Нерезкое маскирование для повышения качества изображений, полученных в шахтах
Е.В. Зайцева , А.А. Кочнева, Е.В. Катунцов, М.Р. Киба
Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург, Российская Федерация
Горная Промышленность №3 / 2025 стр.86-94
Резюме: В шахтах и местах выработок диспетчеры получают информацию с камер видеонаблюдения в режиме реального времени. Для увеличения качества получаемой информации и принятия правильных решений на их основе необходимо применять глобальные методы цифровой обработки изображений в условиях ограниченности информационных ресурсов. В статье приводится анализ применения метода нерезкого маскирования с использованием фильтра скользящее среднее с различными апертурами от 3 до 25. Также для полученных видеокадров приведены гистограммы распределения яркости. Количественные характеристики (средний уровень яркости, Tenengrad, мера резкости) позволяют сделать вывод о применении той или иной маски фильтра или смене апертуры фильтра. Анализ количественных характеристик показал целесообразность использования нерезкого маскирования с апертурами до 13, а в условиях ограниченности информационных ресурсов – и до 9. Сравнение метода нерезкого маскирования проводилось с методом высокочастотной фильтрации. Количественные характеристики Tenengrad и мера резкости показали свою эффективность при анализе качества видеокадра. Визуальный анализ видеоизображения и количественные значения Tenengrad и мер резкости совпадают. Применение метода нерезкого маскирования позволит диспетчеру эффективно принимать решения по информативным видеоданным.
Ключевые слова: промышленная безопасность, угольные шахты, видеонаблюдение, уровень освещённости, уровень яркости, системы технического зрения, видеоданные, качество изображения, мера резкости, Tenengrad
Для цитирования: Зайцева Е.В., Кочнева А.А., Катунцов Е.В., Киба М.Р. Нерезкое маскирование для повышения качества изображений, полученных в шахтах. Горная промышленность. 2025;(3):86–94. https://doi.org/10.30686/1609-9192-2025-3-86-94
Информация о статье
Поступила в редакцию: 27.02.2025
Поступила после рецензирования: 10.04.2025
Принята к публикации: 14.04.2025
Информация об авторах
Зайцева Екатерина Викторовна – кандидат технических наук, доцент, Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург, Российская Федерация; https://orcid.org/0000-0002-7944-0468; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Кочнева Алина Александровна – кандидат технических наук, доцент, Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург, Российская Федерация; https://orcid.org/0000-0002-8189-782X; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Катунцов Евгений Владимирович – кандидат технических наук, доцент, Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург, Российская Федерация; https://orcid.org/0000-0001-8345-0979; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Киба Мария Романовна – кандидат технических наук, доцент, Санкт-Петербургский горный университет императрицы Екатерины II, г. Санкт-Петербург, Российская Федерация; https://orcid.org/0000-0001-9999-8146; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Введение
Видеонаблюдение сегодня является неотъемлемой частью многофункциональных систем безопасности (МФСБ) шахт. Применение таких систем регламентируется «Правилами безопасности в угольных шахтах», утвержденными приказом Ростехнадзора от 8 декабря 2020 г. №507. С 1 марта 2023 г. вступил в силу Приказ Федеральной службы по экологическому, технологическому и атомному надзору от 23 июня 2022 г. №195 «О внесении изменений в Федеральные нормы и правила в области промышленной безопасности «Правила безопасности в угольных шахтах», согласно которому все системы, входящие в МФСБ, должны работать в едином шахтном системном времени. К таким системам относится и техническое зрение, внедряемое в последнее время на все большее количество шахт. Как правило, системами видеонаблюдения оснащают места максимальной концентрации работ, такие так точки погрузки и выгрузки руды. Также видеокамеры устанавливают в помещениях ремонта самоходных машин. Кольская ГМК начала видеооснащение рудника «Северный» с рудоспусков, горных разгрузок и места отстоя техники. «Распадская угольная компания» обратила внимание также на участок работы ленточного конвейера.
Готовые решения в области систем технического зрения предлагают такие российские компании, как ООО НПФ «Гранч», НВИЦ «Радиус» [1]. Исследование и анализ видеоданных, полученных с помощью отечественных технических средств, приобретают ещё большую актуальность в связи с проводимой политикой импортозамещения в такой важной отрасли, как горнодобывающая промышленность. Методы повышения качества видеокадров классифицируют по преобразованию яркости на глобальные и адаптивные. Первые менее затратны с точки зрения информационных ресурсов, а вторые, как правило, более результативны. В данной работе, поскольку речь идёт о работе в реальном времени, мы коснемся глобальных методов работы с яркостью.
На рис. 1 представлены видеокадры группы людей и одного человека, полученные в режиме реального времени из шахты с устройства оповещения со встроенной видеокамерой, разработанной компанией ООО НПФ «Гранч».
Рис. 1 Видеокадры, полученные в режиме реального времени из шахты: а – объект съемки – группа людей; б – объект съемки – один человек
Fig. 1 Video frames received in real time from the mine: (а) a group of people as the scene; (б) one person as the scene
На представленных на рис. 1 видеокадрах можно отметить затемнённые участки (с низким уровнем освещённости или полным отсутствием освещённости), участки, изображающие источники света, с размытием (с высоким уровнем освещённости) [1–3]. Важным показателем качества цифровых изображений, полученных в шахтах, является средний уровень яркости. Величины контраста и контрастности применительно к таким изображениям являются малоинформативными поскольку на видеопоследовательностях есть участки как с минимальным уровнем яркости (затемнённые), так и участки с максимальным уровнем яркости (лампы, фонарики, прожекторы) [4–6]. Для обеспечения эффективной работы диспетчера при цифровой обработке следует уделить внимание уровню резкости. При работе с видеокадрами – глобальным методам. Фильтрация с подъёмом высоких частот как раз и является таким методом [7–9].
Между тем видеоизображения, полученные в шахтах, требуют дополнительной обработки для улучшения их качества. Особый интерес представляет анализ методов, способных повышать качественные характеристики в условиях реального времени [10–12]. В данной работе проведен анализ применения метода нерезкого маскирования к изображениям, полученным с головного светильника шахтёра. При разработке и применении алгоритма учтены характерные особенности цифровых изображений, сформированных в условиях низкой освещённости.
Методы
Резкость изображения характеризуется степенью различимости перепадов яркостей соседних участков изображения [13–15]. Повышение резкости – связано с использованием высокочастотных фильтров. Маски высокочастотных фильтров представлены на рис. 2.
Рис. 2 Примеры масок высокочастотной фильтрации: а, в – составная маска Лаплассиан; б, г – составная маска Лаплассиан с диагональными членами
Fig. 2 Examples of high-pass filtering masks: а, в – composite Laplacian mask; б, г – composite Laplacian mask with diagonal terms
Нерезкое маскирование – это прием обработки изображений, заключающийся в вычитании из изображения его нерезкой (сглаженной) копии [16–18].
Данная процедура состоит из следующих этапов: создание нерезкого изображения, вычитание нерезкого изображения из исходного (результатом такой разности будет маска), прибавление к маске исходного изображения.
Обозначим исходное изображение функцией f(x,y) [19–21]. Обрабатывая изображение сглаживающим фильтром, получаем нерезкое изображение f*(x,y). Результат разности этих изображений – маску – обозначим как:
Затем маска с заданным коэффициентом прибавляется к исходному изображению, как показано в формуле:
Процесс, при котором коэффициент, и называется нерезким маскированием. При процесс называется фильтрацией с подъемом высоких частот, а вклад нерезкой маски снижается [22–24].
На рис. 3 представлены несколько масок, при помощи которых будут обработаны изображения.
Рис. 3 Примеры масок низкочастотной фильтрации: a – скользящее среднее размерностью 3x3; б – взвешенное среднее размерностью 3x3; в – скользящее среднее размерностью 5x5
Fig. 3 Examples of low-pass filtering masks: a – moving average with the dimension of 3x3, б – weighted average with the dimension of 3x3, в – moving average with the dimension of 5x5
При оценке качества изображений обычно используются два подхода: количественная оценка с использованием математических методов и субъективная оценка, с применением, как правило, методов экспертных оценок.
В данной статье преимущественно используется количественная оценка. Авторы дают свой визуальный анализ видеокадров, не прибегая к методу экспертных оценок, понимая субъективность данной оценки.
Для оценки размытия используется количественная характеристика Tenengrad. Метод Tenengrad [11; 12; 25], относящийся к категории градиентных методов, основанна оценке среднего квадрата градиента яркости пикселей монохромного изображения. При помощи оператора Собеля вычисляется приближенный вектор градиента яркости в каждой точке [26–28]:
где Gi(x,y), Gy(x,y), – маски на основе оператора Собеля. Приближенное значение средней величины квадрата градиента GTENG, называемое Tenengrad по обрабатываемому изображению, находится по формуле
Увеличение Tenengrad означает большую четкость границ и является мерой уменьшения развития [29–31].
Также ряд авторов определяет меру резкости изображения S путем нахождения угла наклона профиля яркости изображения на границе перепада:
где i – количество краевых пикселей на изображении; w – ширина перепада; G – разница между значениями яркостей пикселей.
В данной работе количественными оценками качества являются средний уровень яркости, Tenengrad, мера резкости.
Результаты
Для сравнения количественных характеристик исходных и обработанных изображений получим гистограммы распределения яркостей видеокадров (рис. 4), представленных на рис. 1.
Рис. 4 Гистограммы распределения яркости: а – изображения на рис. 1, а; б – изображения на рис. 1, б
Fig. 4 Histograms of the brightness distribution: (а) images in Fig. 1 а; (б) images in Fig. 1, б
Результат применения фильтров с коэффициентами с рис. 2 (маска 6) представлен на рис. 5. При анализе рис. 5 заметно повышение резкости на обоих видеокадрах, однако, вместе с тем повышается яркость участков изображений, в которые попадают источники освещения. При масштабировании видеокадров заметна пикселизация, также получившаяся за счёт применения высокочастотной фильтрации.
Для количественного подтверждения увеличения уровня яркости построим гистограммы распределения (рис. 6) для видеокадров, к которым была применена обработка высокочастотными фильтрами.
Для оценки уменьшения развития на видеокадрах произведем расчёт Tenengrad (3) и приведём результаты расчётов в табл. 1. Также в табл. 1 запишем данные о среднем уровне яркости.
Таблица 1
| Изображение | Среднее значение | Tenengrad |
|---|---|---|
| Видеокадр с рис. 1, а | 44,99 | 70,10 |
| Видеокадр с рис. 5, а | 46,38 | 110,73 |
| Видеокадр с рис. 1, б | 30,01 | 52,49 |
| Видеокадр с рис. 5, б | 31,14 | 101,27 |
Для устранения эффекта повышения яркости участков с источниками освещения применяется нерезкое маскирование.
Современные информационные ресурсы позволяют применять фильтры достаточно больших апертур [32–35]. В табл. 2 представлены значения количественных характеристик с диапазоном апертур маски фильтра скользящее среднее от 3 до 25, однако на рис. 7 представим только полученные изображения, обработанные массой фильтра скользящее среднее с апертурой 25, а на рис. 8 их гистограммы распределения яркостей.
Представляет интерес рассчитать Tenengrad для части изображения, содержащей в кадре источник освещения, и для этой же части рассчитать меру резкости. Пример такого участка приведен на рис. 9.
В табл. 3 приведены Tenengrad и мера резкости для исходной части кадра с применением фильтра высоких частот с применением нерезкого маскирования.
Рис. 5 Применение маски фильтра высокочастотной фильтрации: a – к изображению на рис. 1, а; б – к изображению на рис. 1, б
Fig. 5 Applying a high-pass filter mask: a) to the image in Fig. 1, а; (б) to the image in Fig. 1, б
Рис. 6 Гистограммы распределения яркости: a – изображения на рис. 5, а; б – изображения на рис. 5, б
Fig. 6 Histograms of the brightness distribution: (a) images in Fig. 5, а; (б) images in Fig. 5, б
Таблица 2 Нерезкое маскирование с использованием фильтра скользящее среднее с апертурами от 3 до 25
| Изображение | Среднее значение | Tenengrad |
|---|---|---|
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 3x3 | 45,44 | 77,81 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 5x5 | 45,83 | 84,17 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 7x7 | 46,16 | 87,03 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 9x9 | 46,42 | 88,25 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 11x11 | 46,64 | 88,51 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 13x13 | 46,84 | 88,40 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 15x15 | 47,02 | 88,22 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 17x17 | 47,12 | 88,01 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 19x19 | 47,35 | 87,83 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 21x21 | 47,50 | 87,63 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 23x23 | 47,65 | 87,47 |
| Видеокадр с рис. 1, a, нерезкое маскирование, апертура 25x25 | 47,79 | 87,27 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 3x3 | 30,38 | 62,46 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 5x5 | 30,68 | 70,64 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 7x7 | 30,90 | 74,94 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 9x9 | 31,06 | 75,92 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 11x11 | 31,18 | 76,34 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 13x13 | 31,28 | 76,39 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 15x15 | 31,37 | 76,35 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 17x17 | 31,45 | 76,3 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 19x19 | 31,53 | 76,18 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 21x21 | 31,60 | 76,09 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 23x23 | 31,67 | 76,02 |
| Видеокадр с рис. 1, b, нерезкое маскирование, апертура 25x25 | 31,73 | 75,95 |
Рис. 7 Применение нерезкого маскирования маски фильтра скользящее среднее с апертурой 25: a – к изображению на рис. 1, a; б – к изображению на рис. 1, б
Fig. 7 Application of unsharp masking of a moving average filter mask with an aperture of 25: (a) to the image in Fig. 1, a; (б) to the image in Fig. 1, б
Рис. 8 Гистограммы распределения яркости: a – изображения на рис. 7, a; б – изображения на рис. 7, б
Fig 8 Histograms of the brightness distribution: (a) images in Fig. 7, a; (б) images in Fig. 7, б
Рис. 9 Пример участка изображения с максимальным уровнем освещенности
Fig. 9 Example of an image area with maximum illumination level
Таблица 3 Tenengrad для части изображения, содержащей в кадре источник освещения
Table 3 Tenengrad values for a part of the image containing the light source in the frame
| Изображение | Tenengrad | Мера резкости, S |
|---|---|---|
| Видеокадр с рис. 9 | 120,24 | 32,5 |
| Видеокадр с рис. 9, высокочастотный фильтр | 150,06 | 44,5 |
| Видеокадр с рис. 9, нерезкое маскирование, апертура 3x3 | 127,94 | 35,75 |
| Видеокадр с рис. 9, нерезкое маскирование, апертура 11x11 | 132,26 | 44,5 |
| Видеокадр с рис. 9, нерезкое маскирование, апертура 13x13 | 132,46 | 46,25 |
| Видеокадр с рис. 9, нерезкое маскирование, апертура 25x25 | 132,12 | 50,5 |
Обсуждение результатов
Анализ гистограмм распределения яркости, приведенных на рис. 6, показывает рост количества точек видеокадра с яркостью 0–5 при использовании высокочастотной фильтрации. И в целом увеличение среднего уровня яркости всего изображения, что также подтверждается количественными результатами, приведёнными в табл. 1. Гистограммы, изображенные на рис. 8, показывают, что при использовании метода нерезкого маскирования нет роста количества точек видеокадара в диапазоне от 0 до 5, и эта часть гистограмм соответствует характеристикам исходных изображений. Однако на рис. 8 очевидно увеличение среднего уровня яркости, что также подтверждается данными, приведёнными в табл. 2.
Проанализировав количественные характеристики, приведенные в табл. 2, заметим, что при нерезком маскировании целесообразно ограничиться апертурами маски 11 и 13, поскольку максимальное значение Tenengrad достигается именно при фильтрации с их применением. Среднее значение яркости растёт от увеличения апертуры, однако, судя по значениям Tenengrad, резкость изображения не увеличивается. При увеличении апертуры с 9 до 11 рост Tenengrad незначительный и исчисляется несколькими десятыми долями единиц. При ограниченности информационных ресурсов использование маски апертурой 9x9 при нерезком маскировании является хорошим решением для улучшения визуального качества видеокадра.
Данные в табл. 3 также подтверждают эффект уменьшения размытости при применении метода нерезкого маскирования (показатель Tenengrad) и максимальный эффект при апертуре 11. Мера резкости при этом растёт с увеличением апертуры маски фильтра, при апертура 25 она максимальная.
Несмотря на высокие количественные показатели при применении фильтров с подъёмом высоких частот при визуальном анализе видеокадры с применением нерезкого маскирования не содержат эффекта пикселизации и не выглядят засвеченными.
Заключение
В работе проведен анализ применения нерезкого маскирования с маской фильтра скользящее среднее с апертурами от 3 до 25. Анализ количественных характеристик показал целесообразность использования нерезкого маскирования с апертурами до 13. В условиях ограниченности информационных ресурсов рекомендуется ограничиться апертурой 9x9. Количественные характеристики Tenengrad и мера резкости показали свою эффективность при анализе резкости видеокадра. Визуальный анализ видеоизображения и количественные значения совпадают, что говорит об эффективности выбранных количественных показателей резкости и уровня размытости.
В дальнейшем планируется исследование других масок метода нерезкого маскирования, например, взвешенного среднего. Количественные оценки чёткости и размытия также заслуживают дополнительного изучения применительно к видеоданным, снятым в шахтах.
Список литературы
1. Новиков А.В., Паневников К.В., Писарев И.В. Многофункциональная система безопасности угольных шахт – визуализация событий (горнотехнических процессов) с рабочего места шахтера. Горная промышленность. 2021;(5):65– 69. https://doi.org/10.30686/1609-9192-2021-5-65-69 Novikov A.V., Panevnikov K.V., Pisarev I.V. Multi-functional coal mine safety system: visualisation of events (mining processes) form the miner’s workplace. Russian Mining Industry. 2021;(5):65–69. (In Russ.) https://doi.org/10.30686/1609-9192-2021-5-65-69
2. Габов В.В., Суан Н.В., Задков Д.А., Тхо Ч.Д. Увеличение содержания крупных фракций в добываемой массе угля комбайном с использованием парных срезов. Записки Горного института. 2022;257:764–770. https://doi.org/10.31897/PMI.2022.66 Gabov V.V., Xuan N.V., Zadkov D.A., Tho T.D. Increasing the content of coarse fractions in the mined coal mass by a combine using paired cuts. Journal of Mining Institute. 2022;257:764–770. https://doi.org/10.31897/PMI.2022.66
3. Зубов В.П., Фук Л.К. Разработка ресурсосберегающей технологии выемки пологих угольных пластов с труднообрушающимися породами кровли (на примере шахт Куангниньского угольного бассейна). Записки Горного института. 2022;257:795–806. https://doi.org/10.31897/PMI.2022.72 Zubov V.P., Phuc L.Q. Development of resource-saving technology for excavation of flat-lying coal seams with tight roof rocks (on the example of the Quang Ninh coal basin mines). Journal of Mining Institute. 2022;257:795–806. https://doi.org/10.31897/PMI.2022.72
4. Непша Ф.С., Воронин В.А., Ливен А.С., Корнеев А.С. Оценка целесообразности применения когенерационных установок на угольных шахтах Кузбасса. Записки Горного института. 2023;259:141–150. https://doi.org/10.31897/PMI.2023.2 Nepsha F.S., Voronin V.A., Liven A.S., Korneev A.S. Feasibility study of using cogeneration plants at Kuzbass coal mines. Journal of Mining Institute. 2023;259:141–150. https://doi.org/10.31897/PMI.2023.2
5. Бузмаков С.А., Санников П.Ю., Кучин Л.С., Игошева Е.А., Абдулманова И.Ф. Применение беспилотной аэрофотосъемки для диагностики техногенной трансформации природной среды при эксплуатации нефтяного месторождения. Записки Горного института. 2023;260:180–193. https://doi.org/10.31897/PMI.2023.22 Buzmakov S.A., Sannikov P.Y., Kuchin L.S., Igoscheva E.A., Abdulmanova I.F. The use of unmanned aerial photography for interpreting the technogenic transformation of the natural environment during the oilfield operation. Journal of Mining Institute. 2023;260:180–193. https://doi.org/10.31897/PMI.2023.22
6. Маховиков А.Б. Развитие цифрового обеспечения науки и образования в СССР (России) с 1960-х до конца 2010-х гг. (по материалам Санкт-Петербургского горного университета). Вопросы истории. 2022;(11-1):56–69. https://doi.org/10.31166/VoprosyIstorii202211Statyi08 Makhovikov A.B. Evolution of digital support for science and education in the USSR (Russia) since the 1960s until the end of the 2010s (based on the information of St. Petersburg Mining University). Voprosy Istorii. 2022;(11-1):56–69. (In Russ.) https://doi.org/10.31166/VoprosyIstorii202211Statyi08
7. Litvinenko V., Bowbrick I., Naumov I., Zaitseva Z. Global guidelines and requirements for professional competencies of natural resource extraction engineers: Implications for ESG principles and sustainable development goals. Journal of Cleaner Production. 2022;338:130530. https://doi.org/10.1016/j.jclepro.2022.130530
8. Киселев В. А., Гусева Н. В. Районирование территории трасс трубопроводов по степени опасности возникновения аварий средствами геоинформационных систем и искусственных нейронных сетей. Горный информационноаналитический бюллетень. 2022;(10-2):185–192. https://doi.org/10.25018/0236_1493_2022_102_0_185 sKiselev V.A., Guseva N.V. Zoning pipeline routes according to the degree of danger of accidents using geoinformation systems and artificial neural networks. Mining Informational and Analytical Bulletin. 2022;(10-2):185–192. (In Russ.) https://doi.org/10.25018/0236_1493_2022_102_0_185
9. Маховиков А.Б., Крыльцов С.Б., Матрохина К.В., Трофимец В.Я. Система защищенной корпоративной связи для металлургического предприятия. Цветные металлы. 2023;(4):5–13. https://doi.org/10.17580/tsm.2023.04.01 Makhovikov A.B., Kryltsov S.B., Matrokhina K.V., Trofimets V.Ya. Secured communication system for a metallurgical company. Tsvetnye Metally. 2023;(4):5–13. (In Russ.) https://doi.org/10.17580/tsm.2023.04.01
10. Ol’t Yu., Maksarov V.V., Makhov V.E. Intelligence systems for quality assessment of threaded surfaces and flaw monitoring based on digital light field recording. Russian Journal of Nondestructive Testing. 2020;56(11):915–926. https://doi.org/10.1134/S1061830920110054
11. Koteleva N., Valnev V. Automatic detection of maintenance scenarios for equipment and control systems in industry. Applied Sciences. 2023;13(24):12997. https://doi.org/10.3390/app132412997
12. Boikov A.V., Savelev R.V., Payor V.A., Potapov A.V. Evaluation of bulk material behavior control method in technological units using DEM. Part 2. CIS Iron and Steel Review. 2020;20:3–6. https://doi.org/10.17580/cisisr.2020.02.01
13. Махов В.Е., Потапов А.И., Широбоков В.В., Емельянов А.В. Построение алгоритмов оптического контроля малоразмерных удаленных световых объектов. Контроль. Диагностика. 2021;24(6):15–27. https://doi.org/10.14489/td.2021.06.pp.015-027 Makhov V.E., Potapov A.I., Shirobokov V.V., Emelyanov A.V. Construction of optical control algorithms for smallsize distant light objects. Testing. Diagnostics. 2021;24(6):15–27. (In Russ.) https://doi.org/10.14489/td.2021.06.pp.015-027
14. Куприянов В.В., Бондаренко И.С. Логико-вероятностные методы моделирования сценариев аварий в шахтах. Горный информационно-аналитический бюллетень. 2023;(7):114–131. https://doi.org/10.25018/0236_1493_2023_7_0_114 Kupriyanov V.V., Bondarenko I.S. Logical-and-probabilistic methods of modeling mine accident scenarios. Mining Informational and Analytical Bulletin. 2023;(7):114–131. (In Russ.) https://doi.org/10.25018/0236_1493_2023_7_0_114
15. Потапов А.И., Махов В.Е., Смородинский Я.Г., Маневич Е.Я. Контроль линейных размеров на базе смарт-камеры. Дефектоскопия. 2019;(7):37–45. https://doi.org/10.1134/S0130308219070054 Potapov A.I., Makhov V.E., Smorodinskii Y.G., Manevich E.Y. Smart-camera-based linear sizing. Russian Journal of Nondestructive Testing. 2019;55(7):524–532.
16. Гонсалес Р., Вудс Р. Цифровая обработка изображений: пер. с англ. М.: Техносфера; 2005. 1072 с. Режим доступа: https://djvu.online/file/lAf8689XbLspB (дата обращения: 18.02.2025).
17. Сергеев М.Б., Соловьев Н.В., Стадник А.И. Методы повышения контрастности растровых изображений для систем цифровой обработки видеоинформации. Информационно-управляющие системы. 2007;(1):2–7. Режим доступа: https://i-us.ru/index.php/ius/article/view/14646 (дата обращения: 18.02.2025). Sergeev M.B., Soloviev N.V., Stadnik A.I. Methods to increase raster image contrast for systems of digital video processing. Information and Control Systems. 2007;(1):2–7. (In Russ). Available at: https://i-us.ru/index.php/ius/article/view/14646 (accessed: 18.02.2025).
18. Захлебин А.С., Калибеков А., Курячий М.И. Построение геопривязанного ортофотоплана участка местности по изображениям с телевизионной камеры БПЛА вертолетного типа. Электронные средства и системы управления. 2020;(1-2):187–189. Zakhlebin A.S., Kalibekov A., Kuryachiy M.I. Construction of a georeferenced orthophotomap of a terrain section based on images from a helicopter-type UAV television camera. Electronic Devices and Control Systems. 2020;(1-2):187–189. (In Russ.).
19. Епифанов В.А., Темкин И.О., Краснояружский С.Е. Эффективный алгоритм идентификации транспортных средств в системах видеонаблюдения. Горный информационно-аналитический бюллетень. 2023;(6):5–18. https://doi.org/10.25018/0236_1493_2023_6_0_5 Epifanov V.A., Temkin I.O., Krasnoyaruzhskiy S.E. Efficient algorithm of transport identification in video surveillance systems. Mining Informational and Analytical Bulletin. 2023;(6):5–18. (In Russ.) https://doi.org/10.25018/0236_1493_2023_6_0_5
20. Мовчан А.К., Капустин В.В., Курячий М.И., Чалдина Е.С. Методы и алгоритмы прецизионного измерения дальности активно-импульсными телевизионными измерительными системами. Доклады Томского государственного университета систем управления и радиоэлектроники. 2020;23(2):7–14. https://doi.org/10.21293/1818-0442-2020-23-2-7-14 Movchan A.K., Kapustin V.V., Kuryachy M.I., Chaldina E.S. Methods and algorithms for precision distance measurement by active-pulse television measuring systems. Proceedings of TUSUR University. 2020;23(2):7–14. (In Russ.) https://doi.org/10.21293/1818-0442-2020-23-2-7-14
21. Kapustin V., Movchan A., Kuryachiy M., Chaldina E. Active-pulse television measuring systems images space-time filtration by range. Journal of Physics: Conference Series. 2020;1488:012032. https://doi.org/10.1088/1742-6596/1488/1/012032
22. Chaldina E.S., Movchan A.K., Kapustin V.V., Kuryachiy M.I. Multi-area range measurement method using active-pulse television measuring systems. In: 2020 21st International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices (EDM), Chemal, Russia, 29 June – 3 July 2020. IEEE; 2020, pp. 293-297. https://doi.org/10.1109/EDM49804.2020.9153500
23. Brooks C.N., Dobson R.J., Dean D.B., Banach D., Oommen T., Havens T.C. et al. Evaluating the use of unmanned aerial vehicles for transportation purposes: A Michigan demonstration. MDOT Final Report Cooperative Agreement No. RC1616., Michigan: Michigan Department of Transportation; 2015. 201 р. Available at: https://digitalcommons.mtu.edu/mtri_p/186/ (accessed: 18.02.2025).
24. Zhang H., Tao P., Meng X., M Liu., Liu X. An optimum deployment algorithm of camera networks for open-pit mine slope monitoring. Sensors. 2021;21(4):1148. https://doi.org/10.3390/s21041148
25. Temkin I., Myaskov A., Deryabin S., Konov I., Ivannikov A. Design of a digital 3D model of transport – technological environment of open-pit mines based on the common use of telemetric and geospatial information. Sensors. 2021;21(18):6277. https://doi.org/10.3390/s21186277
26. Chaldina E., Movchan A., Kapustin V., Kuryachiy M. Software tool for modelling active vision areas of tomographic systems. Journal of Physics: Conference Series. 2021;1862:012015. https://doi.org/10.1088/1742-6596/1862/1/012015
27. Arena F., Pau G., Severino A. An overview on the current status and future perspectives of smart cars. Infrastructures. 2020;5(7):53. https://doi.org/10.3390/infrastructures5070053
28. Kamenskiy A.V. High-speed recursive-separable image processing filters. Computer Optics. 2022;46(4):659–665. https://doi.org/10.18287/2412-6179-CO-1063
29. Sytko I.I., Makhov V.E. Study of dynamic properties of measuring equipment at the design stage. Journal of Physics: Conference Series. 2021;1728:012020. https://doi.org/10.1088/1742-6596/1728/1/012020
30. Обухова Н.А., Баранов П.С., Мотыко А.А., Чиркунова А.А., Поздеев А.А. Восстановление малоконтрастных текстов архивных документов на основе применения гиперспектральных технологий. В кн.: Цифровая обработка сигналов и ее применение DSPA: Доклады 25-й Междунар. конф., г. Москва, 29–31 марта 2023 г. М.: Российское научнотехническое общество радиотехники, электроники и связи им. А.С. Попова; 2023. С. 210–214.
31. Vostrikov A., Sergeev M., Balonin N., Chernyshev S. Digital masking using Mersenne matrices and their special images. Procedia Computer Science. 2017;112:1151–1159. https://doi.org/10.1016/j.procs.2017.08.156
32. Востриков А.А., Сергеев М.Б., Литвинов М.Ю. Маскирование цифровой визуальной информации: термин и основные определения. Информационно-управляющие системы. 2015;(5):116–123. https://doi.org/10.15217/issn1684-8853.2015.5.116 Vostrikov A.A., Sergeev M.B., Litvinov M.Yu. Masking of digital visual data: the term and basic definitions. Information and Control Systems. 2015;(5):116–123. (In Russ.) https://doi.org/10.15217/issn1684-8853.2015.5.116
33. Михайлов В.В., Колпащиков Л.А., Соболевский В.А., Соловьев Н.В., Якушев Г.К. Методологические подходы и алгоритмы распознавания и подсчета животных на аэрофотоснимках. Информационно-управляющие системы. 2021;(5):20–32. https://doi.org/10.31799/1684-8853-2021-5-20-32 Mikhailov V.V., Kolpashchikov L.A., Sobolevskii V.A., Soloviev N.V., Yakushev G.K. Methodological approaches and algorithms for recognizing and counting animals in aerial photographs. Information and Control Systems. 2021;(5):20–32. (In Russ.) https://doi.org/10.31799/1684-8853-2021-5-20-32
34. Подгорнова Ю.А., Жизняков А.Л., Садыков С.С. Повышение контраста маммограмм, содержащих области рака молочной железы, на фоне жировой инволюции. Прикаспийский журнал: управление и высокие технологии. 2020;(2):136–147. Podgornova Yu.A., Zhiznyakov A.L., Sadykov S.S. Contrast enhancement mammograms containing the field of breast cancer on the background of fatty involution. Caspian Journal: Control and High Technologies. 2020;(2):136–147. (In Russ.)
35. Подгорнова Ю.А., Садыков С.С., Самандаров И.Р., Воронцов С.А. Исследование критериев распознавания доброкачественных заболеваний на маммограммах. В кн.: Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений: материалы 16-й Междунар. науч.-техн. конф., г. Курск, 14–17 сент. 2021 г. Курск: Юго-Западный государственный университет; 2021. С. 279–281.
