Программные системы: теория и приложения

Рассматривается класс неоднородных дискретных систем (НДС) с промежуточными критериями. Такие системы являются двухуровневыми и распространены на практике, а также получаются при дискретизации непрерывных систем в процессе решения задач оптимизации итерационными методами. Для указанного класса на основе аналога достаточных условий оптимальности Кротова строится метод сильного улучшения второго порядка.Авторы статьи ставят под сомнение утверждение, что для классических дискретных управляемых систем, а также и для неоднородных, нет смысла вводить понятие сильного относительного минимума. Поэтому при построении метода улучшения ими выдвинуто требование близости соседних приближений из класса допустимых только по состояниям процесса на обоих уровнях. Полученный метод содержит векторно-матричную двухуровневую систему для сопряженных переменных. Приращение управлений на каждом из уровней линейно зависит от соответствующих состояний, что позволяет найти решение в форме приближенного линейного синтеза оптимального управления.Проведена апробация метода на двух иллюстративных примерах, показавшая его работоспособность. Применение разработанного метода к более сложному примеру позволило получить меньшее значение функционала, чем найденное ранее аналогичным по структуре методом минимаксного улучшения.

В настоящей статье представлено исследование, направленное на разработку нейросетевого метода обнаружения здоровых и больных областей листьев растений по их изображениям с вычислением соотношения их площадей. В качестве нейросетевой модели использовалась базовая сеть архитектуры FPN с энкодером в виде архитектуры ResNet-34. Для обучения ИНС в качестве меток использовались бинарные маски целевых областей листьев растений, которые были получены программным путём без ручной разметки. Благодаря этому удалось достичь разумного компромисса между ресурсами, необходимыми для создания масок, и их точностью. При обучении нейросетевой модели была достигнута точность в 96.5% и 78.9% по метрике F1 для определения здоровых и больных областей соответственно. Далее был произведён инференс модели, в результате которого был рассчитан индекс «здоровья» для каждого из исследуемых изображений листьев. В контексте решаемых задач, индекс «здоровья» представляет собой разность между процентами долями здоровой и больной областей, который может быть использован при оценке тяжести заболевания, а также при мониторинге динамики развития болезни как индикатор эффективности используемых препаратов или методов ухода. Научная новизна представленного исследования заключается в создании метода автоматического определения соотношения площадей здоровых и больных участков листьев, который сочетает современные технологии компьютерного зрения, машинного обучения и практическую применимость для агрономии и растениеводства.