Онтологическая модель нейро-нечёткого управления пешеходным переходом в системе глаз-мозг-компьютер тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Храпова Наталия Игоревна

• Храпова Наталия Игоревна
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Храпова Наталия Игоревна

1.5. Выводы по первой главе

Глава 2. Онтология управления пешеходным переходам

2.1. Онтологическая модель управления пешеходным переходом в системе глаз-мозг-компьютер

2.1.1 Онтология классов объектов

2.1.2 Онтология свойств атрибутов

2.1.3 Онтология свойств данных

2.1.4 Онтология характеристик объектов

2.1.5 Онтологическая модель машины нечётко-логического вывода

2.2. Нечётко-логическая математическая модель вычисления количества распознанных предметов на изображении

2.3. Когнитивная модель принятия решения о наличии границ в нечётко-логической математической модели вычисления количества распознанных предметов на изображении

2.4. Нечётко-логическая математическая модель интеллектуального управления светофором

2.5. Алгоритм определения площадей классифицированных объектов

2.6. Выводы по второй главе

Глава 3. Разработка нечётко-логического метода вычисления времени задержки управляющего сигнала светофора и имитационное моделирование разработанного устройства управления светофором

3.1. Нечётко-логический метод вычисления времени задержки управляющего сигнала светофора в зависимости от количества распознанных объектов на пешеходном переходе

3.2. Устройство управления интеллектуальным светофором

3.3. Имитационное моделирование разработанного устройства управления светофором

3.4. Разработка информационно-аналитической системы восприятия и обработки видеоинформации на пешеходном переходе

3.5. Выводы по третьей главе

Глава 4. Экспериментальные исследования функционирования онтологической модели управления пешеходным переходом

4.1. Экспериментальные испытания

4.4. Выводы по четвертой главе

Заключение

Список литературы

Введение диссертации (часть автореферата) на тему «Онтологическая модель нейро-нечёткого управления пешеходным переходом в системе глаз-мозг-компьютер»

ВВЕДЕНИЕ

Актуальность темы исследования. Актуальным научным и практическим направлением развития когнитивных систем является разработка моделей, методов и специализированных устройств, обеспечивающих управление пешеходными переходами в системе «Умный город». Вследствие изменяющейся интенсивности дорожного движения в разное время суток, например, в час пик наблюдается возрастание загруженности перекрёстков, в ночное время интенсивность, наоборот, снижается. Поэтому входная информация, поступающая на вход информационно-аналитических систем, носит неопределённый или нечёткий характер. В связи с этим использование нечёткой логики, позволяющей оперировать такими лингвистическими переменными, как «малое количество людей на пешеходном переходе», «большое количество автомобилей на пешеходном переходе» является одним из перспективных направлений эволюции подобных систем.

В данном случае когнитивные системы применяются для распознавания объектов и событий, а также для предсказывания возможного развития ситуаций на улицах городов с целью управления дорожным движением. Когнитивные системы собирают данные с помощью комплексов видеофиксации, и обрабатывают их посредством алгоритмов искусственного интеллекта, в частности, нейронных или нейро-нечетких сетей. Прежде чем видеоинформация об интенсивности движения на пешеходном переходе попадает в нейронную сеть для классификации объектов, относящихся к классам «пешеход» и «автомобиль», на изображении осуществляется выделение границ объектов с помощью соответствующих детекторов, например, Собеля или Канни. Ограничением первого детектора является невозможность его настройки, а второй в свою очередь плохо реагирует на изменение градиента вогнутой или выпуклой формы распознаваемых контуров. Таким образом, точность нейронных сетей снижается из-за

погрешностей методов предварительной обработки изображений. В связи с этим возникает научное противоречие, связанное с повышением достоверности классификации объектов на пешеходном переходе при обеспечении заданной точности.

Исходя из изложенного формируется необходимость разработки онтологической модели управления пешеходным переходом в системе глаз-мозг-компьютер, включающей обработку изображений, построение контуров объектов, распознавание и классификацию объектов, подсчёт их количества и формирование управляющих сигналов для интеллектуального светофора (ИС).

Степень разработанности темы исследования. Существенный вклад в исследования в области систем управления сложными техническими системами с использованием современных интеллектуальных инструментов, таких как нейронные сети и нечеткая логика, внесли как российские, так и зарубежные учёные: 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., Л. Заде, А. Кофман, Д. Дюбуа, Т. Тэрано, М. Сугено, Е. Мамдани, Т. Такаги. Ограничением нечётко-логических моделей, применяемых в существующих работах, является использование в процессе дефаззификации метода центра тяжести. Данный метод имеет ряд недостатков, наиболее важным из которых является сужение интервала дефаззификации, что приводит к частичной потере входной информации. В связи с чем, совершенствование методов обработки информации с помощью нейронных сетей и нечётко-логических моделей является значимым научным и практическим направлением для внедрения в серийное производство систем управления пешеходным переходом.

Вышеизложенное указывает на актуальность поставленной научно -технической задачи разработки онтологической модели управления пешеходным переходом (ОМУПП).

Связь работы с научными программами. Актуальность исследования подтверждается его выполнением в рамках гранта РНФ № 23-21-00071 (Разработка модели компьютерного зрения для интеллектуальной навигации робототехнических систем, основанной на построении трехмерных сцен по картам глубин), Госзадания Минобрнауки России по теме «Исследование алгоритмов, моделей и методов повышения эффективности функционирования сложных технических систем» (соглашение № 0851-20200032), а также соответствием Указу Президента РФ от 7.07.2011 г. № 899 «Об утверждении приоритетных направлений развития науки, технологий и техники в РФ и перечня критических технологий РФ» в части технологии информационных, управляющих, навигационных систем (обеспечение перехода к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, создания систем обработки больших объемов данных, машинного обучения и искусственного интеллекта).

Цель диссертационной работы - повышение достоверности распознавания объектов на пешеходном переходе для обеспечения безопасности дорожного движения.

Для достижения поставленной цели в диссертационной работе решены основные задачи:

1. Анализ существующих информационно-аналитических систем управления пешеходным переходом в системе «Умный город».

2. Создание онтологической модели управления пешеходным переходом, позволяющей объединить в единую структуру классы, атрибуты и отношения между ними в системе глаз-мозг-компьютер.

3. Синтез нечётко-логической математической модели вычисления количества распознанных объектов на изображении, использующейся для классификации понятий «пешеход» и «транспортное средство» в режиме близком к реальному времени.

4. Разработка нечётко-логической математической модели интеллектуального управления светофором, формирующей модель поведения

ИС в зависимости от количества распознанных объектов на пешеходном переходе.

5. Экспериментальные исследования функционирования ОМУПП, включающие оценку достоверности распознанных объектов на пешеходном переходе и времени срабатывания управляющих сигналов светофора в зависимости от их количества.

Объект исследования: онтологическая модель нейро-нечёткого управления пешеходным переходом.

Предмет исследования: вычислительные процессы в онтологической модели нейро-нечёткого управления пешеходным переходом.

Методы исследования. В диссертационной работе для решения поставленных задач использовались следующие методы: машинное обучение, нейронные сети, адаптивные нейро-нечёткие системы вывода, библиотека алгоритмов компьютерного зрения, методы детектирования и классификации объектов, основы теории построения алгоритмов.

Научная новизна исследования направлена на расширение и углубление спектра исследований в области разработки онтологии поведения систем управления пешеходным переходом, а также создание комплекса математических, алгоритмических и программно-аппаратных моделей распознавания движущихся объектов на перекрёстке и передачи управляющего сигнала на интеллектуальный светофор в зависимости от их количества на основе нечётко-логической машины вывода.

Основные положения, выносимые на защиту:

1. Онтологическая модель управления пешеходным переходом, отличающаяся комбинированным способом вычисления числа объектов заданных классов, основанная на объединении нейронных сетей и нечёткой логики в единую модель, позволяющая в режиме близком к реальному времени формировать управляющие сигналы в зависимости от количества распознанных объектов на пешеходном переходе.

2. Нечётко-логическая математическая модель интеллектуального управления светофором, отличающаяся наличием базы нечётких правил, связывающей время срабатывания управляющих сигналов светофора с количеством распознанных объектов на пешеходном переходе, позволяющая в режиме близком к реальному времени формировать зависимость между этими переменными.

3. Нечётко-логический метод вычисления времени задержки управляющего сигнала светофора в зависимости от количества распознанных объектов на пешеходном переходе, позволяющий комбинировать расчётные процедуры разработанных математических моделей в единый вычислительный процесс, отличающийся наличием базы нечётких правил, формирующий ОМУПП в зависимости от количества распознанных объектов.

Теоретическая и практическая значимость работы состоит в разработке методов, алгоритмов, моделей распознавания движения объектов на пешеходном переходе и определения их количества для вычисления времени задержки управляющих сигналов ИС, основанных на нечётко-логическом подходе и реализованных в программах для ЭВМ и подтверждённых патентом РФ на изобретение.

1. Разработаны устройство управления светофором на основе нечёткой логики (Патент на изобретение №2827781), позволяющее увеличить пропускную способность пешеходного перехода на 23,4%, и специализированные программные продукты: программа для ЭВМ № 2021661796 «Программа для регулирования светофора на основе нечёткой логики», №2024662790 «Программа детектирования объектов на пешеходном переходе и определения времени задержки управляющих сигналов светофора», предназначенные для имитации работы системы управления перемещением пешеходов.

2. Разработан комплекс специализированного программного обеспечения, позволяющий по распознанным контурам объектов на основе нечёткого метода построения границ осуществить распознавание объектов,

находящихся на пешеходном переходе, и осуществить дальнейшую их классификацию по типам «пешеход» и «автомобиль»: программа для ЭВМ № 2022660309 «Программа детектирования границ объектов на основе фильтра Канни»; программа для ЭВМ №2 2022660350 «Программа нечётко-логического детектирования выделения границ на изображении»; программа для ЭВМ № 2022661172 «Программа обнаружения контуров границ на основе комбинации детектора Канни и нечёткого метода выделения краев объектов»; программа для ЭВМ № 2024660940 «Программа детектирования движения объектов на пешеходном переходе». Предложенный программный комплекс, основанный на нечётко-логическом методе детектирования границ, позволил, во-первых, увеличить точность распознавания контуров по отношению к детектору Канни в 1,04 раза, а по отношению к оператору Собеля в 1,08 раза, а во-вторых, увеличить точность распознавания движущихся объектов по отношению к комбинации способов гистограмм направленных градиентов и метода опорных векторов в 1,69 раза.

3. Разработан комплекс специализированного программного обеспечения, позволяющий в режиме реального времени определять расстояние от распознанных объектов до видеокамеры: программа для ЭВМ № 2022681075 «Программа для определения расстояния от видеокамеры до распознаваемого объекта».

4. Разработано специализированное программное обеспечение для имитации работы быстродействующего дефаззификатора, основанного на методе отношения площадей: программа для ЭВМ № 2022617281 и 2022618052 «Программа на основе нечёткого вывода для управления термоэлементом на основе быстродействующего дефаззификатора отношения площадей. Модификация 1 и Модификация 2», соответственно.

Реализация результатов работы.

Результаты, полученные в диссертационной работе, внедрены в АО «Курский Электроаппаратный Завод» и АО «Курский завод «Маяк» - филиал

АО ННПО им. М.В. Фрунзе» в условиях опытно - промышленных испытаний системы детектирования объектов на пешеходном переходе.

Предложенные методы управления перемещением пешеходов, основанные на вышеуказанных математических моделях, используются в образовательном процессе кафедры программной инженерии Юго-Западного государственного университета в рамках дисциплин «Компьютерное зрение», «Системы искусственного интеллекта», «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 10. В части пункта 3 «Создание онтологий, структуризация типичных ситуаций, сценарное прогнозирование и управление в экспериментальных и прикладных когнитивных исследованиях» создана онтологическая модель управления пешеходным переходом (ОМУПП). 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 восприятия и обработки видеоинформации на пешеходном переходе (ИАСВОИ), с помощью которой производится распознавание и подсчёт объектов на пешеходном переходе для формирования управляющих сигналов ИС. В части пункта 10 «Взаимодействие человека и машины (робототехнических устройств) в различных областях практики. Решение задач в режиме, близком к реальному времени, и вычислительное моделирование для интерфейсов мозг-компьютер, глаз-компьютер и глаз-мозг-компьютер.» к интерфейсу «глаз» относятся

операции выделения контуров объектов на изображениях, полученных с видеокамеры, реализованные в нечётко-логической математической модели вычисления количества распознанных предметов на изображении, использующейся для детектирования объектов, таких как автомобили и люди на пешеходном переходе в режиме близком к реальному времени, к интерфейсу «мозг» относится классификатор типов объектов основанный на нейронной сети YOLO и нечётко-логическая база правил позволяющая синтезировать онтологию поведения управления пешеходным переходом в зависимости от количества объектов на нём, к классу «компьютер» относятся вычислительное устройство управления светофором на основе нечёткой логики (Патент на изобретение №2827781) и разработанные программы для ЭВМ, позволяющие в режиме близком к реальному времени контролировать и управлять передвижением пешеходов и автомобилей на пешеходном переходе.

Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается корректным использованием математического аппарата машинного обучения, нейронных сетей, адаптивных нейро-нечётких систем вывода, алгоритмов компьютерного зрения, методов детектирования границ объектов и их классификации, основ теории построения алгоритмов; 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: «Doctoral Symposium on Human Centered Computing (Human 2023)» (India, 2023 г.); «Оптико-электронные приборы и устройства в системах распознавания образов и

обработки изображений (Распознавание-2021 г., 2023 г.)» (г. Курск, 2021 г., 2023 г.); «Интеллектуальные информационные системы: тенденции, проблемы, перспективы (ИИС - 2022 г., 2024 г.)» (г. Курск, 2022 г., 2024 г.); «Регион искусственного интеллекта» (г. Череповец, 2022 г.); «Актуальные вопросы современной науки: теория и практика научных исследований» (г. Пенза, 2022 г.); «Исторические, философские, методологические проблемы современной науки» (г. Курск, 2023 г.); «Программная инженерия: современные тенденции развития и применения (ПИ-2023 г., 2024 г.)» (г. Курск, 2023 г., 2024 г.); на научно-технических семинарах кафедр «Вычислительная техника» и «Программная инженерия» ЮЗГУ (г. Курск, 2020-2024 гг.).

Личный вклад автора. Выносимые на защиту научные положения разработаны соискателем лично. В научных работах, выполненных в соавторстве, личный вклад соискателя состоит в следующем: в работах [1, 2, 9, 10] представлена разработка нечётко-логической математической модели вычисления количества распознанных объектов на изображении, в [4, 8, 19, 24] создана нечётко-логическая математическая модель интеллектуального управления светофором, в [2, 3, 20, 21] разработана ОМУПП, в [17, 18] осуществлена имитация работы быстродействующего дефаззификатора, в [13] предложен метод определения расстояния от распознаваемых объектов до видеокамеры, в [14-16] рассмотрен метод детектирования границ объектов, в [5-7, 11-12, 22-23, 25-27] проведено имитационное моделирование процесса распознавания и классификации объектов на изображении.

Публикации. По теме диссертационного исследования опубликованы 27 научных работ, в том числе 6 статей в научных рецензируемых журналах, входящих в перечень ВАК РФ, 1 работа, входящая в международную базу данных Scopus, 1 патент на изобретение и 11 свидетельств о государственной регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения, списка литературы, включающего 120 наименований.

Основная часть работы изложена на 132 страницах машинописного текста и содержит 23 рисунка, 22 таблицы.

Глава 1. Анализ существующих информационно-аналитических систем управления пешеходным переходом в системе «Умный город»

1.1. Анализ существующих патентных решений в области управления пешеходными переходами

В ходе диссертационного исследования был осуществлен анализ существующих устройств для управления пешеходным переходом 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/.

Патентный поиск в базе данных Роспатента, по ключевым словам, «пешеходный переход нейронная сеть» и «пешеходный переход нечёткая логика» не дал результатов. Это позволило сделать вывод о том, что современные интеллектуальные инструменты не нашли широкого применения в системах управления пешеходными переходами в нашей стране.

Поиск, по ключевому слову «интеллектуальный светофор» и «пешеходный переход» дал результаты, которые сведены в таблицу 1.1.

Таблица 1.1. Патентный поиск систем управления пешеходным переход

№ Номер Название Описание Недостатки

1 2702477 Патент на изобретение Способ управления дорожным движением и система для Изобретение относится к области управления дорожным движением и может быть использовано для регулирования движения на перекрестках с использованием светофоров при Отсутствие интеллектуальн ых систем. Не описан способ обработки

№ Номер Название Описание Недостатки

его реализации [1] наличии нестабильных пешеходных и транспортных потоков. Вычисляют спрогнозированное значение времени горения сигнала светофора и табло обратного отсчета в новом цикле, который определяется при анализе интервала времени, включающего несколько предыдущих циклов горения сигнала светофора. Обеспечивают одновременное поступления данных от дорожного контроллера на светофор и табло обратного отсчета и вычисляют спрогнозированное значение времени работы светофора и табло обратного отсчета в новом цикле. Повышается эффективность регулирования дорожной ситуации. информации, получаемой от дорожных датчиков. Дорожные датчики также не указаны.

2 2486599 Патент на изобретение Способ регулировани я движения транспортных потоков на перекрестке [2] Изобретение относится к области управления дорожным движением на регулируемых перекрестках крупных мегаполисов, где многополосные транспортные магистрали пересекаются друг с другом на одном уровне при наличии больших транспортных и пешеходных потоков. Постоянно в режиме реального времени определяют величину неуравновешенности интенсивностей движения прямых встречных транспортных потоков по всем полосам движения транспортных магистралей, предназначенных для прямого направления. Полученную величину неуравновешенности сравнивают с предварительно заданным для данного перекрестка порогом неуравновешенности для прямых встречных транспортных потоков. В случае, если вышеуказанный порог не превышен, то выбирают В качестве детектора транспорта указаны оптико- электронные приборы (например, видеокамеры), но способ обработки информации, полученной от них не описан. также не указан способ обработки видеоинформаци и.

№ Номер Название Описание Недостатки

пофазный способ управления движением транспортных потоков на перекрестке, а если порог неуравновешенности превышен, хотя бы по одной полосе движения в прямых встречных направлениях, то на перекрестке выбирают способ управления движением по отдельным направлениям.

3 111330 Патент на полезную модель Система управления движением на многополосны х перекрестках [3] Система управления движением на многополосных перекрестках относится к управлению транснортно-пешеходных потоков на локальных и системных регулируемых перекрестках с пересечением и примыканием многополосных улиц и может использоваться в интеллектуальных транспортных системах. Технический результат - обеспечение максимальной средней пропускной способности перекрестка при поддержании нормативного уровня требований к дорожной безопасности. Пофазное управления, с помощью соответствующе й сигнальной системы

4 1399800 АС. СССР Способ управления движением транспортных потоков на перекрестке [4] Способ управления движением транспортных потоков на перекрестке заключается в измерении интенсивности движения транспортных потоков на каждом направлении перекрестка путем подсчета за период опроса количества транспортных средств на каждом направлении перекрестка и последовательном переключении светофорных сигналов в зависимости от полученных результатов. При этом определяют среднюю интенсивность транспортных потоков для каждой из возможных для данного перекрестка фазы управления путем подсчета за период опроса числа транспортных средств на всех направлениях движения каждой фазы и деления его на число направлений движения, участвующих в данной фазе. Отсутствуют возможности выявления неуравновешенн ости встречных прямых транспортных потоков, что приводит к неэффективному использованию пропускной способности перекрестка

№ Номер Название Описание Недостатки

Причем для каждого направления движения перекрестка определяют абсолютное значение величины отклонения интенсивности транспортных потоков на нем от величины средней интенсивности транспортных потоков фазы регулирования, в которой участвует данное направление. Затем суммируют абсолютные отклонения интенсивностей движения для фаз, входящих в каждую из возможных программ регулирования, сравнивают полученные суммы и выбирают на следующий период опроса программу управления с наименьшей суммой отклонений интенсивностей движения транспортных средств по направлениям, входящим в данную программу управления, от величин средних интенсивностей транспортных потоков соответствующих фаз регулирования.

5 2134453 Патент РФ Способ нейросетевого координирова нного управления транспортным и потоками в районе регулировани я [5] Изобретение относится к координированному управлению транспортными потоками в районах регулирования с использованием нейронных сетей. Технический результат изобретения заключается в повышении эффективности автоматического управления транспортными потоками с помощью обучающейся и самообучающейся нейронной сети, обусловленной увеличением в установленный промежуток времени пропускной способности транспортных средств в управляемом районе регулирования, уменьшением задержек движения, предотвращением заторов и т.д. Способ основан на измерении интенсивности транспортных потоков на входах перекрестков района регулирования, выборе в В качество устройств для получения входной информации указаны датчиками интенсивности движения, однако не определен способ обработки информации с этих датчиков для передачи в нейронную сеть

№ Номер Название Описание Недостатки

результате измерений плана координации, наиболее близкого к контрольной совокупности, и подаче управляющих сигналов на светофорную сигнализацию, причем предварительно назначают желаемые показатели на "входах-выходах" района регулирования на контрольных светофорных объектах, после чего выбирают схему размещения светофорных объектов внутри района регулирования, снабжают все светофорные объекты микроЭВМ с нейропрограммой и средствами выборки задач

6 2151424 Патент на изобретение Устройство управления светофорным объектом с ЭВМ с нейропрограм мами [6] Устройство управления светофорным объектом с ЭВМ с нейропрограммами относится к автоматическому координированному управлению дорожным движением, транспортными потоками на светофорном объекте с помощью нейронных сетей. Технический результат заключается в автоматическом гибком управлении светофорным объектом с помощью обучающейся нейронной сети, связанном с увеличением в установленный промежуток времени пропускной способности транспортного потока на перекрестке. Нейронная сеть осуществляет распознавание вида и количества транспорта на перекрестке, но не определяет пешеходов на нем. К тому же математическая часть данного процесса отсутствует. Принцип действия данного устройства следующий. Если время пропуска поперечного транспорта не удовлетворяет контрольному предпочтению, то срок горения (например, зеленого сигнала) по главной магистрали увеличивается (не указано на сколько).

Список литературы диссертационного исследования кандидат наук Храпова Наталия Игоревна, 2024 год

Список литературы

1. Патент № 2702477 С2 Российская Федерация, МПК G08G 1/08, G08G 1/083. Способ управления дорожным движением и система для его реализации : № 2018108988 : заявл. 14.03.2018 : опубл. 08.10.2019 / А. Д. Жарков, Е. А. Губа, А. Н. Таранов ; заявитель Общество с ограниченной ответственностью "ВойсЛинк" (ООО "ВойсЛинк"). - ЕБК 0С2^Т.

2. Патент № 2486599 С2 Российская Федерация, МПК G08G 1/08. способ регулирования движения транспортных потоков на перекрестке : № 2011135708/11 : заявл. 23.08.2011 : опубл. 27.06.2013 / А. М. Плотников, П. А. Кравченко, М. А. Плотников ; заявитель Общество с ограниченной ответственностью "СПб ГАСУ-ТУДД". - ЕБК OVRFXY.

3. Патент на полезную модель № 111330 Ш Российская Федерация, МПК G08G 1/01. система управления движением на многополосных перекрестках : № 2011113715/11 : заявл. 04.04.2011 : опубл. 10.12.2011 / А. М. Плотников, П. А. Кравченко, Р. М. Архестов, А. В. Андреев ; заявитель Общество с ограниченной ответственностью "СПбГАСУ-ТУДД". - ЕБК SKLQFB.

4. Авторское свидетельство № 1399800 А1 СССР, МПК G08G 1/01. Способ управления движением транспортных потоков на перекрестке : № 4119075 : заявл. 11.09.1986 : опубл. 30.05.1988 / Б. К. Нартов, В. В. Петров, В. С. Соколовский ; заявитель НАУЧНО-ПРОИЗВОДСТВЕННОЕ ОБЪЕДИНЕНИЕ "АВТОМАТИКА". - ЕБК БВЫШ.

5. Патент № 2134453 С1 Российская Федерация, МПК G08G 1/081. Способ нейросетевого координированного управления транспортными потоками в районе регулирования : № 97117398/09 : заявл. 15.10.1997 : опубл. 10.08.1999 / В. Б. Бабанин, Л. Г. Смолянинова, Н. П. Абовский [и др.] ; заявитель Красноярская государственная архитектурно-строительная академия. - ЕБК 1Х1КХЕ.

6. Патент № 2151424 С1 Российская Федерация, МПК G08G 1/07. устройство управления светофорным объектом с ЭВМ с нейропрограммами : № 98124018/09 : заявл. 30.12.1998 : опубл. 20.06.2000 / Н. П. Абовский, В. Б. Бабанин, Л. Г. Смолянинова [и др.] ; заявитель Красноярская государственная архитектурно-строительная академия. - EDN TPYQUY.

7. Патент № 2771975 С1 Российская Федерация, МПК G08G 1/01, G08G 1/08, G08G 1/097. Система и способ управления светофором : № 2021109736 : заявл. 08.04.2021 : опубл. 16.05.2022 / Д. С. Цуркан, Д. В. Стеблевец, К. А. Антонович ; заявитель Общество с ограниченной ответственностью "СПЕЦДОРПРОЕКТ". - EDN OFQJDU.

8. Патент № 2700651 С1 Российская Федерация, МПК G08G 1/095. Способ управления дорожным движением с использованием транспортного светофора : № 2018124221 : заявл. 03.07.2018 : опубл. 18.09.2019 / К. А. Бакун. - EDN WXYKLM.

9. Патент № 2702477 С2 Российская Федерация, МПК G08G 1/08, G08G 1/083. Способ управления дорожным движением и система для его реализации : № 2018108988 : заявл. 14.03.2018 : опубл. 08.10.2019 / А. Д. Жарков, Е. А. Губа, А. Н. Таранов ; заявитель Общество с ограниченной ответственностью "ВойсЛинк" (ООО "ВойсЛинк"). - EDN OCZJST.

10. Патент № 2772622 С2 Российская Федерация, МПК G08G 1/0968. Прогнозирующая система управления дорожным движением : № 2019135916 : заявл. 26.09.2017 : опубл. 23.05.2022 / П. Рой. - EDN KWZNXR.

11. Патент № 2486599 С2 Российская Федерация, МПК G08G 1/08. способ регулирования движения транспортных потоков на перекрестке : № 2011135708/11 : заявл. 23.08.2011 : опубл. 27.06.2013 / А. М. Плотников, П. А. Кравченко, М. А. Плотников ; заявитель Общество с ограниченной ответственностью "СПб ГАСУ-ТУДД". - EDN OVRFXY.

12. Патент № 2419163 С1 Российская Федерация, МПК G08G 1/01. Способ регулирования движения на перекрестке : № 2009139234/11 : заявл. 23.10.2009 : опубл. 20.05.2011 / Е. А. Оленев, С. Е. Оленев. - EDN LAAVЮ.

13. Патент № 2608123 C Российская Федерация, МПК G08G 1/08. способ регулирования движения транспортных средств на перекрестке транспортных магистралей : № 2015124211 : заявл. 22.06.2015 : опубл. 13.01.2017 / Е. А. Оленев ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых" (ВлГУ). - EDN GBIIAX.

14. Патент № 2622182 C Российская Федерация, МПК G08G 1/07. Устройство регулирования движения на перекрестке : № 2016108349 : заявл. 09.03.2016 : опубл. 13.06.2017 / И. Н. Пугачев, А. П. Богачев ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Тихоокеанский государственный университет". - EDN IUTUUG.

15. Дегтярев, С. В. Выделение контуров объектов на изображении операторами Собела и Лапласа на основе нейронной сети / С. В. Дегтярев, В. С. Панищев // Датчики и системы. - 2004. - № 9. - С. 12-14.

16. Бо, Я. Совершенствование метода предварительной обработки звездной карты с использованием оператора Собеля / Я. Бо, К. А. Неусыпин // Автоматизация. Современные технологии. - 2023. - Т. 77, № 7. - С. 308-314. -DOI 10.36652/0869-4931-2023-77-7-308-314.

17. Tian, R., Sun, G., Liu, X., & Zheng, B. (2021). Sobel edge detection based on weighted nuclear norm minimization image denoising. Electronics (Switzerland), 10(6), 1-15. https://doi.org/10.3390/electronics10060655

18. Dokkum, P. G. (2001). Cosmic Ray Rejection by Laplacian Edge Detection. Publications of the Astronomical Society of the Pacific, 113(789), 14201427. https://doi.org/10.1086/323894.

19. Shrivakshan, G. T., & Chandrasekar, C. (2012). A Comparison of various Edge Detection Techniques used in Image Processing. International Journal of Computer Science Issues (IJCSI), 9(5), 269-276.

20. Karthick, C. N., & Nirmala, P. (2023). Smart Edge Detection Technique in X ray Images for Improving PSNR using Canny Edge Detection Algorithm with Gaussian Filter in Comparison with Laplacian Algorithm. CARDIOMETRY, (25), 1744-1750. https ://doi.org/10.18137/cardiometry.2022.25.17441750.

21. Adlakha, D., Adlakha, D., & Tanwar, R. (2016). Analytical Comparison between Sobel and Prewitt Edge Detection Techniques. International Journal of Scientific & Engineering 2790ch, 7(1), 1482-1485.

22. Effendy, V. A., & Maspiyanti, F. (2021). Perbandingan algoritma Canny edge detection dan prewitt pada deteksi stadium diabetik retinopati. Jurnal ilmiah informatika, 9(02), 87-94. https://doi.org/10.33884/jif.v9i02.3762.

23. Harshavardhan, Y., & Anitha, G. (2023). Analysis of Accuracy in Identification of Bone Fracture using Canny Edge and Prewitt Edge Detection Approach. In Proceedings of the 2nd IEEE International Conference on Advances in Computing, Communication and Applied Informatics, ACCAI 2023. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ACCAI58221.2023.10201056.

24. Roberts, L.G. (1965). Machine Perception of Three-Dimensional Solids. In Optical and Electro-Optical Information Processing (pp. 159-197). MIT Press.

25. Gonzales, R.C, & Woods, R. E. (2018). Digital Image Processing Digital Image Fundamental. Radiologic technology. Person.

26. Darwis, D., Fernando, Y., Trisnawati, F., Marzuki, D. H., & Setiawansyah, S. (2023). Comparison of edge detection methods using roberts and laplacian operators on mango leaf objects. barekeng: Jurnal Ilmu Matematika Dan Terapan, 17(3), 1815-1824. https://doi.org/10.30598/barekengvol17iss3pp1815-1824

27. Wanto, A., Rizki, S. D., Andini, S., Surmayanti, S., Ginantra, N. L. W. S. R., & Aspan, H. (2021). Combination of Sobel+Prewitt Edge Detection Method with Roberts+Canny on Passion Flower Image Identification. In Journal of Physics:

Conference Series (Vol. 1933). IOP Publishing Ltd. https://doi.org/10.1088/1742-6596/1933/1/012037

28. Canny, J. (1986). A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-8(6), 679-698. https://doi.org/10.1109/TPAMI.1986.4767851

29. Qin, X. (2021). A modified Canny edge detector based on weighted least squares. Computational Statistics, 36(1), 641-659. https://doi.org/10.1007/s00180-020-01017-8

30. Kumawat, A., & Panda, S. (2022). A robust edge detection algorithm based on feature-based image registration (FBIR) using improved canny with fuzzy logic (ICWFL). Visual Computer, 38(11), 3681-3702. https://doi.org/10.1007/s00371-021-02196-1

31. Wang, Y. (2023). A comparison of canny edge detection algorithm and edge detection algorithm based on fuzzy logic. Applied and Computational Engineering, 4(1), 780-785. https://doi.org/10.54254/2755-2721/4/2023422

32. Бобырь, М. В. Нечётко-логические методы в задаче детектирования границ объектов / М. В. Бобырь, А. Е. Архипов., С. В. Горбачев // Информатика и автоматизация. 2022. Т. 21, № 2. С. 376-404.

33. Бурмистров, А.В. Распознавание объектов на изображениях с исполь-зованием базовых средств языка Python и библиотеки OpenCV // Научное обозре-ние. Технические науки. 2021. № 5. С. 15-19.

34. Засыпкин, Д. С. Обзор алгоритмов распознавания лица человека в библиотеке OpenCV / Д. С. Засыпкин, Ю. С. Белов // E-Scio. - 2021. - № 7(58). - С. 80-89. - EDN CDCOYA.

35. Bradski, G., Kaehler, A. Learning OpenCV - Computer Vision with the OpenCV Library // O'Reilly Media, 2008, С. 120-126.

36. Астапова, М.А. Детектирование дефектов неисправных элементов линий электропередач при помощи нейронных сетей семейства YOLO / М.А. Астапова, М.Ю. Уздяев // Моделирование, оптимизация и информационные технологии. 2021. Т. 9, № 4(35), 16 с. DOI: 10.26102/2310-6018/2021.35.4.035.

37. Прокопенко, В. В. Применения нейросетевой модели YOLO в рамках задачи детектирования эмоций // Наукосфера. 2023. № 5-2. С. 305-311.

38. Скляр, А.Я. Детекция жестов с помощью YOLO / А.Я. Скляр, А.А. Высоцкая, А.А. Горячев // Столыпинский вестник. 2022. Т. 4, № 9. 11 с.

39. Никитин, Д.В. Детектирование дорожных знаков на основе нейросетевой модели YOLO / Д.В. Никитин, И.С. Тараненко, А.В. Катаев // Инженерный вестник Дона. 2023. № 7(103). С. 91-99.

40. Свидетельство о государственной регистрации программы для ЭВМ № 2023612094 Российская Федерация. Оптимизация числа проходов при фильтрации изображений : № 2023611051 : заявл. 25.01.2023 : опубл. 30.01.2023 / М. В. Бобырь, Н. А. Милостная, Н. И. Храпова, А. Е. Архипов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет". - EDN TCBWLE.

41. Kutuzova, M.O., Krutko, D.A. Research On The Architecture Of A Convolutional Neural Network For Image Recognition. Молодежь. Общество. Современная наука, техника и инновации, 2021, No. 20, p. 39-42.

42. Soria X., Riba E., Sappa A. Dense extreme inception network: Towards a robust CNN model for edge detection // IEEE Winter Conference on Applications of Computer Vision. 202. Pp. 1912-1921. doi:10.1109/WACV45572.2020.9093290.

43. Байрамов, А.И. Оценка усталости человека методом анализа фотографий лица с помощью сверточных нейронных сетей / А.И. Байрамов, Т.Р. Фасхутдинов, Д.М. Тимергалин [и др.]. // Электронные библиотеки. 2021. Т. 24, № 4. С. 582-603. https://doi.org/10.26907/1562-5419-2021-24-4-582-603.

44. Васильев, Г.В. Распознавание домашних питомцев с помощью Mask R-CNN, COCO, OpenCV / Г.В. Васильев, А.В. Васильев // Инновации. Наука. Образование. 2020. № 14. С. 564-567.

45. Игнатьев, А. В. Методика автоматической классификации дорог с использованием нейронной сети Mask R-CNN / А. В. Игнатьев, М. А. Куликов,

Д. Н. Цапиев, В. В. Тырин // Инженерный вестник Дона. - 2022. - № 5(89). -

C. 274-283. - EDN HKXDDI.

46. Сербиев, Р. А. Оценка качества распознавания объектов на тепловизионных изображениях с помощью нейронных сетей / Р. А. Сербиев, Д. Г. Березан // Политехнический молодежный журнал. - 2023. - № 4(81). -DOI 10.18698/2541-8009-2023-4-881. - EDN BJSLLP.

47. Винокуров, И. В. Распознавание табличной информации с использованием свёрточных нейронных сетей / И. В. Винокуров // Программные системы: теория и приложения. - 2023. - Т. 14, № 1(56). - С. 330. - DOI 10.25209/2079-3316-2023-14-1-3-30. - EDN UEYQVH.

48. Чуйков, Р.Ю. Обнаружение транспортных средств на изображениях загородных шоссе на основе метода Single shot multibox Detector / Р.Ю. Чуйков, Д.А. Юдин // Научный результат. Информационные технологии. 2017. Т. 2, № 4. С. 50-58. DOI: 10.18413/2518-1092-2017-2-4-50-58.

49. Salim, E. R. Smart Traffic Light System Design Based on Single Shot MultiBox Detector (SSD) and Anylogic Simulation / E. R. Salim, A. B. Pantjawati,

D. Kuswardhana [et al.] // Lecture Notes on Data Engineering and Communications Technologies. - 2021. - Vol. 72. - P. 1075-1085. - DOI 10.1007/978-3-030-70713-2_96. - EDN MWFWGW.

50. Яскеляйнен, Я.С. Разработка системы распознавания пешеходов в режиме реального времени для ее применения в концепции умного города / Я.С. Яскеляйнен, А.А. Хакимов, М.С.А. Мутанна, А.С.А. Мутханна, Р.В. Киричёк // Информационные технологии и телекоммуникации. 2018. Т. 6, № 3. С. 123-136.

51. Лысанов, М.К. Распознавание объектов дорожного движения с помощью глубокой нейронной сети / М.К. Лысанов, С.В. Сай // Информационные технологии XXI века. 2019. С. 263-268.

52. Мамырбаев, О.Ж. Распознавание голоса с использованием x-векторов / О. Ж. Мамырбаев, А. С. Кыдырбекова, Б. Ж. Жумажанов, Д. О. Оралбекова // Вестник Алматинского университета энергетики и связи. - 2021.

- № 1(52). - С. 69-77. - DOI 10.51775/1999-9801_2021_52_1_69. - EDN QALCBP.

53. Паршин, А.И. Случайное мультимодальное глубокое обучение в задаче распознавания изображений / А. И. Паршин, М. Н. Аралов, В. Ф. Барабанов, Н. И. Гребенникова // Вестник Воронежского государственного технического университета. - 2021. - Т. 17, № 4. - С. 21-26. - DOI 10.36622/VSTU.2021.17.4.003. - EDN ZJZMLH.

54. Фролова, Т. А. Прогнозирование электрической нагрузки в интеллектуальной сети с использованием рекуррентной нейронной сети на основе долговременной памяти / Т. А. Фролова, Д. А. Гасанова // Наука и инновационные технологии. - 2022. - № 4(25). - С. 175-187. - DOI 10.33942/sit042223. - EDN ASUQKO.

55. Hossain A., Sun X., Das S., Jafari M., Codjoe J. Investigating older driver crashes on high-speed roadway segments: a hybrid approach with extreme gradient boosting and random parameter model. Transportmetrica A Transport Science, 2024. DOI: 10.1080/23249935.2024.2362362.

56. Бобырь, М.В. О подходе к детектированию движения пешеходов методом гистограмм направленных градиентов / Бобырь М.В., Милостная Н.А., Храпова Н.И. // Электронные библиотеки. 2024. Т. 27, № 4. С. 429-447. DOI: 10.26907/1562-5419-2024-27-4-429-447.

57. Canny, J. A computational approach to edge detection. IEEE Trans Pattern Anal Mach Intell, 1986, № 8(6), p. 679-98. DOI: 10.1109/TPAMI.1986.4767851.

58. Свидетельство о государственной регистрации программы для ЭВМ № 2022660309 Российская Федерация. Программа детектирования границ объектов на основе фильтра Канни : № 2022619688 : заявл. 30.05.2022 : опубл. 01.06.2022 / М. В. Бобырь, Н. А. Милостная, Н. И. Храпова, А. Е. Архипов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». - EDN ZCGBVU.

59. Свидетельство о государственной регистрации программы для ЭВМ № 2022661172 Российская Федерация. Программа обнаружения контуров границ на основе комбинации детектора Канни и нечёткого метода выделения краев объектов : № 2022619682 : заявл. 30.05.2022 : опубл. 16.06.2022 / М. В. Бобырь, Н. А. Милостная, Н. И. Храпова, А. Е. Архипов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». - EDN ABTJDI.

60. Бобырь, М.В. Нечётко-логические методы в задаче детектирования границ объектов / М.В. Бобырь, А.Е. Архипов, С.В. Горбачев, Ц. Цао, С.Б. Бхаттачарья // Информатика и автоматизация. 2022. Т.21,№2. С. 376-404. DOI: 10.15622/ia.21.2.6.

61. Pappis C. P., Mamdani E. H. A fuzzy logic controller for a traffic junction // IEEE Transactions on Systems, Man, and Cybernetics. 1977. Vol. 7, N. 10. P. 707—717. DOI: 10.1109/tsmc.1977.4309605.

62. Chiu S. Adaptive Traffic Signal Control Using Fuzzy Logic // Proceedings of the IEEE Intelligent Vehicles Symposium. 1992. P. 98—107.

63. Niittymaki J. Using Fuzzy Logic to Control Traffic Signals at Multi — Phase Intersections // Conference: Computational Intelligence, Theory and Applications. 1999. DOI: 10.1007/3-540-48774-3_41.

64. Pandey K. K., Yadu R. K., Shukla P. K., Pradhan N. A Case Study for Traffic Signal Control at Four-Way Intersection Road // International Journal of Computer Techniques. 2015. Vol. 2, Iss. 4. P. 54—59.

65. Choudhary A., Keshkar A. G., Kothari P., Gajghate A. Atul Pandey Adaptive control of traffic Grid using Fuzzy Logic // International journal of Electrical, Electronics and Data Communication. Aug 2014. Vol. 2, Iss. 8.

66. Zacharials B., Ayuba P., Damuut L. P. Optimization of Traffic Light Control System of An Intersection using Fuzzy Inference System // Science World Journal. 2017. Vol. 12, N. 4.

67. Prasetiyo E. E., Wahyuggoro O., Sulistyo S. Design and Simulation of Adaptive Traffic Light Controller Using Fuzzy Logic Control Sugeno Method // International Journal of Scientific and Research publications. Vol. 5, Iss. 4, April 2015.

68. Bhatia M. S., Aggarwal A. Congestion Control by Reducing Wait Time at the Traffic Junction using Fuzzy Logic Controller // International Journal of Sensors, Wireless Communications and Control. 2020. N. 10. DOI: 10.2174/2210327910666200226113614.

69. Niittymaki J., Pursula M. Signal Control Using Fuzzy Logic // Fuzzy Sets and Systems. 2000. Vol. 116. P. 11—22.

70. Erdinf G., Colombaroni C., Fusco G. Two-Stage Fuzzy Traffic Congestion Detector // Future Transp. 2023. N. 3. P. 840—857. https://doi.org/10.3390/futuretransp3030047.

71. Jafari S., Shahbazi Z., Byun Y. C. Improving the Road and Traffic Control Prediction Based on Fuzzy Logic Approach in Multiple Intersections // Mathematics. 2022. N. 10. P. 2832. https://doi.org/10.3390/math10162832.

72. Vatchova B., Boneva Y. Design of Fuzzy and Conventional Controllers for Modeling and Simulation of Urban Traffic Light System with Feedback Control // Mathematics. 2023. N. 11. P. 373. https://doi.org/10.3390/math11020373.

73. Azam M. H., Hasan M. H., Hassan S., Abdulkadir S. J. Fuzzy Type-1 Triangular Membership Function Approximation Using Fuzzy C-Means // 2020 International Conference on Computational Intelligence (ICCI). 8—9 October 2020. P. 115—120.

74. Alam J., Pandey M. K. Development of intelligent traffic light system based on congestion estimation using fuzzy logic // IOSR Journal of Computer Engineering (IOSR-JCE). 2014. Vol. 16, Iss. 3. P. 36—44.

75. Yulianto B., Setiono. Traffic Signal Controller for Mixed Traffic Conditions // IOSR Journal of Mechanical and Civil Engineering (IOSR-JMCE). Vol. 4, Iss. 1. 2012. P. 18—26.

76. Komsiyah S., Desvania E. Traffic Lights Analysis and Simulation Using Fuzzy Inference System of Mamdani on Three Signaled Intersections // Procedia Computer Science. 2021. Vol. 179. P. 268—280.

77. Колоденкова, А. Е. Онтология идентификации человека по движениям тела и лицу в видеонаблюдениях // Онтология проектирования. 2023. Т. 13, № 1(47). С. 55-74. DOI: 10.18287/2223-9537-2023-13-1-55-74.

78. Sala, F.A. Design of false color palettes for grayscale reproduction. Displays, 2017, 46, 9-15. https://doi.org/10.1016/j.displa.2016.11.005

79. Милостная, Н.А. Методология синтеза интеллектуальных высокопроизводительных нейро-нечётких систем технического зрения : диссертация на соискание ученой степени доктора технических наук. 2023. 350 с.

80. Abdou, I.E., & Pratt, W.K. Quantitative design and evaluation of enhancement/thresholding edge detectors. Proceedings of the IEEE, 1979, 67(5), 753-763.doi:10.1109/proc.1979.11325

81. Колоденкова, А.Е. Подход к оценке технического состояния электрооборудования с использованием взвешенных нечётких правил / А.Е. Колоденкова, С.С. Верещагина, Е.А. Фаворская, Е.А. Осипова // Онтология проектирования. 2024. Т. 14, № 1(51). С. 134-144.

82. Bobyr, M. Research of the Influence of the Fuzzy Rules Number on the Learning of a Neuro-Fuzzy System / M. Bobyr, N. Milostnaya, N. Khrapova, O. Suprunova // Intelligent Human Centered Computing : Proceedings of HUMAN 2023, Kolkata, India, 01 января - 31 2023 года. - Singapore: Springer Nature Singapore Pte Ltd., 2023. - P. 362-373. - EDN BQDEHW.

83. Спицын, В.Г. Разработка экспертных систем на основе нечетких правил вывода // Методические указания к лабораторным работам, Томск: Изд-во ТПУ, 2011. 33 с.

84. Прокопенко, В. В. Применения нейросетевой модели YOLO в рамках задачи детектирования эмоций // Наукосфера. 2023. № 5-2. С. 305-311.

85. Скляр, А.Я. Детекция жестов с помощью YOLO / А.Я. Скляр, А.А. Высоцкая, А.А. Горячев // Столыпинский вестник. 2022. Т. 4, № 9. 11 с.

86. Никитин, Д.В. Детектирование дорожных знаков на основе нейросетевой модели YOLO / Д.В. Никитин, И.С. Тараненко, А.В. Катаев // Инженерный вестник Дона. 2023. № 7(103). С. 91-99.

87. Свидетельство о государственной регистрации программы для ЭВМ № 2024660940 Российская Федерация. Программа детектирования движения объектов на пешеходном переходе : № 2024619052 : заявл. 25.04.2024 : опубл. 14.05.2024 / М. В. Бобырь, Н. И. Храпова, А. Е. Архипов, Н. А. Милостная ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет". - EDN EHDDER.

88. Бобырь, М.В. Система управления интеллектуальным светофором на основе нечёткой логики / М.В. Бобырь, Н.И. Храпова, М.А. Ламонов // Известия Юго-Западного государствен-ного университета. 2021. Т. 25, № 4. С. 162-176.

89. Свидетельство о государственной регистрации программы для ЭВМ № 2021661796 Российская Федерация. Программа для регулирования светофора на основе нечёткой логики : № 2021660730 : заявл. 08.07.2021 : опубл. 15.07.2021 / М. В. Бобырь, Н. А. Милостная, Н. И. Храпова [и др.] ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». - EDN SMNCYB.

90. Бобырь, М.В. Математическая модель для нового метода Дефаззификации в структуре нечёткого вывода [Текст] / М.В. Бобырь, С.А. Кулабухов // Мехатроника, автоматика и робототехника: сборник научных трудов международной научно-практической конференции. - Новокузнецк, 2018. - С. 218-220.

91. Бобырь, М.В. Дефаззификация вывода из базы нечетких правил на основе метода разности площадей [Текст] / М.В. Бобырь, С.А. Кулабухов //

Вестник компьютерных и информационных технологий. - 2015. - .№9. - С.32-41.

92. Бобырь, М. В. Визуальное программирование метода отношения площадей / М. В. Бобырь, Н. И. Храпова // Известия Юго-Западного государственного университета. - 2024. - Т. 28, № 1. - С. 163-179. - Б01 10.21869/2223-1560-2024-28-1-163-179. - ЕБК БЛЕБЕО.

93. Свидетельство о государственной регистрации программы для ЭВМ № 2022617281 Российская Федерация. Программа на основе нечёткого вывода для управления термоэлементом на основе быстродействующего дефаззификатора отношения площадей. Модификация 1 : № 2022616659 : заявл. 18.04.2022 : опубл. 19.04.2022 / М. В. Бобырь, Н. А. Милостная, Н. И. Храпова, А. Е. Архипов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». - ЕБК 2Б1^иБ.

94. Свидетельство о государственной регистрации программы для ЭВМ № 2022618052 Российская Федерация. Программа на основе нечёткого вывода для управления термоэлементом на основе быстродействующего дефаззификатора отношения площадей. Модификация 2 : № 2022616693 : заявл. 18.04.2022 : опубл. 28.04.2022 / М. В. Бобырь, Н. А. Милостная, Н. И. Храпова, А. Е. Архипов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». - ЕБК МвСУЯи.

95. Бобырь, М. В. Рекурсивный алгоритм закрашивания областей распознанных объектов / М. В. Бобырь, Н. И. Храпова, О. Г. Супрунова, А. А. Дородных // Известия Юго-Западного государственного университета. - 2023. - Т. 27, № 1. - С. 126-139. - Б01 10.21869/2223-1560-2023-27-1-126-139. - ЕБК

клвггу.

96. Храпова, Н.И. Алгоритм закрашивания областей на основе рекурсии // Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений: материалы XVII

Международной научно-технической конференции. - Курск: Юго-Западный государственный университет, 2023. - С. 235-237.

97. Свидетельство о государственной регистрации программы для ЭВМ № 2023612631 Российская Федерация. Программа для заливки распознанной метки : № 2023610839 : заявл. 23.01.2023 : опубл. 06.02.2023 / М. В. Бобырь, Н. И. Храпова, О. Г. Супрунова ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет".

98. Свидетельство о государственной регистрации программы для ЭВМ № 2024662790 Российская Федерация. Программа детектирования объектов на пешеходном переходе и определения времени задержки управляющих сигналов светофора : № 2024661177 : заявл. 20.05.2024 : опубл. 30.05.2024 / М. В. Бобырь, Н. И. Храпова ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет".

99. Тихонов, М. Р. Сравнительный анализ функций принадлежности для задач обнаружения предвестников отказов / М. Р. Тихонов, Р. Р. Тихонов, М. В. Акуленок // XXI век: итоги прошлого и проблемы настоящего плюс. - 2022. - Т. 11, № 4(60). - С. 38-41. - DOI 10.46548/2^-2022-1160-0005. - EDN HMTWAL.

100. Бобырь, М. В. Построение интеллектуальных функций принадлежности и реализация нечётко-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 10.21869/2223-1560-2024-28-2-166-183. - EDN TQDHKU.

101. Виноградов, Г. П. Формирование представлений агента о предметной области в ситуации выбора / Г. П. Виноградов, Г. П. Шматов, Д. А. Борзов // Программные продукты и системы. - 2015. - № 2. - С. 83-94. -EDN UCRATB.

102. Патент №2827781 С1 Российская Федерация, МПК G08G 1/01, G08G 1/08. Устройство управления светофором на основе нечёткой логики:

№2023101536 заявл. 25.01.2023: опубл. 25.07.2024 / М.В. Бобырь, Н.И. Храпова ; заявитель: Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет».

103. Смирнов, А. А. Применение нечёткой логики при формировании знаний // Инновационная наука. 2016. № 3-2. С. 184-186.

104. Храпова, Н. И. Использование нечёткой логики в задачах распознавания образов // Исторические, философские, методологические проблемы современной науки : Сборник статей 6-й Международной научной конференции молодых ученых, Курск, 19 мая 2023 года / Редколлегия: И.А. Асеева (отв. ред.) [и др.]. - Курск: Юго-Западный государственный университет, 2023. - С. 320-324. - EDN CJKDTC.

105. Киселёва, Э.А. Обзор нечёткой логики в управлении / Э.А. Киселёва, А.А. Краева, Ю.С. Савинова // Integral: Международный журнал прикладных наук и технологий. 2019. Т. 3.

106. Бобырь, М.В. Двухуровневая информационно-аналитическая система управления интеллектуальным светофором / М.В. Бобырь, Н.И. Храпова // Электронные библиотеки. -2024. -Т. 27, №5. -18 с.

107. Бобырь, М.В. Информационно-аналитическая система детектирования движения объектов на пешеходном переходе / М.В. Бобырь, Н.И. Храпова // Онтология проектирования. 2024. Т.14, №4. С.117-128.

108. Храпова, Н.И. Структура информационно-аналитической системы для регулирования движения городского потока на перекрёстке // Интеллектуальные информационные системы: тенденции, проблемы, перспективы (ИИС - 2024): материалы X Всероссийской научно-практической конференции, Курск, 25-26 сентября 2024 года. - Курск: Юго-Западный государственный университет, 2024. - С. 100-102.

109. Храпова, Н.И. Концептуальная схема управления интеллектуальным светофором для модели «Умный город» // Программная инженерия: современные тенденции развития и применения (ПИ-2023):

материалы VII-й Всероссийской научно-практической конференции. - Курск: Юго-западный государственный университет, 2023. - С. 122-124.

110. Золкин, А.Л. Тезисы к вопросу методологии программного обеспечения применения технологии нейросетевого аппарата распознавания / А. Л. Золкин, В. С. Тормозов, Ю. В. Гуменникова, И. В. Степина // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. - 2022. - № 4. - С. 129-136. - DOI 10.18137/RNU.V9187.22.04.P. 129. - EDN TBTEYC.

111. Pauly, L. Non Intrusive Eye Blink Detection from Low Resolution Images Using HOG-SVM Classifier / L. Pauly, D. Sankar // International Journal of Image, Graphics and Signal Processing. - 2016. - Vol. 8, No. 10. - P. 11-18. - DOI 10.5815/ijigsp.2016.10.02. - EDN LAVNUR.

112. Rahman, M., Wart Treatment Decision Sup-port Using Support Vector Machine / Yu. Zhou, Sh. Wang, Ja. Rogers // International Journal of Intelligent Systems and Applications. 2020. Vol. 12, No. 1. P. 1-11. https://doi.org/10.5815/ijisa.2020.01.01.

113. Присухина, И.В. Машинная классификация режима работы электрической рельсовой цепи методом опорных векторов / И.В. Присухина, Д.В. Борисенко // Омский научный вестник. 2018. Т. 162, №6. С. 126-130. https://doi.org/10.25206/1813-8225-2018-162-126-130.

114. Свидетельство о государственной регистрации программы для ЭВМ № 2022681075 Российская Федерация. Программа для определения расстояния от видеокамеры до распознаваемого объекта : № 2022680405 : заявл. 01.11.2022 : опубл. 09.11.2022 / М. В. Бобырь, А. А. Дородных, А. П. Белозеров, Н. И. Храпова ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». - EDN UIAZFZ.

115. Свидетельство о государственной регистрации программы для ЭВМ № 2022660350 Российская Федерация. Программа нечётко-логического детектирования выделения границ на изображении : № 2022619650 : заявл.

30.05.2022 : опубл. 02.06.2022 / М. В. Бобырь, Н. А. Милостная, Н. И. Храпова, А. Е. Архипов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». - EDN QJXBTP.

116. Кочегуров, А. И. Модифицированная оценка Прэтта-Яскорского в обобщенном показателе качества алгоритмов контурного детектирования / А. И. Кочегуров, Д. В. Дубинин, В. Герингер // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2021. - Т. 332, №2 9. - С. 168-177. - EDN XIYROY.

117. Geringer, V. The results of a complex analysis of the modified pratt-yaskorskiy performance metrics based on the two-dimensional markov-renewal-process / V. Geringer, D. Dubinin, A. Kochegurov // Lecture Notes in Computer Science. - 2016. - Vol. 9875. - P. 187-196. - DOI 10.1007/978-3-319-45243-2_17. - EDN XFPNPD.

118. Дербишер, Е.В. Оценка класса опасности намечаемых к промышленному использованию веществ с помощью евклидова расстояния / Е. В. Дербишер, В. Е. Дербишер, Н. В. Веденина, И. В. Гермашев // Химическая промышленность сегодня. - 2007. - № 6. - С. 32-38. - EDN KXDNIH.

119. Савчук, Т. А. Определение евклидового расстояния между чрезвычайными ситуациями на железнодорожном транспорте при кластерном анализе / Т. А. Савчук, С. И. Петришин // Научные труды Винницкого национального технического университета. - 2010. - № 3. - С. 6. - EDN PZVDOB.

120. Горбунова, О. А. Оптимизация евклидова расстояния рассогласования при оценивании межкадровых геометрических деформаций изображений / О. А. Горбунова, Г. Л. Сафина, С. В. Воронов // DSPA: Вопросы применения цифровой обработки сигналов. - 2011. - Т. 1, № 3. - С. 115-119. -EDN XYDXAB.