Онтологическая модель и метод адаптивной нейро-нечёткой сегментации изображений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Бондаренко Богдан Андреевич

• Бондаренко Богдан Андреевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Бондаренко Богдан Андреевич

сегментации изображений

1.1. Анализ патентных решений в области сегментации изображений

1.2. Анализ алгоритмов сегментации изображений

1.3. Обзор и анализ инструментов сегментации (Threshold и U-Net)

1.3.1.Семантические нейронные сети в задачах сегментации изображений

1.3.2. Алгоритм Threshold

1.3.3. Алгоритм U-Net

1.4. Анализ систем сегментации изображений на основе нечёткой логики

1.5. Выводы по первой главе

Глава 2. Разработка онтологии и математической модели нейро-нечеткой обработки информации

2.1. Онтологическая модель нейро-нечёткой сегментации изображений

2.1.1. Онтология классов объектов

2.1.2. Онтология класса «Изображение»

2.1.3. Онтология класса «Процесс»

2.1.4. Онтология атрибутов

2.2. Математическая модель быстродействующего дефаззификатора на основе модифицированного метода отношения площадей

2.3. Математическая модель нейро-нечеткой обработки информации

2.4. Выводы по второй главе

Глава 3. Разработка метода адаптивной нейро-нечеткой сегментации изображений и аппаратно-программного комплекса на основе работы метода адаптивной нейро-

нечеткой сегментации изображений

3.1. Метод адаптивной нейро-нечёткой сегментации изображений АК^Б-ОМАЯ

3.2. Алгоритм на основе метода адаптивной нейро-нечеткой сегментации изображений

3.3.Моделирование аппаратно-программного комплекса на основе метода А№!8-ОМАЯ

3.4. Выводы по третьей главе

Глава 4. Экспериментальные исследования функционирования онтологической модели нейро-нечёткой сегментации изображений на основе метода адаптивной нейро-нечёткой сегментации изображений

4.1. Экспериментальные испытания

4.2. Анализ результатов и расчет комплексного показателя качества систем сегментации изображений

4.3. Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

Список литературы

114

Введение диссертации (часть автореферата) на тему «Онтологическая модель и метод адаптивной нейро-нечёткой сегментации изображений»

ВВЕДЕНИЕ

Актуальность темы исследования. Онтологические модели и когнитивное моделирование становятся важными инструментами в разработке интеллектуальных систем обработки визуальной информации, включая задачи сегментации изображений, которая является процессом, моделирующим человеческое восприятие, направленной на разделение объектов на значимые категории или области на основе их характеристик. Подобно тому, как человек интуитивно классифицирует объекты по типам, опираясь на внимание, память и окружающую среду - сегментация изображений может структурировать знания и связи между объектами, обеспечивая гибкость и эффективность анализа сложных визуальных сцен. Однако существующие подходы к сегментации изображений сталкиваются с рядом ограничений, в частности недостаточная адаптивность к вариациям входных данных, сложность интерпретации результатов, высокие вычислительные затраты, а также проблемы, связанные с длительным временем обучения моделей и их склонностью к переобучению. Длительное время обучения ограничивает возможность быстрой адаптации к новым данным, а переобучаемость снижает обобщающую способность моделей, особенно при работе с неоднородными или зашумлёнными данными. Таким образом, развитие онтологических моделей в сочетании с когнитивным моделированием открывает перспективы для повышения эффективности и гибкости систем сегментации изображений, приближая их к возможностям человеческого восприятия.

Использование адаптивных нейро-нечётких сетей (Adaptive Neuro-Fuzzy Inference Systems, ANFIS) в задачах сегментации изображений открывает новые пути, благодаря их способности сочетать преимущества нейронных сетей и нечёткой логики. В отличие от традиционных нейронных сетей, где логика работы формируется автоматически в процессе обучения, нейро-нечёткие системы позволяют задавать логику работы с помощью правил, что делает их более интерпретируемыми и управляемыми. Структура правил, основанная на нечёткой логике, имитирует когнитивные функции человека, такие как принятие решений в

условиях неопределённости и обработка неоднозначной информации. Это особенно важно для задач, требующих интерпретации сложных визуальных данных, например, в анализе спутниковых изображений.

Онтологии обеспечивают формальное представление знаний, позволяя систематизировать взаимосвязи между объектами изображения и их признаками, что повышает точность и интерпретируемость результатов. Интеграция онтологического подхода с нейро-нечёткими методами не только улучшает качество сегментации, но и способствует созданию более прозрачных и объяснимых алгоритмов.

Актуальность данной темы обусловлена возрастающей потребностью в информационно-аналитических системах обработки изображений, способных эффективно работать с методами сегментации в условиях неопределённости. Разработка онтологической модели нейро-нечёткой сегментации изображений, включающей обработку изображений, обучение нейро-нечёткой системы и использование быстродействующих технологий, позволяет существенно улучшить качество анализа изображений в таких областях, как сфера пожарной и общественной безопасности. Следовательно, исследование данной темы имеет как теоретическую значимость, расширяя границы применения интеллектуальных систем, так и практическую ценность, предлагая новые инструменты для решения реальных задач.

Степень разработанности темы исследования. Значительный вклад в развитие исследований, связанных с онтологиями и системами сегментации изображений на основе современных интеллектуальных методов, среди которых нейронные сети и нечёткая логика, внесли как отечественные, так и зарубежные учёные: Скобелев П.О., Спесивцев А.В., Соколов Б.В., Каляев И.А., Капустян С.Г., Гайдук А.Р., Казанцев В.Б., Новиков Д.А., Мещеряков Р.В., Ронжин А.Л., Грибова В.В., Мясников В.В., а также Л. Заде, А. Кофман, Д. Дюбуа, Т. Тэрано, М. Сугено, Е. Мамдани и Т. Такаги.

В работах, посвящённых онтологическим моделям, существуют ограничения, влияющие на их применение в задачах сегментации изображений.

Основной проблемой является сложность динамического обновления онтологий в условиях изменяющихся визуальных данных, что требует значительных вычислительных ресурсов и времени для перестройки концептуальных связей. Кроме того, недостаточная формализация семантических отношений между объектами в онтологиях может приводить к снижению точности интерпретации сложных визуальных сцен, особенно при работе с неоднородными или зашумлёнными данными. Эти ограничения затрудняют создание адаптивных онтологических моделей, способных эффективно интегрировать когнитивные принципы для обработки изображений в реальном времени.

В существующих работах, использующих нечётко-логические подходы, отмечается ограничение, связанное с применением метода центра тяжести при дефаззификации. Этот метод обладает рядом слабых сторон, среди которых выделяется сужение интервала дефаззификации выходных значений, что влечёт утрату части исходной информации, а также низкую скорость дефаззификации. В этой связи разработка усовершенствованных подходов к обработке данных с использованием нейронных сетей и нечётко-логических систем представляет собой важное направление по созданию серийных решений в области обработки и сегментации изображений. Кроме того, при использовании метода центра тяжести в процессе обучения проявляются зоны нечувствительности, что приводит к ошибке «проклятие размерности», которая проявляется в том, что с целью повысить точность обучения нейро-нечеткая система добавляет новые правила или функции принадлежности. Но при дефаззификации вывод вновь попадает в зону нечувствительности, и данный процесс зацикливается, что ведёт к дальнейшему росту числа переменных при обучении. При достижении большого количества переменных снижается быстродействие системы, поскольку увеличивается объём вычислений и время отклика нейро-нечёткой модели. Это осложняет обучение нейро-нечеткой системы или делает его невозможным.

Метод дефаззификации на основе отношения площадей, исключающий ошибку сужения интервала дефаззификации, впервые предложен в работах Бобыря М.В. и Милостной Н.А. Однако этот метод имеет недостаток, который требует

дополнительных вычислительных операций для расчета верхнего основания усеченного терма в процессе агрегации нечеткого вывода.

Изложенное подчёркивает актуальность научно-технической задачи, заключающейся в создании онтологической модели нейро-нечёткой сегментации изображений.

Связь работы с научными программами. Значимость исследования подтверждается его выполнением в рамках Государственного задания № 075-032025-526 (Разработка методов синтеза адаптивных и интеллектуальных робототехнических устройств и комплексов в целях расширения функциональных технологических и производственный возможностей человека); гранта РНФ по соглашению № 24-21-00055 (Разработка интеллектуальной высокопроизводительной нейро-нечеткой системы технического зрения).

Цель диссертационной работы: повышение комплексного показателя качества систем сегментации изображений в задачах локализации пожаров в режиме, близком к реальному времени, путем разработки онтологической модели нейро-нечёткой сегментации изображений.

Для достижения поставленной цели в диссертационной работе решены основные задачи:

1. Анализ существующих информационно-аналитических систем и онтологий сегментации изображений, а также их применения.

2. Разработка онтологической модели нейро-нечёткой сегментации изображений.

3. Создание математической модели нейро-нечеткой обработки информации.

4. Формирование метода адаптивной нейро-нечеткой сегментации изображений.

5. Проведение экспериментальных исследований разработанной онтологической модели и метода адаптивной нейро-нечёткой сегментации изображений, которые включают оценку результатов сегментации изображений по разработанному комплексному показателю качества систем сегментации

изображений, основанному на коэффициентах точности: коэффициенте подобия Дайса, коэффициенте пересечения над объединением, корень из среднеквадратичной ошибки и времени выполнения Time.

Объект исследования: онтологическая модель и метод адаптивной нейро-нечёткой сегментации изображений.

Предмет исследования: вычислительные процессы в онтологической модели нейро-нечёткой сегментации изображений.

Методы исследования. В диссертационной работе для решения поставленных задач использовались следующие методы: методы онтологического проектирования, алгоритмы интеллектуальной обработки информации, нейронные сети, адаптивные нейро-нечёткие системы вывода, основы теории построения алгоритмов, методы нечеткой логики и множеств.

Научная новизна исследования. В рамках диссертационной работы были получены следующие основные результаты, обладающие научной новизной:

1. Онтологическая модель нейро-нечёткой сегментации изображений, объединяющей в общую структуру классы, атрибуты и отношения между ними, отличающаяся сокращением связей при дефаззификации результирующего значения, позволяющее вычислять результирующее значение без этапа нечеткой импликации.

2. Метод адаптивной нейро-нечеткой сегментации изображений, основанный на математических моделях модифицированного дефаззификатора отношения площадей и нейро-нечеткой обработки информации, позволяющий сегментировать различные классы объектов на изображении в зависимости от входных функций принадлежности.

3. Комплексный показатель качества систем сегментации изображений, позволяющий оценить точность и время работы метода адаптивной нейро-нечеткой сегментации изображений в условиях, близких к реальному времени, отличающийся объединением четырёх показателей (Dice, IoU, RMSE, Time) в рамках единого комплексного показателя, что обеспечивает интегрированную оценку эффективности методов сегментаций изображений.

Основные положения, выносимые на защиту:

1. Онтологическая модель нейро-нечёткой сегментации изображений, обеспечивающая в режиме, близком к реальному времени, выделение целевого объекта на изображении.

2. Математическая модель нейро-нечеткой обработки информации на изображении, осуществляющего адаптивное обучение, отличающаяся отсутствием этапа импликации и выполнением базы правил на этапе дефаззификации.

3. Информационно-аналитическая система на основе адаптивного метода нейро-нечеткой сегментации изображений, позволяющая осуществлять высокоскоростную сегментацию изображений с адаптацией к условиям наблюдения.

4. Результаты экспериментального анализа на основе комплексного показателя качества систем сегментации изображений, подтверждающая что разработанная система конкурентоспособна по сравнению с существующими подходами и может эффективно применяться в задачах локализации пожаров в режиме, близком к реальному времени.

Теоретическая и практическая значимость работы состоит в разработке методов, алгоритмов, моделей сегментации объектов на изображении, основанных на адаптивном нейро-нечётком методе и реализованных в программах для ЭВМ, подтверждённых патентом РФ на изобретение.

1. Разработано быстродействующее устройство нечетко-логического вывода на основе дефазификатора отношения площадей (Патент на изобретение №2803406), позволяющее повысить вычислительную производительность процесса дефаззификации до 130 нс и упростить структуру устройства.

2. Разработан комплекс специализированного программного обеспечения, позволяющий выделять требуемый объект на изображении при помощи адаптивной нейро-нечеткой сети: программа для ЭВМ № 2025660438 «Программа нечетко-логической сегментации цвета на изображении»; программа для ЭВМ № 2025660182 «Программа нейро-нечеткой сегментации цвета на изображении с функцией обучения»; программа для ЭВМ № 2025617778

«Программа нейро-нечеткой сегментации цвета на изображении с функцией маскирования цвета для локализации пожаров». Предложенный программный комплекс, основанный на адаптивной нейро-нечетком методе, позволяет увеличить скорость сегментации объектов по отношению к методу U-net в 15 раз; увеличить точность сегментации, а также его граничных значений: по отношению к пороговому методу в 2 раза, по отношению к методу U-net в 3 раза.

Реализация результатов работы.

Результаты, полученные в диссертационной работе, внедрены в АО «Курскмедстекло» в условиях опытно-промышленных испытаний.

Разработанные в диссертации методы сегментации изображений используются в образовательном процессе кафедры программной инженерии Юго-Западного государственного университета в рамках дисциплин «Компьютерное зрение» и «Методы и алгоритмы обработки изображений».

Использование результатов диссертационной работы на практике подтверждено соответствующими актами о внедрении.

Соответствие паспорту специальности. Согласно паспорту научной специальности 5.12.4. Когнитивное моделирование (технические науки) диссертационные исследования соответствуют пунктам 3, 5 и 8. В части пункта 3 «Создание онтологий, структуризация типичных ситуаций, сценарное прогнозирование и управление в экспериментальных и прикладных когнитивных исследованиях» создана онтологическая модель нейро-нечёткой сегментации изображений. В части пункта 5 «Обработка информации в информационно-аналитических системах поддержки интеллектуальной деятельности. Роль когнитивной науки при моделировании экспертизы человека-специалиста в работах по искусственному интеллекту (инженерии знаний). Когнитивные аспекты восприятия, понимания и прогнозирования на основе обработки больших массивах информации» разработана информационно-аналитическая система обработки изображений, с помощью которой производится сегментация и выделение искомого объекта от фона на изображении. В части пункта 8 «Искусственные нейронные сети (включая конволюционные и импульсные сети) при

моделировании базовых когнитивных функций обучения, распознавания, запоминания фигуративной (образной), процедурной и декларативной информации» разработан метод адаптивной нейро-нечеткой сегментации изображений и создано программное обеспечение, позволяющее в режиме, близком к реальному времени, сегментировать и обрабатывать изображения.

Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается корректным использованием математического аппарата машинного обучения, нейронных сетей, адаптивных нейро-нечётких систем вывода, методов детектирования цвета объектов, основ теории построения алгоритмов, нейронных сетей; соответствием результатов экспериментальных исследований выдвигаемым гипотезам, качественным и количественным результатам предшествующих исследований; публикациями в научных рецензируемых изданиях российского и международного уровней.

Апробация результатов исследования. Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на международных и всероссийских научно-технических конференциях: «Intelligence Enabled Research : Proceedings of the 2024 Sixth Doctoral Symposium on Intelligence Enabled Research (DoSIER 2024)» (India, 2024 г.); «Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений» (г. Курск, 2023 г.); «Интеллектуально-информационные технологии и интеллектуальный бизнес (ИНФОС-2022)» (г. Вологда, 2022 г.); «Регион искусственного интеллекта» (г. Череповец, 2022 г.); «Исторические, философские, методологические проблемы современной науки» (г. Курск, 2022 г.); «Всероссийские студенческие Ломоносовские чтения» (г. Петрозаводск, 2022 г.).

Личный вклад автора. Выносимые на защиту научные положения разработаны соискателем лично. В научных работах, выполненных в соавторстве, личный вклад соискателя состоит в следующем: в работе [1] проводится анализ существующих методов и информационно-аналитических системах сегментации

изображений и представлена разработка онтологической модели нейро-нечёткой сегментации изображений; в работе [2] проводится анализ и экспериментальное исследование сегментации пожара с использованием порогового метода и нейронной сети U-Net; в [3, 4, 5] создана нечётко-логическая математическая модель с использованием быстродействующего дефаззификатора на основе метода отношения площадей; в [6] разработана нейро-нечеткая система с функцией обучения на основе быстродействующего дефаззификатора; в [7] разработано аппаратно-программное решение для реализации адаптивного нейро-нечеткого метода сегментации изображений; в [8-10] разработана информационно-аналитическая система сегментации изображений на основе нейро-нечеткого подхода; в [11-13, 15] проведено имитационное моделирование процесса работы быстродействующего дефаззификатора.

Публикации. По теме диссертационного исследования опубликованы 15 научных работ, в том числе 5 статей в научных рецензируемых журналах, входящих в перечень ВАК РФ, 1 работа, включенная в международную базу данных Scopus, 1 патент на изобретение и 3 свидетельства о государственной регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения, списка литературы, включающего 119 наименований. Основная часть работы изложена на 131 странице машинописного текста, содержит 23 рисунка, 12 таблиц.

Глава 1. Анализ существующих информационно-аналитических систем сегментации изображений

1.1. Анализ патентных решений в области сегментации изображений

В ходе диссертационного исследования был осуществлен анализ существующих устройств для сегментации изображений в следующих базах данных:

— ФИПС. Роспатент. http://www.fips.ru/;

— European Patent Office. http://www.espacenet.com/;

— The United States Patent and Trademark Office (USPTO) http: //patft.uspto. gov/;

— ВИНИТИ - http://www.viniti.msk.su/;

— МЦНТИ - http://www.icsti.su/;

— ГПНТБ - http://www.gpntb.ru/;

— ЕПО - http://preview.espacenet.com; http://www.espacenet.com;

— ВОИС - http://www.wipo.int/.

Поиск, по ключевому слову «сегментация изображений» дал результаты, которые сведены в таблицу 1.1.

Таблица 1.1. Патентный поиск систем сегментации изображений

№ Номер Название Описание Недостатки

1 2699499 Патент на изобретение СИСТЕМЫ И СПОСОБЫ СЕГМЕНТАЦИИ МЕДИЦИНСКИ Х ИЗОБРАЖЕНИЙ НА ОСНОВАНИИ ПРИЗНАКОВ, ОСНОВАННЫХ НА АНАТОМИЧЕСК ИХ ОРИЕНТИРАХ [16] Группа изобретений относится к сегментации медицинских изображений, а именно к системам и способам автоматизированной сегментации медицинских изображений на основании алгоритмов обучения с использованием признаков, извлекаемых по отношению к анатомическим ориентирам. Реализованный на компьютере способ сегментации медицинских изображений содержит этапы, на которых Зависимость от качества обучающих данных; ограниченная универсальность; трудности с аномалиями; отсутствие сравнения с существующими методами

№ Номер Название Описание Недостатки

получают изображение из памяти, идентифицируют точку ориентира, выбирают точку изображения, определяют признак для точки изображения по отношению к точке ориентира и устанавливают связь точки изображения с анатомической структурой. Реализованный на компьютере способ сегментации медицинских изображений включает в себя этапы, на которых извлекают участок изображения и устанавливают связь точки изображения с анатомической структурой посредством использования классификационной модели на основании определяемого признака и извлекаемого участка изображения.

2 2742701 Патент на изобретение СПОСОБ ИНТЕРАКТИВН ОЙ СЕГМЕНТАЦИИ ОБЪЕКТА НА ИЗОБРАЖЕНИИ И ЭЛЕКТРОННОЕ ВЫЧИСЛИТЕЛЬ НОЕ УСТРОЙСТВО ДЛЯ ЕГО РЕАЛИЗАЦИИ [17] Изобретение относится к областям компьютерного зрения и компьютерной графики с использованием нейронных сетей, машинного обучения для интерактивной сегментации объектов на изображениях, и, в частности, к способу интерактивной сегментации объекта на изображении и электронному вычислительному устройству для реализации данного способа. Технический результат заключается в обеспечении сегментации одного или более объектов на изображении, выбранных пользователем в интерактивном режиме. Технический результат достигается за счет того, что реализована схема уточнения признаков путем обратных проходов (f-BRS), которая решает задачу оптимизации в отношении вспомогательных переменных вместо сетевых вводов и требует выполнения прямого и обратного прохода только для небольшой части сети (т.е. несколько последних слоев). Для оптимизации вводится набор Недостаточная полнота раскрытия; ограниченная применимость на новых классах объектов; вычислительная сложность при итерациях; зависимость от пользовательских настроек

№ Номер Название Описание Недостатки

вспомогательных параметров, которые инвариантны к положению на изображении. Оптимизация в отношении этих параметров приводит к аналогичному эффекту, как в исходной BRS, без необходимости вычисления обратного прохода через всю сеть.

3 2609084 Патент на изобретение ВЫБОР МОДЕЛИ АНАТОМИЧЕСК ОГО ВАРИАНТА ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ [18] Изобретение относится к сегментации изображений и, более конкретно, к сегментации изображений с использованием деформируемых моделей. Техническим результатом является повышение точности адаптации модели анатомического органа с высокой анатомической вариабельностью при сегментировании изображения анатомического органа. Система для сегментации объекта на изображении содержит первый адаптер, анализатор, селектор, инициализатор и второй адаптер. Первый адаптер предназначен для адаптации первой модели для сегментации объекта к изображению. Анализатор предназначен для экстрагирования признака из изображения, основываясь на адаптированной первой модели. Селектор предназначен для выбора второй модели для сегментации объекта из множества моделей для сегментации объекта, основываясь на признаке, экстрагированном из изображения. Причем вторая модель содержит дополнительную деталь объекта. Инициализатор предназначен для инициализации второй модели, основываясь на адаптированной первой модели и/или признаке, экстрагированном из изображения. Второй адаптер предназначен для адаптации инициализированной второй Недостаточная детализация реализации; ограниченная универсальность для новых анатомических вариантов; вычислительная сложность; зависимость от качества первой модели

№ Номер Название Описание Недостатки

модели к изображению.

4 2656761 Патент на изобретение СПОСОБ И СИСТЕМА СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ ОЧАГОВ ЛЕГКИХ [19] Группа изобретений относится к области обработки данных компьютерной томографии (КТ) и может быть использована для сегментации изображений очагов легких. Получают данные КТ органов грудной клетки, содержащие изображения. Выполняют первый этап сегментации данных КТ, на котором определяется область грудной клетки. Удаляют из изображений выявленные костные структуры и мягкие ткани средостения за исключением сегмента легких. Определяют параметры КТ-плотности структур в заданном окне центра и ширины диапазона шкалы Хаунсфилда областей изображения, полученных после первого этапа сегментации. Определяют среднее значение их параметра КТ-плотности. Определяют области изображений с параметром КТ-плотности выше среднего значения. Выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях, полученных после первого этапа сегментирования. Выполняют фильтрацию полученных структур, состоящую из двух этапов. Вначале определяют точки на изображении полученных структур и определяют средний показатель кривизны полученных структур на основании упомянутых точек. Далее определяют структуры, средний показатель кривизны которых близок или лежит в диапазоне от 0 до 0,05 от показателя кривизны окружности, площадь которой эквивалентна площади анализируемой структуры. Система сегментации изображений очагов легких Чувствительность к шуму и артефактам; ограниченная оценка производительности ; ограниченная автоматизация

№ Номер Название Описание Недостатки

содержит по меньшей мере один процессор и по меньшей мере одну память. Данная память содержит машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют указанный способ сегментации изображений очагов легких. Группа изобретений обеспечивает повышение точности выявления очагов в легких за счет автоматической сегментации КТ- изображений.

5 2831508 Патент на изобретение Способ детектирования пальцев на изображениях документов, снятых в неконтролируемы х условиях [20] Изобретение относится к области проверки подлинности изображений документов различных видов. Способ детектирования пальцев на изображениях документов, снятых в неконтролируемых условиях, заключается в том, что получают кадр видеопотока, содержащий изображение документа, полученный мобильным устройством в неконтролируемой среде и предназначенный для передачи системе распознавания документов, на котором четырехугольниками обозначены границы страниц документа, причем каждый четырехугольник задает положение одной страницы документа на входном изображении, далее проводят этап нормализации изображения, на котором входное изображение и четырехугольники, задающие положение документа, подвергаются масштабированию, затем к полученному изображению применяется морфологическое замыкание и производится цветокоррекция полученного изображения, и проводят этап сегментации нормализованного изображения на отдельные области, который включает предварительную сегментацию методом выращивания Недостаточная детализация параметров алгоритма; чувствительность к неточности границ документа; ограниченная адаптивность к различным сценариям

Список литературы диссертационного исследования кандидат наук Бондаренко Богдан Андреевич, 2025 год

Список литературы

1. Бобырь М. В. Информационно-аналитическая система сегментации изображений с помощью нейро-нечеткого подхода / М. В. Бобырь, Б. А. Бондаренко // Электронные библиотеки. - 2025. - Т. 28, № 3. - С. 601-621. - DOI 10.26907/1562-5419-2025-28-3-601-621. - EDN DPAIZA.

2. Бобырь М. В. Экспериментальное исследование сегментации пожара с использованием порогового метода HSV и нейронной сети U-NET / М. В. Бобырь, Н.А. Милостная, Б. А. Бондаренко, М.М. Бобырь // Электронные библиотеки. -2025. - Т. 28, № 4. - С. 750-768.

3. Бобырь М. В. Нечетко-логическая система распознавания цвета с помощью быстродействующего дефаззификатора / С. Г. Емельянов, М. В. Бобырь, Б. А. Бондаренко // Известия Юго-Западного государственного университета. -2022. - Т. 26, № 4. - С. 103-116. - DOI 10.21869/2223-1560-2022-26-4-103-116. -EDN BGXDIC.

4. Бобырь М. В. Дефаззификатор на основе модели первого минимума / М. В. Бобырь, Б. А. Бондаренко, А. А. Дородных // Промышленные АСУ и контроллеры. - 2023. - № 10. - С. 21-28. - DOI 10.25791/asu.10.2023.1464. - EDN UVLJAS.

5. Бобырь М. В. Построение интеллектуальных функций принадлежности и реализация нечетко-логического вывода на их основе / М. В. Бобырь, Б. А. Бондаренко, А. Ю. Алтухов // Известия Юго-Западного государственного университета. - 2024. - Т. 28, № 2. - С. 166-183. - DOI 10.21869/2223-1560-202428-2-166-183. - EDN TQDHKU.

6. Bobyr M. High-speed Fuzzy Inference Machine Learning Device Based on Single-Layer Area Ratio Defuzzifier / M. Bobyr, B. Bondarenko, A. Malyshev // Intelligence Enabled Research : Proceedings of the 2024 Sixth Doctoral Symposium on Intelligence Enabled Research (DoSIER 2024), Dhupguri, Jalpaiguri, West Bengal, India, 28-29 ноября 2024 года. - Jalpaiguri, West Bengal, India, 2025. - P. 15-25. - EDN FXFCKM.

7. Патент № 2803406 С1 Российская Федерация, МПК G06N 7/02. Быстродействующее устройство нечетко-логического вывода на основе дефазификатора отношения площадей (Модификация 2) : № 2022117629 : заявл. 29.06.2022 : опубл. 12.09.2023 / М. В. Бобырь, А. Е. Архипов, Б. А. Бондаренко ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет". - БОК РКО1РЬ.

8. Свидетельство о государственной регистрации программы для ЭВМ №2 2025660438 Российская Федерация. Программа нечетко-логической сегментации цвета на изображении: заявл. 09.04.2025 : опубл. 23.04.2025 / М. В. Бобырь, Б. А. Бондаренко, Н. А. Милостная ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет". - БОК ЫТКБХ.

9. Свидетельство о государственной регистрации программы для ЭВМ №2 2025660182 Российская Федерация. Программа нейро-нечеткой сегментации цвета на изображении с функцией обучения: заявл. 09.04.2025 : опубл. 22.04.2025 / М. В. Бобырь, Б. А. Бондаренко, Н. А. Милостная ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет". - БОК ЫТЯБХ.

10. Свидетельство о государственной регистрации программы для ЭВМ №2 2025619104 Российская Федерация. Программа нейро-нечеткой сегментации цвета на изображении с функцией маскирования цвета для локализации пожаров : заявл. 09.04.2025 : опубл. 14.04.2025 / М. В. Бобырь, Б. А. Бондаренко, Н. А. Милостная ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет". - БОК ЫТЯБХ.

11. Бобырь М. В. Фильтрация цветовых данных на основе двухуровневой нечетко-логической модели / М. В. Бобырь, Б. А. Бондаренко // Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений : сборник материалов XVII Международной научно-технической

конференции, Курск, 12-15 сентября 2023 года. - Курск: Юго-Западный государственный университет, 2023. - С. 65-67. - БЭК GWBMLA.

12. Бобырь М. В. Устройство нечетко-логического вывода на основе модифицированного быстродействующего дефазификатора / М. В. Бобырь, Б. А. Бондаренко // Интеллектуально-информационные технологии и интеллектуальный бизнес (ИНФОС-2022) : Материалы Тринадцатой Международной научно-технической конференции, Вологда, 29-30 июня 2022 года / Ответственный редактор В.А. Горбунов. - Вологда: Вологодский государственный университет, 2022. - С. 127-130. - БЭК СБЕББа

13. Бондаренко Б. А. Обучение нечетко-логической системы на основе быстродействующего дефазификатора / Б. А. Бондаренко // Регион искусственного интеллекта: Материалы Всероссийской студенческой научной конференции, Череповец, 06 ноября 2022 года. - Череповец: Череповецкий государственный университет, 2022. - С. 204-207. - БЭК OFDQLA.

14. Бондаренко Б. А. Устройство НЛВ с использованием быстродействующего дефазификатора на основе модификации метода отношения площадей / Б. А. Бондаренко, А. Г. Крюков // ВСЕРОССИЙСКИЕ СТУДЕНЧЕСКИЕ ЛОМОНОСОВСКИЕ ЧТЕНИЯ : сборник статей Всероссийской научно-практической конференции, Петрозаводск, 17 февраля 2022 года. Том Часть 2. - Петрозаводск: Международный центр научного партнерства «Новая Наука» (ИП Ивановская И.И.), 2022. - С. 386-390. - БЭК CFGAES.

15. Патент № 2699499 С2 Российская Федерация, МПК А61В 6/00, G06K 9/46, G06K 9/62. Системы и способы сегментации медицинских изображений на основании признаков, основанных на анатомических ориентирах : № 2017110538 : заявл. 20.08.2015 : опубл. 05.09.2019 / С. Хань, Я. Чжоу. - БЭК ИВЫШК

16. Патент № 2742701 С1 Российская Федерация, МПК G06T 7/12, G06K 9/20, G06N 3/02. Способ интерактивной сегментации объекта на изображении и электронное вычислительное устройство для его реализации : № 2020120292 : заявл. 18.06.2020 : опубл. 09.02.2021 / К. С. Софиюк, И. А. Петров, О. В. Баринова, А. С. Конушин ; заявитель САМСУНГ ЭЛЕКТРОНИКС КО., ЛТД.. - БЭК

кулко1.

17. Патент № 2609084 Российская Федерация, МПК G06T 7/00, G06K 9/34, G06K 9/66. Выбор модели анатомического варианта для сегментации изображения : № 2013117435 : заявл. 13.09.2011 : опубл. 30.01.2017 / К. Лоренц, Х. Баршдорф, Т. Клиндер, Р. Ханна ; заявитель КОНИНКЛЕЙКЕ ФИЛИПС ЭЛЕКТРОНИКС Н.В..

- БЭК КБВ^Ни.

18. Патент № 2656761 С1 Российская Федерация, МПК А61В 6/03, G06T 7/00, G06K 9/50. Способ и система сегментации изображений очагов легких : № 2017104263 : заявл. 09.02.2017 : опубл. 06.06.2018 / Г. С. Сергеев, А. Л. Кривошапкин, Л. Е. Кальнеус [и др.] ; заявитель ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СИБНЕЙРО". - БЭК БЕЩСР.

19. Патент № 2831508 С1 Российская Федерация, МПК G06T 7/10. Способ детектирования пальцев на изображениях документов, снятых в неконтролируемых условиях : №2 2024106233 : заявл. 18.06.2024 : опубл. 09.12.2024 / Л. С. Толстенко, И. А. Кунина ; заявитель Общество с ограниченной ответственностью "СМАРТ ЭНДЖИНС СЕРВИС". - БЭК ШТОЮ.

20. Патент № 2368007 С1 Российская Федерация, МПК G06K 9/50, H04N 1/60. Способ сегментации текста по цветовому признаку в процессе копирования : № 2008111139/09 : заявл. 25.03.2008 : опубл. 20.09.2009 / С. В. Ефимов, М. Н. Рычагов, И. В. Сафонов, И. В. Курилин ; заявитель Самсунг Электроникс Ко., Лтд..

- БЭК 7ИЫР0Ь.

21. Патент № 2654199 С1 Российская Федерация, МПК G06T 7/00, G06K 9/00. Сегментация тканей человека на компьютерном изображении : №2 2017125733 : заявл. 18.07.2017 : опубл. 16.05.2018 / А. С. Мигукин, А. Б. Данилевич, А. А. Варфоломеева ; заявитель САМСУНГ ЭЛЕКТРОНИКС КО., ЛТД.. - БЭК 7ББМР7.

22. Патент № 2825085 С1 Российская Федерация, МПК G07D 7/12, 006У 30/10. Способ выявления подделки документов : № 2023122443 : заявл. 29.08.2023 : опубл. 19.08.2024 / И. А. Кунина, А. Д. Бурсиков, А. В. Гайер ; заявитель Общество с ограниченной ответственностью "СМАРТ ЭНДЖИНС СЕРВИС". - БЭК ШУБЫ

23. Патент № 2757713 С1 Российская Федерация, МПК G06K 9/18, G06K 9/62, G06N 3/02. Распознавание рукописного текста посредством нейронных сетей : № 2020138488 : заявл. 24.11.2020 : опубл. 20.10.2021 / А. Л. Упшинский ; заявитель АБИ Девелопмент Инк.. - БЭК УА7УИ1.

24. Патент № 2734058 С1 Российская Федерация, МПК G06N 3/02, G06T 5/50. Система сегментации изображений зданий и сооружений : № 2019141857 : заявл. 17.12.2019 : опубл. 12.10.2020 / А. А. Островская, В. В. Хрящев ; заявитель Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы"). - БЭК CQDJBG.

25. Патент № 2695980 С1 Российская Федерация, МПК G06K 9/34. Устройство сегментации изображений : № 2018145700 : заявл. 24.12.2018 : опубл. 29.07.2019 / Е. А. Семенищев, В. В. Воронин, И. В. Толстова [и др.] ; заявитель федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ). - БЭК ^УРУО.

26. Патент № 2792974 С1 Российская Федерация, МПК G06V 20/17, G06V 10/25, G06V 10/56. Способ и устройство для автономной посадки беспилотного летательного аппарата : № 2022108686 : заявл. 01.04.2022 : опубл. 28.03.2023 / Д. В. Девитт, И. Е. Севостьянов, К. А. Бурдинов ; заявитель Автономная некоммерческая организация высшего образования "Университет Иннополис". -БЭК GGHIWR.

27. Патент № 2743931 С1 Российская Федерация, МПК G06N 3/02, G06N 3/08, G06T 5/20. Система и способ обработки изображений с использованием глубинных нейронных сетей : №2 2020114186 : заявл. 24.10.2018 : опубл. 01.03.2021 / А. Левинштейн, Ч. Чан, Э. Фунг [и др.] ; заявитель Л'ОРЕАЛЬ СА. - БЭК

ххисю.

28. Патент № 2577188 С1 Российская Федерация, МПК G06T 1/00. способ, аппарат и устройство для сегментации изображения : № 2015106324/08 : заявл. 19.11.2014 : опубл. 10.03.2016 / Л. Ван, С. Сюй, Ч. Чэнь. - БЭК ZENQPJ.

29. Патент №№ 2440609 C1 Российская Федерация, МПК G06K 9/34. Способ сегментации растровых изображений на основе выращивания и слияния областей : № 2010143095/08 : заявл. 20.10.2010 : опубл. 20.01.2012 / И. Н. Паламарь, П. В. Сизов ; заявитель Государственное образовательное учреждение высшего профессионального образования "Рыбинская государственная авиационная технологическая академия имени П.А. Соловьева". - EDN HFWQEV.

30. Патент № 2489752 C2 Российская Федерация, МПК G06K 9/34, G06K 9/70. Способ сегментации изображений : № 2011134204/07 : заявл. 15.08.2011 : опубл. 10.08.2013 / Д. В. Шмунк. - EDN KLYLFZ.

31. Zeye Long, Ying Chen, Yuliang Zhang, Feiyang Lei, Yudi Xie, Shubin Guo, Junkang Deng, Huiling Chen, Lan Liu, Multi-threshold image segmentation method based on multi-strategy enhanced hunger games search algorithm: case study of breast cancer pathological images, Displays, 2025, 103095, ISSN 0141-9382, https://doi.org/10.1016/j.displa.2025.103095.

32. Ce Cao, Qiang Zhang, Menghan Li, Shaoyang Wang, Flame combustion state recognition in municipal solid waste incineration processes based on image multi-threshold segmentation and DQN-PL model, Energy, 2025, 136967, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2025.136967.

33. Laith Abualigah, Mohammad H. Almomani, Saleh Ali Alomari, Raed Abu Zitar, Vaclav Snasel, Kashif Saleem, Aseel Smerat, Absalom E. Ezugwu, A control-driven transition strategy for enhanced multi-level threshold image segmentation optimization, Egyptian Informatics Journal, Volume 30, 2025, 100646, ISSN 1110-8665, https://doi.org/10.1016/j.eij.2025.100646.

34. Chengying Huang, Zhengda Wu, Heran Xi, Jinghua Zhu, kMaXU: Medical image segmentation U-Net with k-means Mask Transformer and contrastive cluster assignment, Pattern Recognition, Volume 161, 2025, 111274, ISSN 0031-3203, https://doi.org/10.1016/j.patcog.2024.111274.

35. Vladislav Sushitskii, Hong Yan Miao, Martin Levesque, Frederick P. Gosselin, Segmentation of peen forming patterns using k-means clustering, Journal of Manufacturing Processes, Volume 119, 2024, Pages 867-877, ISSN 1526-6125,

https://doi.org/10.1016/jjmapro.2024.04.009.

36. Kai-Tuo Qi, Hong-Sheng Zhang, Ying-Gang Zheng, Yu Zhang, Long-Yu Ding, Stripe segmentation of oceanic internal waves in SAR images based on Gabor transform and K-means clustering, Oceanologia, Volume 65, Issue 4, 2023, Pages 548555, ISSN 0078-3234, https://doi.org/10.1016Zj.oceano.2023.06.006.

37. Soobia Saeed, Afnizanfaizal Abdullah, N. Z. Jhanjhi, Mehmood Naqvi, Mehedi Masud, Mohammed A. AlZain, Hybrid GrabCut Hidden Markov Model for Segmentation, Computers, Materials and Continua, Volume 72, Issue 1, 2022, Pages 851869, ISSN 1546-2218, https://doi.org/10.32604/cmc.2022.024085.

38. Pulkit Khandelwal, P. Swarnalatha, Neha Bisht, S. Prabu, Detection of Features to Track Objects and Segmentation Using GrabCut for Application in Marker-less Augmented Reality, Procedia Computer Science, Volume 58, 2015, Pages 698-705, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2015.08.090.

39. Savitri Kulkarni, P. Deepa Shenoy, K.R. Venugopal, Coffee plant disease identification with an attentive multi-image segmentation framework (MISF) with CycleGAN, Intelligent Systems with Applications, Volume 26, 2025, 200534, ISSN 2667-3053, https://doi.org/10.1016/jiswa.2025.200534.

40. Lakshmi S V V, Shiloah Elizabeth Darmanayagam, Sunil Retmin Raj Cyril, Semantic Segmentation of Lumbar Vertebrae Using Meijering U-Net (MU-Net) on Spine Magnetic Resonance Images, CMES - Computer Modeling in Engineering and Sciences, Volume 142, Issue 1, 2024, Pages 733-757, ISSN 1526-1492, https://doi.org/10.32604/cmes.2024.056424.

41. Yusi Chen, LiZhen Wang, Bij iao Ding, Yifeng Huang, Tingxi Wen, Jianlong Huang, Radiologically based automated segmentation of cardiac MRI using an improved U-Net neural algorithm, Journal of Radiation Research and Applied Sciences, Volume 16, Issue 4, 2023, 100704, ISSN 1687-8507, https://doi.org/10.1016/j.jrras.2023.100704.

42. Abdul Haseeb Nizamani, Zhigang Chen, Ahsan Ahmed Nizamani, Uzair Aslam Bhatti, Advance brain tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data, Journal of King Saud University - Computer and Information Sciences, Volume 35, Issue 9, 2023, 101793, ISSN 1319-1578,

https: //doi.org/ 10.1016/j.j ksuci .2023.101793.

43. V. Rajinikanth, M.S. Couceiro, RGB Histogram Based Color Image Segmentation Using Firefly Algorithm, Procedia Computer Science, Volume 46, 2015, Pages 1449-1457, ISSN 1877-0509, https://doi.org/10.1016Zj.procs.2015.02.064.

44. Suvanthini Terensan, Arachchige Surantha Ashan Salgadoe, Nisha Sulari Kottearachchi, O.V.D.S. Jagathpriya Weerasena, Proximally sensed RGB images and colour indices for distinguishing rice blast and brown spot diseases by k-means clustering: Towards a mobile application solution, Smart Agricultural Technology, Volume 9, 2024, 100532, ISSN 2772-3755, https://doi.org/10.1016/j.atech.2024.100532.

45. Rui Zhou, Tardi Tjahjadi, Colour guided ground-to-UAV fire segmentation, ISPRS Open Journal of Photogrammetry and Remote Sensing, Volume 14, 2024, 100076, ISSN 2667-3932, https://doi.org/10.1016/j.ophoto.2024.100076.

46. Pritpal Singh, A neutrosophic-entropy based clustering algorithm (NEBCA) with HSV color system: A special application in segmentation of Parkinson's disease (PD) MR images, Computer Methods and Programs in Biomedicine, Volume 189, 2020, 105317, ISSN 0169-2607, https://doi.org/10.1016/j.cmpb.2020.105317.

47. Weihua Wang, Weiqing Wang, Video Segmentation Algorithm based on HSV Color Piece, Procedia Environmental Sciences, Volume 10, Part A, 2011, Pages 739-742, ISSN 1878-0296, https://doi.org/10.1016/j.proenv.2011.09.119.

48. Haixin Zhong, Rubin Wang, A visual-degradation-inspired model with HSV color-encoding for contour detection, Journal of Neuroscience Methods, Volume 369, 2022, 109423, ISSN 0165-0270, https://doi.org/10.1016/jjneumeth.2021.109423.

49. Tao Yang, Yang Zou, Xiaofei Yang, Enrique del Rey Castillo, Domain knowledge-enhanced region growing framework for semantic segmentation of bridge point clouds, Automation in Construction, Volume 165, 2024, 105572, ISSN 0926-5805, https://doi.org/10.1016/j.autcon.2024.105572.

50. Tushar Hrishikesh Jaware, Vinodkumar Ramesh Patil, Chittaranjan Nayak, Ali Elmasri, Nawaf Ali, Purnendu Mishra, A novel approach for brain tissue segmentation and classification in infants' MRI images based on seeded region growing, foster corner detection theory, and sparse autoencoder, Alexandria Engineering Journal,

Volume 76, 2023, Pages 289-305, ISSN 1110-0168, https://doi.org/10.1016/j.aej.2023.06.040.

51. Dasari Anantha Reddy, Swarup Roy, Sanjay Kumar, Rakesh Tripathi, A Scheme for Effective Skin Disease Detection using Optimized Region Growing Segmentation and Autoencoder based Classification, Procedia Computer Science, Volume 218, 2023, Pages 274-282, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2023.01.009.

52. Quentin Lebon, Josselin Lefevre, Jean Cousty, Benjamin Perret, Incremental watershed cuts: Interactive segmentation algorithm with parallel strategy, Pattern Recognition Letters, Volume 189, 2025, Pages 256-263, ISSN 0167-8655, https://doi.org/10.1016/j.patrec.2024.12.005.

53. Sana Mohammadi, Sadegh Ghaderi, Kayvan Ghaderi, Mahdi Mohammadi, Masoud Hoseini Pourasl, Automated segmentation of meningioma from contrast-enhanced T1-weighted MRI images in a case series using a marker-controlled watershed segmentation and fuzzy C-means clustering machine learning algorithm, International Journal of Surgery Case Reports, Volume 111, 2023, 108818, ISSN 2210-2612, https://doi.org/10.1016/jijscr.2023.108818.

54. Houneida Sakly, Mourad Said, Moncef Tagina, Evaluation of the active contour and topographic watershed segmentation "assessment of the systolic ejection fraction in the left ventricular for medical assistance in 5D short axis cine MRI", Heliyon, Volume 6, Issue 11, 2020, e05547, ISSN 2405-8440, https://doi.org/10.1016/j.heliyon.2020.e05547.

55. Jing Du, Linlin Xu, Lingfei Ma, Kyle Gao, John Zelek, Jonathan Li, 3D semantic segmentation: Cluster-based sampling and proximity hashing for novel class discovery, ISPRS Journal of Photogrammetry and Remote Sensing, Volume 223, 2025, Pages 274-295, ISSN 0924-2716, https://doi.org/10.1016/jisprsjprs.2025.03.001.

56. Eugenio Pellis, Andrea Masiero, Michele Betti, Grazia Tucci, Pierre Grussenmeyer, A photogrammetric image-point dataset for the semantic segmentation of heritage buildings, Data in Brief, Volume 60, 2025, 111661, ISSN 2352-3409, https: //doi.org/ 10.1016/j.dib .2025.111661.

57. Weiyu Hao, Jingyi Wang, Huimin Lu, A Real-Time Semantic Segmentation Method Based on Transformer for Autonomous Driving, Computers, Materials and Continua, Volume 81, Issue 3, 2024, Pages 4419-4433, ISSN 1546-2218, https://doi.org/10.32604/cmc.2024.055478.

58. Sezin Barin, Gur Emre Guraksin, An automatic skin lesion segmentation system with hybrid FCN-ResAlexNet, Engineering Science and Technology, an International Journal, Volume 34, 2022, 101174, ISSN 2215-0986, https://doi.org/10.1016/jjestch.2022.101174.

59. MM Shinu, D. Pamela, G. Glan Devadhas, J. Samson Isaac, AAMR-FCN myeloma cancer net: Adaptive and attention-based mask R-FCN for diagnosing myeloma cancer using cell microscopic images with hybrid heuristic strategy, Biomedical Signal Processing and Control, Volume 100, Part B, 2025, 106987, ISSN 1746-8094, https://doi.org/10.1016/j.bspc.2024.106987.

60. Yu-Tzu Tsai, Akari Matsushima, Yung-Hui Huang, Takahide Okamoto, Kuo-Ying Liu, Ming-Hung Hsiao, Shih-Yen Hsu, Tai-Been Chen, MRI LIVER CANCER SEGMENTATION: ADVANCEMENTS IN FCN MODEL APPLICATIONS ACROSS MULTIPLE SEQUENCES, Journal of Medical Imaging and Radiation Sciences, Volume 54, Issue 3, Supplement, 2023, Pages S24-S25, ISSN 1939-8654, https://doi.org/10.1016/jjmir.2023.06.088.

61. Qinyi Tian, Sara Goodhue, Hou Xiong, Laura E. Dalton, Geo-SegNet: A contrastive learning enhanced U-net for geomaterial segmentation, Tomography of Materials and Structures, Volume 7, 2025, 100049, ISSN 2949-673X, https://doi.org/10.1016/j.tmater.2025.100049.

62. Thai-Viet Dang, Nhu-Nghia Bui, Phan Xuan Tan, KD-SegNet: Efficient Semantic Segmentation Network with Knowledge Distillation Based on Monocular Camera, Computers, Materials and Continua, Volume 82, Issue 2, 2025, Pages 20012026, ISSN 1546-2218, https://doi.org/10.32604/cmc.2025.060605.

63. Sanket Kachole, Xiaoqian Huang, Fariborz Baghaei Naeini, Rajkumar Muthusamy, Dimitrios Makris, Yahya Zweiri, Bimodal SegNet: Fused instance segmentation using events and RGB frames, Pattern Recognition, Volume 149, 2024,

110215, ISSN 0031-3203, https://doi.org/10.1016/j.patcog.2023.110215.

64. Laura Falaschetti, Sara Bruschi, Michele Alessandrini, Giorgio Biagetti, Paolo Crippa, Claudio Turchetti, An U-Net Semantic Segmentation Vision System on a Low-Power Embedded Microcontroller Platform, Procedia Computer Science, Volume 225, 2023, Pages 4473-4482, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2023.10.445.

65. Jason Walsh, Alice Othmani, Mayank Jain, Soumyabrata Dev, Using U-Net network for efficient brain tumor segmentation in MRI images, Healthcare Analytics, Volume 2, 2022, 100098, ISSN 2772-4425, https://doi.org/10.1016/j.health.2022.100098.

66. Hai Wang, Shaohua Xu, Kai-bin Fang, Zhang-Sheng Dai, Guo-Zhen Wei, Lu-Feng Chen, Contrast-enhanced magnetic resonance image segmentation based on improved U-Net and Inception-ResNet in the diagnosis of spinal metastases, Journal of Bone Oncology, Volume 42, 2023, 100498, ISSN 2212-1374, https://doi.org/10.1016/jjbo.2023.100498.

67. Zhenhuan Huang, Yifan Pan, Wanrong Huang, Feng Pan, Huifang Wang, Chuan Yan, Rongping Ye, Shuping Weng, Jingyi Cai, Yueming Li, Predicting Microvascular Invasion and Early Recurrence in Hepatocellular Carcinoma Using DeepLab V3+ Segmentation of Multiregional MR Habitat Images, Academic Radiology, Volume 32, Issue 6, 2025, Pages 3342-3357, ISSN 1076-6332, https://doi.org/10.1016/j.acra.2025.02.006.

68. Shuo Yang, Jingbin Li, Yang Li, Jing Nie, Dian Guo, Liqing Hu, Yugang Feng, Liansheng Zhang, Optimizing foreign fiber segmentation performance with DeepLab V3+ and GAN in industrial IoE environments, Digital Communications and Networks, 2025, ISSN 2352-8648, https://doi.org/10.1016/j.dcan.2025.03.005.

69. Jing Wang, Xiuping Liu, Medical image recognition and segmentation of pathological slices of gastric cancer based on Deeplab v3+ neural network, Computer Methods and Programs in Biomedicine, Volume 207, 2021, 106210, ISSN 0169-2607, https://doi.org/10.1016/j.cmpb.2021.106210.

70. Ningyu Zhao, Yi Song, Hao Liu, Ailin Yang, Haifei Jiang, Haihong Tan, A

novel MPDENet model and efficient combined loss function for real-time pixel-level segmentation detection of tunnel lining cracks, Case Studies in Construction Materials, Volume 22, 2025, e04618, ISSN 2214-5095,

https://doi.org/10.1016/jxscm.2025.e04618.

71. Xiliang Zhu, Zhaoyun Cheng, Sheng Wang, Xianjie Chen, Guoqing Lu, Coronary angiography image segmentation based on PSPNet, Computer Methods and Programs in Biomedicine, Volume 200, 2021, 105897, ISSN 0169-2607, https://doi.org/10.1016/jxmpb.2020.105897.

72. Xi Wang, Yongcun Guo, Shuang Wang, Gang Cheng, Xinquan Wang, Lei He, Rapid detection of incomplete coal and gangue based on improved PSPNet, Measurement, Volume 201, 2022, 111646, ISSN 0263-2241, https://doi.org/10.1016/j.measurement.2022.111646.

73. Kaiyu Li, Yuzhaobi Song, Xinyi Zhu, Lingxian Zhang, A severity estimation method for lightweight cucumber leaf disease based on DM-BiSeNet, Information Processing in Agriculture, Volume 12, Issue 1, 2025, Pages 68-79, ISSN 2214-3173, https://doi.org/10.1016/jinpa.2024.03.003.

74. Mohammed A.M. Elhassan, Changjun Zhou, Ali Khan, Amina Benabid, Abuzar B.M. Adam, Atif Mehmood, Naftaly Wambugu, Real-time semantic segmentation for autonomous driving: A review of CNNs, Transformers, and Beyond, Journal of King Saud University - Computer and Information Sciences, Volume 36, Issue 10, 2024, 102226, ISSN 1319-1578, https://doi.org/10.1016/jjksuci.2024.102226.

75. Michael Ying Yang, Saumya Kumaar, Ye Lyu, Francesco Nex, Real-time Semantic Segmentation with Context Aggregation Network, ISPRS Journal of Photogrammetry and Remote Sensing, Volume 178, 2021, Pages 124-134, ISSN 09242716, https://doi.org/10.1016/j.isprsjprs.2021.06.006.

76. M. Sivabalakrishnan, K. Shanthi, Person Counting System Using EFV Segmentation and Fuzzy Logic, Procedia Computer Science, Volume 50, 2015, Pages 572-578, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2015.04.086.

77. Catalin Gheorghe Amza, Dumitru Titi Cicic, Industrial Image Processing Using Fuzzy-logic, Procedia Engineering, Volume 100, 2015, Pages 492-498, ISSN

1877-7058, https: //doi.org/ 10.1016/j. pro eng.2015.01.404.

78. Sandeep Kumar, Amit K. Shukla, Pranab K. Muhuri, Q.M. Danish Lohani, CO2 emission based GDP prediction using intuitionistic fuzzy transfer learning, Ecological Informatics, Volume 77, 2023, 102206, ISSN 1574-9541, https://doi.org/10.1016/j .ecoinf.2023.102206.

79. Iulia-Andreea Ion, Cristiana Moroz-Dubenco, Anca Andreica, Breast Cancer Images Segmentation using Fuzzy Cellular Automaton, Procedia Computer Science, Volume 225, 2023, Pages 999-1008, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2023.10.087.

80. Munirah Rosbi, Zaid Omar, Uswah Khairuddin, Anwar P.P.A. Majeed, Syed A.R.S.A. Bakar, Machine learning for automated oil palm fruit grading: The role of fuzzy C-means segmentation and textural features, Smart Agricultural Technology, Volume 9, 2024, 100691, ISSN 2772-3755, https://doi.org/10.1016/j.atech.2024.100691.

81. D. Dorathy Prema Kavitha, L. Francis Raj, Sandeep Kautish, Abdulaziz S. Almazyad, Karam M. Sallam, Ali Wagdy Mohamed, Fuzzy Difference Equations in Diagnoses of Glaucoma from Retinal Images Using Deep Learning, CMES - Computer Modeling in Engineering and Sciences, Volume 139, Issue 1, 2023, Pages 801-816, ISSN 1526-1492, https://doi.org/10.32604/cmes.2023.030902.

82. Biao Kong, Che He, Deep learning and fuzzy algorithm in improving the effectiveness of college English translation teaching, Computers and Education: Artificial Intelligence, Volume 8, 2025, 100378, ISSN 2666-920X, https://doi.org/10.1016/j.caeai.2025.100378.

83. A. Tamilarasan, D. Rajamani, Towards efficient image segmentation: A fuzzy entropy-based approach using the snake optimizer algorithm, Results in Engineering, Volume 26, 2025, 105335, ISSN 2590-1230, https://doi.org/10.1016/j.rineng.2025.105335.

84. Riandini, Eko Mulyanto Yuniarno, I. Ketut Eddy Purnama, Masayoshi Aritsugi, Mauridhi Hery Purnomo, Investigating diverse loss functions for myocardium ring segmentation in Cardiac Magnetic Resonance images using fuzzy pooling, Array, Volume 26, 2025, 100382, ISSN 2590-0056,

https://doi.org/10.1016/j.array.2025.100382.

85. Weiping Ding, Haipeng Wang, Jiashuang Huang, Hengrong Ju, Yu Geng, Chin-Teng Lin, Witold Pedrycz, FTransCNN: Fusing Transformer and a CNN based on fuzzy logic for uncertain medical image segmentation, Information Fusion, Volume 99, 2023, 101880, ISSN 1566-2535, https://doi.org/10.1016/j.inffus.2023.101880.

86. Chengquan Huang, Huan Lei, Yang Chen, Jianghai Cai, Xiaosu Qin, Jialei Peng, Lihua Zhou, Lan Zheng, Interval Type-2 enhanced possibilistic fuzzy C-means noisy image segmentation algorithm amalgamating weighted local information, Engineering Applications of Artificial Intelligence, Volume 137, Part A, 2024, 109135, ISSN 0952-1976, https://doi.org/10.1016/j.engappai.2024.109135.

87. Purwono Purwono, Yessica Nataliani, Hindriyanto Dwi Purnomo, Ivanna K. Timotius, DFU-FuzzyLiteUNet: A lightweight u-net with Fuzzy sigmoid and lite transformer for diabetic foot ulcer segmentation, Biomedical Signal Processing and Control, Volume 108, 2025, 107902, ISSN 1746-8094, https://doi.org/10.1016/j.bspc.2025.107902.

88. Abdelilah Et-taleby, Yassine Chaibi, Nouamane Ayadi, Badr Elkari, Mohamed Benslimane, Zakaria Chalh, Enhancing fault detection and classification in photovoltaic systems based on a hybrid approach using fuzzy logic algorithm and thermal image processing, Scientific African, Volume 28, 2025, e02684, ISSN 2468-2276, https://doi.org/10.1016/j.sciaf.2025.e02684.

89. S. Alagarsamy, V. Govindaraj and S. A, "Automated Brain Tumor Segmentation for MR Brain Images Using Artificial Bee Colony Combined With Interval Type-II Fuzzy Technique," in IEEE Transactions on Industrial Informatics, vol. 19, no. 11, pp. 11150-11159, Nov. 2023, doi: 10.1109/TII.2023.3244344.

90. ByoungChul Ko, Ji-Hun Jung, Jae-Yeal Nam, Fire detection and 3D surface reconstruction based on stereoscopic pictures and probabilistic fuzzy logic, Fire Safety Journal, Volume 68, 2014, Pages 61-70, ISSN 0379-7112, https://doi.org/10.1016/j.firesaf.2014.05.015.

91. Popova, Yu. B. Characteristic functions of fuzzy sets in learning systems using the example of a trapezoidal membership function / Yu. B. Popova, A. I.

Burakovsky // Information technologies in technical and socio-economic systems: collection of materials of a scientific and technical conference, Minsk , April 22, 2016 / Ministry of Education of the Republic of Belarus; Belarusian National Technical University. - Minsk: State educational institution "Republican Institute of Higher School", 2016. - P. 3-5. - EDN IEKRWA.

92. Leekwijck W.V., Kerre E.E. Defuzzification: criteria and classification. Fuzzy Sets Syst. 1999; № 108: 159-178.

93. Uskov A.A. Systems with fuzzy models of control objects. Smolensk: SFRUK, 2013; 153 p.

94. Pegat A. Fuzzy modeling and control. lane from English 2nd ed. M.: BINOM. Laboratory of knowledge. 2013; 798.

95. Serkan Eti, Serhat Yuksel, Hasan Dinfer, Dragan Pamucar, Muhammet Deveci, Gabriela Oana Olaru. A machine learning and fuzzy logic model for optimizing digital transformation in renewable energy: Insights into industrial information integration // Journal of Industrial Information Integration, Volume 42, 2024, 100734, ISSN 2452-414X, https://doi.org/10.1016/jjii.2024.100734.

96. Hoang Nam Do, Huyen Trang Phan, Ngoc Thanh Nguyen. Multimodal sentiment analysis using deep learning and fuzzy logic: A comprehensive survey // Applied Soft Computing, Volume 167, Part A, 2024, 112279, ISSN 1568-4946, https://doi.org/10.1016/j.asoc.2024.112279.

97. Majed Alateeq, Witold Pedrycz. Logic-oriented fuzzy neural networks: A survey // Expert Systems with Applications, Volume 257, 2024, 125120, ISSN 09574174, https: //doi.org/ 10.1016/j.eswa.2024.125120.

98. Hailong Yin, Changhua Liu, Wei Wu, Ke Song, Yong Dan, Guangxu Cheng. An integrated framework for criticality evaluation of oil & gas pipelines based on fuzzy logic inference and machine learning // Journal of Natural Gas Science and Engineering, Volume 96, 2021, 104264, ISSN 1875-5100, https://doi.org/10.1016/jjngse.2021.104264.

99. Alamelu Manghai T Marimuthu, Jegadeeshwaran Rakkiyannan, Lakshmipathi Jakkamputi, Sugumaran Vaithiyanathan, Sakthivel Gnanasekaran.

Vibration-Based Fault Diagnosis Study on a Hydraulic Brake System Using Fuzzy Logic with Histogram Features // SDHM Structural Durability and Health Monitoring, Volume 16, Issue 4, 2022, Pages 383-396, ISSN 1930-2983, https://doi.org/10.32604/sdhm.2022.011396.

100. Divish Rengasamy, Jimiama M. Mase, Aayush Kumar, Benjamin Rothwell, Mercedes Torres Torres, Morgan R. Alexander, David A. Winkler, Grazziela P. Figueredo. Feature importance in machine learning models: A fuzzy information fusion approach // Neurocomputing, Volume 511, 2022, Pages 163-174, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2022.09.053.

101. Dinh-Nhat Truong, Jui-Sheng Chou. Fuzzy adaptive jellyfish search-optimized stacking machine learning for engineering planning and design // Automation in Construction, Volume 143, 2022, 104579, ISSN 0926-5805, https://doi.org/10.1016/j.autcon.2022.104579.

102. M.M. Kamruzzaman, Saad Alanazi, Madallah Alruwaili, Ibrahim Alrashdi, Yousef Alhwaiti, Nasser Alshammari. Fuzzy-assisted machine learning framework for the fog-computing system in remote healthcare monitoring // Measurement, Volume 195, 2022, 111085, ISSN 0263-2241, https://doi.org/10.1016/j.measurement.2022.111085.

103. Vugar E. Mirzakhanov. Value of fuzzy logic for data mining and machine learning: A case study // Expert Systems with Applications, Volume 162, 2020, 113781, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2020.113781.

104. Giuliano Ramírez, Kevin Salazar, Vicente Barría, Oscar Pinto, Lilian San Martin, Raúl Carrasco, Diego Fuentealba, Gustavo Gatica. Accident Risk Detection in Urban Trees using Machine Learning and Fuzzy Logic // Procedia Computer Science, Volume 203, 2022, Pages 471-475, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2022.07.064.

105. Emile van Krieken, Erman Acar, Frank van Harmelen. Analyzing Differentiable Fuzzy Logic Operators // Artificial Intelligence, Volume 302, 2022, 103602, ISSN 0004-3702, https://doi.org/10.1016/j.artint.2021.103602.

106. Milostnaya N.A. High-speed defuzzifiers based on the area ratio method // Industrial automated control systems and controllers. 2021. No. 11. pp. 18-25.

107. Bobyr M.V. Simulation of control of temperature mode in cutting area on the basis of fuzzy logic / Bobyr M.V., Kulabukhov S.A. // Journal of Machinery Manufacture and Reliability, 2017, 46(3), pp. 288-295.

108. Bobyr M. An algorithm for controlling of cutting speed based on soft calculations / Bobyr M., Luneva M., Yakushev A. // MATEC Web of Conferences, 2017, 129, 01064.

109. Bobyr M. Fuzzy System of Distribution of Braking Forces on the Engines of a Mobile Robot / Bobyr, M., Titov, V., Belyaev, A. // MATEC Web of Conferences, 2016, 79, 01052.

110. Bobyr M.V. The fuzzy filter based on the method of areas' ratio / Bobyr M.V., Milostnaya N.A., Bulatnikov V.A. // Applied Soft Computing, 2022, 117, 108449.

111. Бобырь М.В., Архипов А.Е., Милостная Н.А. МЕТОД РАСЧЕТА КАРТЫ ГЛУБИН НА ОСНОВЕ МЯГКИХ ОПЕРАТОРОВ // Системы и средства информатики. 2019. Т. 29. № 2. С. 71-84, https://doi.org/10.14357/08696527190207.

112. Lee D.H., Chen P.Y., Yang F.J., et al. "High-Efficient Low-Cost VLSI Implementation for Canny Edge Detection" // Journal of Information Science & Engineering, vol. 36, no. 3, 2020, pp. 34-57.

113. Koohi H., Kiani K. User Based Collaborative Filtering Using Fuzzy C-Means // Measurement. 2016. V. 91. P. 134 - 139. doi: 10.1016/j.measurement. 2016.05.058.

114. Yang Q., Sun L. A Fuzzy Complementary Kalman Filter Based on Visual and IMU Data for UAV Landing // Intern. Journal for Light and Electron Optics. 2018. V. 173. P. 279 - 291. doi: 10.1016/j.ijleo.2018.08.011.

115. Romanov A.A., Filippov A.A., Yarushkina N.G. Adaptive Fuzzy Predictive Approach in Control // Mathematics. - 2023. - Vol. 11, No. 4. - P. 875. - DOI 10.3390/math11040875. - EDN LRGVQT.

116. Зимичев Е.А., Казанский Н.Л., Серафимов П.Г. Пространственная классификация путем интеграции изображений с использованием метода кластеризации k-means ++ // Компьютерная оптика, 2014. 38(2), 281-286. DOI: 10.18287/01342452-2014-38-2-281-286.

117. Pereyra M., McLaughlin S. Fast Unsupervised Bayesian Image Segmentation with Adaptive Spatial Regularisation // IEEE Transactions on Image Processing, 2017. 26(6), 2577-2587. DOI: 10.1109/TIP.2017.2675165

118. Kanand T., Kemper G., König R., Kemper H. Wildfire detection and disaster monitoring system using uas and sensor fusion technologies. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., 2020, XLIII-B3-2020, 1671-1675, https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-1671-2020.

119. Шваров Н. Н., Хасан Я., Фахми Ш. С. Метод автоматизированного обнаружения и исследования лесных пожаров // Наука настоящего и будущего. -2018. - Т. 1. - С. 119-123.