не пре-терпевали подобных изменений.

В процессе хранения при температуре 18±2°С снижались органолептические оценки за показатель «привлекательность внешнего вида» у ягод сорта Сенатор с 5,00 (свежесобранных) до 1,40 (к концу третьих суток хранения) баллов, сорта Розовый 2 –соответственно с 4,80 до 1,60 баллов. При хранении ягод обоих сортов органолептические оценки за данный показатель незначительно изменялись у ягод сорта Сенатор (с 5,00 баллов свежесобранных до 4,00 баллов к концу третьих суток хранения) и не изменялись у сорта Розовый 2 (4,80 баллов).

Величина ягод, вне зависимости от сорта, прак-тически не изменялась в процессе хранения при температуре 0,5±0,5ºС (органолептическая оценка сорта Сенатор – снижается с 4,20 до 3,80 баллов; сорта Розовый 2 – не изменяется, 4,80 балла), но изменялась при температуре 18±2ºС (снижается с 4,20 до 3,00 баллов у сорта Сенатор, с 4,80 до 2,40 баллов у сорта Розовый 2).

Первоначально вкус ягод сорта Сенатор был сладко-кислым (ощущалась сладость и кислота, с преобладанием последней), а сорта Розовый 2 – кисло-сладким (ощущалось присутствие кислоты и сахара, но ощущение сладкого преобладало), и оценивались в 5,00 баллов. В процессе хранения при температуре 18±2°С вкус ягод обоих сортов портился, становился плохим, не типичным – органолептическая оценка снижалась до 1,20 баллов к концу третьих суток хранения. При хра-нении ягод при температуре 0,5±0,5ºС вкус ягод практически не претерпевал изменения у ягод сорта Розовый 2, к концу исследуемого периода хране-ния органолептическая оценка снижалась до 4,60 баллов, но становился посредственным у ягод сорта Сенатор – органолептическая оценка снижалась до 3,80 баллов.

Общая органолептическая оценка качества, которая не является средней арифметической оценкой учета величины, привлекательности и вкуса, а представляет собой общее впечатление о ягодах, наиболее высокая у ягод сорта Розовый 2, хранившихся при температуре 0,5±0,5ºС – к концу исследуемого периода хранения снизилась в среднем на 8%, немного ей уступала у ягод сорта Сенатор, хранившихся при этой же температуре, снизилась на 24% – ягод хорошего качества. Наихудшие оценки отметили у ягод, хранившихся при температуре 0,5±0,5ºС, снизились на 71 и 80% соответственно для сортов Сенатор и Розовый 2 к концу третьих суток хранения – ягоды не пригодны для употребления в свежем виде.

Из данных рисунка 1 видно, что в процессе исследуемого периода хранения ягоды крыжовни-ка обоих сортов теряли свою массу. При темпера-туре хранения 18±2°С наибольшие потери массы отмечали у ягод сорта Сенатор, по сравнению с сор-том Розовый 2 – в 1,7, 1,5 и 1,6 раз соответственно после первых, вторых и третьих суток хранения. Наименьшие потери массы наблюдали у ягод после трех суток хранения при температуре 0,5±0,5°С – в среднем 1,55%.

Из данных таблицы 2 видно, что количество растворимых сухих веществ в ягодах крыжовника обоих сортов при температуре хранения 18±2°С за счет гидролиза полисахаридов (пищевые волокна превращаются в моно и дисахариды) в резуль-тате ферментативной активности изменялось. Ин-тенсивность данных процессов зависела от сор-товых особенностей ягод. Так, в процессе хране-ния ягод сорта Сенатор количество растворимых сухих веществ увеличивалось в среднем в 1,36, 1,45 и 2,05 раза соответственно к концу первых, вторых и третьих суток хранения по сравнению с первоначаль-ными данными. У ягод сорта Розовый 2 содержание растворимые сухих веществ в первые двое суток практически не изменялось, после трех суток хране-ния увеличилось в среднем в 1,04 раза. Аналогич-ные тенденции характерны и для количествен-ного содержания сахаров: у ягод сорта Сенатор увеличение от первоначальных значений составило в среднем в 1,8. 2,1 и 3,4 раза соответственно к концу первых, вторых и третьих суток хранения; сорта Розовый 2 – в среднем в 1,09 раза к концу третьих суток хранения. Количество пищевых волокон в процессе хранения ягод сорта Сенатор снижалось на 5,8, 10,6 и 18,8% соответственно к концу первых, вторых и третьих суток хранения, сорта Розовый 2 – 2,7, 3,8 и 8,9% соответственно. При этом необходимо отметить, что количество органических кислот в процессе исследуемого периода хранения снижа-лось за счет их использования в качестве субст-ратов в дыхательных процессах. Количественное содержание органических кислот в ягодах сорта Сенатор в процессе хранения снижалось на 1,9, 9,4 и 16,9% соответственно к концу первых, вторых и третьих суток хранения, сорта Розовый 2 – 0,9, 2,2 и 6,1% соответственно. Сахарокислотный индекс ягод крыжовника (соотношение сахаров к органическим кислотам) к окончанию третьих суток хранения при температуре 18±2°С увеличивался практически в 4 раза у сорта Сенатор, 1,2 раза сорта Розовый 2. При хранении ягод обоих сортов при температуре 0,5±0,5°С значения данного показателя находились в пределах ошибки опыта. Кажущиеся увеличения количества витамина С в первые сутки хранения, в пересчете на количество растворимых сухих веществ во время хранения связаны, на наш взгляд, с потерей воды, а не с фактическим его увеличением. Большие потери аскорбиновой кислоты характерны для ягод сорта Сенатор они составили в среднем 29,6, 46,1 и 88,9% соответственно к концу первых, вторых и третьих суток хранения, меньшие у сорта Розовый 2 - 4,0, 10,3 и 60,8% соответственно.

Данные таблицы 2 свидетельствуют о том, что количество растворимых сухих веществ, в том числе сахаров, пищевых волокон, органических кислот, в ягодах крыжовника обоих сортов хранившиеся при температуре 0,5±0,5°С практически не изменялось, результаты исследований находились в пределах ошибки опыта, что, скорее всего, связано со сниже-нием частоты дыхания, т.е. уменьшением мета-болических процессов в исследуемых образцах. Отметили, что в первые сутки хранения количест-во витамина С в исследуемых ягодах увеличи-вается примерно на 0,3%. Можно предположить, что витамин С продолжал синтезироваться из моносахаридов. К концу вторых суток хранения ягод обоих сортов потери нутриента от первона-чального количества составили в среднем 0,5%, а к концу третьих суток в среднем 10,4%. Потери нутриента в последующие сутки хранения связаны, на наш взгляд, с его окислением. Стоит отметить, что потери витамина С при пониженных темпера-турах хранения (0,5±0,5°С) ягод обоих сортов ниже, чем при повышенных (18±2°С).

Данные таблицы 3 свидетельствуют о том, что ягоды крыжовника обоих сортов целесообразно хранить при температуре 18±2ºС не более одних суток, так как количество мезофильных аэробных и факультативно-анаэробных микроорганизмов пре-высило регламентируемые требования, санитарно-значимых микроорганизмов, где на третьи сутки выявлены бактерии группы кишечной палочки. При температуре 0,5±0,5ºС ягоды крыжовника обоих сортов целесообразно хранить не более 2-х суток, поскольку в микробиоте ягод сорта Сенатор количество плесневых грибов и дрожжей, в мик-робиоте сорта Розовый 2 мезофильных аэробных и факультативно-анаэробных микроорганизмов превы-шало регламентируемые требования.

В результате проведенного дисперсионного анализа установили (табл. 4), что фактор «сорт» оказывал существенное влияние в процессе хранения на количество титруемых кислот и ви-тамина С в ягодах крыжовника (соответственно 94,54 и 86,05%), фактор «температура хранения» – количество растворимых сухих веществ, сахаров и пищевых волокон в ягодах (соответственно 21,21, 23,25 и 34,15%), фактор «срок хранения» – потери массы, количество плесневых грибов и дрожжей (соответственно 29,68 и 92,43%). Практически равное влияние факторы «температура хранения» и «срок хранения» оказывали на привлекательность внешнего вида, величину, вкус, общую оценку качества, количество золы, мезофильных аэробных и факультативно-анаэробных микроорганизмов ягод крыжовника. Взаимодействие факторов «сорт» и «температура хранения» оказывал существенное влияние на количество растворимых сухих веществ и сахаров в процессе хранения ягод (соответст-венно 34,80 и 33,34%), факторов «температура хранения» и «срок хранения» – привлекательность внешнего вида, величину, вкус, общую оценку качества, потери массы, количество пищевых волокон, мезофильных аэробных и факультативно-анаэробных микроорганизмов (соответственно 34,73, 32,15, 27,77, 31,18, 45,56, 25,76, 18,43 и 21,81%). Взаимодействие факторов «сорт» и «тем-пература хранения» оказывало незначительное влияние на исследуемые характеристики ягод в процессе хранения. На содержание титруемых кислот, витамина С, плесневых грибов и дрожжей взаимодействие исследуемых факторов было статистически не значимым.

Выводы. Таким образом, на основании прове-денных органолептических, физико-химических и микробиологических исследований установлено, что хранение при температуре 18±2ºС обеспечивало сохранность характеристик качества ягод крыжов-ника сортов Сенатор и Розовый 2, упакованных в контейнеры без крышки из полиэтилентереф-талата массой 500±20 г, в течение 1 суток после сбора урожая, при температуре 0,5±0,5ºС – 2 суток. На наш взгляд, необходимы исследования, чтобы оценить, как долго можно сохранить товарное ка-чество ягод крыжовника с другими условиями (модифицированной или регулируемой атмосферах и пр.).

СПИСОК ЛИТЕРАТУРЫ:

1. Акимов М.Ю. Новые селекционно-технологические критерии оценки плодовой и ягодной продукции для индустрии здорового и диетического питания //Вопросы питания. – 2020. – Т. 89, № 4. – С. 244-254. https://doi.org/10.24411/0042-8833-2020-10057

2. Newman G. Fruit and vegetables: prevention and cure? A prescription for healthy living. – Academic Press, 2021: 243-253. https://doi.org/10.1016/B978-0-12-821573-9.00022-9

3. Yahia E.M., Fonseca J.M. and Kitinoja L. Postharvest losses and waste. Postharvest technology of perishable horticultural commodities, 2019: 43-69. https://doi.org/10.1016/B978-0-12-813276-0.00002-X

4. Hu W., Sarengaowa and Feng K. Effect of Edible Coating on the Quality and Antioxidant Enzymatic Activity of Postharvest Sweet Cherry (Prunusavium L.) during Storage. Coatings. 2022; 12(5): 581. https://doi.org/10.3390/coatings12050581

5. Yan Y., Pico J., Sun B., Pratap-Singh A., Gerbrandt E. and Castellarin S.D. Phenolic profiles and their responses to pre-and post-harvest factors in small fruits: a review. Critical Reviews in Food Science and Nutrition, 2021; 1-28. https://doi.org/10.1080/10408398.2021.1990849

6. Гудковский В.А. Хранение плодов смородины черной в регулируемой атмосфере /В.А. Гудковский, Л.В. Кожина //Плодоводство и ягодоводство России. – 2019. – Т. 58. – С. 18-27. DOI 10.31676/2073-4948-2019-58-18-27.

7. Влияние ботанического сорта ягод земляники садо-вой на биологическую стабильность при хранении /И.М. Новикова, О.М. Блинникова, Л.Г. Елисеева, А.И. Иванни-кова //Технологии и товароведение сельскохозяйственной продукции. – 2019. – № 1(12). – С. 69-73.

8. Оценка пригодности ягод ремонтантной малины к хранению при различных температурах в условиях обычной атмосферы /Е.Н. Киселева, М.А. Раченко, Л.Е. Камышова, А.М. Раченко //Современное садоводство. – 2021. – № 1. – С. 36-47. DOI 10.52415/23126701_2021_0105.

9. Brondino L., Briano R., Massaglia S. and Giuggioli N.R. Influence of harvest method on the quality and storage of highbush blueberry. Journal of Agriculture and Food Research, 2022; 10: 100415. https://doi.org/10.1016/j.jafr.2022.100415

10. Liu B., Jiao W., Wang B., Shen J., Zhao H. and Jiang W. Near freezing point storage compared with conventional low temperature storage on apricot fruit flavor quality (volatile, sugar, organic acid) promotion during storage and related shelf life. Scientia Horticulturae, 2019; 249:100-109. https://doi.org/10.1016/j.scienta.2019.01.048

11. Andreu-Coll L., García-Pastor M.E., Valero D., Amorós A., Almansa M.S., Legua P. and Hernández F. Influence of Storage on Physiological Properties, Chemical Composition, and Bioactive Compounds on Cactus Pear Fruit (Opuntia ficus-indica (L.) Mill.). Agriculture. 2021; 11(1):62. https://doi.org/10.3390/agriculture11010062

12. Zahedipour P., Asghari M., Abdollahi B., Alizadeh M. and Danesh Y.R. A comparative study on quality attributes and physiological responses of organic and conventionally grown table grapes during cold storage. Scientia horticulturae, 2019; 247: 86-95. https://doi.org/10.1016/j.scienta.2018.11.077

13. García-Pastor M.E., Zapata P.J., Cfstillo S., Martínez-Romero D., Guillén F., Valero D. and Serrano M. The effects of salicylic acid and its derivatives on increasing pomegranate fruit quality and bioactive compounds at harvest and during storage. Frontiers in Plant Science, 2020; 11: 668. https://doi.org/10.3389/fpls.2020.00668

14. Биологическая ценность плодов и ягод российс-кого производства /М.Ю. Акимов, В.В. Бессонов, В.М. Коденцова и др. //Вопросы питания. – 2020. – Т. 89. – № 4. – С. 220-232. DOI 10.24411/0042-8833-2020-10055

15. Исследование антиоксидантного комплекса перс-пективных и районированных в Свердловской области сортов крыжовника / О.В. Чугунова, А.В. Вяткин, А.В. Арисов, Е.М. Чеботок //Ползуновский вестник. – 2022. – № 3. – С. 108-116. – DOI 10.25712/ASTU.2072-8921.2022.03.015.

16. Титова Ю.Г. Качественный анализ российских сортов крыжовника, включенных в Госреестр селекцион-ных достижений / Ю.Г. Титова, О.В. Курашев //Сов-ременное садоводство. – 2022. – № 3. – С. 24-37. DOI 10.52415/23126701_2022_0303.

17. Erbil N., Murathan Z., Arslan M. and İlçim A. Bektaşi Üzümü (Ribes uva-crispa L.) ve Dağ Frenk Üzümünün (Ribes alpinum L.) Bazı Biyokimyasal İçerik ve Biyolojik Aktiviteleri Yönünden Karşılaştırılması. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi, 2021; 18(2): 197-203. https://doi.org/10.25308/aduziraat.907968

18. Влияние процессов замораживания и после-дующего хранения на качество ягод крыжовника /О.В. Голуб, Г.П. Чекрыга, А.В. Паймулина и др. //Индустрия питания. – 2022. – Т. 7. - № 1. – С. 14-23. DOI 10.29141/2500-1922-2022-7-1-2.

19. Birgi J., Peri P.L. and Gargaglione V. Raspberries and gooseberries in south Patagonia: Production, fruit quality, morphology and phenology in two environmental conditions. Scientia Horticulturae, 2019; 258: 108574. https://doi.org/10.1016/j.scienta.2019.108574

20. Orsavová О., Hlaváčová I.,Mlček J., Snopek L. and Mišurcová L. Contribution of phenolic compounds, ascorbic acid and vitamin E to antioxidant activity of currant (Ribes L.) and gooseberry (Ribes uva-crispa L.) fruits. Food chemistry, 2019; 284: 323-333. https://doi.org/10.1016/j.foodchem.2019.01.072

21. Программа и методика сортоизучения плодовых, ягодных и орехоплодных культур /Под общ. Ред. Е.Н. Седова, Т.П. Огольцовой. – Орел: ВНИИСПК, 1999. – 608 с.

22. Гусейнова Б.М. Изменение качества плодов алычи при быстром замораживании и длительном холодовом хранении с учетом сортовых особенностей /Б.М. Гусейнова, Т.И. Даудова //Известия Самарского научного центра Российской академии наук. – 2011. – Т. 13. – №. 1-4. – С. 817-820.

23. Сорокин О.Д. Прикладная статистика на компью-тере /О.Д. Сорокин //ГУП РПО СО РАСХН. - Краснообск, 2004. – 162 с.

Статья поступила в редакцию 06.12.2023

Статья принята к публикации 15.03.2024

УДК 53.06, 633.111.1, 664.7

EDN: OZBNAJ

СИНЕРГЕТИЧЕСКИЙ ЭФФЕКТ ПРИ ОБРАБОТКЕ СЕМЯН ПШЕНИЦЫ НИЗКИМИ

ДОЗАМИ γ-ИЗЛУЧЕНИЯ

© Автор(ы) 2024

SPIN: 7663-1784

Author ID: 450578

ORCID: 0000-0002-4777-1465

Researcher ID: C-3922-2018

Scopus ID: 57203766629

ТИМАКОВА Роза Темерьяновна, доктор технических наук, доцент,

профессор кафедры пищевой инженерии

Уральский государственный экономический университет

(620144, Россия, Екатеринбург, улица 8 Марта/Народной воли, 62/45, e-mail:trt64@mail.ru)

ORCID: 0000-0001-9269-9717

ИЛЬЮХИН Руслан Васильевич, старший преподаватель кафедры безопасности информационных систем

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А.Бонч-Бруевича

(192232, Россия, Санкт-Петербург, проспект Большевиков, 22 к. 1, e-mail: iruslan@sputniksattv.ru)

Аннотация. Применение технологии низкодозового γ-излучения для биостимуляции зерна пшеницы на примере мягкой яровой пшеницы районированного на Урале сорта «Екатерина» показывает возможности дальнейшего использования обработанного излучением зерна в мукомольном производстве. В рамках исследований установлено улучшение технологических качеств муки, полученной из облученного зерна, в результате укрепления клейковины за счет увеличения массовой доли сырой клейковины до 29,05% и повышения ее качества до 68 ед. ИДК. Установлено увеличение содержания сырого протеина на 0,71%, сырого жира на 0,19% и сырой клетчатки на 0,15%. После облучения низкими дозами γ-излучения (11-15 Гр) произошло изменение в структуре углеводов: уменьшение массовой доли крахмала на 1,38% и соответствующее увеличение сахаров и пентозанов – на 0,78% и 0,60%, влияющие на структурно-механические свойства теста. Выявлено увеличение массовой доли сырого протеина на 0,71% с улучшением соотношения незаменимых аминокислот к заменимым аминокислотам с 1,00:1,32 в необлученных образцах до 1,00:1,21 в облученных образцах, отмечено повышение аминокислотного скора белка с 128,85±0,09% до 134,67±0,06%. Увеличение доли незаменимых аминокислот и соответствующее повышение аминокислотного скора по всем незаменимым аминокислотам, включая лизин и треонин, имеющие аминокислотный скор 95,81% и 82,11% соответственно, позволяет сделать вывод о возможности применения низких доз γ-излучения для биоактивации зерна и последующего повышения биологической ценности пшеничной муки, производимой из облученной мягкой яровой пшеницы сорта «Екатерина». Требуется последовательное продолжение исследований по облучению разными дозами γ-излучения пшеницы, а также по оценке качества хлеба из обработанной излучением муки.

Ключевые слова: биоактивация, низкие дозы, γ-излучение, мягкая яровая пшеница сорта «Екатерина», Гр, технологические качества, аминокислотный скор.

SYNERGISTIC EFFECT IN THE TREATMENT OF WHEAT SEEDS WITH LOW

DOSES OF γ-RADIATION

© The Author(s) 2024

TIMAKOVA RozaTemer'janovna, doctor of technical sciences,

docent, professor of the Department of Food Engineering

Ural State University of Economics

(620144, Russia, Yekaterinburg, 8 Marta Street/Narodnaya Volya, 62/45, e-mail:trt64@mail.ru)

ILIUKHIN Ruslan Vasilievich, senior lecturer of the Department of Information Systems Security

Sankt-St. Petersburg State University of Telecommunications named after Prof. M.A.Bonch-Bruevich

(192232, Russia, St. Petersburg, Bolshevikov Avenue, 22 K. 1, e-mail: iruslan@ sputniksattv.ru )

Abstract. The use of low-dose γ-radiation technology for biostimulation of wheat grain on the example of soft spring wheat of the Ekaterina variety zoned in the Urals shows the possibilities of further use of radiation-treated grain in flour milling. As a part of the research, an improvement in the technological qualities of flour obtained from irradiated grain was established as a result of strengthening gluten by increasing the mass fraction of crude gluten to 29.05% and increasing its quality to 68 units of IDC. An increase in the content of crude protein by 0.71%, crude fat by 0.19% and crude fiber by 0.15% was found. After irradiation with low doses of γ-radiation (11-15 Gy), there was a change in the structure of carbohydrates: a decrease in the mass fraction of starch by 1.38% and a corresponding increase in sugars and pentosans by 0.78% and 0.60%, affecting the structural and mechanical properties of the dough. An increase in the mass fraction of crude protein by 0.71% was revealed with an improvement in the ratio of essential amino acids to interchangeable amino acids from 1.00:1.32 in non-irradiated samples to 1.00:1.21 in irradiated samples, an increase in the amino acid score of protein from 128.85±0.09% to 134.67±0.06% was noted. An increase in the proportion of essential amino acids and a corresponding increase in the amino acid score for all essential amino acids, including lysine and threonine, having an amino acid score of 95.81% and 82.11%, respectively, allows us to conclude that low doses of γ-radiation can be used to bioactivate grain and subsequently increase the biological value of wheat flour produced from irradiated soft spring wheat of the Ekaterina variety". Consistent continuation of research is required on the irradiation of wheat with different doses of γ-radiation, as well as on the assessment of the quality of bread from flour treated with radiation.

Keywords: bioactivation, low doses, γ-radiation, soft spring wheat of the variety "Ekaterina", Gy, technological qualities, amino acid score.

Для цитирования: Тимакова Р.Т. Синергетический эффект при обработке семян пшеницы низкими дозами γ-излучения / Р.Т. Тимакова, Р.В. Ильюхин// XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 1(65). – С. 83-89. – EDN: OZBNAJ.

Введение. Развитие агропромышленного комп-лекса направлено на достижение продовольственной безопасности страны путем укрепления межхо-зяйственных связей сельскохозяйственных и пере-рабатывающих предприятий на основе принципа инновационной направленности в результате внедрения современных технологий выращивания и переработки сельскохозяйственного сырья и функционального принципа социальной ориентации выпускаемых продуктов питания [1].

Агроиндустриальные факторы, определяющие направленность в растениеводстве при выращива-нии зерновой продукции, включают в себя природно-климатические условия, федеральные фонды семян (согласно ст. 22 Закона «О семеноводстве»), земельный фонд, почвенные ресурсы (с учетом типа плодородных почв), принципы севооборота и агробиотехнологии. Цифровизация зернового хо-зяйства в рамках цифрового модуля «Агрорешения» позволяет формировать данные по прогнозированию погоды, проведению работ по удобрению почвы, посадке или сбору урожая и др. [2, 3]. Аналитическая система «История поля» на основе искусственного интеллекта дает возможность дистанционного мониторинга для отслеживания и контроля изме-нений на сельскохозяйственных угодиях, веге-тации и состояния растений, урожайности и клима-тических особенностей [4, 5]. Наряду с этим, агротехнологические решения направлены на повы-шение урожайности в результате селекционных дос-тижений и посевных качеств семенного материала.

Качество зерна пшеницы во многом опреде-ляется проводимой предпосевной обработкой се-мян фунгицидами, агрохимикатами и регуляторам роста растений, которые стимулируют рост и разви-тие растений, повышают в определенной мере устойчивость к стрессовым условиям произрас-тания, положительно влияют на стекловидность семян и содержание в них белка и клейковины [6-8]. Установлено положительное влияние удобрений на повышение содержания сырого протеина, сырого жира и сырой клетчатки [9].

В тоже время повышению урожайности яровой пшеницы сопутствует улучшение натуры на 2-20 г/л, повышение массы 1000 зерен – на 1,1-4,5 г, стекловидности – на 7-14%, увеличение содержания крахмала – на 0,6-1,5%, однако на содержание фосфора и жира фунгициды и агрохимикаты не оказывают заметного влияния, но приводят к небольшому снижению белка в зерне – на 0,3-1,2% [10]. Стимулирующее воздействие хитозана в концентрации 0,01-0,02% определяется увеличением всхожести и ускорением роста злаковых растений, в т.ч. пшеницы [11]. Имеются данные о положитель-ном воздействии ультрафиолетового средневолн-ового излучения на посевные качества семян яровой пшеницы и продуктивность растений [12], электромагнитным излучением для прорастания и увеличения всхожести семян пшеницы, лука-порея, хлопчатника, фасоли и чечевицы [13].

Одним из эффективных методов стимуляции посевных качеств зерновых культур является обработка ионизирующим излучением. Снижение полевой всхожести всего на 1% приводит к потере урожая яровых на 1,5-2,0%, озимых – на 1,0-1,5% [14]. Сельскохозяйственные культуры отличаются различной радиочувствительностью в зависимости от вида, сорта, генотипа, физического состояния и дозы излучения, что может привести от биоактивации ростовых и обменных процессов до ингибирования и губительного влияния на растение (семя). В тоже время при высокой степени зараженности семян озимой пшеницы патогенным комплексомГрибов [15] и фитопатогенов на яровой пшенице [16], наряду с химическим препаратами фунгицидной направленности, эффективным способом инакти-вации микроорганизмов и вредителей является обработка излучением повышенными дозами. В настоящее время зерно для дезинсекции обрабаты-вается дозами от 150 до 500Гр [17, 18].

Предпосевное облучения семян зерновых культур способствует ускорению прорастания и развитию проростков, влияющие на повышение их урожайности [19], что определяет промышленную применимость при выращивании зерновых культур [20]. Так, при поглощенной дозе 2Гр увеличивается урожайность пшеницы и ячменя до 20,76%, при дозе γ-излучения 5-8Гр урожайность пшеницы увеличивается на 9-11% , при дозе 10-30Гр – урожайность ячменя на 13-20%, при дозе 5-10Гр урожайность ржи на 10-15%, отмечают [21,22]. Для зерен твердой пшеницы максимальное проявление эффекта гормезиса установлено при облучении до 20Гр [23].

Исследованием влияния γ-излучения дозами 50 и 100Гр на семена мягкой карликовой пшеницы установлено его положительное воздействие на метаболическую и пролиферативную активность клеток мягкой пшеницы и повышение общего содержания белка и нуклеиновых кислот, отмечают [24]. Обработка сухого зерна соответствующими (5Гр-20Гр) дозами γ-излучения приводит к активизации физико-химических процессов и функциональной активности зерен в состоянии метаболического покоя [14, 20, 21, 25-27]

Происходит стимулирование прорастания зерна, что приводит к синтезу белков и нуклеиновых кис-лот [28].

Апробированная промышленная применимость низкодозового γ-излучения для стимуляции ростовых качеств зерна, установленная по результатам ранее проведенных исследований, расширяет возможности использования обработанного излучением зерна и в пищевой промышленности, что определяет необходимость исследования нутриентного состава важнейшей зерновой культуры – пшеницы и оценки пищевой ценности яровой пшеницы районирован-ного на Урале сорта «Екатерина», обработанной разными дозами излучения. По нашему мнению, для широкого распространения биоактивированного излучением зерна в условиях нацеленности насе-ления на здоровьесбережение в соответствии с принципами здорового сбалансированного питания требуется проведение комплексных исследований пшеницы, как одного из главных продуктов в рационе россиян – «до 98,7 кг на человека в год при рекомендуемой норме 96 кг» [29].

При этом исследованиями ВОЗ подтверждается, что облучение продуктов питания дозой до 10 кГр не влияет на их безопасность и питательную ценность [18].

Применение радиационных технологий в результате обработки ионизирующим излучением возможно только в условиях специализированных центров – операторов облучателя на основании требований действующих стандартов, регламенти-рующих процедурные процессы и контроль за их осуществлением, а также контроль облученной продукции. Важнейшим нормативным документом, определяющим SOPs (Standart Operating Procedures) для обеспечения безопасности пищевых продуктов, обработанных ионизирующим излучением, являет-ся ГОСТ ISO 14470-2014 «Радиационная обработка пищевых продуктов. Требования к разработке, валидации и повседневному контролю процесса облучения пищевых продуктов ионизирующим излучением» [30]. Пищевые продукты и сельско-хозяйственное сырье, подлежащие облучению, долж-ны быть помещены в упаковку, обеспечивающую эффективный барьер, препятствующий повторной контаминации после облучения. Требуется разде-ление зон для облученных и необлученных про-дуктов по их местонахождению. В нашей стране размещение символа Radura на упаковке продукции не обязательно, однако должна быть приведена информация о том, что продукт облучён.

Актуальность проведенных авторами иссле-дований определена тем, что установлено биоак-тивирующее воздействие низких доз γ-излучения (11-15Гр) на изменение технологических качеств, нутриентный состав и аминокислотный скор (АКС) белка зерна товарного сорта пшеницы «Екатерина» в экспериментальных условиях. Исследования от-личаются своей практической направленностью для дальнейшего применения результатов в пищевой промышленности.

Методология. Цель исследования заключается в изучении влияния низких доз γ-излучения на технологические качества, химический состав и аминокислотный скор белков зерна пшеницы. Выбор пшеницы в качества объекта исследования определен распространенностью пшеницы, известной по «по археологическим раскопкам в Али-Коши в иранском Хусистане, датируемых 6500 г. до н.э., а также в Анатолии в Турции, датируемых 5 500 г. до н.э.» [31]: в структуре полевых культур, например Западно-Сибирского региона, занимает более 73% [32] и широко используемая в пищевой промышленности как сырье при производстве макаронных изделий, муки, крупы и хлебобулочных изделий, в пивоваренной и спир-товой промышленности. Современные сорта, в част-ности яровой пшеницы, характеризуются высоким потенциалом продуктивности [33] и соотношением вкладов в повышение урожая за счет улучшения агротехнологий и совершенствования селекционных технологий от 50:50% до 30:70% [34].

Для исследования взят районированный в Сверд-ловской области среднеранний сорт «Екатерина» с урожайностью выше стандарта (Горноуральская), отличающийся по массе 1000 зерен, продуктив-ности колоса и рядом других параметров, включая адаптивную способность и устойчивость к пыльной головне и поражению корневыми гнилями [35], и высокую экологическую пластичность [36], что очень важно для реализации генетического потенциала в производстве с учетом абиотических и биотических факторов, отмечает [37]. По данным ряда авторов [38], из среднеранних образцов сорт «Екатерина» отличается высокой засухоустойчивостью в фазу проростков и равным со стандартом значением депрессии урожайности в засушливый год.

Зерно мягкой яровой пшеницы «Екатерина» (код сорта – идентификатор ® 8756414, оригинатор – ФГБНУ «Уральский НИИСХ». Патент № 7618 от 17.12.2014 г.) рода Triticum вида Astivum разновид-ность Lutescens удлиненной формы, окрашенное, белёсо-темно-желтого цвета, окраска фенолом очень темная, бороздка узкая и неглубокая, масса 1000 семян – 39,5±1,6 г. Зерна пшеницы соответствуют требованиям ТР ТС 015/2011 «О безопасности зерна», ГОСТ 9353-2016 «Пшеница. Технические условия».

Для активации зерна мягкой яровой пшеницы «Екатерина» 2020 года урожая опытных групп была проведена обработка сухих зерен низкими дозами γ-излучения (11-15Гр),способными вызвать эффект гормеза, в ООО «РЦОТ «Эра» на установке РТУ-3000. Источник гамма-облучения – 60Co, тип ГИК-А6 и М60К60. Процесс контроля обработки γ-излучением проводился в автоматическом режиме с использованием компьютерных технологий.

Все исследования технологического качества и химического состава проводились по общеиз-вестным стандартизированным методикам соглас-но нормативной документации в пятикратной повторности.

Результаты. На первом этапе проводили иссле-дования технологических качества зерен яровой пшеницы сорта «Екатерина» и химический состав зерен пшеницы контрольной группы (необрабо-танные излучением) и опытной группы (обработан-ные дозами 11-15Гр) (табл. 1).