vestniktgasuВестник Томского государственного архитектурно-строительного университетаVestnik Tomskogo gosudarstvennogo arkhitekturno-stroitel'nogo universiteta. JOURNAL of Construction and Architecture1607-18592310-0044Tomsk State University of Architecture and Building10.31675/1607-1859-2023-25-6-58-67XMSGOEvestniktgasu-1582Research ArticleАРХИТЕКТУРА И ГРАДОСТРОИТЕЛЬСТВОARCHITECTURE AND URBAN PLANNINGКонцепт сверточной нейронной сети для классификации экстерьера и интерьера зданий (КузГТУ, г. Кемерово, ТГАСУ, г. Томск)Convolutional neural network for building exterior and interior classification (Kemerovo, Tomsk)ПыловП. А.PylovР. А.

Пылов Петр Андреевич, аспирант

650000, г. Кемерово, ул. Весенняя, 28

 

Petr A. Pylov, Research Assistant

28, Vesennyaya Str., 650000, Kemerovo

gedrosten@mail.ruДягилеваА. В.DiagilevaА. V.

Дягилева Анна Владимировна, канд. техн. наук, доцент

650000, г. Кемерово, ул. Весенняя, 28

Anna V. Dyagileva, PhD, A/Professor

28, Vesennyaya Str., 650000, Kemerovo

dyagileva@mail.ruНиколаеваЕ. А.NikolaevaЕ. А.

Николаева Евгения Александровна, канд. физ.-мат. наук, доцент, зав. кафедрой

650000, г. Кемерово, ул. Весенняя, 28

Evgenia A. Nikolaeva, PhD, A/Professor

28, Vesennyaya Str., 650000, Kemerovo

nikolaevaea@yandex.ruМайтакР. В.MaitakR. V.

Майтак Роман Вячеславович, магистрант

650000, г. Кемерово, ул. Весенняя, 28

Roman V. Maitak, Graduate Student

28, Vesennyaya Str., 650000, Kemerovo

superenergy@mail.ruШалыгинаТ. А.ShalyginaТ. А.

Шалыгина Татьяна Анатольевна, канд. техн. наук, доцент

634003, г. Томск, пл. Соляная, 2

Tat'jana A. Shalygina, PhD, A/Professor

2, Solyanaya Sq., 634003, Tomsk

shal53@mail.ruКузбасский государственный технический университет имени Т.Ф. ГорбачеваРоссияGorbachev Kuzbass State Technical UniversityRussian FederationТомский государственный архитектурно-строительный университетРоссияTomsk State University of Architecture and BuildingRussian Federation2023261220232565867Copyright © Пылов П.А., Дягилева А.В., Николаева Е.А., Майтак Р.В., Шалыгина Т.А., 20242024Пылов П.А., Дягилева А.В., Николаева Е.А., Майтак Р.В., Шалыгина Т.А.Pylov Р.А., Diagileva А.V., Nikolaeva Е.А., Maitak R.V., Shalygina Т.А.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.tsuab.ru/jour/article/view/1582

Актуальность темы статьи обусловлена растущим количеством интегрируемой в повседневную жизнь человека техникой: жилище человека всё чаще именуется «умным домом». Одним из элементов этой системы управления являются роботы-пылесосы, которые выполняют очистку различных поверхностей. Трудности, с которыми сталкивается подобная техника, во многом зависят от определения препятствий и конфигурации объекта, в котором она находится.

Целью настоящего исследования является разработка концепта сверточной нейронной сети, которая позволит в режиме реального времени отличать интерьер здания от его экстерьера.

Выводы

Выводы. Построение интеллектуальной системы, самостоятельно отличающей интерьер здания от его экстерьера, во многом повысило бы производительность программно-аппаратного комплекса современной техники бытового и промышленного сегментов.

 

 

Purpose: The concept development of convolutional neural network for real-time distinguishing between building interior and exterior.

The relevance of the topic of the scientific article is determined by the technology integration into everyday life. Houses are increasingly referred to as a smart house. One of the elements of this control system, is robot vacuum cleaner, which cleans various surfaces. Difficulties encountered by such a technique largely depend on the environment definition, in which it is located.

The intelligent system can independently distinguish between building interior and exterior, thereby greatly increasing the performance of the firmware complex of modern technology in both domestic and industrial segments.

искусственный интеллектмашинное обучениеархитектура зданийartificial intelligencemachine learningarchitectureReferencesSmith J. Cleaning robots: technology, trends, and future perspectives. ABC Press, 2021. 250 p.Smith J. Cleaning robots: Technology, trends, and future perspectives. ABC Press, 2021. 250 p.Kopec D. Classic computer science problems in Python. Manning Shelter Island, 2019. 201 p.Kopec D. Classic computer science problems in Python. Manning Shelter Island, 2019. 201 p.Leick A. GPS Satellite Surveying. Wiley, 2019. 688 p.Leick A. GPS Satellite Surveying. Wiley, 2019. 688 p.Grewal M.S., Weill L.R., Andrews A.P. Global navigation satellite systems, inertial navigation, and integration. Wiley, 2013. 608 p.Grewal M.S., Weill L.R., Andrews A.P. Global Navigation Satellite Systems, Inertial Navigation, and Integration. Wiley, 2013. 608 p.Doe J. Robots in cleaning: principles and applications. XYZ Publishers, 2022. 320 p.Doe J. Robots in cleaning: Principles and applications. XYZ Publishers, 2022. 320 p.Wolohan J.T. Mastering large datasets with Python. Manning Press, 2019. 365 p.Wolohan J.T. Mastering large datasets with Python. Mannig Press, 2019. 365 p.Кастл Р. Ежедневная архитектура в фотографиях. 2023. URL: https://www.archdaily.com/ ?ad_name=small-logo (дата обращения: 30.05.2023).Castle R. Daily architecture in photos. 2023. Available: www.archdaily.com/?ad_name=smalllogo (accessed May 30, 2023).Abrahams S., Hafner D. TensorFlow for machine learning intelligence. Bleeding Edge Press, 2019. 245 p.Abrahams S., Hafner D. TensorFlow for machine learning intelligence. Bleeding Edge Press, 2019. 245 p.

The authors declare that there are no conflicts of interest present.