Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений

Лохвицкий Владимир Александрович; Яковлев Евгений Леонидович; Бушев Илья Владимирович

doi:10.20295/2413-2527-2025-444-89-98

УДК

656.073

ВАК

1.2.1 1.2.2 2.3.1

ПРАКТИЧЕСКОЕ СРАВНЕНИЕ МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ И ГЛУБОКОГО ОБУЧЕНИЯ В ЗАДАЧЕ БИНАРНОЙ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений

АА Аа

Опубликовано в Интеллектуальные технологии на транспорте (сетевой электронный научный журнал), Intellectual Technologies on Transport · Страницы 89–98 · Рубрика: МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И СИСТЕМНЫЙ АНАЛИЗ

DOI: https://doi.org/10.20295/2413-2527-2025-444-89-98 · EDN: RLQION

Получено: 20.11.2025 Одобрено: 25.11.2025 Опубликовано: 15.12.2025

Авторы

ЛО

Лохвицкий Владимир Александрович

ЯК

Яковлев Евгений Леонидович

БУ

Бушев Илья Владимирович

ЛО

Лохвицкий Владимир Александрович

Ученая степень: доктор технических наук

Военно-космическая академия имени А. Ф. Можайского Доцент · Кафедра математического и программного обеспечения специальных космических комплексов · Россия · Санкт-Петербург

ЯК

Яковлев Евгений Леонидович

Ученая степень: кандидат технических наук

БУ

Бушев Илья Владимирович

Военно-космическая академия имени А. Ф. Можайского Россия · Санкт-Петербург

АННОТАЦИЯ

Задачи бинарной классификации изображений широко применяются в инженерных и производственных системах, включая автоматизированный контроль, техническое зрение и мониторинг объектов. При усложнении условий съемки и увеличении объемов данных возникает необходимость сравнения классических алгоритмов компьютерного зрения и нейросетевых методов глубокого обучения с целью выбора оптимального. Цель: провести практическое сравнение эффективности классического алгоритма обработки изображений и нейросетевой модели YOLO при решении задачи бинарной классификации. Методы: традиционная обработка изображений на основе пороговой фильтрации, морфологических операций и анализа геометрических признаков, а также модель детекции YOLO, обученная на размеченной выборке. Результаты: классический алгоритм показал высокую скорость обработки и достаточную точность при стабильном освещении, однако продемонстрировал значительное падение качества при изменении условий съемки. Модель YOLO обеспечила более высокие показатели точности, устойчивость к фотометрическим и геометрическим вариациям, а также стабильную работу при наличии дополнительных шумов. Практическая значимость: результаты могут быть использованы при проектировании систем компьютерного зрения, выборе оптимального алгоритма под конкретные условия эксплуатации, а также создании гибридных систем, объединяющих преимущества классических и нейросетевых методов. Обсуждение: исследование подтверждает, что классические методы эффективно работают в условиях ограниченных ресурсов, но чувствительны к внешним факторам. Нейросетевые подходы, напротив, обеспечивают высокую обобщающую способность и устойчивость, что делает их предпочтительными при нестабильных условиях съемки. Новизна работы заключается в сравнении методов в идентичных условиях обработки с акцентом на практические показатели, что позволяет объективно оценить область применения каждого подхода.

КЛЮЧЕВЫЕ СЛОВА

компьютерное зрение, глубокое обучение, YOLO, бинарная классификация, анализ изображений, обработка изображений, нейросетевые методы

1. Сеничев А. В., Новикова А. И., Васильев П. В. Сравнение глубокого обучения с традиционными методами компьютерного зрения в задачах идентификации дефектов // Молодой исследователь Дона. 2020. № 4 (25). С. 64–67. EDN: https://elibrary.ru/TKXORB

2. Полковникова Н. А. Исследование методов и алгоритмов компьютерного зрения на основе сверточных и рекуррентных нейронных сетей // Эксплуатация морского транспорта. 2020. № 3 (96). С. 154–168. DOI:https://doi.org/10.34046/aumsuomt96/21. EDN: https://elibrary.ru/TQLDDM

3. Саксонов П. В., Бауман А. А. Обзор методов машинного обучения // Современные тенденции и инновации в науке и производстве: материалы XII Международной научно-практической конференции (Междуреченск, Россия, 26 апреля 2023 г.). Междуреченск: Кузбасский гос. технический ун-т им. Т. Ф. Горбачева, 2023. С. 444-1–444-6. EDN: https://elibrary.ru/OVBWRJ

4. Гонсалес Р. С., Вудс Р. Е. Цифровая обработка изображений = Digital Image Processing. Third Edition / пер. с англ. Л. И. Рубанова и П. А. Чочиа. 3-е изд., испр. и доп. М.: Техносфера, 2012. 1104 с. EDN: https://elibrary.ru/TIKLUW

5. Сеничев А. В., Новиков С. С. Методы компьютерного зрения и их применение в анализе изображений. М.: ИПРАН РАН, 2020. 142 с.

6. Bradski G., Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. Sebastopol (CA): O’Reilly Media, 2008. 575 p.

7. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // ArXiv. 2018. Vol. 1804.02767. 6 p. DOI:https://doi.org/10.48550/arXiv.1804.02767.

8. Caballar R. D., Stryker C. What is Computer Vision? URL: http://www.ibm.com/think/topics/computer-vision (дата обращения: 07.11.2025).

9. Patel M. The Complete Guide to Image Preprocessing Techniques in Python. URL: http://readmedium.com/the-complete-guide-to-image-preprocessing-techniques-in-python-dca30804550c (дата обращения: 07.11.2025).

10. Thresholding (Image Processing) // Wikipedia. Last update 12 November 2025. URL: http://en.wikipedia.org/wiki/Thresholding_(image_processing) (дата обращения: 16.11.2025).

11. Mathematical Morphology // Wikipedia. Last update 08 November 2025. URL: http://en.wikipedia.org/wiki/Mathematical_morphology (дата обращения: 16.11.2025).

12. Bradski G. The OpenCV Library // Dr. Dobb’s Journal Software Tools. 2000. Vol. 25, Iss. 11. Pp. 120–125. EDN: https://elibrary.ru/EOYXGL

13. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa [et al.] // Advances in Neural Information Processing Systems 32: Proceeding of the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), (Vancouver, Canada, 08–14 December 2019). NeurIPS Foundation, 2019. Pp. 8024–8035.

14. Hunter J. D. Matplotlib: A 2D Graphics Environment // Computing in Science and Engineering. 2007. Vol. 9, Iss. 3. Pp. 90–95. DOI:https://doi.org/10.1109/MCSE.2007.55.

15. Turay T., Vladimirova T. Toward Performing Image Classification and Object Detection with Convolutional Neural Networks in Autonomous Driving Systems: A Survey // IEEE Access. 2022. Vol. 10. Pp. 14076–14119. DOI:https://doi.org/10.1109/ACCESS.2022.3147495. EDN: https://elibrary.ru/NWOBGS

16. Powers D. M. W. Evaluation: From Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation // Journal of Machine Learning Technologies. 2011. Vol. 2, Iss.1. Pp. 37–63.

17. Клетте Р. Компьютерное зрение. Теория и алгоритмы = Concise Computer Vision. An Introduction into Theory and Algorithms / пер. с англ. А. А. Слинкина. М.: ДМК Пресс, 2019. 506 с.

ГОСТ

Лохвицкий В. А., Яковлев Е. Л., Бушев И. В. Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений // . 2025. С. 89-98. DOI: https://doi.org/10.20295/2413-2527-2025-444-89-98. EDN: RLQION. (дата обращения: 19.08.2026).

MLA

Лохвицкий Владимир Александрович, Яковлев Е. Л., Бушев И. В.. "Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений." (2025): 89-98. DOI: https://doi.org/10.20295/2413-2527-2025-444-89-98. EDN: RLQION.

APA

Лохвицкий В. А., Яковлев Е. Л., Бушев И. В. (2025). Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений. , 89-98. https://doi.org/10.20295/2413-2527-2025-444-89-98 EDN: RLQION.

Chicago

Лохвицкий Владимир Александрович, Яковлев Е. Л., Бушев И. В.. "Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений." , no. (2025): 89-98. https://doi.org/10.20295/2413-2527-2025-444-89-98. EDN: RLQION.

WIKI

{{cite journal | author = Лохвицкий В. А., Яковлев Е. Л., Бушев И. В. | title = Практическое сравнение методов компьютерного зрения и глубокого обучения в задаче бинарной классификации изображений | journal = | year = 2025 | pages = 89-98 | doi = 10.20295/2413-2527-2025-444-89-98 }} EDN: RLQION

Скопировать

Экспорт: BibTeX EndNote RefMan RusMARC

Подтверждение