Файл: Издательский центр сфера Всероссийская научнопрактическая конференция грань науки 2022.pdf

Всероссийская научно-практическая конференция «ГРАНЬ НАУКИ 2022»
305 рамках школьной программы почти
2/3 семиклассников специализированного класса, в котором преподаются предметы, помогающие сформировать патриотические качества у личности не усвоили государственные символы своей страны.
Таким образом, на начальном этапе исследовательской работы в ходе анкетирования обучающихся 7 «К» класса МОУ «СОШ № 39 имени А.С.
Ловенецкого г. Вологды» нами были выявлены исходный уровень сформированности патриотических качеств обучающихся, что в дальнейшем позволит разработать рекомендации для педагогов и родителей по дальнейшему повышению патриотических качеств у детей, а также разработать специальную психолого-педагогическую программу для 7-х классов, направленную на формирование и повышение патриотических качеств обучающихся подросткового возраста. В качестве дальнейших перспектив нашей исследовательской работы можно выделить апробацию разработанной программы и составление практических рекомендаций по формированию патриотических качеств у подростков для субъектов образовательного процесса на основе анализа полученных эмпирических данных.
Список литературы:
1.
Удовиченко, Е.М. К вопросу о понятии патриотизма и его проявления // Воспитание гражданственности и патриотизма студенческой молодежи в условиях обновленной России: Сб. статей региональной научно- практической конференции, под ред. О.В. Лешер, Л.В. Голиковой./ Е.М.
Удовиченко.- Магнитогорск: МГТУ, 2005.-113с.
2.
Федеральный закон от 29.12.2012 N 273-ФЗ "Об образовании в
Российской Федерации"//www.consultant.ru.

Всероссийская научно-практическая конференция «ГРАНЬ НАУКИ 2022»
306
УДК 004.932.2
СОЗДАНИЕ ПРОГРАММЫ ДЛЯ ОПРЕДЕЛЕНИЯ РАЗМЕРОВ
НАНОЧАСТИЦ НА ИЗОБРАЖЕНИИ
Соловьев Е.А.
Студент 1-го курса магистратуры
Казанский национальный исследовательский технический университет
им. А.Н. Туполева – КАИ
Султанов Т.П.
Студент 1-го курса магистратуры
Казанский национальный исследовательский технический университет
им. А.Н. Туполева – КАИ
Кузнецов Д. И.
к. т. н., доцент кафедры КиТПЭС
Казанский национальный исследовательский технический университет
им. А.Н. Туполева – КАИ
Аннотация: Данная работа рассматривает алгоритм определения размера наночастиц на растровом изображении электронного микроскопа.
Множество алгоритмов было проанализировано и среди них выбран наиболее оптимальный по критериям точности определения и доступности использования.
Ключевые слова: искусственный интеллект, растровое изображение, наноразмерные частицы, электронная микроскопия, наночастицы.
В последние десятилетия появилась острая необходимость в методах, способных ускорить и улучшить анализ микроскопических экспериментов.
Методы анализа изображений могут автоматически предоставлять количественную информацию, необходимую для понимания процессов в нанотехнологиях. На данный момент существует множество пакетов программ, с открытым исходным кодом, с помощью которых можно осуществить анализ микроскопических изображений. В качестве примера можно привести FIJI, Ilastik и CellProler. Более того, существуют современные библиотеки, реализующие готовые алгоритмы компьютерного зрения, такие как OpenCV. Естественный путь к разработке методов, обладающих гибкостью, необходимой для адаптации к невиданным сценариям с помощью конечного пользователя, является использование методов машинного обучения. Методы, основанные на обучении, в сочетании с компьютерным зрением, имеют возможность учиться у конечного пользователя, как выполнять конкретные задачи на изображениях, запрашивая только входные данные, относящиеся к их области знаний; при

Всероссийская научно-практическая конференция «ГРАНЬ НАУКИ 2022»
307 этом они являются точными и надежными, когда требуется количественная информация. Поэтому ожидается, что роль машинного обучения в рамках анализа микроскопических изображений будет продолжать расти и станет незаменимой [1].
Для компьютерного анализа элементов растрового микроскопа используют группу методов, включающих в себя сегментацию и последующее детектирование, заключается она в разделении изображения на отдельные части (найденные элементы). Некоторые из проблем, общих для задачи обнаружения и сегментации, включают исчезающие границы, низкое отношение сигнал/шум, наличие артефактов изображения (обычно в зависимости от модальности микроскопии), окклюзии, наличия объектов, похожих по внешнему виду на интересующие, а также изменчивости формы, размера и интенсивности объектов на одних и тех же изображениях [2].
Основные методы обнаружения/сегментации элементов могут быть сгруппирована в четыре категории:
1) методы, основанные на пороговом значении интенсивности и засеянных водоразделах;
2) методы, основанные на активных контурах;
3) методы, основанные на детекторах капель или других методах обнаружения локальных минимумы или максимумы;
4) методы, основанные на статистическом моделировании или машинном обучении.
Метод на основе пороговых значений интенсивности является наиболее простым алгоритмом для сегментации элементов изображения.
Используется в тех случаях, когда интересующие объекты имеют более высокую интенсивность, чем остальная часть изображения. Недостаток данного алгоритма заключается в том, что при близком расположении элементов на изображении они распознаются как один, т.е. произойдет слияние. Также перед сканированием требуется предварительная обработка изображения [3].
Метод на основе активных контуров. Причина не только в том, что активные контуры позволяют эффективно использовать градиент интенсивности или информацию о регионе с наложенными ограничениями
(например, гладкими формами), но активные контуры могут быть легко расширены до алгоритма слежения от кадра к кадру. В рамках данного алгоритма можно работать с низкоконтрастными границами (например, выцветающими границами или скоплением элементов) в сочетании с процессом улучшения краев, основанным на локальном среднем отклонении интенсивности. Однако требуется ручная обработка контуров. Для сегментации клеток в рамках системы наборов уровней были предложены различные модели, такие как распределение Гаусса, или модели формы.
Алгоритм для сегментации клеток, который использует не более четырех наборов уровней с ограничениями на связь; соседние клетки сегментируются с разными наборами уровней на основе теоремы о четырех

Всероссийская научно-практическая конференция «ГРАНЬ НАУКИ 2022»
308 цветах которая гласит, что любой планарный граф может быть раскрашен не более чем четырьмя цветами так, чтобы что ни одной соседней вершине не был бы присвоен один и тот же цвет [4].
Метод на основе детектирования областей. Часто удобно моделировать объекты на микроскопических изображениях как области локальных минимумов или максимумов, поэтому для задачи обнаружения объектов в микроскопии применяются обычные детекторы блобов (детектирование областей, отличающихся по яркости, цвету). Популярным детектором блобов для такой задачи является лапласиан Гаусса, предварительно кластеры были разделены с помощью дополнительного шага оптимизации граф-срезов на основе альфа-расширения вдоль контура.
Есть и недостаток у данного метода: найденные области могут перекрываться, что решается путем выбора области с наибольшей силой градиента интенсивности. Детекторы пятен не способны охватить сложные модели. Тем не менее, они могут создавать полезные наборы регионов- кандидатов, которые в дальнейшем могут быть оценены с помощью более сложных статистических моделей [5].
Проект состоит из 2 модулей:
1)
Модуль app, выполняющий обработку изображения, выделение контуров и сохранение контуров для отображения.
2)
Модуль gui, отвечающий за пользовательский интерфейс.
Код модуля app состоит из:
1) глобального массива данных о параметрах для обработки изображений в зависимости от их уровня контраста;
2) класса App, принимающего в конструктор (метод «__init__») ссылку на изображение; степень его контраста; минимальную распознаваемую площадь контура, а также несколько внутренних свойств класса (массив для записи контуров; именованный кортеж, хранящий информацию о размерах найденного контура; метод, вычисляющий последовательность определения контуров).
Модуль gui отрисовывает пользовательский интерфейс, включающий два окна и индикатор загрузки приложения:
•
Приветствующее окно.
•
Окно, отображающее найденные контуры на изображении и их линейные размеры справа.
Приложение было протестировано на изображениях с различным уровнем контраста, результаты представлены на рис. 1:

Всероссийская научно-практическая конференция «ГРАНЬ НАУКИ 2022»
309
(а)
(б)
Рисунок 1. Примеры работы алгоритма на изображениях различного уровня контраста.
Данное приложение может определять наноразмерные объекты на растровых изображениях электронного микроскопа с различным уровнем контраста и при разных размерах объектов. Алгоритм распознавания получился довольно точным и при верном выставлении уровня контраста кластеры из наночастиц определяются в большинстве случаев.

Всероссийская научно-практическая конференция «ГРАНЬ НАУКИ 2022»
310

Всероссийская научно-практическая конференция «ГРАНЬ НАУКИ 2022»
311 нестабильности параметров используемого топлива. Проведен анализ факторов, влияющих на технико-экономические показатели процесса.
Разработан алгоритм расчета количества подсветочного газа, обеспечивающего оптимальный режим работы оборудования и минимальные затраты на топливо.
Ключевые слова: математическая модель, технико-экономическая эффективность.
Важной составляющей конкурентоспособности генерирующих компаний является стоимость кВт
⋅ч энергии, существенный вклад в которую вносит стоимость используемого топлива [1]. При проектировании паровых котлов учитывается не только вид используемого топлива, но и характеристики его состава, определяемые месторождением.
Основными показателями качества исходного угля в соответствии с
ГОСТ 33503-2015, ГОСТ 55660-3013 и ГОСТ Р 55661-2013 являются калорийность, зольность, выход летучих и влажность. При этом фактическая калорийность зависит от вида угля, месторождения, зольности и выхода летучих. Выход летучих, влажность, зольность и гранулометрический состав определяют технологические свойства угля – его способность непрерывно гореть и обеспечивать заданную температуру горения, калорийность определяет теплотворную способность топлива и экономическую эффективность его использования.
В последнее время качество угля существенно снизилось, кроме того, несмотря на то, что основной объем сырья приходит из одного и того же месторождения, его объемов может не хватать для обеспечения заданной производительности станции, поэтому используются и угли из других месторождений, отличающиеся по своим характеристикам. Это требует изменения технологических режимов работы энергоблоков.
Для обеспечения непрерывного горения угля с низкими показателями качества используют некоторое количество природного газа (или мазута), называемого подсветочным топливом. Это позволяет обеспечить нормальное протекание технологического процесса и создает условия (требуемый диапазон рабочих температур) для жидкого шлакоудаления. Однако, стоимость природного газа значительно выше, чем угля, поэтому задача снижения доли природного газа в объеме потребляемого топлива является актуальной.
Котельные агрегаты ТПП-110, ТПП-210 с жидким шлакоудалением рассчитаны на сжигание угля с определенной калорийностью, зольностью и влажностью, при которых требуется минимальное количество газовой подсветки. Фактически поступающее на станцию топливо имеет значительно более низкую калорийность, что требует использования большего количества газа и приводит к росту затрат. Для обеспечения оптимального, с точки зрения технико-экономических показателей, режима работы котла