Бейнелердегі Шуларды Басу Әдістері: Қалдықтарды Сұрыптаудың Автоматтандырылған Жүйелерінде Нысандарды Тану Дәлдігін Арттыру

Counts differ because each database indexes a different set of publications. We treat OpenAlex as the canonical count; Google Scholar is not shown (no API, and crawling it violates its ToS).

Нысандарды автоматтандырылған тану жүйелері өнеркәсіпте, робототехникада және экологиялық мониторингте кеңінен қолданылады, ал қалдықтарды сұрыптаудың интеллектуалды жүйелері аталған салалардың ішіндегі ең өзекті бағыттардың бірі болып табылады. Дегенмен, кескіндерді алдын ала өңдеу сапасы, әсіресе шуды басу кезеңі, тану дәлдігіне тікелей әсер ететіндігіне қарамастан, әдебиетте қалдықтарды сұрыптау контекстіндегі әр түрлі шудан азайту әдістерінің жүйелі салыстырмалы талдауы жеткіліксіз қарастырылған. Бұл пилоттық зерттеуде аталған олқылықтың орнын толтыруға бағытталған бастапқы қадам ретінде кескіндерді шуылдан тазартудың алты түрлі әдісі бірыңғай эксперименттік тәжірибеде салыстырылды: Гаусс сүзгісі, медиана сүзгісі, шекараларды бейімді сақтаумен гибридті әдіс, модификацияланған бейімді медиана сүзгісі (AMF+MDBMF) және алдын ала оқытусыз DnCNN нейрожелілік әдісі. Тәжірибелік база Kaggle TrashNet деректер жиынтығынан үш сыныпты (пластик, шыны, металл) қамтитын 15 репрезентативті түрлі-түсті бейнеден тұрды. Үш түрлі шуыл жасанды түрде қосылды: Гаусс шуылы (σ = 25), «тұз бен бұрыш» импульстік шуылы (p = 5%) және Пуассон шуылы. Сапаны бағалау үшін бес метрика (PSNR, SSIM, MSE, MAE, EPI) және параметрлік емес статистикалық маңыздылық сынақтары (Уилкоксон белгілі рангтер сынағы, Коэн d коэффициенті) қолданылды. Қосымша, әдістердің есептеу күрделілігі (өңдеу уақыты) өлшенді. Нәтижелер медиана сүзгісінің барлық шуыл түрлерінде статистикалық маңызды артықшылықпен (p < 0,01) ең жоғары тиімділікті көрсеткенін дәлелдеді. Каскадты AMF+MDBMF әдісі импульстік шуылда жоғары тиімділікті көрсетті. Алдын ала оқытылмаған DnCNN нейрожелісі негативті нәтиже берді, бұл нейрожелілік модельдерді алдын ала оқытудың міндеттілігін растайды. Зерттеудің ғылыми жаңалығы – TrashNet деректер жиынтығында үш классқа жататын денойзинг әдістерін бірыңғай эксперименттік протоколда салыстыру әдіснамасын әзірлеуде. Алынған пилоттық нәтижелер қалдықтарды сұрыптаудың автоматтандырылған жүйелерінің алдын ала өңдеу блогын жобалау кезінде бағдар бере алады және болашақта толық TrashNet деректер жиынында (2527 бейне) кеңейтілуі тиіс.