\documentclass[a4paper,12pt]{article} \usepackage[T2A]{fontenc} \usepackage[utf8]{inputenc} \usepackage[russian]{babel} \usepackage{amsmath,amsfonts,amssymb} \usepackage{graphicx} \usepackage{geometry} \geometry{left=25mm, right=15mm, top=20mm, bottom=20mm} \usepackage{indentfirst} \setlength{\parindent}{1.25cm} \begin{document} \title{VisionProcessor: концепция гибридной системы распознавания объектов} \author{Климук Д.И.} \date{2026 г.} \maketitle \section*{Аннотация} VisionProcessor — это открытый инструмент для обработки изображений и распознавания объектов, который сочетает в себе детерминированные алгоритмы и нейросетевые подходы. Проект ориентирован на работу в закрытых контурах, на ограниченном железе и в условиях, где важны предсказуемость и минимальное потребление ресурсов. \section{Проблематика} Существующие системы распознавания объектов часто требуют больших вычислительных мощностей, интернета или сложных фреймворков. Многие из них представляют собой «чёрные ящики», непрозрачные для инженера. При этом в ряде задач (распознавание номеров, дефектов, маркировки) детерминированные методы могут дать сопоставимую точность при значительно меньших затратах ресурсов. \section{Цель проекта} Создать кроссплатформенное приложение, которое: \begin{itemize} \item позволяет пользователю выбирать метод распознавания (детерминированный, нейросетевой или гибридный); \item даёт возможность сравнивать методы по времени и точности; \item работает полностью офлайн; \item может быть адаптировано для встраиваемых систем (дроны, беспилотный транспорт). \end{itemize} \section{Методологическая основа} \subsection{Детерминированный метод} Используется классический конвейер: \begin{enumerate} \item Бинаризация изображения (пороговая или адаптивная). \item Выделение объектов с помощью ABC-маски (однопроходный алгоритм). \item Вычисление признаков (площадь, координаты, компактность). \item Классификация по правилам (на основе этих признаков). \end{enumerate} \subsection{Нейросетевой метод} Используется двухслойный перцептрон (10–20–1), обученный на признаках объектов. Метод обучения — обратное распространение ошибки (реализовано на NumPy, без внешних фреймворков). Для встраиваемых систем предусмотрен экспорт модели в ExecuTorch. \subsection{Гибридный метод} Сначала применяется детерминированный метод. Если уверенность в результате низкая (например, вероятность < 0.7), запускается нейросеть. Это позволяет экономить ресурсы на простых примерах и использовать нейросеть только в сложных случаях. \section{Архитектура} Приложение строится по модульному принципу: \begin{itemize} \item \textbf{Ядро (Core)} — реализует алгоритмы обработки и распознавания (Python + C++ для критичных участков). \item \textbf{Интерфейс (GUI)} — PySide6, обеспечивает загрузку, выбор метода, визуализацию и экспорт. \item \textbf{Модуль сравнения} — сохраняет результаты работы разных методов и отображает их в виде таблиц и графиков. \end{itemize} \section{Ограничения и требования} \begin{itemize} \item Работа без интернета. \item Поддержка Windows 10/11, Linux (Ubuntu 22.04+). \item Минимальное потребление памяти (≤ 4 ГБ для 4K-изображений). \item Время обработки одного Full HD-изображения — не более 10 секунд (на CPU среднего класса). \item Открытый исходный код (лицензия MIT). \end{itemize} \section{Этапы разработки} \begin{enumerate} \item Разработка ядра (детерминированный метод). \item Разработка GUI. \item Интеграция нейросетевого модуля (PyTorch / ExecuTorch). \item Вкладка сравнения методов. \item Тестирование и отладка. \item Документация и публикация. \end{enumerate} \section{Заключение} VisionProcessor — это не просто инструмент, а платформа для экспериментов с методами распознавания. Он даёт инженеру возможность выбрать подход под конкретную задачу, сравнить их и принять взвешенное решение. Проект открыт для обсуждения, доработок и совместного развития. \end{document}