Моделі і методи штучного інтелекту в процесі виконання будівельно-технічної експертизи

Заголовок (англійською):

Methods of image pre-processing for automated object recognition systems

Автор(и):

Долгополов С. Ю.

Крук П. М.

Жук Р. В.

Гончаренко Т. А.

Автор(и) (англ):

Dolhopolov S.

Kruk P.

Zhuk R.

Honcharenko T.

Ключові слова (укр):

згорткові нейронні мережі; CNN; методи попередньої обробки зображень; CLAHE; LBP; SVM; автоматизовані системи розпізнавання об’єктів

Ключові слова (англ):

convolutional neural networks; CNN; method of image pre-processing; CLAHE; LBP; SVM; automated object recognition systems

Анотація (укр):

У дослідженні пропонується метод попередньої обробки зображень для застосування в автоматизованих системах розпізнавання об’єктів, який дає змогу підвищити точність, надійність та швидкість розпізнавання за різних умов освітлення та інших зовнішніх впливів. Запропонований метод базується на адаптивному вирівнюванні гістограми, обмеженому контрастом, гамма-корекції та CLAHE (contrast limited adaptive histogram equalization). У процесі покращення освітлення метод використовує нову адаптивну точку відсікання для вирівнювання гістограми на основі інформації про текстуру блоків зображення. Для вирішення проблем, таких як артефакти ореолів, недостатнє та надмірне підсилення, запропоновано впровадити в структуру функцію першої гамма-корекції, яка дає змогу покращити загальну варіацію відтінків сірого на зображенні. Запропоновано ввести другу функцію гамма-корекції, щоб запобігти негативному впливу різного освітлення на темних і світлих ділянках. Для розроблення нового методу попередньої обробки зображень на основі згорткової нейронної мережі запропонована унікальна компановка шарів, яка містить декілька шарів згортки, активації, об’єднання та нормалізації. Експерементальні випробування довели ефективність розробленого методу, яка була оцінена шляхом визначення коефіцієнта точності (93,74%.) у порівнянні з іншими методами попередньої обробки зображень в автоматизованій системі розпізнавання облич на основі локальних бінарних шаблонів (англ. Local Binary Patterns, LBP) та методу опорних векторів (англ. support vector machine, SVM). Апробація результатів підтвердила, що розроблений метод може удосконалити існуючі системи розпізнавання об’єктів або стати основою для створення нових автоматизованих програмних додатків, що вимагають високої надійності у розпізнавання зображень.

Анотація (англ):

This study developed a new method of image pre-processing for use in automated object recognition systems, allowing for increased accuracy, reliability, and speed of recognition under varying lighting conditions and other external influences. The proposed method is based on contrast-limited adaptive histogram equalization (CLAHE) and gamma correction. To enhance illumination, the method employs a novel adaptive cutoff point to equalize the histogram based on the texture information of image blocks. To address issues such as halo artifacts, under-gain, and over-gain, a first gamma correction function is proposed for integration into the CLAHE structure, which enhances the overall variation of gray shades in the image. A second gamma correction function is proposed to mitigate the negative impact of varying illumination on dark and light regions. For the development of a new image pre-processing method based on a convolutional neural network, a unique layer arrangement is proposed, featuring several layers of convolution, activation, pooling, and normalization. Experimental tests have demonstrated the effectiveness of the developed method, which achieved an accuracy coefficient of 93.74%. This was evaluated by comparing its performance with other image pre-processing methods within an automated face recognition system based on Local Binary Patterns (LBP) and the Support Vector Machine (SVM). The results confirmed that the developed method can improve existing object recognition systems or serve as a foundation for creating new automated software applications requiring high reliability in image recognition.

Публікатор:

Київський національний університет будівництва і архітектури

Назва журналу, номер, рік випуску (укр):

Управління розвитком складних систем, номер 62, 2025

Назва журналу, номер, рік випуску (англ):

Management of Development of Complex Systems, number 62, 2025

Мова статті:

Українська

Формат документа:

application/pdf

Документ:

155_163.pdf

Дата публікації:

27 Июнь 2025

Номер збірника:

Розділ:

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ПРОЄКТУВАННЯ

Університет автора:

Київський національний університет будівництва і архітектури, Київ

Литература:

1. Zinchenko O. V., Zvenihorodskyy O. S., Kysil T. M. Convolutional neural networks for solving computer vision problems. Telecommunication and Information Technologies. 2022. 2, 4–12. https://doi.org/10.31673/2412-4338.2022.020411.

2. Su J., Zhang Z., Liu L. Median pixel difference convolutional network for robust face recognition. British Machine Vision Conference. 2022. 1–14. https://doi.org/10.48550/arXiv.2205.15867.

3. Lakshmi N., Arakeri M. P. Face recognition under illumination based on optimized neural network. International Journal of Advanced Computer Science and Applications (IJACSA). 2022. 13 (9), 131–137. https://doi.org/10.14569/ijacsa.2022.0130915. 4. Yildirim I., Belledonne M., Freiwald W. A., Tenenbaum J. B. Efficient inverse graphics in biological face processing. Science Advances. 2020. 6 (10), 1–18. https://doi.org/10.1126/sciadv.aax5979.

4. Sarkar S. D., Ajitha Shenoy K. B. Face recognition using artificial neural network and feature extraction. 2020 7th International Conference on SPIN. 2020. 417–422. https://doi.org/10.1109/SPIN48934.2020.9071378.

5. Ke C., Ai-min D., Xiao-Hua L., Li-peng Z., Ling W., Xue-mei S. Difference of gaussians (DOG) model. PLOS ONE. 2015. 1. https://doi.org/10.1371/JOURNAL.PONE.0144403.G001.

6. Zhuowen L., Kejun W., Guofeng Z., Lei Y. Illumination compensation method for face image based on improved gamma correction. Proceedings of the 32nd Chinese Control Conference. 2013. 3733–3737. 8. Chang Y., Jung C., Ke P., Song H., Hwang J. Automatic contrast-limited adaptive histogram equalization with dual gamma correction. IEEE Access. 2018. 6, 11782–11792. https://doi.org/10.1109/ACCESS.2018.2797872.

7. O’Shea K., Nash R. An introduction to convolutional neural networks. ArXiv. 2015. abs/1511.08458, 1–11.

8. Гончаренко Т.А. Застосування BIM-технології для створення інформаційної моделі території під забудову. Управління розвитком складних систем. 2018. 33, 138–145.

9. Chernyshev D., Dolhopolov S., Honcharenko T., Haman H., Ivanova T., Zinchenko M. Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site. 2022 IEEE International Conference on Computer Sciences and Information Technologies (CSIT). 2022. 36–39. https://doi.org/10.1109/CSIT56902.2022.10000717.

10. Mihaylenko V., Honcharenko T., Chupryna K., Andrashko Yu. Modeling of Spatial Data on the Construction Site Based on Multidimensional Information Objects. International Journal of Engineering and Advanced Technology (IJEAT). 2019. 8 (6), 3934–3940.

11. Terentyev O., Tsiutsiura S., Honcharenko T., Lyashchenko T. Multidimensional Space Structure for Adaptable. International Journal of Recent Technology and Engineering. 2019. 8 (3), 7753–7758.

12. Berezutskyi I., Honcharenko T., Ryzhakova G., Tykhonova O., Pokolenko V., Sachenko I. Methodological Approach for Choosing Type of IT Projects. Management. 2024 IEEE 4th International Conference on Smart Information Systems and Technologies. 2024. 14–19. https://doi.org/10.1109/SIST61555.2024.10629587.

13. Ryzhakova G., Honcharenko T., Predun K., Petrukha N., Malykhina O., Khomenko O. Using of Fuzzy Logic for Risk Assessment of Construction Enterprise Management System. 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST). 2023. 208–213. https://doi.org/10.1109/SIST58284.2023.10223560.

14. Гончаренко Т.А. Кластерний метод формування метаданих багатовимірних інформаційних систем для розв’язання задач генерального планування. Управління розвитком складних систем. 2020. 42, 93–101. https://doi.org/10.32347/2412-9933.2020.42.93-101.

15. Cambridge University. The ORL face database. n.d. https://cam-orl.co.uk/facedatabase.html.

16. Chernyshev D., Dolhopolov S., Honcharenko T., Haman H., Ivanova T., Zinchenko M. Integration of Building Information Modeling and Artificial Intelligence Systems to Create a Digital Twin of the Construction Site. 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT). 2022. 36–39. https://doi.org/10.1109/CSIT56902.2022.10000717.

References:

1. Zinchenko, O. V., Zvenihorodskyy, O. S., & Kysil, T. M. (2022). Convolutional neural networks for solving computer vision problems. Telecommunication and Information Technologies, 2, 4–12. https://doi.org/10.31673/2412-4338.2022.020411.

2. Su, J., Zhang, Z., & Liu, L. (2022). Median pixel difference convolutional network for robust face recognition. British Machine Vision Conference, 1–14. https://doi.org/10.48550/arXiv.2205.15867.

3. Lakshmi, N., & Arakeri, M. P. (2022). Face recognition under illumination based on optimized neural network. International Journal of Advanced Computer Science and Applications (IJACSA), 13 (9), 131–137. https://doi.org/10.14569/ijacsa.2022.0130915.

4. Yildirim, I., Belledonne, M., Freiwald, W. A., & Tenenbaum, J. B. (2020). Efficient inverse graphics in biological face processing. Science Advances, 6 (10), 1–18. https://doi.org/10.1126/sciadv.aax5979.

5. Sarkar, S. D., & Ajitha Shenoy, K. B. (2020). Face recognition using artificial neural network and feature extraction. In 2020 7th International Conference on SPIN (pp. 417–422). https://doi.org/10.1109/SPIN48934.2020.9071378.

6. Ke, C., Ai-min, D., Xiao-Hua, L., Li-peng, Z., Ling, W., & Xue-mei, S. (2015). Difference of gaussians (DOG) model. PLOS ONE, 1. https://doi.org/10.1371/JOURNAL.PONE.0144403.G001.

7. Zhuowen, L., Kejun, W., Guofeng, Z., & Lei, Y. (2013). Illumination compensation method for face image based on improved gamma correction. In Proceedings of the 32nd Chinese Control Conference (pp. 3733–3737).

8. Chang, Y., Jung, C., Ke, P., Song, H., & Hwang, J. (2018). Automatic contrast-limited adaptive histogram equalization with dual gamma correction. IEEE Access, 6, 11782–11792. https://doi.org/10.1109/ACCESS.2018.2797872.

9. O’Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. ArXiv. https://arxiv.org/abs/1511.08458.

10. Honcharenko, T. A. (2018). Application of BIM-technology for creating an information model of the territory for development. Management of Complex Systems Development, 33, 138–145.

11. Chernyshev, D., Dolhopolov, S., Honcharenko, T., Haman, H., Ivanova, T., & Zinchenko, M. (2022). Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site. In 2022 IEEE International Conference on Computer Sciences and Information Technologies (CSIT) (pp. 36–39). https://doi.org/10.1109/CSIT56902.2022.10000717.

12. Mihaylenko, V., Honcharenko, T., Chupryna, K., & Andrashko, Y. (2019). Modeling of spatial data on the construction site based on multidimensional information objects. International Journal of Engineering and Advanced Technology (IJEAT),
8 (6), 3934–3940.

13. Terentyev, O., Tsiutsiura, S., Honcharenko, T., & Lyashchenko, T. (2019). Multidimensional space structure for adaptable. International Journal of Recent Technology and Engineering, 8 (3), 7753–7758.

14. Berezutskyi, I., Honcharenko, T., Ryzhakova, G., Tykhonova, O., Pokolenko, V., & Sachenko, I. (2024). Methodological approach for choosing type of IT projects. Management. In 2024 IEEE 4th International Conference on Smart Information Systems and Technologies (pp. 14–19). https://doi.org/10.1109/SIST61555.2024.10629587.

15. Ryzhakova, G., Honcharenko, T., Predun, K., Petrukha, N., Malykhina, O., & Khomenko, O. (2023). Using of fuzzy logic for risk assessment of construction enterprise management system. In 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST) (pp. 208–213). https://doi.org/10.1109/SIST58284.2023.10223560.

16. Honcharenko, T. A. (2020). Cluster method for forming metadata of multidimensional information systems for solving general planning problems. Management of Complex Systems Development, 42, 93–101. https://doi.org/10.32347/2412-9933.2020.42.93-101.

17. Cambridge University. (n.d.). The ORL face database. https://cam-orl.co.uk/facedatabase.html.

18. Chernyshev, D., Dolhopolov, S., Honcharenko, T., Haman, H., Ivanova, T., & Zinchenko, M. (2022). Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site. In 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT) (pp. 36–39). https://doi.org/10.1109/CSIT56902.2022.10000717.