Концепт сверточной нейронной сети для классификации экстерьера и интерьера зданий (КузГТУ, г. Кемерово, ТГАСУ, г. Томск)
https://doi.org/10.31675/1607-1859-2023-25-6-58-67
EDN: XMSGOE
Аннотация
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. Построение интеллектуальной системы, самостоятельно отличающей интерьер здания от его экстерьера, во многом повысило бы производительность программно-аппаратного комплекса современной техники бытового и промышленного сегментов.
Об авторах
П. А. Пылов
Кузбасский государственный технический университет имени Т.Ф. Горбачева
Россия
Россия
Пылов Петр Андреевич, аспирант
650000, г. Кемерово, ул. Весенняя, 28
А. В. Дягилева
Кузбасский государственный технический университет имени Т.Ф. Горбачева
Россия
Россия
Дягилева Анна Владимировна, канд. техн. наук, доцент
650000, г. Кемерово, ул. Весенняя, 28
Е. А. Николаева
Кузбасский государственный технический университет имени Т.Ф. Горбачева
Россия
Россия
Николаева Евгения Александровна, канд. физ.-мат. наук, доцент, зав. кафедрой
650000, г. Кемерово, ул. Весенняя, 28
Р. В. Майтак
Кузбасский государственный технический университет имени Т.Ф. Горбачева
Россия
Россия
Майтак Роман Вячеславович, магистрант
650000, г. Кемерово, ул. Весенняя, 28
Т. А. Шалыгина
Томский государственный архитектурно-строительный университет
Россия
Россия
Шалыгина Татьяна Анатольевна, канд. техн. наук, доцент
634003, г. Томск, пл. Соляная, 2
Список литературы
1. Smith J. Cleaning robots: technology, trends, and future perspectives. ABC Press, 2021. 250 p.
2. Kopec D. Classic computer science problems in Python. Manning Shelter Island, 2019. 201 p.
3. Leick A. GPS Satellite Surveying. Wiley, 2019. 688 p.
4. Grewal M.S., Weill L.R., Andrews A.P. Global navigation satellite systems, inertial navigation, and integration. Wiley, 2013. 608 p.
5. Doe J. Robots in cleaning: principles and applications. XYZ Publishers, 2022. 320 p.
6. Wolohan J.T. Mastering large datasets with Python. Manning Press, 2019. 365 p.
7. Кастл Р. Ежедневная архитектура в фотографиях. 2023. URL: https://www.archdaily.com/ ?ad_name=small-logo (дата обращения: 30.05.2023).
8. Abrahams S., Hafner D. TensorFlow for machine learning intelligence. Bleeding Edge Press, 2019. 245 p.
Дополнительные файлы
Рецензия
Для цитирования:
Пылов П.А., Дягилева А.В., Николаева Е.А., Майтак Р.В., Шалыгина Т.А. Концепт сверточной нейронной сети для классификации экстерьера и интерьера зданий (КузГТУ, г. Кемерово, ТГАСУ, г. Томск). Вестник Томского государственного архитектурно-строительного университета. 2023;25(6):58-67. https://doi.org/10.31675/1607-1859-2023-25-6-58-67. EDN: XMSGOE
For citation:
Pylov Р.А., Diagileva А.V., Nikolaeva Е.А., Maitak R.V., Shalygina Т.А. Convolutional neural network for building exterior and interior classification (Kemerovo, Tomsk). Vestnik Tomskogo gosudarstvennogo arkhitekturno-stroitel'nogo universiteta. JOURNAL of Construction and Architecture. 2023;25(6):58-67. (In Russ.) https://doi.org/10.31675/1607-1859-2023-25-6-58-67. EDN: XMSGOE
Просмотров:
125
Послать статью по эл. почте 