ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ ВЫДЕЛЕНИЯ ГРАНИЦ И РАСПОЗНАВАНИЯ ОБРАЗОВ В ЗАДАЧАХ СИНТЕЗА МОДЕЛЕЙ ТРЕХМЕРНЫХ ОБЪЕКТОВ ПО ИХ ИЗОБРАЖЕНИЮ

Карабчевский В.В. Руденко М.П. Якубовская Ю.А

Об авторах

Карабчевский В.В. Руденко М.П. Якубовская Ю.А

Карабчевский Виталий Владиславович – кандидат технических наук, доцент, заведующий кафедрой компьютерного моделирования и дизайна ФГБОУ ВО «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артема, д. 58. Область научных интересов: инновационные технологии преподавания графических дисциплин, математическое и геометрическое моделирование объектов и процессов, реконструкция объектов по их изображениям, генеративный дизайн. ORCID 0000-0003-2941-9916

Руденко Мария Павловна – кандидат технических наук, доцент кафедры компьютерного моделирования и дизайна ФГБОУ ВО «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артема, д. 58. Область научных интересов: трехмерное моделирование, виртуальная реконструкция, виртуальная и дополненная реальность, цифровые двойники. ORCID 0000-0002-4892-5315 Применение нейросетевого моделирования для выделения границ… П

Якубовская Юлия Алексеевна – аспирант, ассистент кафедры компьютерного моделирования и дизайна ФГБОУ ВО «Донецкий национальный технический универ- ситет», 283001, г. Донецк, ул. Артема, д. 58. Область научных интересов: компьютерное зрение, фотограмметрические технологии, реконструкция объектов по их изображениям, нейросетевое моделирование, трехмерное моделирование, обработка изображений. ORCID 0009-0009-8648-8038

Скачать PDF

УДК: 004.942
DOI: 10.24412/2413-7383-2026-2-41-14-25
Язык: Русский

Аннотация: В статье рассматривается проблема предварительной обработки изображений для последующей трехмерной реконструкции архитектурных объектов по ограниченному набору данных. Проведенный анализ современного ПО выявил зависимость от большого количества исходных изображений и низкую эффективность при работе с единственным снимком. Предлагается вычислительный алгоритм предварительной обработки изображений, объединяющий нейросетевую сегментацию на основе архитектуры U-Net и контурно-ориентированный поиск особых точек с использованием модифицированного алгоритма CE-ORB.

Ключевые слова: нейросетевое моделирование, сегментация изображений, выделение границ, особые точки, CE-ORB, U-Net, фотограмметрия, обработка изображений, цифровое наследие

Список литературы

1. Руденко М. П. Эффективные вычислительные мет оды и алгоритмы трехмерной реконструкции объектов культурного наследия / М. П. Руденко // Информатика и кибернетика. 2023. № 3(33). С. 43-49.
2. Якубовская Ю. А. Обзор методов трехмерной реконструкции объектов по изображениям / Ю. А. Якубовская // Информатика и кибернетика. 2023. № 1(31). С. 36-41. EDN PUBKNJ.
3. Hartley R. Multiple View Geometry in Computer Vision / R. Hartley, А. Zisserman // Cambridge University Press, 2004. 672 p.
4. Сюткина Т. А. Цифровые копии для антропологических исследований: виртуальные модели и базы данных / Т. А. Сюткина, Р. М. Галеев // Вестник археологии, антропологии и этнографии. 2021. № 1(52). С. 105-117. DOI 10.20874/2071-0437-2021-52-1-10. EDN JJBUFM.
5. Новые возможности для публикационной презентации керамических сосудов пазырыкской культуры / А. А. Тишкин, С. Ю. Бондаренко, П. К. Дашковский, Ц. Му // Теория и практика археологических исследований. 2022. Т. 34, № 2. С. 9-24. DOI 10.14258/tpai(2022)34(2).-01. EDN LFIFLN.
6. Пачеко-Руис Р. 4D моделирование подводных археологических раскопок в условиях плохой видимости с помощью фотограмметрии / Р. Пачеко-Руис, Д. Адамс, Ф. Педротти // Геоинфо. 2022. № 10. С. 6-15. EDN GGILGP.
7. Хадиев М. Р. Анализ методов распознавания контурных изображений в реальном времени / М. Р. Хадиев, Н. Н. Перцев, Л. М. Шарнин // Вестник Технологического университета. 2023. Т. 26, № 5. С. 55-58. DOI 10.55421/1998-7072_2023_26_5_55. EDN VLFXPX.
8. Егорченко С. Е. Проблемы и перспективы создания «цифровых двойников» археологических памятников / С. Е. Егорченко // Развитие – 2023: Cборник трудов конференции, Кемерово, 11–13 мая 2023 года. Кемерово: ФИЦ УУХ СО РАН, 2023. С. 198-218. EDN SBNAKL.
9. Живица В. В. Принципы 3D реконструкции объектов культурного наследия античного периода на примере греко-скифского городища Калос Лимен в Республике Крым / В. В. Живица, А. А. Эрайзер // Строительство и техногенная безопасность. 2022. № 24(76). С. 7-18. EDN BCEHFI.
10. Гадасин Д. В. Трехмерная реконструкция объекта по одному изображению с использованием глубоких свёрточных нейронных сетей / Д. В. Гадасин, А. В. Шведов, И. А. Кузин // T-Comm. 2022. № 7. С. 56-62.
11. Langer, F. Leveraging Geometry for Shape Estimation from a Single RGB Image [Электронный ресурс] / F. Langer, I. Budvytis, R. Cipolla // Proceedings of the British Machine Vision Conference (BMVC). 2021. Article 284. DOI: 10.5244/C.35.75. Текст: электронный // BMVA Archive. URL: https://www.bmva- archive.org.uk/bmvc/2021/assets/papers/0284.pdf (дата обращения: 07.04.2026).
12. Total3DUnderstanding: Joint Layout, Object Pose and Mesh Reconstruction for Indoor Scenes from a Single Image / Y. Nie, X. Han, S. Guo, Y. Zheng, J. Chang, J. J. Zhang // arXiv preprint arXiv:2002.12212. 2020. DOI: 10.48550/arXiv.2002.12212. Текст: электронный // arXiv.org: электронный архив препринтов. URL: https://arxiv.org/abs/2002.12212
13. Chan, E. R. Efficient Geometry-aware 3D Generative Adversarial Networks [Электронный ресурс] / E. R. Chan, C. Z. Lin, M. A. Chan [et al.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2022. P. 14282–14292. DOI: 10.1109/CVPR52688.2022.01391.
14. Лукашик Д. В. Анализ современных методов сегментации изображений / Д.В. Лукашик // Экономика и качество систем связи. 2022. № 2 (24). URL: https://cyberleninka.ru/article/n/analiz- sovremennyh-metodov-segmentatsii-izobrazheniy?ysclid=mgoxrqdch7890803077 (дата обращения: 18.05.2026).
15. Семантическая сегментация: самый полный гайд 2024 // Хабр. 2024. URL: https://habr.com/ru/companies/data_light/articles/855336/?ysclid=mgoxs8zdnn640851339 (дата обращения: 18.05.2026)
16. Лихачев А. В. Выделение контуров изображения объекта интереса на переменном фоне / А. В. Лихачев // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2022. № 1. С. 90 -100. DOI 10.17308/sait.2022.1/9204. EDN GLUTCF.
17. Сравнительный анализ модификаций нейросетевых архитектур U-Net в задаче сегментации медицинских изображений / Достовалова А.М. Горшенин А.К. Старичкова Ю.В. Арзамасов К.М. // Digital Diagnostics. 2021. URL: https://istina.msu.ru/publications/article/710520000/?ysclid=mgoxqpe0pb798580810 (дата обращения: 18.05.2026) К Карабчевский В.В. Руденко М.П. Якубовская Ю.А.
18. Ермоленко Т. В. Анализ эффективности архитектур глубоких нейросетей для классификации изображений товаров / Т. В. Ермоленко, И. Е. Самородский // Проблемы искусственного интеллекта. 2022, № 1(24). С. 54-64. EDN AIHAZQ.
19. Исследование применения моделей Mask R-CNN и Segment Anything Model (SAM) для инстанс- сегментации мезенхимных стволовых клеток на микрофотографиях / М. В. Солопов, Е. С. Чечехина, А. Г. Попандопуло [и др.] // Проблемы искусственного интеллекта. 2025, № 2(37). С. 21-29. DOI 10.24412/2413-7383-2025-2-37-21-29. EDN ODOKND.
20. Назаров М. А. Исследование применимости нейронечеткого и нейросетевого моделирования для выделения и распознавания контуров на изображениях / М. А. Назаров, Л. Ю. Емалетдинова // Вестник Технологического университета. 2024. Т. 27, № 8. С. 120-124. DOI 10.55421/1998- 7072_2024_27_8_120. EDN EIOOEL.
21. Краснобаев Е.А. Сравнение бинарных дескрипторов особых точек изображений в условиях искажений / Е.А. Краснобаев, Д.В. Чистобаев, А.Л. Малышев // Компьютерная оптика. 2019. Т. 43, № 3. URL: https://cyberleninka.ru/article/n/sravnenie-binarnyh-deskriptorov-osobyh-tochek- izobrazheniy-v-usloviyah-iskazheniy?ysclid=mgoxshunbt285338305 (дата обращения: 18.05.2026)
22. Детекторы и дескрипторы особых точек FAST, BRIEF, ORB // Хабр. 2018. URL: https://habr.com/ru/articles/414459/?ysclid=mgoxszfic050079200 (дата обращения: 18.05.2026)
23. Ханова А.А. Обзор методов выделения контуров на изображениях / А.А. Ханова, М.И. Озерова // Владимирский государственный университет. 2020. URL: https://iitr.vlsu.ru/images/sntk2020/ispi_3/ispi_3_5.pdf (дата обращения: 18.05.2026)

Выпуск: 2(41)'2026
Раздел: МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ЧИСЛЕННЫЕ МЕТОДЫ И КОМПЛЕКСЫ ПРОГРАММ
Как цитировать: Карабчевский В.В. Руденко М.П. Якубовская Ю.А. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ ВЫДЕЛЕНИЯ ГРАНИЦ И РАСПОЗНАВАНИЯ ОБРАЗОВ В ЗАДАЧАХ СИНТЕЗА МОДЕЛЕЙ ТРЕХМЕРНЫХ ОБЪЕКТОВ ПО ИХ ИЗОБРАЖЕНИЮ // Проблемы искусственного интеллекта. - 2026. - № 2 (41). - С. 14-25. - https://paijournal.guiaidn.ru/ru/2026/2(41)-2.html

Назад к выпуску 2(41)'2026