Издательство СО РАН

Издательство СО РАН

Адрес Издательства СО РАН: Россия, 630090, а/я 187
Новосибирск, Морской пр., 2

soran2.gif

Baner_Nauka_Sibiri.jpg


Яндекс.Метрика

Array
(
    [SESS_AUTH] => Array
        (
            [POLICY] => Array
                (
                    [SESSION_TIMEOUT] => 24
                    [SESSION_IP_MASK] => 0.0.0.0
                    [MAX_STORE_NUM] => 10
                    [STORE_IP_MASK] => 0.0.0.0
                    [STORE_TIMEOUT] => 525600
                    [CHECKWORD_TIMEOUT] => 525600
                    [PASSWORD_LENGTH] => 6
                    [PASSWORD_UPPERCASE] => N
                    [PASSWORD_LOWERCASE] => N
                    [PASSWORD_DIGITS] => N
                    [PASSWORD_PUNCTUATION] => N
                    [LOGIN_ATTEMPTS] => 0
                    [PASSWORD_REQUIREMENTS] => Пароль должен быть не менее 6 символов длиной.
                )

        )

    [SESS_IP] => 54.158.138.161
    [SESS_TIME] => 1711718214
    [BX_SESSION_SIGN] => 9b3eeb12a31176bf2731c6c072271eb6
    [fixed_session_id] => 0946df297e7dc3311f9df5b7be8c01e9
    [UNIQUE_KEY] => 9d1a1079e1e64832b7503686a8fd60a0
    [BX_LOGIN_NEED_CAPTCHA_LOGIN] => Array
        (
            [LOGIN] => 
            [POLICY_ATTEMPTS] => 0
        )

)

Поиск по журналу

Автометрия

2018 год, номер 5

МОНИТОРИНГ РЕЖИМОВ ГОРЕНИЯ НА ОСНОВЕ РЕГИСТРАЦИИ ИЗОБРАЖЕНИЙ ПЛАМЕНИ И МАШИННОГО ОБУЧЕНИЯ

С.С. Абдуракипов1,2, О.А. Гобызов1,2, М.П. Токарев1,2, В.М. Дулин1,2
1Институт теплофизики им. С. С. Кутателадзе СО РАН, 630090, г. Новосибирск, просп. Академика Лаврентьева, 1
s.s.abdurakipov@gmail.com
2Новосибирский государственный университет, 630090, г. Новосибирск, Пирогова 2
oleg.a.g.post@gmail.com
Ключевые слова: классификация изображений, мониторинг, машинное обучение, свёрточная нейронная сеть, факел, image classification, monitoring, computer training, convolutional neural network, flame
Страницы: 108-115
Подраздел: МОДЕЛИРОВАНИЕ В ФИЗИКО-ТЕХНИЧЕСКИХ ИССЛЕДОВАНИЯХ

Аннотация

Рассматривается способ автоматического определения режима горения по изображениям пламени на основе обучаемой на маркированных данных свёрточной нейронной сети. Показано, что на изображениях пламени газового горелочного устройства точность классификации режимов достигает 98 %. Сравниваются результаты работы свёрточной нейронной сети и классификации с помощью различных линейных моделей.

DOI: 10.15372/AUT20180514