Знак искусственной неровности: Знак 5.20 Искусственная неровность / Дорожные знаки купить из наличия в Москве недорого от производителя| низкая цена

Выберите размер (мм)

Выбрать

700х700 мм.

Выберите тип пленки

Выбрать

Класс lА ( тип А коммерческая) Класс lБ (тип А инженерная) Класс llБ (тип Б)

Характеристики

Обозначает границы искусственной неровности. Этот знак устанавливают к ближайшей границе искусственной неровности относительно к приближающемуся транспортному средству.

• Мы работаем с юридическими лицами и индивидуальными предпринимателями.
• Оплата производится Покупателем по безналичному расчету по выставленному Продавцом счету (цены с НДС 20%).
• Оплата счета возможна только Покупателем, указанным в счете. Оплата третьими лицами не допускается — деньги будут возвращены отправителю.

Внимание! Мы не принимаем к оплате наличные средства, банковские карты физических и юридических лиц, банковские переводы от физических лиц (в т.ч. оплату через онлайн сервисы банков (например, Сбербанк онлайн)).

Вы можете забрать Товар самостоятельно со склада в СПб, или заказать услугу «Доставка».
Условия поставки и стоимость услуг, можно узнать у менеджеров отдела продаж:
Телефон/факс: +7 (812) 320-55-15
E-mail: [email protected]

Сопутствующие товары

Рекомендуем

от 560 р.

от 560 р.

от 560 р.

Типовые дорожные проекты

Использование материалов сайта строго запрещено. Представленная информация и цены не являются публичной офертой.

Купить в 1 клик

Люди добрые, помогите пожалуйста c ответом

Запрос на получение информации

По улице Колхозная (Приложение 3.) возле дома 2а на одном столбе расположено сочетание двух дорожных знаков: 1.17 «Искусственная неровность» — сверху; и под ним 3.24 «Ограничение максимальной скорости 20км/ч» (приложение 1). Примерно через 100м от этих двух знаков расположен «лежачий полицейский» со знаком 5.20 «граница искусственной неровности» (приложение 2). Согласно ПДД дорожный знак 1.17 «Искусственная неровность» — участок дороги с искусственной неровностью (неровностями) для принудительного снижения скорости. Применяется со знаком 3.24, на котором указывается максимальная безопасная скорость проезда неровности; устанавливается в населенных пунктах — на расстоянии 50—100м до начала опасного участка (прим. «искусственной неровности» с установленным знаком 5.20).

Согласно части 2 ст. 24 Конституции РФ, органы государственной власти и органы местного самоуправления, их должностные лица обязаны обеспечить каждому возможность ознакомления с документами и материалами, непосредственно затрагивающими его права и свободы, если иное не предусмотрено законом.
Согласно ст. 33 Конституции РФ, граждане Российской Федерации имеют право обращаться лично, а также направлять индивидуальные и коллективные обращения в государственные органы и органы местного самоуправления.
Согласно ст. 9 Федерального Закона «О порядке рассмотрения обращений граждан Российской Федерации», обращение, поступившее в государственный орган, орган местного самоуправления или должностному лицу в соответствии с их компетенцией, подлежит обязательному рассмотрению.
Согласно ст. 5 Федерального Закона «О порядке рассмотрения обращений граждан Российской Федерации», гражданин имеет право обращаться с жалобой на принятое по обращению решение или на действие (бездействие) в связи с рассмотрением обращения в административном и (или) судебном порядке в соответствии с законодательством Российской Федерации.

Учитывая вышеизложенное, руководствуясь вышеперечисленными законодательными актами, прошу письменно дать ответ на следующие вопросы:

1. Является ли в вышеописанной ситуации движение со скоростью более 20 км/ч, после проезда искусственной неровности — «лежачего полицейского» с установленным знаком 5.20, нарушением?
2. Обязывает ли применение знака 1.17 со знаком 3.24 двигаться со скоростью 20 км/ч до ближайшего перекрестка (при наличии знака 5.20 с «искусственной неровностью»), или же сочетание этих знаков лишь только указывает на максимально безопасную скорость проезда искусственной неровности?

и покрытия для транспортных средств — Peregrine HOA

Вопросы и отзывы нашего сообщества часто вызывают проблемы, которые требуют уточнения по мере развития Peregrine. Правление перешло к рассмотрению двух вопросов, которые были выдвинуты на первый план за последние 6 месяцев, и утвердило дополнения к существующим Правилам и положениям. Эти дополнения описаны ниже:

1. Стандарты и рекомендации по ландшафтному дизайну: Раздел IV. В соответствии с (B) Директивами

Директивы по искусственному газону:

Любой участок в сообществе ограничен максимальным покрытием 70% в общей сложности
с использованием искусственного газона (спереди, по бокам и сзади).Площадки для возможной установки
относятся к любым существующим «благоустроенным» благоустроенным территориям на участке; Имеется ли

• Образец товара, включая название модели и стиль
• Полный лист технических данных от производителя
• Гарантия производителя на поставляемый товар
• Фотография (-ы) участка, покрытого искусственной травой
• Правильный план дренажа, если требуется
• Фотография (-ы) близлежащих территорий, а также описание способа установки

Общие рекомендации:

А.План проекта должен включать естественные изогнутые границы, где это возможно
(избегайте квадратов, прямоугольников и т. Д., За исключением тех мест, где газон может примыкать к проезжей части или тротуару
). Дерн нельзя укладывать прямо до фундамента дома

2. Парковка и транспортные средства: Раздел VIII. В разделе (D) Автомобильные чехлы добавлено конкретное пояснение
о допустимых покрытиях для транспортных средств:

Разрешены крышки, которые специально разработаны для использования на открытом воздухе и зависят от модели автомобиля
. Они не могут быть яркого или резко контрастирующего цвета, а на крышке
не должно быть логотипа, символа, баннера, бренда, производителя и т. Д.Если крышка не позволяет
видеть передние или задние номерные знаки, от владельца может потребоваться предоставить
подтверждение актуальности регистрации транспортного средства. Все крышки должны содержаться в чистоте
и исправном состоянии. Установка покрытия транспортного средства не допускает стоянку транспортного средства
вне проезжей части на каких-либо благоустроенных территориях или допускает иное длительное хранение в
нарушении других положений настоящих Правил.

Эти руководящие документы были обновлены и доступны для просмотра или загрузки по адресу https: // peregrinehoa.ru / wp-content / uploads / 2018/10 / Rules-Rules-October-2018.pdf

С уважением,
члены вашего совета Peregrine

Стэнфорд стремится сделать искусственный интеллект более человечным

Ньюсом и основатель и филантроп Microsoft Билл Гейтс выступили вчера с лейтмотивом симпозиума, на котором представители университета и ученые объявили об официальном запуске института. Его цель — устранить опасность и перспективы ИИ, ориентируясь на человеческую этику и ценности.

Ньюсом сказал, что недавно был в порту Лонг-Бич, разговаривая с грузчиками, обеспокоенными тем, что модернизация порта будет стоить им рабочих мест.Он сказал, что грузчики попросили его не проводить модернизацию.

«Мы движемся вперед — цели низкоуглеродного зеленого роста, которым позавидует вся остальная нация», — сказал Ньюсом. «Наша программа ограничения и торговли квотами, наши цели по сокращению выбросов парниковых газов, а это означает мы продвигаемся вперед с новыми, более эффективными технологиями. Проблема с новыми технологиями, которые более эффективны — вам не нужны люди ».

В последние годы ИИ сумел запутаться в кучу этических проблем.Программное обеспечение для распознавания лиц не распознает лица, которые не являются белыми. Распознавание речи требует, чтобы вы говорили на королевском английском. Или, по крайней мере, его солидная американская версия — без акцентов. Не только грузчики опасаются потери работы; водители грузовиков и работники ресторанов также чувствуют за спиной горячее дыхание ИИ. И мы не можем оставить без внимания русских ботов, использующих ложь, чтобы подорвать нашу демократию.

«Как технологи мы обязаны устранять недостатки наших инструментов», — сказал со-директор Stanford HAI Фей-Фей Ли.«Но мы также несем ответственность за полную реализацию их потенциала».

Например, она сказала, что, если бы ИИ мог следить за пациентами в отделении неотложной помощи и предупреждать персонал, когда чье-то состояние ухудшается? Или что, если бы ИИ помог выяснить, как дети учатся, и улучшить образование?

Исследования нового института будут сосредоточены на улучшении и улучшении жизни людей в медицине, образовании и других областях, не заменяя людей. Брайан Ватт из KQED рассказал о новом институте с двумя его заместителями директора, профессором информатики Джеймсом Лэндеем и профессором политологии Робом Райхом .Интервью отредактировано для большей ясности. Некоторые ключевые моменты интервью …

Что именно такое AI?

Ландей: Это расплывчатый термин, и его определение менялось с годами. Я бы сказал, что самое простое определение: способность машин имитировать разумное поведение человека.

Но это поведение может быть таким же простым, как Карты Google, рассказывающие вам, как добраться до работы сегодня, потому что там разный трафик, вплоть до того, чтобы, возможно, поставить диагноз какой-то очень сложной онкологической ситуации.

В чем люди ошибаются в отношении ИИ?

Лэнди: Думаю, что это будет сверхразумное существо, которое будет намного умнее людей и, следовательно, в конечном итоге захватит мир, как в каком-то фильме «Терминатор». Это действительно самое большое заблуждение, которое мы видим.

Еще мы часто слышим, что искусственный интеллект сделает миллионы рабочих мест устаревшими. Стоит ли волноваться?

Ландей: Я думаю, что срывы на работе — это всегда повод для беспокойства.Глобализация привела к серьезным структурным проблемам для одних людей и создала богатство для других. Именно на эту неравномерность, которая возникает с этими сбоями, нам нужно обратить внимание и опередить их, чтобы убедиться, что люди, которые могут быть нарушены, осваивают новые навыки, чтобы у них было будущее.

Некоторые экономисты думают, что искусственный интеллект может даже не помешать нам, потому что реальная проблема в течение длительного периода — это отсутствие роста населения — то, что молодых людей не хватит, чтобы поддержать всех пожилых людей.И что нам могут даже понадобиться машины, которые помогут нам двигаться вперед как общество в сфере здравоохранения и других областях.

Так что с экономической точки зрения даже не ясно, заменит ли искусственный интеллект всем рабочие места.

Моделирование свойств пряжи при растяжении с использованием искусственного интеллекта

Реферат

Качество пряжи является важным фактором, влияющим на качество последующих продуктов. Использование технологий искусственного интеллекта может привести к более объективным системам тестирования пряжи и более высоким техническим характеристикам продукции, отвечающим требованиям производства и конечного пользователя.Эта работа была проведена с целью использования обработки изображений и искусственных нейронных сетей для моделирования прочности и относительного удлинения пряжи для различных типов пряжи с использованием приемлемого по стоимости и времени метода. Чтобы оценить параметры пряжи, образцы пряжи были собраны в лаборатории тестирования пряжи и намотаны на классную доску с помощью прибора для проверки внешнего вида. Образцы изображений были захвачены и предварительно обработаны, а векторы определены и использованы в качестве сетевых входов. Использовались нейронные сети с прямой связью, обученные правилу обратного распространения.Были разработаны две системы; первый был использован для оценки относительного удлинения и прочности хлопчатобумажной пряжи, а второй был использован для оценки параметров смешанной пряжи. Применение улучшения изображения в сочетании с многослойной нейронной сетью позволило получить лучшие результаты для оценки различных параметров пряжи. Таким образом, система моделирования может быть успешно реализована. Также было доказано, что система может применяться для различных типов пряжи и различных тестируемых параметров. Это исследование представляет собой попытку смоделировать несколько свойств пряжи с помощью экономичной системы, использующей машинное зрение и обучение.Кроме того, использование этих методов может улучшить оценку свойств и общий контроль качества.

Ключевые слова

Свойства пряжи на растяжение

Искусственный интеллект

Обработка изображений

Искусственные нейронные сети

Рекомендуемые статьиЦитирующие статьи (0)

© 2020 Авторы. Опубликовано Elsevier B.V. от имени инженерного факультета Александрийского университета.

Рекомендуемые статьи

Цитирование статей

Заявка на патент США на УСТРОЙСТВО СНИЖЕНИЯ ИЗОБРАЖЕНИЯ, КОТОРОЕ УМЕНЬШАЕТ НЕРАВЕННОСТЬ ВОЗДЕЙСТВИЯ ИСКУССТВЕННЫМ ИСТОЧНИКОМ СВЕТА, МЕТОД ОБНАРУЖЕНИЯ ИЗМЕНЕНИЙ В КОЛИЧЕСТВЕ СВЕТА И ЗАЯВКА НА СРЕДСТВО ДЛЯ ХРАНЕНИЯ № 1035, заявка на патент №20160, ноябрь 2016)

1.Область изобретения

Настоящее изобретение относится к устройству съемки изображения, такому как цифровая камера, способу обнаружения изменения количества света во время съемки изображения и носителю информации, и, в частности, к способу уменьшения неравномерности. экспозиции, возникающей из-за изменения количества света от искусственного источника света во время съемки изображения под искусственным источником света.

2. Описание предшествующего уровня техники

Обычно, когда изображения снимаются с использованием устройства съемки изображения, такого как цифровая камера, под искусственным источником света с переменным количеством света, эффекты мерцания на снятых изображениях уменьшаются. путем синхронизации выдержки затвора во время воздействия света с циклом изменения количества света, так что количество экспонирования света в соответствующих строках сканирования устройства захвата изображения может быть однородным.В нижеследующем описании, как считается подходящим, источник искусственного света с переменным количеством света упоминается как источник мерцающего света, а изменение количества света упоминается как мерцание.

Было предложено множество методов для точного обнаружения мерцания при захвате изображения. Например, был предложен способ, который вычисляет значение яркости линии путем суммирования уровней пикселей в каждой строке сканирования в пределах одного кадра, извлекает цикл изменения вычисленного значения яркости линии в направлении вертикального сканирования, и когда извлеченное изменение цикл попадает в заданный частотный диапазон, определяет наличие мерцания (см. выложенную японскую патентную публикацию (Kokai) No.2004-260574).

Однако, даже если возможно точно определить мерцание, скорость кадра во время непрерывной съемки не может быть увеличена, если выдержка при световой экспозиции синхронизирована с циклом изменения количества света мерцания. Кроме того, скорость кадров не может быть увеличена, если наличие или отсутствие мерцания определяется каждый раз, когда снимается неподвижное изображение одного кадра во время непрерывной съемки. С другой стороны, поскольку в последнее время увеличивается разрешение устройств захвата изображения, становится все более распространенным получать изображения с высокой выдержкой, например, 1/4000 секунды даже при мерцающем источнике света, но вышеупомянутая публикация в предшествующем уровне техники не упоминается метод применения результатов обнаружения мерцания к непрерывной съемке с высокой скоростью затвора.

Настоящее изобретение обеспечивает устройство захвата изображения, которое способно при выполнении непрерывной съемки с высокой скоростью затвора при искусственном источнике света с переменным количеством света уменьшать эффекты изменения количества света. света на снятом изображении без уменьшения скорости кадра.

Соответственно, первый аспект настоящего изобретения обеспечивает устройство захвата изображения, содержащее устройство захвата изображения, блок считывания, сконфигурированный для считывания сигнала изображения одного кадра из устройства захвата изображения для обнаружения частоты и характерной точки изменения. в количестве света мерцания до того, как будет выполнена непрерывная съемка с использованием устройства захвата изображения, и считывание сигнала изображения одного кадра с устройства захвата изображения для обнаружения только характерной точки изменения количества света мерцания всякий раз, когда захват изображения для получения неподвижного изображения одного кадра, выполняемого во время непрерывной съемки, блок обнаружения, сконфигурированный так, чтобы иметь возможность обнаруживать частоту и характеристическую точку изменения количества света мерцания на основе считывания сигнала изображения блоком считывания, блок прогнозирования, сконфигурированный так, чтобы на основе частоты изменения количества света мерцания, обнаруженного блоком обнаружения в fi первый момент времени до того, как будет выполнена непрерывная съемка, и характеристическая точка изменения количества света мерцания, обнаруженная блоком обнаружения во второй момент времени позже, чем первый момент времени во время непрерывной съемки, предсказывают характерную точку изменения количества света свет мерцания после второй синхронизации, и блок управления, сконфигурированный для управления синхронизацией, с которой устройство захвата изображения подвергается совпадению с характеристической точкой после второй временной привязки, предсказанной блоком прогнозирования.

Соответственно, второй аспект настоящего изобретения предоставляет способ обнаружения изменения количества окружающего света в устройстве захвата изображения, содержащий этап отображения для отображения изображения просмотра в реальном времени на устройстве отображения с использованием считанного сигнала изображения. из устройства захвата изображения первый этап считывания, состоящий в считывании сигнала изображения одного кадра из устройства захвата изображения для обнаружения частоты и характерной точки изменения количества света мерцания перед непрерывной съемкой, выполняется с использованием устройство захвата изображения, первый этап обнаружения, состоящий в обнаружении частоты и характерной точки изменения количества света мерцания на основе считывания сигнала изображения на первом этапе считывания, второй этап считывания для считывания сигнала изображения одного кадр из устройства захвата изображения для обнаружения только характерной точки изменения количества света мерцания всякий раз, когда захват изображения для получения неподвижного изображения одного кадр выполняется во время непрерывной съемки, второй этап обнаружения обнаружения характерной точки изменения количества света мерцания на основе считывания сигнала изображения на втором этапе считывания, при этом на втором этапе считывания на основе характеристики изменение количества света или мерцания, обнаруженное в первый момент времени, считывание сигнала с устройства захвата изображения управляется таким образом, что характерная точка изменения количества света мерцания, обнаруженного во второй момент времени позже, чем первый момент времени, расположен в центре сигнала изображения одного кадра, считанного с устройства захвата изображения.

Соответственно, третий аспект настоящего изобретения предоставляет энергонезависимый машиночитаемый носитель данных, на котором хранится программа, заставляющая компьютер выполнять способ обнаружения изменения количества окружающего света в устройстве захвата изображения, способ обнаружения изменения количества света, содержащего этап отображения для отображения изображения просмотра в реальном времени на устройстве отображения с использованием сигнала изображения, считанного с устройства съемки изображения, этап первого считывания, состоящий из считывания сигнала изображения одного кадра из устройство захвата изображения для обнаружения частоты и характерной точки изменения количества света мерцания перед непрерывной съемкой выполняется с использованием устройства захвата изображения, первый этап обнаружения обнаружения частоты и характерная точка изменения в количество света мерцания на основе считывания сигнала изображения на первом этапе считывания, на втором этапе считывания считывания сигнала изображения одного кадра из изображения pi ckup устройство для обнаружения только характерной точки изменения количества света мерцания всякий раз, когда захват изображения для получения неподвижного изображения одного кадра выполняется во время непрерывной съемки, второй этап обнаружения обнаружения характерной точки изменения количества света мерцания на основе считывания сигнала изображения на втором этапе считывания, при этом на втором этапе считывания на основе характеристики изменения количества света мерцания, обнаруженного в первый момент времени, считывание сигнала от захвата изображения Устройство управляется таким образом, что характеристическая точка изменения количества света или мерцания, обнаруженная во второй момент времени позже, чем первый момент времени, располагается в центре сигнала изображения одного кадра, считанного из устройства захвата изображения.

Согласно настоящему изобретению характерная точка изменения количества света обнаруживается с использованием устройства захвата изображения во время непрерывной съемки, и время срабатывания затвора совпадает с временем, с которым количество света пиков, которые прогнозируются по обнаруженной характеристической точке. В результате, когда непрерывные снимки делаются с высокой скоростью затвора при искусственном источнике света с переменным количеством света, неподвижное изображение с уменьшенными эффектами изменения количества света на снятом изображении снимается без уменьшения кадра. скорость.

Дополнительные особенности настоящего изобретения станут очевидными из следующего описания примерных вариантов осуществления (со ссылкой на прилагаемые чертежи).

РИС. 1 — блок-схема, схематично показывающая устройство цифровой камеры согласно варианту осуществления настоящего изобретения.

РИС. 2 — вид в поперечном разрезе, показывающий компоновку основных компонентов цифровой камеры, показанной на фиг.1.

РИС. 3 — схема, схематично показывающая компоновку первого устройства съемки изображения, которым цифровая камера на фиг. 1 имеет.

РИС. 4 — схема, полезная для объяснения работы щелевого рольставни с использованием первого устройства захвата изображения, которым цифровая камера на фиг. 1 имеет.

РИС. 5 — схема, полезная для объяснения работы затвора с использованием электронного затвора передней шторки и механического затвора задней шторки и того, как первое устройство захвата изображения работает в цифровой камере на фиг.1.

РИС. 6 — временная диаграмма, полезная для объяснения операции непрерывной съемки, которая начинается в состоянии, когда изображение просмотра «вживую» отображается на устройстве отображения в цифровой камере на фиг. 1 под мерцающим источником света.

РИС. 7A и 7B — схемы, схематически показывающие способ обнаружения цикла и пика мерцания из изображений B и A, полученных при соответствующих условиях B и A экспозиции на фиг. 6.

РИС. 8 — схема, полезная для схематического объяснения способа вычисления частоты (цикла) мерцания из изображения F 1 на фиг.7А.

РИС. 9 — схема, полезная для объяснения времени затвора, с которым снимается первое неподвижное изображение после того, как изображение A получено при условии A экспозиции на фиг. 6.

ФИГ. 10A-10D — схемы, схематически показывающие способ получения пика мерцания на основе изображений, полученных при соответствующих условиях экспозиции C и B на фиг. 6.

РИС. 11 — схема, полезная для объяснения того, как обнаруживается мерцание с использованием второго устройства съемки изображения, которым цифровая камера на фиг.1 имеет.

Далее будет подробно описан вариант осуществления настоящего изобретения со ссылкой на чертежи. В нижеследующем описании настоящего варианта осуществления цифровая однообъективная зеркальная камера (далее именуемая «цифровая камера») взята в качестве примера устройства захвата изображения согласно настоящему изобретению.

РИС. 1 представляет собой блок-схему, схематически показывающую устройство цифровой камеры , 100, согласно варианту осуществления настоящего изобретения.ИНЖИР. 2 представляет собой вид в разрезе, показывающий расположение основных компонентов цифровой камеры 100 . Следует отметить, что один или несколько функциональных блоков, показанных на фиг. 1 может быть реализован аппаратными средствами, такими как ASIC или массив программируемой логики (PLA), или может быть реализован программируемым процессором, таким как исполняющее программное обеспечение CPU или MPU. Кроме того, один или несколько функциональных блоков, показанных на фиг. 1 может быть реализован с помощью комбинации программного обеспечения и оборудования. Соответственно, в нижеследующем описании разные функциональные блоки могут управляться одним и тем же оборудованием.

Цифровая камера 100 имеет основной корпус камеры 100 A и сменный корпус объектива 200 , который снимается с основного корпуса камеры 100 A. Основной корпус камеры 100 A имеет общий блок управления 101 , зеркало 102 , блок привода зеркала 103 , шторка 104 , устройство привода шторки 105 , первое устройство захвата изображения 106 , первый блок обработки сигнала захвата изображения 107 , первый блок генерации синхронизации 108 и блок памяти 109 .Основной корпус камеры 100 A также имеет блок интерфейса управления носителем информации 110 , блок привода дисплея 112 , устройство отображения 113 , внешний интерфейс 114 , второе устройство захвата изображения 116 , второй блок обработки сигнала захвата изображения , 117 и второй блок генерации синхронизации 118 . Кроме того, основной корпус камеры 100 A имеет пентапризму 119 , приводное устройство измерения расстояния 120 , блок измерения расстояния разности фаз 121 , окуляр 123 , переключатель спуска 125 , и переключатель выбора режима 126 .

Общий блок управления 101 например микропроцессор, включающий в себя ЦП, управляет общей работой цифровой камеры 100 (основной корпус камеры 100 A и сменный корпус объектива 200 ). Следует отметить, что в случае, когда блок управления объективом предусмотрен на стороне сменной оправы объектива 200 , блок общего управления 101 выполняет, по меньшей мере, общее управление основным корпусом камеры 100 A.В состоянии, показанном на фиг. 2, во время фотометрии зеркало 102 , которое обычно называют зеркалом с быстрым возвратом, направляет свет, прошедший через сменный корпус объектива 200 , к искателю, а во время съемки изображения поворачивается вверх до направьте свет к первому устройству приема изображения 106 . Блок привода зеркала 103 приводит в движение зеркало 102 . Затвор 104 , который представляет собой механизм затвора, соответствующий передней и задней шторкам фокальной плоскости, управляет периодом времени, в течение которого первое устройство захвата изображения 106 подвергается воздействию света, прошедшего через сменную оправу объектива 200 , а также экранирует свет.Устройство привода заслонки 105 приводит в движение заслонку 104 .

Свет, прошедший через сменную оправу объектива 200 , формирует оптическое изображение объекта на поверхности первого устройства захвата изображения 106 . Первое устройство , 106, съемки изображения преобразует оптическое изображение в электрический сигнал (сигнал изображения) и выводит электрический сигнал на первый блок 107 обработки сигнала съемки изображения. Первое устройство захвата изображения , 106, — это, в частности, датчик CMOS, который использует схему адресации X-Y.Первый блок обработки сигнала захвата изображения , 107, выполняет, например, процесс усиления сигнала изображения, выводимого из первого устройства захвата изображения , 106, , процесс преобразования аналогового сигнала в цифровой сигнал (аналого-цифровое преобразование ), различные процессы коррекции, такие как исправление дефектов в данных изображения, которые были подвергнуты аналого-цифровому преобразованию, и процесс сжатия данных изображения. Первый блок , 108, генерации синхронизации подает множество синхронизирующих сигналов в первое устройство захвата изображения , 106, и первый блок обработки сигнала захвата изображения , 107, .

Блок памяти 109 состоит из ОЗУ, в котором временно хранятся, например, данные изображения, обработанные первым блоком обработки сигнала захвата изображения 107 , ПЗУ, в котором хранятся, например, различные значения регулировки и программы. для того, чтобы заставить общий блок управления 101 обеспечивать различные типы управления и так далее. Блок интерфейса , 110, управления носителем данных выполняет процесс записи данных изображения или т.п. на носитель 111 и процесс считывания данных изображения или т.п. с носителя 111 .Носитель данных 111 представляет собой, например, полупроводниковую память, которая хранит различные данные, такие как данные изображения, и может быть удалена из основного корпуса камеры 100 A.

Устройство отображения 113 является, например, жидкокристаллический дисплей, который отображает неподвижные изображения и движущиеся изображения, полученные путем захвата изображения, изображения просмотра в реальном времени (в дальнейшем именуемые «изображения LV»), экран меню (UI) для определения условий съемки основного корпуса камеры 100 A , и так далее.Блок привода дисплея 112 приводит в действие устройство отображения 113 . Внешний интерфейс , 114, — это интерфейс для обеспечения возможности передачи и приема информации, такой как сигналы изображения и сигналы управления, между компьютером 115 , который является примерным внешним устройством, и общим блоком управления 101 .

Второе устройство захвата изображения 116 , которое действует как датчик AE, представляет собой элемент фотоэлектрического преобразования для получения сигналов обнаружения источника света / сигнала AE и представляет собой датчик с цветовыми фильтрами RGB, расположенными по шаблону Байера.В качестве второго устройства захвата изображения , 116, обычно используется ПЗС-датчик с функцией глобального электронного затвора, но даже КМОП-датчик может использоваться, пока его скорость считывания высока (пока время считывания короткое). Второй блок обработки сигнала захвата изображения , 117, выполняет, например, процесс усиления и процесс аналого-цифрового преобразования сигнала изображения, выводимого из второго устройства захвата изображения , 116, , различные процессы коррекции, такие как исправление дефектов. на данных изображения, которые были подвергнуты аналого-цифровому преобразованию, процессу сжатия для сжатия данных изображения.Второй блок , 118, генерации синхронизации подает множество синхронизирующих сигналов на второе устройство захвата изображения , 116, и второй блок обработки сигналов захвата изображения , 117, .

Пентапризма 119 представляет собой элемент для направления света, отражаемого зеркалом 102 , в окуляр 123 искателя и второго устройства захвата изображения 116 . Блок измерения расстояния по разности фаз 121 получает два изображения, фазы которых меняются в зависимости от степени расфокусировки объекта, из луча света, прошедшего через зеркало 102 , и вычисляет степень расфокусировки объекта на основе количество рассогласования двух изображений.Приводное устройство измерения расстояния 120 приводит в действие блок измерения расстояния разности фаз 121 .

Переключатель разблокировки 125 имеет SW 1 , который включается при нажатии наполовину, и SW 2 , который включается при нажатии полностью вниз. В ответ на включение SW 1 обнаружение частоты, так называемого мерцания, которое показывает изменение количества света в заданном цикле под искусственным источником света, таким как флуоресцентный свет, и характеристической точкой ( пик или минимум) изменения количества света, а также выполняется автоматическая экспозиция и автоматическая фокусировка, и в ответ на включение SW 2 первое устройство захвата изображения 106 принимает изображение.Пока SW 2 остается включенным, выполняется операция по непрерывному получению изображения (данных) для неподвижного изображения в состоянии, когда включен SW 2 (в дальнейшем именуется просто непрерывной съемкой), и во время при непрерывной съемке каждый раз при съемке одного кадра фиксируется только характерная точка мерцания. Переключатель выбора режима , 126, предназначен для того, чтобы пользователь мог определить, брать ли изображение через искатель или брать изображение в состоянии, когда изображение LV отображается на устройстве отображения 113 .

Сменный тубус объектива 200 имеет блок управления объективом 201 , объектив захвата изображения 202 , устройство привода объектива 203 , диафрагму 204 и устройство привода диафрагмы 205 . Оптическое изображение объекта, направляемого к основному корпусу камеры 100 Сторона второй считывающей линзы 202 формируется на первом устройстве захвата изображения , 106, . На основании величины расфокусировки, рассчитанной блоком измерения расстояния по разности фаз 121 , устройство привода объектива 203 перемещает линзу захвата изображения 202 в направлении оптической оси и фокусирует объект.Диафрагма 204 регулирует количество света, проходящего через линзу захвата изображения 202 , соответствующую оптическому изображению объекта. Устройство , 205, привода диафрагмы приводит в движение диафрагму на основе фотометрического значения, полученного на выходе из второго устройства захвата изображения 116 , которое действует как датчик автоэкспозиции. Блок управления объективом 201 осуществляет связь с блоком общего управления 101 для управления работой сменной оправы объектива 200 в соответствии с инструкциями от общего блока управления 101 .

Перед тем, как будет дано описание операции захвата изображения цифровой камерой 100 , когда изображение захвачено с изображением LV, отображаемым на устройстве отображения 113 , будет дано описание расположения первого изображения устройство захвата изображения , 106, и то, как первое устройство захвата изображения , 106, подвергается воздействию света со ссылкой на фиг. С 3 по 5.

РИС. 3 — схема, схематично показывающая компоновку первого устройства , 106, съемки изображения.Первое устройство захвата изображения , 106, — это КМОП-датчик, в котором используется схема сканирования адресов X-Y. Первое устройство захвата изображения , 106, сконфигурировано так, чтобы иметь конфигурацию, в которой заранее определенное количество пикселей 301 , которые являются блоками, которые должны приводиться в действие, расположены в каждом из вертикальных и горизонтальных направлений. Каждый пиксель 301 имеет фотодиод (далее именуемый «PD») 302 , переключатель передачи 303 , плавающую диффузию (далее именуемую «FD») 306 , усилитель MOS. 307 , селекторный переключатель 308 и переключатель сброса 309 .

PD 302 преобразует свет в электрический заряд. FD 306 — это область, где временно накапливается электрический заряд. Переключатель 303 передает электрический заряд, генерируемый PD 302 , на FD 306 в ответ на импульс переноса φTX. Усилитель MOS 307 действует как повторитель источника. Селекторный переключатель 308 выбирает пиксель в ответ на импульс выбора φSELV. Переключатель сброса 309 сбрасывает электрический заряд, который накапливается в FD 306 , в ответ на импульс сброса φRES.

Первое устройство захвата изображения 106 имеет линию вывода сигнала 310 , источник постоянного тока 311 , селекторный переключатель 312 , выходной усилитель 313 , схему вертикальной развертки 314 , a схема считывания 315 и схема горизонтальной развертки 316 . Источник постоянного тока 311 является нагрузкой на МОП-усилитель 307 . Схема считывания 315 преобразует электрический заряд, накопленный в FD 306 пикселя 301 , выбранного селекторным переключателем 308 , в напряжение посредством преобразования заряда в напряжение с помощью MOS-усилителя 307 и постоянного тока. источник 311 , а затем считывает напряжение как данные пикселя (сигнал пикселя) через линию вывода сигнала 310 .Схема горизонтальной развертки 316 приводит в действие селекторный переключатель 312 . Селекторный переключатель , 312, выбирает считывание данных пикселей схемой считывания 315 . Данные пикселей, выбранные селекторным переключателем , 312, , усиливаются выходным усилителем , 313, и выводятся из первого устройства захвата изображения , 106, .

Схема вертикального сканирования 314 выбирает передаточный переключатель 303 , селекторный переключатель 308 и переключатель сброса 309 .Здесь предполагается, что что касается импульса переноса φTX, импульса сброса φRES и импульса выбора φSELV, n-е строки сканирования, сканированные и выбираемые схемой вертикального сканирования , 314 , обозначаются как φTXn, φRESn и φSELVn, а n + 1-е строки сканирования, отсканированные и выбранные схемой вертикального сканирования 314 , обозначены как φTXn + 1, φRESn + 1 и φSELVn + 1. На фиг. 3 для удобства показаны только строки сканирования с n-й по n + 6-ю. FD 306 , усилитель MOS 307 и источник постоянного тока 311 составляют плавающий диффузионный усилитель.Следует отметить, что когда считывание в системе щелевых рольставен выполняется в первом устройстве захвата изображения , 106, , определяется, что направление, по существу, параллельное n-й линии, является направлением строки, а направление, перпендикулярным направлению строки, является направление столбца.

РИС. 4 представляет собой вид, полезный для объяснения работы щелевого рольставни с использованием электронного затвора передней шторки (далее именуемого «электронным затвором передней шторки») и задней шторки затвора, который является электронным в первом устройстве захвата изображения . 106 (далее «электронный затвор задней шторки»).

Когда электронный затвор передней шторки работает, в n-й строке сканирования на φRESn и φTXn подается импульс от момента времени t 401 до момента времени t 402 для включения безобрывного переключателя 303 и переключатель сброса 309 (операция сброса). В результате операция сброса выполняется путем удаления ненужного электрического заряда, накопленного в PD 302 и FD 306 в n-й строке сканирования. Затем, в момент времени t 402 , приложение импульса к φRESn и φTXn прекращается, чтобы выключить передаточный переключатель 303 и переключатель сброса 309 , и накопление электрического заряда, генерируемого в PD 302 в запускается n-я строка сканирования (операция накопления).

Линия развертки n + 1 и строка развертки n + 2 не используются в качестве изображений, и, следовательно, здесь не выполняется обработка этих строк. Следует отметить, что поскольку электрический заряд, накопленный в PD 302 , может просачиваться в периферийные пиксели, φRESn и φTXn в строке сканирования n + 1 и линии сканирования n + 2 должны быть включены для постоянного сброса электрического заряда в PD. 302 .

В момент времени t 403 начинается операция накопления в строке сканирования n + 3, как и в момент времени t 402 , а во время 404 операция накопления в строке развертки n + 6 начал.Таким образом, отменяя состояние сброса и начиная накопление электрического заряда последовательно в строках развертки с регулярными интервалами времени, выполняется операция электрического затвора передней шторки.

Возвращаясь к n-й строке сканирования, импульс применяется к φTXn с момента времени t 405 до момента времени t 406 , чтобы включить передаточный переключатель 303 , так что электрический заряд накапливается в PD 302 передается в ФД 306 (операция передачи).После завершения операции переноса в n-й строке сканирования на φSELVn подается импульс с момента времени t 406 до момента времени t 407 для включения селекторного переключателя 308 . В результате электрический заряд, удерживаемый в FD 306 , преобразуется в напряжение и выводится как данные пикселей в схему считывания 315 (операция считывания). Данные пикселей, временно хранящиеся в схеме 315 считывания, начинают последовательно выводиться схемой 316 горизонтального сканирования в момент времени t 407 .Затем в момент времени t 408 считывание данных пикселей из пикселей в n-й строке завершается.

В n + 3-й строке сканирования импульс применяется к φTXn + 3 с момента времени t 408 до момента времени t 409 , чтобы включить переключатель передачи 303 , так что операция передачи выполняется до переносить электрический заряд, накопленный в PD 302 , на FD 306 . После завершения операции переноса в n + 3-й строке сканирования, импульс применяется к φSELVn + 3 с момента времени t 409 до момента времени t 410 , чтобы включить селекторный переключатель 308 , в результате чего электрический заряд удерживается в FD 306 для преобразования в напряжение и вывода в виде пиксельных данных в схему считывания 315 .Данные пикселей, временно хранящиеся в схеме 315 считывания, начинают последовательно выводиться схемой 316 горизонтального сканирования в момент времени t 410 . Затем в момент времени t 411 считывание пиксельных данных из пикселей в n + 3-й строке сканирования завершается. Таким образом, посредством передачи и считывания электрического заряда через равные промежутки времени достигается работа электрической задней шторки. Следует отметить, что время от завершения сброса PD 302 до начала операции передачи в каждой строке сканирования соответствует времени экспозиции для каждого пикселя.

РИС. 5 представляет собой схему, полезную для объяснения работы затвора с использованием электронного затвора передней шторки и затвора задней шторки, который является механическим (далее именуемого «механический затвор задней шторки»), и того, как первое устройство захвата изображения 106 работает. Следует отметить, что механическая шторка задней шторки представляет собой заднюю шторку шторки 104 .

Когда электронный затвор передней шторки работает, в n-й строке сканирования на φRESn и φTXn подается импульс от момента времени t 501 до момента времени t 502 для включения безобрывного переключателя 303 и Переключатель сброса 309 .В результате операция сброса выполняется путем удаления ненужного электрического заряда, накопленного в PD 302 и FD 306 в n-й строке сканирования. Затем, в момент времени t 502 , приложение импульса к φRESn и φTXn прекращается, чтобы выключить передаточный переключатель 303 и переключатель сброса 309 , и накопление электрического заряда, генерируемого в PD 302 в запускается n-я строка сканирования.

Аналогично, накопление электрического заряда в n + 1-й строке сканирования начинается в момент времени t 503 , накопление электрического заряда в n + 2-й строке сканирования начинается в момент времени t 504 , а накопление электрического заряда заряд в n + 3-й строке сканирования начинается в момент времени t 505 .Кроме того, накопление электрического заряда в n + 4-й строке сканирования начинается в момент времени t 508 , накопление электрического заряда в n + 5-й строке сканирования начинается во время t 510 , а накопление электрического заряда в n + 6-я строка сканирования начинается в момент времени t 513 . Таким образом, путем последовательной отмены состояния сброса и начала накопления электрического заряда в строках развертки выполняется операция электрического затвора передней шторки.

Затем приводится в действие механическая задняя шторка.Время между электрическим затвором передней шторки и механическим затвором задней шторки — это время экспозиции, а время сброса электрического затвора передней шторки регулируется таким образом, чтобы количество световой экспозиции в каждой строке сканирования могло быть подходящим. Следует отметить, что на фиг. 5, операция накопления продолжается в течение определенного периода времени после срабатывания механической задней шторки, но после срабатывания механической задней заслонки свет экранируется, и, следовательно, электрический заряд не накапливается, даже если выполняется операция накопления. .

Возвращаясь здесь к n-й строке сканирования, импульс применяется к φTXn с момента времени t 505 до момента времени t 506 для включения передаточного переключателя 303 , так что операция передачи выполняется для передачи электрического заряд, накопленный в PD 302 , на FD 306 . После завершения операции передачи в n-й строке сканирования на φSELVn подается импульс с момента времени t 506 до момента времени t 507 , чтобы включить селекторный переключатель 308 , в результате чего электрический заряд удерживается в FD . 306 для преобразования в напряжение и вывода в виде данных пикселей в схему считывания 315 .Данные пикселей, временно хранящиеся в схеме 315 считывания, начинают последовательно выводиться схемой 316 горизонтального сканирования в момент времени t 507 . Затем в момент времени t 509 считывание данных пикселей из пикселей в n-й строке завершается.

В n + 1-й строке сканирования импульс применяется к φTXn + 1 с момента времени t 509 до момента времени t 511 , чтобы включить переключатель передачи 303 , так что операция передачи выполняется до переносить электрический заряд, накопленный в PD 302 , на FD 306 .После того, как операция передачи в n + 1-й строке сканирования завершена, импульс применяется к φSELVn + 1 с момента времени t 511 до момента времени t 512 , чтобы включить селекторный переключатель 308 , в результате чего электрический заряд удерживается. в FD 306 для преобразования в напряжение и вывода в виде пиксельных данных в схему считывания 315 . Данные пикселей, временно хранящиеся в схеме 315 считывания, начинают последовательно выводиться схемой 316 горизонтального сканирования в момент времени t 512 .Затем в момент времени t 513 считывание пиксельных данных из пикселей в n + 1-й строке сканирования завершается.

Теперь будет дано описание того, как цифровая камера 100 обнаруживает изменение количества окружающего света и снимает изображения во время непрерывной съемки, описанной выше, в состоянии, когда изображение LV отображается на экране устройство отображения 113 .

РИС. 6 представляет собой временную диаграмму, полезную для объяснения того, как обнаруживается изменение количества окружающего света, и захват изображения для получения множества неподвижных изображений посредством непрерывной съемки выполняется в состоянии, когда изображение LV отображается на устройстве 113 отображения. при мерцающем источнике света.Перед тем, как SW 2 будет включен путем нажатия спускового переключателя 125 полностью вниз, общий блок управления 101 отображает изображение LV на устройстве отображения 113 на основе сигнала изображения, считанного с первого изображения съемное устройство 106 при таких условиях экспонирования B, при которых нет неравномерности экспонирования (полос), вызванной изменением количества мерцания света. В этом случае время экспозиции регулируется путем накопления в течение периода времени, который соответствует целому кратному циклу мерцания и включает в себя, по меньшей мере, два цикла мерцания или накоплением в течение периода времени, достаточно длинного, чем цикл мерцания.Получение изображения LV в это время достигается с помощью так называемого щелевого рольставни с использованием электронного затвора передней шторки и электронного затвора задней шторки, описанных со ссылкой на фиг. 4, а при условии B экспонирования изображение B на фиг. 7A, который будет описан позже.

Когда включен SW 2 , блок общего управления 101 меняет условия экспозиции с условия B на условие A с синхронизацией a и считывает сигнал изображения (данные) одного кадра с первого сигнал захвата изображения , 106, , чтобы таким образом намеренно получить изображение A, в котором неравномерность экспозиции вызвана изменением количества мерцания света.Соответственно, полосы, которые различаются по яркости в вертикальном направлении (коротком направлении), возникают на изображении A. В этом случае время экспозиции регулируется путем воздействия света на каждую строку сканирования в течение более короткого периода времени, чем цикл изменения количества света или мерцания (далее просто цикл), чтобы намеренно вызвать неравномерность экспозиции, возникающую из-за мерцания. В это время общий блок управления 101 выполняет считывание в течение относительно длительного периода времени, соответствующего двум-трем циклам мерцания, чтобы обнаружить частоту (цикл) мерцания и пик мерцания (положение на оси времени, в котором количество света наибольшее).

Получение изображения A достигается с помощью щелевого рольставни с использованием электронного затвора передней шторки и электронного затвора задней шторки, описанных со ссылкой на фиг. 4, а при условии A экспонирования изображение A на фиг. 7A, который будет описан позже. Однако изображение A не отображается на устройстве отображения 113 , и, следовательно, на устройстве отображения 113 ничего не отображается. Это сделано для предотвращения того, чтобы пользователь, например, посмотрев на изображение с рисунком полос, отображаемый на устройстве отображения 113 , определил, что произошел сбой.Состояние, при котором ничего не отображается на устройстве отображения 113 , продолжается до тех пор, пока не закончится непрерывная съемка (пока включен SW 2 ), а когда закончится непрерывная съемка (когда SW 2 выключен), это состояние будет доведено до конца.

РИС. 7A и 7B — схемы, схематически показывающие способ обнаружения цикла мерцания и пика мерцания на изображениях B и A, полученных при условиях экспозиции B и A, соответственно. При условии B экспонирования время накопления является приблизительно целым кратным циклу мерцания, и, следовательно, при условии B экспонирования, независимо от времени получения изображения, получается изображение B без полос, возникающих из-за мерцания.С другой стороны, при условии A экспозиции время накопления короче, чем цикл мерцания, полученное изображение A имеет полосы, возникающие из-за мерцания. Кроме того, при условии A экспонирования время считывания велико, и, следовательно, на изображении A появляется множество полос (первый этап считывания). Другими словами, время считывания, которое вызывает появление множества полос на изображении A, устанавливается для условия A экспонирования, и в настоящем варианте осуществления время считывания накопленного заряда при условии A экспонирования больше, чем время считывания накопленного заряда при условии экспонирования B.

Разделением изображения A с полосами, возникающими из-за мерцания в нем, на изображение B без полос, возникающих из-за мерцания на нем, получается изображение F 1 с уменьшенным эффектом, отличным от полос. На изображении F 1 центр полосы, которая выглядит белой, соответствует пику мерцания. Время, с которым возникают пики мерцания, находят из изображения F 1 , и на основе временной разницы между временем пика и временем пика вычисляется частота (цикл) мерцания (первый этап обнаружения).

РИС. 8 — диаграмма, полезная для схематического объяснения способа вычисления частоты (цикла) мерцания из изображения F 1 . Трудно обнаружить пик, который является одной из характерных точек, из формы волны мерцания, полученной из изображения F 1 , как есть, и, следовательно, дифференциальное значение (разница между соседними значениями) исходной формы волны получается для найти моменты времени t 11 и t 12 , при которых его дифференциальная форма волны достигает нуля (0), и они соответствуют моментам времени, когда мерцание достигает пиков.Временная разница между временами t 11 и t 12 получается как цикл мерцания. А именно, блок 101 общего управления получает интервал между двумя последовательными точками, в котором значение разности равно нулю, как цикл изменения количества света мерцания.

Следует отметить, что на фиг. 8 форма волны мерцания проиллюстрирована как типичная синусоидальная волна (форма волны, отрицательная сторона которой перевернута на положительную, чтобы ее можно было выразить как интенсивность света).Однако фактически полученная форма волны мерцания включает в себя шум, а дифференциальная форма волны может достигать нуля три или более раз в течение одного цикла из-за, например, потери точности формы сигнала. С этим можно справиться, например, используя фильтр нижних частот для удаления шума света, падающего на первое устройство захвата изображения 106 , и подвергая первое устройство захвата изображения 106 свету, проходящему через этот фильтр нижних частот. . Однако область 800 (область, где значение дифференциального сигнала достигает нуля), которая требуется для определения времени, с которым возникают пики мерцания, должна быть включена в изображение A.Следует отметить, что при использовании дифференциальной формы волны время t 13 , в которое дифференциальная форма волны достигает дна, которое является одной из характерных точек мерцания, может быть легче обнаружено. В этом случае временные различия между моментами времени t 11 , t 12 и t 13 должны быть рассчитаны заранее, а во время непрерывной съемки время пика должно быть рассчитано путем определения времени дна. Более того, как пик, так и дно обнаруживаются как характерные точки мерцания, и на основе результата обнаружения цикл изменения количества света мерцания может быть дополнительно точно рассчитан.

РИС. 9 — диаграмма, полезная для объяснения времени затвора для съемки первого неподвижного изображения после того, как изображение A получено при условии A экспозиции. Как описано выше со ссылкой на фиг. 7A и 7B, цикл и характерная точка мерцания уже были найдены путем получения изображения A. Соответственно, общий блок управления 101 предсказывает время, с которым достигаются пики мерцания после характеристической точки мерцания, обнаруженной путем захвата изображения. A. Блок 101 общего управления затем снимает неподвижное изображение, управляя работой затвора с помощью электронного затвора передней шторки и механического затвора задней шторки, описанных со ссылкой на фиг.5, так что прогнозируемое время пика и время срабатывания затвора могут совпадать друг с другом. В результате получается неподвижное изображение FL с меньшим мерцанием (с уменьшенным эффектом мерцания). Следует отметить, что «СЪЕМКА НЕПОДВИЖНОГО ИЗОБРАЖЕНИЯ» на фиг. 6 указывает операцию затвора, выполняемую для получения неподвижного изображения FL и считывания электрического заряда (сигнала изображения) из первого устройства , 106, съемки изображения.

Затем, когда съемка первого неподвижного изображения завершается включением программного обеспечения 2 , блок общего управления 101 получает для выполнения непрерывной съемки изображение C одного кадра с синхронизацией b. при условии экспонирования C, при котором появляются полосы, возникающие из-за неравномерности экспонирования, вызванной мерцанием.Блок общего управления 101 также получает изображение B одного кадра без полос в условиях экспозиции B. во время непрерывной съемки появляются минимум два пика мерцания, частота кадров уменьшится. Таким образом, чтобы обнаружить, по крайней мере, пик мерцания, изображение C с полосой, возникающей из-за неравномерности экспонирования, вызванной мерцанием в условиях экспонирования C (например, форма волны мерцания длиннее одного цикла и короче двух циклов кадра). цикл изменения количества света (мерцания), который является более коротким периодом времени, чем у условия экспонирования A.Следует отметить, что условие B экспонирования для получения изображения B может быть таким же, как условие для получения изображения LV.

РИС. 10A-10D — схемы, схематически показывающие способ получения пика мерцания на основе изображений, полученных при соответствующих условиях экспозиции C и B на фиг. 6. Фиг. 10A и 10B показывают изображение C ‘, в котором мерцание достигает пиков на верхнем и нижнем краях экрана, в качестве примерного изображения, полученного после предыдущего захвата неподвижного изображения, выполняя световую экспозицию в условиях экспозиции C без учета синхронизация ранее обнаруженного пика мерцания (в дальнейшем именуемого «условие C ‘экспонирования»).Когда световая экспозиция выполняется в условиях экспозиции C без учета цикла мерцания и пикового времени после предыдущего захвата неподвижного изображения, неизвестно, где достигаются пики мерцания на экране.

При разделении изображения C ‘на изображение B получается изображение F 2 ‘ (второй этап считывания). В изображении F 2 ‘трудно определить, находится ли яркая область на пике, увеличивает ли яркость или уменьшает яркость, и, следовательно, время, с которым пики мерцания могут быть неправильно оценены.Следовательно, после предыдущего захвата неподвижного изображения, если изображение с мерцанием получено со случайной синхронизацией, в то время как цикл мерцания, обнаруженный в последний раз, не учитывается, может возникнуть ситуация, когда невозможно обнаружить пик мерцания.

С другой стороны, ФИГ. 10C и 10D показывают изображение C, на котором мерцание достигает максимума, по существу, в центре экрана, в качестве примерного изображения, полученного после предыдущего захвата неподвижного изображения, световая экспозиция выполняется в условиях экспозиции C с учетом времени пика. мерцания, обнаруженного в последний раз.Здесь на основе максимальной синхронизации мерцания, обнаруженного в последний раз, прогнозируется время, с которым мерцание достигает пика после пика мерцания, обнаруженного в последний раз (первая синхронизация), и время воздействия света контролируется так, чтобы пик мерцания обнаруживался на этот раз ( вторая синхронизация позже первой синхронизации) может быть расположена в центре изображения в вертикальном направлении (соответствующем направлению столбца в устройстве , 106, захвата изображения). В частности, если время пика мерцания, обнаруженное с моментом a (пик мерцания, обнаруженный в последний раз), составляет «t 1 », а цикл мерцания — «T», время пика мерцания t 2 после того, как выражается время a. по уравнению t 2 = t 1 + T × n (n — целое число).Таким образом, при использовании условия экспонирования C, управляемого таким образом, чтобы время, в течение которого световое экспонирование практически наполовину закончилось с момента начала светового воздействия, могло совпадать со временем t 2 , изображение C, на котором мерцание достигает максимума, по существу, в центре экран получен (второй этап считывания).

Пик мерцания точно обнаруживается из изображения F 2 , полученного путем деления изображения C на изображение B (второй этап обнаружения). Таким образом, на основе частоты мерцания, обнаруженной до получения изображения C, и пика мерцания, полученного из изображения F 2 , общий блок управления 101 управляет работой затвора таким образом, чтобы время, при котором мерцание достигает максимума, и время срабатывания затвора для захвата изображения для получения неподвижного изображения может совпадать друг с другом.В результате неподвижное изображение FL с уменьшенным мерцанием на фиг. 9 получается.

Как показано на фиг. 6, неподвижное изображение одного кадра снимается после обнаружения мерцания с синхронизацией b. После этого с временным интервалом c изображения C и B получаются таким же образом, как и в процессе, выполняемом с временным интервалом b. Таким образом, в то время как состояние, в котором SW 2 нажат, сохраняется, синхронизация, с которой пики мерцания обнаруживаются всякий раз, когда команда на выполнение захвата изображения для получения неподвижного изображения для записи, желаемой пользователем.

Следует отметить, что в момент времени, когда изображение C ‘на фиг. 10A, цикл мерцания уже известен. Следовательно, путем определения темного положения (нижней части мерцания) в центральной части изображения C ‘и определения положения, сдвинутого на 1/2 цикла от этого положения как пика мерцания, изображение C, в котором мерцание достигает максимума, по существу, составляет центр экрана получается. Однако некоторые источники мерцающего света могут не иметь форму, выраженную типичной синусоидальной волной, и с заостренным дном, как описано со ссылкой на фиг.8, но может быть плоским (темное состояние продолжается в течение заданного периода времени), и в этом случае трудно определить точное положение мерцающего дна. Следовательно, метод, который непосредственно идентифицирует пик мерцания, может использоваться без зависимости от свойства источника мерцающего света и, таким образом, более предпочтителен, чем метод, который определяет пик мерцания путем определения дна мерцания.

Хотя в варианте осуществления, описанном выше, цифровая однообъективная зеркальная камера 100 взята в качестве примера устройства захвата изображения в соответствии с настоящим изобретением, но устройство захвата изображения в соответствии с настоящим изобретением не ограничивается этим. .Например, устройство захвата изображения согласно настоящему изобретению должно иметь только функцию LV и функцию захвата неподвижного изображения с использованием устройства захвата изображения в состоянии LV. Программы для управления работой первого устройства захвата изображения , 106, и затвора , 104, во время непрерывной съемки могут использоваться для обновления прошивки устройства захвата изображения.

Хотя в варианте осуществления, описанном выше, второе устройство захвата изображения 116 , действующее как датчик AE, не используется, когда неподвижное изображение снимается с использованием первого устройства захвата изображения 106 в состоянии LV, изображение LV не отображается на устройстве отображения 113 после того, как световая экспозиция началась в условиях экспонирования с синхронизацией a на фиг.6. Таким образом, вместо метода измерения частоты и пика мерцания, описанного со ссылкой на фиг. 7 A и 7 B, может использоваться способ, который обнаруживает мерцание с использованием второго устройства захвата изображения 116 без отображения LV изображения на устройстве отображения 113 , как и в вышеупомянутом способе.

РИС. 11 — схема, полезная для объяснения того, как обнаруживается мерцание с использованием второго устройства захвата изображения 116 . В примере, показанном на рисунке, определяется, составляет ли частота мерцания 50 Гц или 60 Гц.На фиг. 11, «МЕРЦАНИЕ: 50 Гц» схематично показывает интенсивность света с циклом мерцания 1/50 секунды (частота 50 Гц), а «МЕРЦАНИЕ: 60 Гц» схематично показывает интенсивность света с циклом мерцания, равным 1. / 60 секунд (частота 60 Гц).

Пока изображение LV отображается на устройстве отображения 113 , зеркало 102 поворачивается вверх к пентапризме 119 , но когда мерцание должно быть обнаружено с помощью второго устройства захвата изображения 116 , зеркало 102 возвращается в положение, показанное на фиг.2. На фиг. 11 «НАКОПЛЕНИЕ» указывает время, с которым накапливается электрический заряд для обнаружения мерцания. В области, обозначенной «ОБНАРУЖИТЬ КОЛИЧЕСТВО СВЕТА», определяется среднее количество света от источника мерцающего света, а в области, обозначенной «ОБНАРУЖИТЬ МЕРЦАНИЕ», состоящей из 12 коротких периодов времени накопления от a до l, частота (цикл) мерцания и пик мерцания обнаруживаются. На фиг. 11, «СУММА НАКОПЛЕНИЯ 60 Гц» указывает интегральные значения в соответствующие периоды времени накопления, когда частота мерцания составляет 60 Гц, а интегральные значения в случае, когда частота мерцания составляет 50 Гц, опускаются.Значения периодов времени накопления от a до l определяются таким образом, чтобы два или более пика мерцания могли быть включены в интегральные значения 12 в периоды времени накопления от a до l, в зависимости от того, какая частота мерцания составляет 50 Гц или 60 Гц. Таким образом, то, составляет ли частота мерцания 50 Гц или 60 Гц, определяется путем нахождения пиков мерцания на основе соотношения величин между интегральными значениями и вычисления периода времени от одного пика до другого. После того, как обнаружение мерцания закончено, зеркало 102 поворачивается, чтобы уловить неподвижное изображение с синхронизацией пика мерцания, совпадающей с синхронизацией срабатывания затвора, и после этого непрерывная съемка управляется описанным выше способом.

Варианты осуществления настоящего изобретения также могут быть реализованы с помощью компьютера системы или устройства, которое считывает и выполняет выполняемые компьютером инструкции (например, одну или несколько программ), записанные на носителе данных (который может также называться более полно как «энергонезависимый машиночитаемый носитель данных») для выполнения функций одного или нескольких из описанных выше вариантов осуществления и / или который включает в себя одну или несколько схем (например, специфичных для приложения интегральная схема (ASIC)) для выполнения функций одного или нескольких описанных выше вариантов осуществления, а также с помощью метода, выполняемого компьютером системы или устройства, например, путем считывания и выполнения команд, исполняемых компьютером. с носителя данных для выполнения функций одного или нескольких описанных выше вариантов осуществления и / или управления одной или несколькими схемами для выполнения функций одного или нескольких описанных выше вариантов осуществления.Компьютер может содержать один или несколько процессоров (например, центральный процессор (CPU), микропроцессор (MPU)) и может включать в себя сеть отдельных компьютеров или отдельных процессоров для считывания и выполнения команд, исполняемых компьютером. Машиноисполняемые инструкции могут быть предоставлены компьютеру, например, из сети или с носителя данных. Носитель данных может включать в себя, например, один или несколько из жесткого диска, оперативную память (RAM), постоянную память (ROM), хранилище распределенных вычислительных систем, оптический диск (например, компакт-диск). (CD), универсальный цифровой диск (DVD) или Blu-ray Disc (BD) ™), устройство флэш-памяти, карта памяти и т.п.

Хотя настоящее изобретение было описано со ссылкой на примерные варианты осуществления, следует понимать, что изобретение не ограничивается раскрытыми примерными вариантами осуществления. Объем следующей формулы изобретения должен соответствовать самой широкой интерпретации, чтобы охватить все такие модификации и эквивалентные структуры и функции.

В этой заявке испрашивается приоритет заявки на патент Японии № 2015-095593, поданной 8 мая 2015 г., которая полностью включена в настоящий документ посредством ссылки.

стенограмма Brainwaves: Искусственный интеллект может любить вас, убивать, но не может заменить вас | CU Boulder Today

Paul Beique:
Добро пожаловать в Brainwaves, подкаст о крупных идеях, созданных в Университете Колорадо в Боулдере. Я ваш хозяин на этой неделе, Поль Бике. Нет недостатка в новостях об искусственном интеллекте. С Amazon…

в Китай…

Для роботизированных отношений.

Диктор: У меня назначена встреча с Хармони, первым в мире секс-роботом.«Я уже захватываю мир по одной спальне за раз».
Paul:
Но если мы чему-то научились из фильмов, у искусственного интеллекта есть несколько недостатков.

Из «2001: Космическая одиссея»:
«Откройте двери отсека отсека, HAL».

HAL:
«Прости, Дэйв, боюсь, я не могу этого сделать».

Дэйв:
«В чем проблема?»

HAL:
«Я думаю, вы знаете, в чем проблема, не хуже меня».

Дэйв:
«О чем ты говоришь, HAL?»

Paul:
Это HAL, робот-антагонист из «2001: Космическая одиссея».«HAL говорит о непредвиденных ограничениях ИИ. Начнем с этого на этой неделе. Исполнительный продюсер Эндрю Соренсен поговорил с ученым-исследователем Джанель Шейн о недостатках искусственного интеллекта.

Эндрю Соренсен:
Джанель Шейн, автор книги «Ты выглядишь как тварь, и я люблю тебя». Эта книга об искусственном интеллекте и, в частности, о некоторых пробелах в том, что искусственный интеллект не может сделать. Чего не может искусственный интеллект? Где мы сейчас ограничены?

Жанель Шейн:
Мы ограничены действительно простыми, четко определенными проблемами.Потому что алгоритмы, с которыми мы имеем дело, на самом деле, если вы посмотрите на чистую умственную силу, больше похожи на то, что может сделать дождевой червь. Поэтому попытки понять более широкий мир, подобный контекст — это действительно сложная задача для современных алгоритмов.

Эндрю:
Расскажите о названии этой книги: «Ты выглядишь как существо, и я люблю тебя». Откуда взялось это название?

Джанель Шейн:
Это был эксперимент, когда я пытался получить нейронную сеть, генерирующую текст, для генерации строк захвата, и это было лучшее, что у меня получалось.

Эндрю:
Это была лучшая линия пикапа. Итак, по вашему мнению, что это показывает нам, насколько далеко мы находимся с искусственным интеллектом, и что нам нужно помнить, поскольку есть много людей, которые очень обеспокоены тем, что? искусственный интеллект может это сделать, а с другой стороны, мы видим, что многие компании продают эти решения искусственного интеллекта для решения многих проблем, с которыми мы сталкиваемся.

Джанель Шейн:
Да, я думаю, многие люди склонны думать об ИИ как об искусственном интеллекте научно-фантастического уровня, таком как уровень Скайнет и так далее.И то, что у нас есть сегодня, намного проще. Вряд ли в ближайшее время это усложнится. Фактически, нам нужно немного больше беспокоиться об алгоритмах, которые на самом деле не понимают, что мы пытаемся заставить их делать, и случайно решают неправильную проблему, копируют человеческую предвзятость, хотя им не следует копировать человеческую предвзятость, или, знаете, дурак и не узнает пешехода, когда им следует.

Эндрю:
Как вы думаете, насколько мы далеки от искусственного интеллекта от чего-то более надежного?

Жанель Шейн:
Это зависит от обстоятельств.Я имею в виду, что теперь вы можете создать что-то достаточно надежное для выполнения определенных задач. Как у нас они помечают фотографии на наших мобильных телефонах, так и у нас есть результаты поиска с автозаполнением. И поэтому они хорошо работают для множества различных задач, но мы сталкиваемся с некоторыми вещами, которые мы не осознаем, очень сложными, например, гибкие ответы на вопросы клиентов, пока мы не попытаемся создать машина, чтобы сделать это и понять, о, есть много сложных вещей, которые мы, люди, делаем, даже не задумываясь об этом.

Эндрю:
Итак, что вы посоветуете людям, когда они думают об искусственном интеллекте и когда они продают много продуктов, за которыми стоят решения для искусственного интеллекта?

Жанель Шейн:
Да, я думаю, следует помнить, что эти алгоритмы не могут принимать моральные решения сами по себе и что они копируют человеческое поведение. Поэтому, если человеческое поведение ошибочно, эти алгоритмы будут копировать его неосознанно.

Эндрю:
Хорошо, большое вам спасибо.

Жанель Шейн:
Большое спасибо.

Paul:
Джанель Шейн — научный сотрудник в компании Boulder Nonlinear Systems и автор книги по искусственному интеллекту под названием «Ты выглядишь как тварь, и я тебя люблю».
Это правда, что машины могут делать только то, что люди хотят от них, и они не могут решать, что этично, а что нет. Когда эта машина создана, чтобы убивать, перспективы очень быстро становятся очень пугающими. New York Times недавно опубликовала рассказ и документальный фильм о возрастающей роли ИИ в вооруженных силах.Наш следующий гость — Иона Кессель, директор по кинематографии Times. Он продюсировал документальный фильм. Он начинается с кадра Кесселя, сидящего в оранжевом кожаном кресле на совершенно черном фоне. Он смотрит на свой телефон.

Комментарий Джоны Кесселя:
Мне нравится, что я могу разблокировать телефон своим лицом. И этот Google может предсказать, о чем я думаю. И эта Amazon точно знает, что мне нужно. Здорово, что мне не нужно вызывать такси или идти в продуктовый магазин. На самом деле, я надеюсь, что мне больше никогда не придется водить машину.Или перемещаться, или использовать наличные, или убирать, или готовить, или работать, или учиться.

Но что, если вся эта технология… пыталась меня убить?

Пол:
Иона, добро пожаловать в Brainwaves.

Иона Кессель:
Спасибо, что пригласили меня.

Пол:
И, полное раскрытие, Иона был моим студентом много лет назад в колледже Святого Михаила недалеко от Берлингтона, штат Вермонт. В этом документальном фильме вы отправляетесь на выставку российского оружия, где демонстрируется оружие, оснащенное искусственным интеллектом. Вас что-нибудь удивило в том, что вы там нашли?

Jonah Kessel:
Я думаю, что больше всего меня удивило то, что они, во-первых, вообще их показали.Некоторые из этих видов оружия считаются морально серой зоной, особенно в будке Калашникова. Калашников, как известно, похож на всемирно известную икону убийства. Вы знаете, их ружья … АК-47, наверное, одно из самых печально известных ружей в мире. И когда мы увидели это орудие, которое у них было, это была турель, подключенная к программе распознавания лиц. И мне потребовалась минута, чтобы понять это. Я подумал, да. Он был выставлен на обозрение, я увидел башню, увидел на ней пулемет. И я увидел, к чему это было подключено, и он указывал на меня.И после того, как он как бы зафиксировал, что происходит, я подумал, вау, это потрясающе. Итак, я сразу же пошел к продавцам и их пиарщикам. Я подумал, эй, можем ли мы спросить тебя об этом оружии? Нам действительно любопытно, как это работает.

И, знаете, они поболтали секунду и в конце концов сказали: «Абсолютно нет. Уходите.» И у нас вроде, ну, знаете, у нас есть пропуски для прессы. Мы здесь, как вы знаете, как законные представители прессы. Вы знаете, мы действительно хотели бы поговорить с кем-нибудь об этом.И они сказали, ну, знаете, вернитесь через час. И мы вернулись через час, и они сказали, что вернемся завтра. И мы вернулись завтра, а потом его не было.

Итак, это оружие, которое явно привлекло наш интерес, как только мы начали спрашивать о нем, они не чувствовали себя достаточно комфортно, не говоря уже о том, чтобы говорить об этом, но они почувствовали необходимость убрать его. И я думаю, что это красноречиво говорит о его предполагаемой угрозе и предполагаемом использовании.

Paul:
Вы подчеркиваете в документальном фильме, что мы уже были здесь раньше с военными технологиями.Пистолет Гатлинга изначально создавался для спасения жизней. Ядерное, химическое и биологическое оружие должно было быть сдерживающим фактором, но все они использовались для убийства людей. Считаете ли вы эту статью своего рода предупреждением не идти по тому же пути снова с искусственным интеллектом?

Иона Кессель:
Да, конечно. Я думаю, знаете, одно из моих увлечений в журналистике — поднимать красные флаги. Знаете, эта статья больше посвящена анализу, чем что-либо еще. Но не нам, журналистам, говорить о том, хорошо это или плохо.Но определенно мы должны сказать: «Эй, это требует большего внимания». И если мы посмотрим на уроки прошлого, вы знаете, например, на пистолет Гатлинга, то очевидно, что наши изобретения не всегда имеют те цели, которые мы предсказываем. А в случае с автономным оружием, вы знаете, ученые ИИ кричат: «Не делайте этого», и все же мы их не слушаем.

Paul:
Организация Объединенных Наций не особенно хорошо выглядит в этом документальном фильме. Они изображены как говорящие в кругу об определениях и правилах, в то время как технологические компании и страны стремительно разрабатывают автономное оружие.Что вас поразило в этой дихотомии?

Иона Кессель:
Да, я пошел, думаю, это были пятидневные встречи в Организации Объединенных Наций в Женеве. Но когда я был там, я начал замечать, что это были шутки, которые сначала начали действительно меня трогать. Это, вы знаете, всякий раз, когда кто-то начинал говорить, первые 30 секунд были, знаете ли, оставлены для любезностей: Спасибо, что пригласили нас, спасибо, что дали нам слово, ваше превосходительство, вы знаете. И то же самое произошло бы в ответ со стулом, который заговорил бы.И количество времени, которое было потрачено впустую, вы знаете, пожимая друг другу руки, если хотите, действительно начало контрастировать с тем, что я видел пару дней назад на той оружейной ярмарке. Я разговаривал с технологами и разработчиками обо всем этом и обо всем, над чем они работают, и вдруг вы оказались на самом высоком уровне международного управления. И люди просто благодарят друг друга. И эта сцена начала складываться в моей голове, пока я был на собраниях.Я мог видеть, что я хочу с этим делать и как сопоставить эти вещи, чтобы показать, что мы действуем недостаточно быстро и уж точно не на бюрократическом уровне.

Paul:
Дети играют в этом документальном фильме довольно значительную роль. Вы показываете несколько сцен, в которых дети изучают эти системы оружия, почти играют с ними. Для меня это были одни из самых острых сцен. Что было за мыслью включить детей в рассказ об ИИ в армии?

Иона Кессель:
Конечно, когда думаешь о будущем, вероятно, нет более сильного знака, чем дети.Они также являются символом, или они действовали, я хотел, чтобы они действовали как символ культурных различий. Итак, это в России, и я думаю, что это важная часть истории, которая немного тонка, но просто у всех нас разные ценности. И это может быть довольно сложно, если, знаете, скажем, в Соединенных Штатах, мы ведем эти разговоры об этике в отношении оружия, но такие разговоры не обязательно происходят в других местах. И если наши системы ценностей настолько разные, возможно, одна страна будет производить это оружие, а другая не будет из-за своих собственных ценностей.И это создает своего рода неравномерность ведения войны, которая потенциально может быть опасной и на самом деле является одной из причин, по которой люди не хотят прекращать производство этих вещей, потому что они боятся, что, если они перестанут их производить, их конкурент или их противник могут продолжать делать их, давая им преимущество, если они пойдут на войну.

Paul:
Один из ваших испытуемых подчеркивает, что нам действительно не нужно ждать эту технологию, она уже создается коммерческими технологическими компаниями.Он также говорит, что мы можем научить военные машины быть правыми с юридической точки зрения, но добиться морального правды намного сложнее. Не могли бы вы рассказать нам о примере, который он использовал?

Джона Кессель:
Да, так, Пол Шарр — бывший армейский рейнджер, и в конце концов он стал политиком. Он работает в аналитическом центре в Вашингтоне.И в этой истории Пол описывает молодую девушку — ей могло быть 4 или 5 лет — которая шпионила за ним и его товарищами по команде. И вы знаете, по законам, по правилам войны, она была действительным противником.А в правилах войны нет возрастных ограничений в отношении того, кто воюет, поэтому она была подходящей целью. И в отношении этой молодой девушки, которую он видит в Афганистане, он говорит о том, что если бы он был машиной, запрограммированной на алгоритмы, чтобы следовать правилам войны, эта машина застрелила бы эту маленькую девочку. Теперь он знал, что это неправильно, и не стрелял в нее. Но машина, можете ли вы запрограммировать машину так, чтобы она знала разницу между добром и злом, даже если это означает нарушение закона? И я думаю, здесь есть кое-что, пара действительно интересных моментов.Одно, конечно, заключается в том, что не всегда ясно, что правильно, а что неправильно. Другое дело, что иногда поступать правильно — значит нарушать закон. И третье — это просто неопределенность, необходимая для суждения. Пол однажды сказал мне: все время, пока я был в Афганистане, когда кто-то подходил ко мне, чтобы поговорить, я никогда не мог быть полностью уверен, был ли этот человек простым гражданским лицом, которое хотел поздороваться, или, может быть, они меня не понимали, или, может быть, это действительно кто-то хотел меня убить. И я никогда не был полностью уверен.

И это реальность современной войны сегодня. Вы знаете, мы живем не во времена Второй или Первой Мировой войны, когда вы могли бы идентифицировать своего врага по его шлему или по его форме. Война сейчас совсем другая, и поле битвы не так ясно. Итак, это настоящие проблемы для ИИ, если мы подумаем о создании машин, которые будут вести войну и следовать правилам, потому что все они будут подчиняться правилам, которые мы им даем.

Пол:
Иона, большое спасибо за вашу работу и большое спасибо за то, что присоединились к нам сегодня на Brainwaves.

Иона Кессель:
Отлично, спасибо, что пригласили меня.

Иона Кессель:
Иона Кессель — директор по кинематографии в The New York Times. Вы можете найти ссылки на документальный фильм в описании подкаста.

Paul:
Распознавание лиц как часть системы вооружения может показаться пугающим, но даже распознаванию лиц в телефонах и на Facebook может быть трудно понять, кто мы. Исполнительный продюсер Эндрю Соренсен обсудил слабые места распознавания лиц, особенно в отношении гендерной идентичности, с Морганом Клаусом Шеурманом, аспирантом в области информатики в CU Boulder.

Эндрю:
Морган Клаус Шеурман, спасибо и добро пожаловать на выставку

Морган Клаус Шеурман:
Да, спасибо, что пригласили меня.

Эндрю:
Итак, мы говорим об искусственном интеллекте. Вы провели небольшое исследование искусственного интеллекта и распознавания лиц. Насколько широко используется искусственный интеллект в этой программе для распознавания лиц?

Morgan Klaus Scheurman:
Что ж, я бы сказал, что распознавание лиц и анализ лиц в более широком смысле — это всего лишь пример ИИ, поэтому весь анализ лиц — это ИИ, я бы сказал.

Эндрю:
На что мы смотрим, где сейчас находится эта технология? В своем исследовании вы обнаружили довольно серьезные недостатки.

Morgan Klaus Scheurman:
Что ж, думаю, я могу сказать некоторым слушателям, которые, возможно, не так хорошо знакомы с этой технологией, что, возможно, распознавание лиц является наиболее знакомым вариантом использования. Итак, как вы разблокируете свой телефон, как вы отмечаете своих друзей на Facebook. Мы все знакомы с этим примером распознавания лиц.Но в своем исследовании я рассмотрел классификацию лиц. Итак, тогда система проанализирует аспекты изображения, аспекты лица, а затем попытается классифицировать определенные характеристики этого лица, включая такие вещи, как пол, этническая принадлежность, возраст. Такого рода особенности.

Эндрю:
Предыдущее исследование показало, что существует множество проблем, связанных с группами меньшинств, особенно с женщинами с более темной кожей. Это правильно?

Morgan Klaus Scheurman:
Да, поэтому предыдущее исследование было проведено, чтобы показать, что женщин с более темной кожей, как правило, ошибочно причисляют к мужчинам чаще, чем людей с более светлым типом кожи в целом.

Эндрю:
И затем, что вы нашли в своем исследовании, вы можете немного объяснить это?

Morgan Klaus Scheurman:
Итак, в своем исследовании я изучал гендер в зависимости от гендерной идентичности. Итак, я посмотрел на цисгендерных мужчин, цисгендерных женщин, трансгендерных мужчин, трансгендерных женщин и небинарные гендеры, такие как гендерный квир, агендер. Итак, мы обнаружили, что классификация лиц в большей степени неверно классифицирует трансгендерных людей, чем цисгендерных людей. Кроме того, эти системы не созданы для распознавания чего-либо, кроме мужчин или женщин, поэтому на самом деле невозможно точно классифицировать что-либо за пределами бинарной гендерной

Эндрю:
Таким образом, популяция, которая идентифицирует трансгендеров, все еще, я думаю, довольно мала, где-то в виде однозначных цифр для всего населения.Почему среднестатистический человек действительно должен учитывать это и беспокоиться?

Морган Клаус Шеурман:
Да, я думаю, если мы говорим о том, что, например, почему любого человека на улице должно беспокоить то, что, с одной стороны, это действительно кодирует в этих системах то, что нормальная женщина и нормальный мужчина должен выглядеть. Таким образом, он очень ограничен в том, как он рассматривает гендер для каждого человека, с которым он вступает в контакт. Так что, если вы выходите за рамки этого, например, может быть, вам нравится чаще носить короткие волосы, или у вас просто есть то, что компьютер считает более мужественным, чем женщина, вас могут неправильно классифицировать.Так что мне это очень интересно. Это то, что я также проверял на себе, и когда я взаимодействую с людьми в реальной жизни, когда я говорю, обычно люди говорят «он» или «сэр», но эти разные системы на самом деле классифицировали меня по-разному. Так вот, Amazon классифицировал меня как женщину, а Microsoft классифицировала меня как мужчину. Таким образом, вы также можете видеть, что в зависимости от системы, с которой вы взаимодействуете, она может рассматривать вас как совершенно другой пол, поэтому на самом деле это может повлиять на любого человека.

Эндрю:
И вы, я знаю, что наша аудитория не может сейчас видеть Моргана.У него длинные волосы, но он одет во фланель и рубашку НАСА.

Морган Клаус Шеурман:
Это действительно зависит от дня. Я тоже определенно один из тех людей, которые, возможно, более склонны к гендерным флюидам, как вы бы сказали. Мол, я бы не стал считать себя нормальным, как короткие волосы, ношение джинсовых курток каждый день или что-то в этом роде.

Эндрю:
Но как только вы общаетесь с вами, становится ясно, что вы мужчина.

Морган Клаус Шеурман:
Что ж, я тоже думаю, что это очень интересно.Эти системы, они действительно стараются быть такими же хорошими, как люди, в этом, но у них не так много контекстных подсказок, а теперь есть много понятий о гендере, когда ваша внешность не обязательно соответствует вашему полу. личность. Итак, я и вы, мы могли бы поговорить об этом, правильно, и я мог бы сказать, ну, это то, как вы меня воспринимаете, это не то, что я чувствую, верно? Но вы не можете сделать это с помощью компьютера, и прямо сейчас у вас нет возможности даже вмешаться в большинство этих систем.Многие из нас даже не подозревают, что это происходит.

Эндрю:
И каковы некоторые из проблемных вариантов использования, когда используется распознавание лиц, когда вы обнаруживаете, что то, что вы обнаружили, с его ограничениями, является проблемой.

Morgan Klaus Scheurman:
Да, я бы сказал, что в большинстве случаев это используется либо в СМИ, либо в маркетинге. Итак, в этом случае речь идет больше о том, кого вы вводите в заблуждение, а кого вы стираете из реальности: кто взаимодействует с продуктами, кто находится на экране или что-то еще.В других случаях распознавание лиц или классификация лиц используются, например, в сценариях безопасности или при контроле за соблюдением правил. И обычно это больше касается распознавания, индивидуального сопоставления по принципу «один-к-одному». Но интересно посмотреть, может быть, ваша документация, ваше удостоверение личности или данные, внесенные полицией в базу данных, не соответствуют вашей текущей гендерной идентичности. Так что я мог видеть, что это очень проблематично и очень опасно для людей, которые в целом уже имеют более высокий уровень насилия. Транссексуалы сталкиваются с более высоким уровнем насилия среди населения в целом.

Эндрю:
Итак, мы немного поговорили перед этим интервью, и у вас были довольно крупные компании, которые были задействованы в этой сфере, обратились к вам, чтобы узнать немного больше о вашем исследовании. Кто обращался к вам и о чем они спрашивали?

Morgan Klaus Scheurman:
Итак, я не знаю, хочу ли я сказать, какие компании обращаются ко мне в подкасте, но в основном некоторые более крупные технологические компании, которые используют гендерную классификацию в своих программах для анализа лица, обратились к понимать, в каком направлении, по их мнению, им следует двигаться с точки зрения гендерной классификации, и во многих отношениях рассказывать нам о сценариях использования, для которых их клиенты в настоящее время используют его.Но я думаю, что компании и их сотрудники на самом деле много думают об этой проблеме. Как вы знаете, в обществе все более очевидными становятся права трансгендеров и различные взгляды на гендерные аспекты, и я не думаю, что эти компании не знали об этой проблеме.

Эндрю:
Итак, с этой целью они обращаются, они смотрят на проблему, дает ли это вам некоторую надежду на будущее распознавания лиц, что оно может быть немного более точным и не создавать некоторые из этих проблемных сценариев где, вы знаете, может быть, вам продают женские товары, когда вы идентифицируете себя как мужчина?

Morgan Klaus Scheurman:
Да, я думаю, что это действительно интересный вопрос, потому что я не обязательно большой сторонник распознавания лиц в любом случае, так что с точки зрения повышения точности, есть много опасений со стороны разных маргинальных групп, и не только трансгендеров, но и цветных людей. Чем точнее это может быть, тем опаснее для этих групп, особенно с точки зрения полицейской слежки и тому подобного.Я действительно думаю, что есть многообещающие варианты использования. Итак, если мы смотрим на репрезентацию или смягчение предвзятости с помощью таких инструментов и видим, например, ох, сколько людей определенного пола показано в телешоу, или как мы можем уменьшить предвзятость в отношении определенных цветных людей, я думаю, что это полезно. Я лично считаю, что лучший шаг вперед — это политика, а не диверсификация данных. Поэтому я хотел бы видеть больше дискуссий о том, как следует использовать эти системы и какие варианты использования следует регулировать.

Эндрю:
Хорошо, Морган Клаус Шеурман, большое вам спасибо.

Морган Клаус Шеурман:
Большое спасибо за то, что пригласили меня.

Пол:
Спасибо, что присоединились к нам на этой неделе на Brainwaves. Я Поль Бейк. Если вам понравилось то, что вы услышали, или у вас есть идея по теме, которую мы должны осветить, мы хотим знать. Теперь вы можете написать нам по адресу [email protected]. Мы с исполнительным продюсером Эндрю Соренсеном продюсировали эту серию. Присоединяйтесь к нам на следующей неделе, когда речь идет о музыке, от Beatles до Gen Z.

Дэйв из «2001: Космическая одиссея»:
Привет, HAL, ты меня слышишь?

Привет, HAL, ты меня читаешь?

Вы меня читаете, HAL?

Вы меня читаете, HAL?

Привет, HAL, ты меня читаешь?

Разработка моделей искусственного интеллекта для моделирования качества подземных вод скважин: различные сценарии моделирования

Abstract

Подземные воды — один из наиболее важных ресурсов пресной воды, особенно в засушливых и полузасушливых регионах, где годовое количество осадков невелико с частой продолжительностью засух.Информация о качественных параметрах этих ценных ресурсов очень важна, поскольку она может повлиять на ее применимость с сельскохозяйственных, питьевых и промышленных аспектов. Хотя методы геостатистики могут дать представление о пространственном распределении факторов качества, применение передовых моделей искусственного интеллекта (ИИ) может способствовать получению более точных результатов в качестве надежной альтернативы для такой сложной геологической проблемы. Настоящее исследование исследует возможности нескольких типов моделей искусственного интеллекта для моделирования четырех ключевых переменных качества воды, а именно электропроводности (EC), коэффициента адсорбции натрия (SAR), общего растворенного твердого вещества (TDS) и сульфата (SO ₄ ) с использованием полученного набора данных. из 90 скважин на Тебризской равнине, Иран; оценивается k-кратным тестированием.Были созданы два различных сценария моделирования для моделирования с использованием других параметров качества и географической информации. Полученные результаты подтвердили возможности моделей AI для моделирования переменных качества подземных вод скважин. Среди всех применяемых моделей искусственного интеллекта разработанная модель гибридного опорного векторного алгоритма «машина-светлячок» (SVM-FFA) достигла лучших показателей предсказуемости для обоих исследованных сценариев. Внедренная методология компьютерной помощи предоставила надежную технологию для мониторинга и оценки подземных вод.

Образец цитирования: Шири Н., Шири Дж., Ясин З.М., Ким С., Чунг И.-М, Нурани В. и др. (2021) Разработка моделей искусственного интеллекта для моделирования качества подземных вод в скважинах: различные сценарии моделирования. PLoS ONE 16 (5): e0251510. https://doi.org/10.1371/journal.pone.0251510

Редактор: Василис Г. Ашонитис, Институт почвенных и водных ресурсов ELGO-DIMITRA, ГРЕЦИЯ

Поступила: 11 марта 2021 г .; Принята к печати: 27 апреля 2021 г .; Опубликовано: 27 мая 2021 г.

Авторские права: © 2021 Shiri et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Авторские права на данные, использованные в настоящем исследовании, принадлежат Региональной водохозяйственной компании Восточного Азарбайджана, Иранской компании по управлению водными ресурсами, Министерству энергетики Исламской Республики Иран. Данные не могут быть общедоступными, потому что данные принадлежат третьей стороне, и авторы не имеют разрешения на совместное использование данных.Данные могут быть запрошены в Региональной водохозяйственной компании Восточного Азарбайджана, Иранской компании по управлению водными ресурсами, Министерстве энергетики Исламской Республики Иран (контакт через [email protected]) для исследователей, которые соответствуют критериям доступа к конфиденциальным данным. Исследователь может запросить данные у компании, указав регион и типы качества подземных вод. Авторы не имели привилегированного доступа к данным. Другие исследователи могут получить доступ по запросу от компании.

Финансирование: Это исследование финансировалось Министерством окружающей среды Кореи (MOE) в качестве программы услуг водоснабжения с учетом спроса (146515).

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

1. Введение

Люди в основном зависят от подземных вод как для питьевых, сельскохозяйственных, так и для промышленных целей [1, 2]. Следовательно, необходимо в совершенстве понимать геохимические процессы, которые регулируют химический состав подземных вод, поскольку это улучшит понимание гидрохимических систем в различных регионах по всему миру [3].Такая информация может также улучшить управление ресурсами подземных вод и их использование, подчеркивая взаимосвязь между качеством подземных вод, литологией водоносного горизонта и типом подпитки [4, 5]. При традиционных подходах к управлению водными ресурсами системы поверхностных и подземных вод рассматриваются как два отдельных объекта; однако доказано, что обе системы влияют друг на друга как с качественной, так и с количественной точки зрения на основе недавних разработок в области анализа земельных и водных ресурсов [6, 7].Тем не менее, загрязнение подземных вод либо в результате антропогенной деятельности, либо из-за природного состава водоносного горизонта снижает способность снабжения подземными водами или ограничивает их эксплуатацию [8, 9]. На качество подземных вод также может влиять сельскохозяйственная деятельность, такая как использование удобрений и пестицидов, хотя другие геологические и антропогенные действия также могут влиять на качество подземных вод [10, 11], поскольку они являются компонентом физических и химических параметров, на которые влияют антропогенной и геологической деятельностью [12–14].

Обычно традиционный подход к анализу качества подземных вод в основном зависит от математического моделирования, такого как анализ временных рядов, статистика вероятностей и т. Д. Эти методы предполагают наличие линейной связи между зависимыми и независимыми переменными; следовательно, общая точность таких моделей обычно невысока [15, 16]. Учитывая преобладающие проблемы моделирования качества подземных вод [17, 18], существует потребность в новых вычислительных подходах к этой проблеме.Развитие моделей искусственного интеллекта в области гидрологии и окружающей среды привлекло огромное внимание в последнее десятилетие [19–23]. В связи с этим некоторые исследования были сосредоточены на разработке некоторых вычислительных подходов к моделированию качества подземных вод; например, Yesilnacar et al. [24] разработали модель искусственной нейронной сети (ИНС) для прогнозирования концентрации нитратов в подземных водах на равнине Харран в Турции. В исследовании сообщается, что разработанная модель позволила достичь рентабельного управления ресурсами подземных вод.Кроме того, Liu et al. [25] протестировали модель машины опорных векторов (SVM), которая основывается на восьми оценочных показателях для оценки качества воды. Было определено, что предложенная модель SVM хорошо работает при определении качества воды в соответствии с рекомендациями Стандарта оценки качества подземных вод. Предложенный метод также позволил решить сложные нелинейные зависимости, существующие между классом качества воды и коэффициентом оценки; модель также достигла высокого уровня точности прогнозов и обеспечила приемлемые и разумные характеристики в качестве метода оценки.Модель ИНС была разработана Yesilnacar и Sahinkaya [13] для прогнозирования концентрации сульфата подземных вод (SO ₄ ) и коэффициента адсорбции натрия (SAR). Результаты исследования показали возможность управления ресурсами подземных вод более простым и экономичным способом с помощью предложенной модели. Модель байесовской нейронной сети (BNN) была разработана Maiti et al. [26] для оценки качества подземных вод. Исследование также доказало, что модель может обеспечить полезные ограничения (на основе неопределенности и статистического анализа), которые могут быть полезны при оценке и мониторинге качества подземных вод.

Оценка качества поверхностных и грунтовых вод в сельских районах Силезской низменности была представлена ​​Orzepowski et al. [27], в переменных климатических условиях. Результаты исследования показали, что метод моделирования ИНС, основанный на статистическом анализе, служит полезным инструментом для оценки содержания воды в почвах в различных климатических условиях. Исследование Khaki et al. [28] использовали адаптивную систему нейро-нечеткого вывода (ANFIS) и ИНС для моделирования уровней общих растворенных твердых веществ (TDS) и электропроводности (EC).Оба метода продемонстрировали эффективность в интерпретации поведения параметров качества воды. Потенциал модели ИНС в прогнозировании SAR, коэффициента поглощения магния, остаточного карбоната натрия, коэффициента Келли и процента натрия (% Na) в грунтовых водах был оценен Wagh et al. [29]. Результаты исследования подтвердили эффективность разработанной модели ИНС в плане точного прогнозирования, которое влияет на показатели пригодности для орошения. Барзегар и Могхаддам [30] сравнили производительность трех алгоритмов ИНС, включая многослойный персептрон (MLP), нейронную сеть с радиальной базисной функцией (RBFNN) и нейронную сеть обобщенной регрессии (GRNN), в прогнозировании солености грунтовых вод, выраженной электропроводностью. [ЭК (мкСм / см)].Судя по результатам моделирования, три модели показали хорошие результаты при прогнозировании солености грунтовых вод. Возможности модели SVM для прогнозирования концентрации нитратов были оценены Arabgol et al. [31] в подземных водах равнины Арак, Иран. Модель SVM преуспела в прогнозировании концентрации нитратов на основе набора переменных качества грунтовых вод, которые можно было легко измерить, таких как температура воды, глубина грунтовых вод, электропроводность, растворенный кислород, pH, общее количество растворенных твердых веществ, землепользование и время года. год.Исследование также показало, что модель SVM — это быстрый, надежный и экономичный метод искусственного интеллекта. Возможность применения методов искусственного интеллекта в моделировании качества подземных вод оценивалась многими учеными, и такие исследования дали эффективные результаты [32–40].

Gholami et al. [34] представили усовершенствованную форму модели ANFIS для моделирования качества подземных вод; Предложенная модель была описана как совместная ANFIS (CANFIS), интегрированная с географической информационной системой (GIS). Обучение и проверка предложенной модели проводились на примере Мазандаранской равнины в северном регионе Ирана.Результаты исследования продемонстрировали эффективность интеграции модели ИИ с ГИС. Исследование Azimi et al. [41] представили ИНС и модифицированные модели нечеткой кластеризации для оценки снижения качества питьевой воды. Эффективность моделей оценивалась на реальных примерах юго-восточных водоносных горизонтов в центральном регионе Ирана. В исследовании сообщается о способности модифицированного метода кластеризации повысить эффективность прогнозирования модели по сравнению с предыдущими отчетами.Возможность использования ИНС и моделей множественной линейной регрессии (MLR) в моделировании Канадского индекса качества воды (CWQI) подземных вод была оценена Натаном и др. [42]; исследование оптимизировало входные параметры моделирования с использованием подхода иерархического кластерного анализа (HCA) и процедуры кластеризации. Анализ результатов показал, что модели MLR и ANN являются надежными методами прогнозирования CWQI. Исследование также показало, что результаты исследования могут помочь лицам, принимающим решения, в решении проблем, связанных с качеством воды.

Кроме того, усилия по-прежнему направлены на разработку новых прогнозных моделей искусственного интеллекта, которые могли бы надежно справиться с разнообразием, нелинейностью и нестационарностью модели качества подземных вод. Исследование Barzegar et al. [43] исследовали возможность использования модели машины экстремального обучения (ELM) в качестве новой и усовершенствованной версии модели ИНС для прогнозирования уровня фторидного загрязнения подземных вод. После проверки на соответствие классическим моделям искусственного интеллекта, ELM оказался способен предсказывать уровень загрязнения фтором.В различных исследованиях предпринимались попытки использовать гибридные модели искусственного интеллекта для моделирования качества подземных вод; Среди изученных моделей ИИ — вдохновленные природой алгоритмы оптимизации, такие как оптимизация роя частиц, дифференциальная эволюция, генетический алгоритм, алгоритм муравьиной колонии, алгоритм светлячка и т. д. [44–47].

Исследование Sepahvand et al. [48] ​​сосредоточены на эффективности четырех моделей ИИ при прогнозировании SAR; оцениваемыми моделями являются дерево моделей M5P, RF, реализующий алгоритм упаковки на M5P и групповой метод обработки данных (GMDH).По результатам исследования, модель дерева модели M5P позволила достичь более высокой точности в прогнозировании SAR по сравнению с остальными моделями в данной области исследования. В другом исследовании оценивались модели Gaussian Process (GP), M5P, RF и random tree (RT) для прогнозирования загрязнения грунтовых вод нитратами и стронцием [49]. Исследование показало, что модель GP обеспечивает лучшую производительность по сравнению с другими моделями с точки зрения прогнозирования концентраций нитратов и стронция.

В связи с необходимостью проведения исследований по моделированию качества подземных вод для различных инженерных приложений геолого-геофизических исследований, в течение последнего десятилетия этому курсу были посвящены различные исследования.На основе исследования, проведенного в базе данных Scopus «Поиск ключевых слов: искусственный интеллект подземных вод», результаты поиска показали, что в этой области опубликована 131 исследовательская статья, охватывающая период 1988–2021 годов. На основе анализа литературы, проведенного на собранной базе данных с помощью VOSviewer, ключевые слова встречаемости пересечений составляют 268 с визуализацией 6 кластеров (рис. 1). Кроме того, в литературе указано, что в 41 стране проводились исследования в этой области исследований. Согласно результатам, представленным на рис. 1, регион Ирана занимает второе место после США по моделированию качества подземных вод.Кроме того, рис. 1 означает, что в этой области исследований не проводились исследования гибридных моделей искусственного интеллекта.

Рис. 1. Анализ литературы по моделированию качества подземных вод с использованием возможностей моделей искусственного интеллекта за последние два десятилетия и округов, проводивших исследования в этой области исследований.

https://doi.org/10.1371/journal.pone.0251510.g001

Несмотря на то, что были проведены существенные исследования для оценки параметров качества подземных вод с использованием методов мягких вычислений, всестороннее исследование, которое может оценить возможности этих моделей с использованием обоих параметров качества а географическая информация все еще редко встречается в литературе.Таким образом, настоящее исследование направлено на прогнозирование четырех важных параметров качества подземных вод на Тебризской равнине, Иран, с использованием восьми подходов мягких вычислений. Тебризская равнина расположена недалеко от озера Урмия (второго по величине соленого озера на земном шаре), уровень воды в котором за последние несколько десятилетий резко упал. Учитывая, что уровень грунтовых вод в скважинах был понижен, обычно предполагается, что существует гидравлическое взаимодействие между озером и окружающим водоносным горизонтом (Тебризской равнины), которое может вызвать проникновение соленой воды в водоносный горизонт.Это может снизить его качество для различных сельскохозяйственных, бытовых и промышленных потребителей. Тем не менее, на этой равнине проводились многочисленные сельскохозяйственные и промышленные мероприятия, которые могут способствовать изменению параметров качества воды. Поэтому наличие надежных инструментов для пространственного моделирования параметров качества подземных вод имеет решающее значение в этом регионе. Тем не менее, предлагаемый протокол может быть переведен на другие регионы, где доступна необходимая информация для модельного кормления.

2. Материалы и методы

2.1. Направление

Район исследования охватывает Тебризскую равнину на северо-западе Ирана, которая расположена между широтами 45 ° 30 ‘и 46 ° 15’ северной широты и высотами 37 ° 56 ‘и 38 ° 17’ восточной долготы, с общей площадью водосбора более 700 км ² [50]. Территория Тебриза находится в провинции Восточный Азербайджан, которая структурно является частью центрального Ирана. Он зажат между горными системами Загрос и Альборз. Этот район включает образования девонско-четвертичного возраста, на которые повлияли различные геологические движения, в первую очередь альпийские.Образования в районе Тебриза сложены миоценовыми скалами, которые покрыли неровности аллювиальных отложений и образовали крутые пласты с востока на запад. Коренные породы миоцена в этой области высоки, поэтому аллювиальные отложения очень тонкие. Высота колеблется от 1247 до 3600 м над уровнем моря. Среднегодовое количество осадков в районе составляет около 230 мм, со среднегодовой температурой 12,8 ^o C. Климатический контекст исследуемой территории холодный и сухой согласно индексу классификации климата Эмбергера [50].Были собраны данные наблюдений из 90 скважин, включая различные параметры качества подземных вод. Расположение исследуемой территории и Тебризской равнины представлено на (рис. 2, https://www.diva-gis.org/gdata). Краткое описание используемых параметров представлено в Таблице 1. Краткое описание используемых параметров представлено в Таблице 1. Основная многолетняя река равнины — река Аджичай. Для оценки принятой методики использовались данные 90 наблюдательных скважин на равнине.Данные были получены от Региональной водной компании Восточного Азербайджана, где данные были тщательно проанализированы и проверены на наличие несоответствий. Записи о качестве воды включали различные параметры, например: Ca, Mg, Cl, SO _4, , EC и т. Д. Были измерены в течение 15 лет (ежемесячные записи доступны в период с 2005 по 2019 гг.).

2.2. Модели искусственного интеллекта

В этом исследовании для прогнозирования параметров качества подземных вод используются несколько типов моделей искусственного интеллекта.Стоит отметить, что во всех применяемых моделях перед вводом входных данных набор данных был стандартизирован и ограничен диапазоном [0,1]. Применяемые модели можно разделить на следующие категории: i) сетевые модели (искусственная нейронная сеть, ИНС и адаптивная нейронечеткая система вывода, ANFIS), ii) анализ на основе классификации (машина опорных векторов, SVM), iii) регрессионный анализ. анализ (многомерная адаптивная сплайн-регрессия, MARS), iv) метод на основе ансамблевого дерева (случайные леса, RF) и v) интегративные модели (встроенный алгоритм Firefly с ANN и SVM, ANN-FA и SVM-FA).Далее дается краткое описание этих моделей.

2.2.1. Многослойные нейронные сети персептрона.

Нейронные сети с многоуровневым персептроном (MLP) — это базовые типы нейронных сетей прямого распространения (FFNN), которые представляют собой сети с параллельной многоуровневой структурой. В FFNN сетевые вычисления идут от первого уровня к последнему. Слои в сети MLP полностью связаны с предыдущим и следующим уровнем. Обычно сеть MLP состоит из трех слоев: входного, скрытого и выходного.Входной слой получает входные параметры и действует как вход в сеть. Процесс вычислений в скрытом и выходном слоях основан на нескольких взаимосвязанных процессорах, называемых нейронами (см. Рис. 3). Другими словами, в типичной модели MLP каждый нейрон в слое получает информацию от всех нейронов предыдущего слоя и, соответственно, отправляет информацию нейронам следующего слоя. Расчетная информация перемещается на основе синаптических весов и смещений в сети.В MLP две функции — функции суммирования и активации — используются для передачи входной вычисленной информации нейрона и подготовки ее к отправке нейронам на следующем уровне. Уравнение (1) показывает, как действует функция суммирования ( S _j ) нейрона j ^th , получая входные переменные ( I _i ) на конкретный нейрон. .

В уравнении (1) n обозначает общее количество входов, w _ij — веса связи (синаптические), а β _j показывает значение смещения.Имея результат уравнения (1), функция активации (например, сигмовидная функция активации для скрытого слоя и линейная функция для выходного слоя, f _j ( x ) = S ). _j ) вычисляет выходное значение нейрона. В конце концов, конечный результат достигается на основе уравнения (2): (2)

После построения структуры сети необходимо настроить регулируемые параметры, включая веса соединений и смещения.Следовательно, на этапе обучения сети алгоритм обучения, такой как алгоритм градиентного спуска, используется для обновления регулируемых параметров. Подробную информацию о сетях MLP можно найти в нескольких исследованиях [51–53]. В этой работе мы использовали следующие параметры для формирования окончательной архитектуры MLPNN: количество скрытых слоев = 2, количество скрытых узлов = 17, функция активации для узлов скрытого слоя = касательная гиперболическая; функция активации для узла выходного слоя = касательная гиперболическая.

2.2.2. Машина опорных векторов (SVM).

Созданная на основе теории статистического обучения, SVM в последние десятилетия привлекла большое внимание при моделировании инженерных задач. Подобно сети MLP, SVR, которая является регрессивной версией машины опорных векторов (SVM), считается алгоритмом контролируемого машинного обучения; однако применяемая методология отличается. Для построения SVM данные разделяются на несколько регрессивных подклассов с использованием поверхности принятия решений, так называемой гиперплоскости.Гиперплоскость преобразует нелинейное входное пространство в область большой размерности [54].

Каждый класс имеет аналогичные функции, которые позволяют SVM улавливать нелинейности сложной системы и расширять ее для прогнозирования значений отклика. Те маргинальные данные, которые близки к гиперплоскости, образуют опорные векторы. Опорные векторы являются критическими элементами для обучения модели SVM [55].

Расширяя метод SVM для моделирования и прогнозирования проблем, можно представить сеть SVR, как показано ниже [56]: (3) где x — это входной набор данных, а n — количество входных данных. α и β — множитель Лагранжа и смещение соответственно. k () обозначает функцию ядра.

Производительность SVM сильно зависит от используемой функции ядра. Есть несколько доступных функций ядра, которые можно использовать в SVR; однако четыре их типа более распространены, чем другие, такие как линейная, полиномиальная, радиальная базисная функция (RBF) и сигмоидальные ядерные функции [57, 58]. В данном исследовании функция ядра RBF применяется для создания моделей SVM.(4) где γ репрессирует значение ширины ядра RBF.

2.2.3. Интеграционные модели машинного обучения светлячков (ANN-FA и SVM-FA).

Использование метаэвристических алгоритмов, таких как алгоритмы генетического алгоритма (GA), является альтернативным подходом для обучения моделей машинного обучения, то есть ИНС и SVM. В этом исследовании алгоритм Firefly (FA) встроен в модели MLP и SVM для создания интегративных моделей MLP-FA и SVM-FA. Алгоритм FA основан на естественном поведении светлячков при привлечении друг друга на основе их мигающего механизма [59].С математической точки зрения, каждый светлячок представляет собой возможное решение. Целевая функция представлена ​​интенсивностью света каждого светлячка. Светлячки с более низкой интенсивностью света ( x _j ) следуют за светлячками с более высокой интенсивностью ( x _i ). Следующая формула показывает этот механизм движения: (5) (6)

В приведенных выше формулах λ обозначает коэффициент поглощения. Евклидово расстояние между светлячками i и j показано как r _ij . β и β ₀ определяют привлекательность и максимально возможную привлекательность светлячка. U — случайное число в диапазоне от нуля до единицы, а α представляет случайное движение светлячков, которое называется постоянной компромисса. Следуя описанному выше механизму движения, все светлячки движутся к светлячку с максимальной интенсивностью света (лучший светлячок). Лучший светлячок исследует пространство поиска случайным образом [60].

В этом исследовании алгоритм FA используется для обновления параметров настройки стандартной модели SVM, включая параметры гиперплоскости, а также веса и смещения в нейронной сети MLP [61].При использовании этого алгоритма коэффициент притяжения был установлен равным 1, коэффициент поглощения света — 0,4, а коэффициент охлаждения — 0,9.

2.2.4. Сплайны многомерной адаптивной регрессии (MARS).

Модель MARS — это модель, управляемая данными, основанная на концепциях прямого и обратного пошагового регрессионного анализа. На первом этапе (прямая часть) выбирается подходящий набор объясняющих переменных. После этого, с комбинацией выбранных переменных и представлением местоположения узлов, некоторые линейные функции строятся в пространстве решений [62].

При обратной процедуре удаляются ненужные переменные, которые были ранее выбраны на прямом шаге [63]. Следовательно, переменная X будет обновлена ​​до переменной Y в соответствии с одним из следующих соотношений: (7) (8)

c известен как пороговое значение.

2.2.5. Случайные леса (РФ).

RF состоят из множества деревьев решений / регрессии (как слабые обучающиеся), которые используют расширенную версию техники мешков для создания сильной ансамблевой модели.Деревья построены на случайных подмножествах (разных выборках) данных. Таким образом, количество деревьев решений / регрессии эквивалентно количеству обучающих выборок [64]. После выращивания деревьев окончательный результат вычисляется в соответствии с ансамблевой техникой, т. Е. Голосованием за классификацию и усреднением для задач регрессии (рис. 4). Как правило, в модели RF должны быть определены три типа параметров настройки, такие как количество деревьев (здесь оно находится в диапазоне от 100 до 150), максимальная глубина деревьев и количество выбираемых функций (здесь 6 для первый сценарий и 2 для второго сценария) при каждом расколе [65].

2.2.6. Адаптивная система нейро-нечеткого вывода (ANFIS-GP и ANFIS-SC).

ANFIS — это симуляционные / прогнозирующие системы машинного обучения, которые состоят из ИНС в качестве сетевой структуры ANFIS и системы нечеткого вывода Такаги-Сугено (FIS) в качестве теории нечеткой логики (процедуры нечеткой и дефаззификации) модели. . В FIS создается несколько нечетких правил, которые позволяют надлежащим образом изучать сложную и нелинейную систему. Структура нейронной сети ANFIS обновляет параметры настройки FIS i.е., геометрические параметры введенных функций принадлежности (MF) [66]. Архитектура ANIFS включает пять уровней, включая слой фаззификации (первый уровень), уровень правил (второй уровень), уровень нормализации (третий уровень), слой дефаззификации (четвертый уровень) и, наконец, выходной уровень.

Разработка модели ANFIS состоит из двух основных шагов. На первом этапе, а именно этапе построения, определяется общая архитектура сети, то есть количество и типы MF и FIS на основе правил.В этом исследовании мы использовали функции принадлежности трапециевидной формы, чтобы построить 3 числа правил. Второй шаг относится к этапу обучения ANIFS. Процедура обучения ANIFS — это гибридный метод, который использует метод обратного распространения для нелинейных параметров помещения (параметры MF) и наименьшую квадратичную ошибку для линейных последовательных параметров (коэффициенты нечетких правил «если-то»). Следует отметить, что в этом исследовании для построения моделей ANFIS (ANFIS-GP и ANIFS-SC) используются два разных подхода, такие как методы общего разбиения и (GP) и субтрактивной кластеризации (SC).Подробная информация об этих моделях представлена ​​в Benmouiza, Cheknane и Wang et al. [67, 68].

2.3. Схема моделирования

Здесь были приняты два сценария моделирования для моделирования целевых параметров:

1. Первый сценарий: различные параметры качества подземных вод (Ca, Mg, Na, Cl, общая жесткость и K) были применены в качестве входных параметров для моделирования целевых параметров, например, общего количества растворенных твердых веществ (TDS), электропроводности (EC), сульфата. (SO ₄ ) и коэффициент адсорбции натрия (SAR).Входные переменные были выбраны на основе корреляционного анализа, а также химической оценки.
2. Второй сценарий: географические координаты исследуемых скважин использовались в качестве входных переменных для моделирования целевых параметров. Следовательно, вместо параметров, влияющих на каждый целевой параметр, были введены координаты местоположения, и модели смоделировали пространственное распределение целей на основе этой информации. Применение моделей мягких вычислений с этим сценарием аналогично подходам геостатистики, где пространственные координаты используются для интерполяции значений параметров в любом заданном регионе.Это был бы очень важный шаг вперед, потому что параметры качества грунта можно оценить в региональном масштабе, имея только координатную информацию. Это будет актуально исключительно для регионов с дефицитом данных.

При любом принятом сценарии основной задачей применения моделей мягких вычислений является разделение доступных шаблонов на данные обучения и тестирования. Здесь была принята стратегия управления данными типа k-кратного тестирования, и модели обучались каждый раз с использованием «k-1» блоков данных, а затем тестировались с использованием оставшихся шаблонов одного блока.Процесс повторялся до тех пор, пока все доступные шаблоны не были задействованы как на этапе обучения, так и на этапе тестирования. Более простым способом может быть разделение всех паттернов на 2 блока, как это часто бывает в подобных исследованиях. Однако такое простое присвоение данных не позволяет выполнить сквозное сканирование всех доступных шаблонов, поэтому полученные результаты будут частично достоверными. Следовательно, применение k-кратного тестирования предоставит достаточно подробную информацию о способности / стабильности моделей в отображении нелинейных отношений между входными и целевыми переменными.Используя стратегию k-кратного тестирования (с k = 1), все доступные шаблоны были разделены на 90 блоков (каждый блок содержал все доступные шаблоны для одной лунки), и каждая модель была обучена и протестирована 90 раз для моделирования каждого параметра. Для каждой модели мягких вычислений процесс повторялся 90 раз для каждого целевого параметра, поэтому было проведено всего 90 процедур обучения-тестирования для моделирования каждого целевого параметра каждой моделью. Таким образом, в первом сценарии было выполнено 360 процессов обучения и тестирования для моделирования 4 целевых параметров.В случае второго сценария был принят аналогичный протокол, в котором для оценки производительности моделей использовалась k-кратная стратегия тестирования (с k = 1). Следовательно, все доступные шаблоны для одной скважины были зарезервированы каждый раз в качестве шаблонов для тестирования, в то время как модели были обучены с использованием общих шаблонов для остальных скважин (89 скважин). Процесс повторялся до тех пор, пока данные со всех скважин не участвовали в этапах обучения-тестирования. При втором сценарии также было налажено 360 процессов обучения и тестирования.

2.4. Критерии оценки

Три критерия статистической оценки, а именно коэффициент детерминации (R ² ), индекс рассеяния ( SI ) и коэффициент Нэша-Сатклиффа ( NS ) были использованы для оценки используемых моделей [69]: (9) (10) где x _io и y _io — наблюдаемые и оценочные значения каждого параметра на временном шаге i ^th соответственно.обозначает средние наблюдаемые значения, а n — количество доступных шаблонов (местоположений). NS — это индикатор анализа дисперсии смоделированных и наблюдаемых значений, где NS = 1 показывает идеальное совпадение. Для принятой стратегии управления данными применяемые индексы рассчитывались для каждого этапа тестирования, а также для всех доступных шаблонов.

3. Результаты и обсуждение

Настоящий документ направлен на моделирование четырех важных параметров качества подземных вод, e.g., EC, SAR, TDS и SO ₄ , используя восемь различных методов мягких вычислений с двумя сценариями моделирования. В следующих подразделах представлен общий статистический анализ точности работы модели для обоих принятых сценариев.

3.1. Результаты первого сценария моделирования

Таблица 2 суммирует глобальные статистические показатели применяемых моделей, которые были вычислены путем создания глобального вектора моделирования для полного набора данных (данные по всем скважинам за период испытаний).Для получения этих результатов для первого сценария по каждой скважине была построена глобальная матрица, включающая наблюдаемые и соответствующие имитационные значения целевых параметров всех этапов испытаний. Затем для каждой скважины были рассчитаны статистические показатели. Наконец, глобальные показатели были получены путем усреднения показателей всех изученных скважин. Для второго сценария, поскольку тестовые образцы принадлежали одному способу на каждом этапе k-кратного тестирования, средние значения индикаторов, которые были вычислены для каждой скважины, были вычислены и представлены как значения глобальных индикаторов.

В случае моделирования EC , наиболее точные результаты принадлежат гибридной модели SVM-FFA (с наименьшим значением SI и высшим NS ), за которым следуют модели ANN-FFA, MARS и RF. Однако самые высокие значения R ² наблюдались для модели MARS по сравнению с другими известными прогностическими моделями. Это можно объяснить эксклюзивной спецификацией этого индекса, который фиксирует только линейную зависимость между двумя наборами событий и может принимать более высокие значения (около единицы) даже с более высокими значениями ошибок.Следовательно, это не может применяться только в качестве проверочного показателя эффективности моделирования, как было рекомендовано Легатсом и МакКейбом (1999) [70].

Связанная модель SVM-FFA повысила точность производительности модели SVM на 9,9% и 3,5% уменьшения / увеличения значений SI и NS соответственно. Аналогичным образом, модель ANN-FFA снизила значения SI и NS на 12,9% и на 5,5% соответственно. Что касается имитационных моделей SAR , опять же, SVM-FFA превзошел остальные модели, за которыми следуют модели ANN-FFA, RF и MARS.SVM-FFA повысил точность характеристик моделей SVM на 5,7% уменьшения значения SI и увеличения на 3,7% значения NS . По сравнению с имитационными моделями EC , общая точность моделей в этом случае была низкой (Δ SI = 0,11 для модели SVM-FFA). В отношении моделей оценки TDS и SO ₄ были сделаны те же наблюдения, когда объединенная SVM-FFA превосходила другие применяемые модели, и различия между величинами ошибок моделей были значительными в некоторых случаях.

В целом было замечено, что когда модели основывались на некоторых параметрах качества подземных вод для пространственной оценки значений EC, SAR, TDS и SO ₄ , оценочные модели SAR давали менее точные результаты, чем модели, созданные для моделирования других трех параметры. Хотя все четыре параметра связаны с качественными аспектами подземных вод, такие различия можно объяснить векторами, которые участвовали в формировании этих параметров. Основными факторами, влияющими на значения SAR , являются Na ⁺ , Ca ²⁺ и Mg ²⁺ , которые являются легко растворимыми катионами в почве (особенно растворимость натрия очень высока), поэтому их можно выщелачивать. из горизонтов почвы во время атмосферных осадков или орошения, которые доставляют значительные количества воды и вызывают глубокое просачивание [71].Такие сильные колебания вертикального профиля почвы могут повлиять на точность моделирования и затруднить интерполяцию между различными точками.

3.2. Результаты второго сценария моделирования

Статистические показатели моделей, созданных на основе географических координат скважин (второй сценарий), перечислены в Таблице 2. Во-первых, точность работы моделей была снижена при использовании географических координат по сравнению с моделями. как и следовало ожидать, разработано на основе параметров качества подземных вод.Это может быть связано с включением взаимосвязей между входными и целевыми параметрами в первом сценарии. Однако общая точность моделей, разработанных с использованием второго сценария, практически сопоставима и практически надежна. Как и в предыдущих случаях, модели SVM-FFA и ANN-FFA продемонстрировали свое превосходство над остальными прикладными моделями в моделировании всех исследуемых параметров, в то время как ANN давала менее точные результаты. Однако, в отличие от предыдущего сценария, модели, имитирующие значения SAR , представили наиболее точные результаты, хотя, как обсуждалось, включение Na ⁺ , Ca ²⁺ и Mg ²⁺ может затруднить их интерполяцию.

Общая точность имитационных моделей SAR была улучшена за счет использования географических координат скважин. Это может быть связано с исключением других качественных параметров, которые взаимодействуют с SAR (и его управляющими векторами) из входной матрицы, и заменой только географической информацией, что, скорее всего, связано с механизмом, которому следуют геостатистические подходы. На рис. 5 показаны улучшения, полученные за счет использования модели SVM-FFA по второму сценарию с точки зрения уменьшения SI и увеличения NS для всех изученных параметров.

Максимальные улучшения принадлежали имитационным моделям ЕС при среднем снижении SI на 11,3% и увеличении NS на 3,7%, в то время как самые низкие значения улучшения наблюдались при моделировании SAR (ΔSI = 6,85% и ΔNS = 1,96%). Во всех случаях максимальные различия SI и NS наблюдались между моделями ANN и SVM-FFA. Для более информативной оценки прогнозных моделей при моделировании качества воды на рисунках 6–9 представлены наблюдаемые и смоделированные значения в виде диаграмм разброса исследуемых параметров с использованием второго сценария.Представленные диаграммы разброса показали приемлемое отклонение от идеальной линии ^o 45, что подтверждает степень корреляции между наблюдаемым и смоделированным набором данных. Однако в некоторых случаях высокие значения SAR, TDS и SO ₄ не удалось точно смоделировать с использованием автономных прогнозных моделей. Тем не менее, разработанные гибридные модели показали лучшую степень корреляции, как это можно наблюдать для моделей SVM-FFA и ANN-FFA.

Значения, представленные здесь, относятся к смоделированным / наблюдаемым значениям всех этапов испытаний, вместе взятых.В случае моделирования ЭК модели дали разумные результаты для более низких значений ЭК (хорошее совпадение между наблюдаемыми и смоделированными значениями), в то время как некоторые разбросы наблюдаются для более высоких значений. Наиболее разбросанные значения соответствуют значениям ЕС между 2000–6000 ммос / см, тогда как значения за пределами 6000 дают лучшее соответствие. Аналогичная тенденция наблюдается и при моделировании TDS. Для имитационных моделей SAR (рис.7) все применяемые модели испытывали трудности с оценкой более низких значений (особенно SAR <5), что может быть связано с более низкими значениями содержания натрия в почве, которые выщелачиваются в результате процессов инфильтрации или глубокой перколяции и повышают вариации в их количестве.Для моделирования SO ₄ более низкие значения показали очевидный разброс между наблюдаемыми и смоделированными значениями, где аналогичные значения были получены для разных целевых значений. Как уже упоминалось, SVM-FFA и ANN-FFA предоставили наиболее точные результаты.

Был также проведен дополнительный анализ с использованием вариаций SI модели SVM-FFA «в качестве превосходной модели прогнозирования» среди различных этапов тестирования, как показано на рис. 10. На основании результатов, представленных на рис. 10, значения SI показали. явная разница между различными этапами тестирования для всех переменных.Максимальный диапазон SI (разница между его максимальным и минимальным значениями) наблюдался для TDS (ΔSI = 0,351), за которым следовали EC, SAR и SO ₄ с диапазонами 0,316, 0,263 и 0,227 SI соответственно. Это явно свидетельствует о принятой k-кратной стратегии управления данными тестирования при оценке моделей мягких вычислений, без которой невозможно провести глубокое сканирование характеристик моделей.

4. Обсуждение

Подводя итог, можно сделать вывод, что применяемые модели могли моделировать пространственные вариации изучаемых параметров с разумной точностью производительности, а между тем, модели SVM-FFA и ANN-FFA превзошли остальные применяемые модели с более низкими показателями. величины ошибок.Тем не менее, принятие надежной стратегии k-кратного тестирования для оценки применяемых моделей является важной задачей для предотвращения чрезмерной подгонки моделей, а также для получения более точного представления о точности работы применяемых моделей. Разработанные гибридные модели SVM-FFA и ANN-FFA подтвердили их применимость для моделирования качества подземных вод благодаря устойчивому процессу обучения, достигнутому с помощью алгоритмов оптимизации, используемых для настройки гиперпараметров модели. Это подтверждается проведенным исследованием литературы.Например, была создана прогностическая модель искусственного интеллекта для параметров качества подземных вод, основанная на гибридизации нечеткой кластеризации данных c-средних (FCM) с разделением по сетке (GP) и модели ИНС, гибридизированной с использованием оптимизации роя частиц (PSO) [72]. Предложенный гибрид FCM-GP показал лучшие результаты по сравнению с моделью ANN-PSO. Применение компьютерных моделей, таких как предложенная в текущем исследовании, может быть достаточно применимо для геолого-инженерного мониторинга и управления.Лица, принимающие решения, и инженеры-экологи могут получить существенную пользу от знания будущей модели качества подземных вод, при которой может иметь место соответствующее определение использования и устойчивости подземных вод.

Для будущего направления исследований, данные, модели и неопределенности входных параметров могут быть дополнительно проанализированы и обсуждены [73, 74]. Наконец, глобальное сравнение обоих принятых сценариев показало, что, хотя между сценариями не наблюдалось значительных различий, второй сценарий может обеспечить многообещающие результаты при моделировании параметров качества подземных вод.Поскольку во втором сценарии в качестве входных параметров рассматривается только географическая информация, эта точность производительности исключительно важна в практических задачах, когда доступные данные недостаточны или надежны. Можно решить эту проблему, критикуя сравнительное превосходство одного сценария над другим, но следует отметить, что цель этого исследования заключалась в оценке возможностей методов мягких вычислений в оценке параметров качества подземных вод с использованием ограниченных легкодоступных данных. поэтому информация о причинах превосходства какого-либо сценария здесь не обсуждается / недоступна.Можно обсудить только то, что прикладные модели могут моделировать пространственные вариации этих параметров с использованием географических данных.

5. Заключение

Исследование моделирования было выполнено здесь с использованием восьми подходов мягких вычислений для пространственного моделирования четырех важных параметров качества подземных вод, а именно. EC, SAR, TDS и SO ₄ с использованием данных из 90 наблюдательных скважин на северо-западе Ирана. Для моделирования целевых переменных использовались два протокола моделирования: во-первых, для оценки целей использовались другие параметры качества, а во-вторых, в качестве входных данных была введена только географическая информация (координаты).На основании полученных результатов все применяемые модели могли моделировать целевые значения с приемлемой точностью, хотя объединенная SVM-FFA превосходила другие по самой высокой точности характеристик. Тем не менее, модели показали хорошую способность имитировать целевые значения, полагаясь на географические данные. Наконец, была подтверждена важность принятия стратегии k-кратного тестирования для сквозного сканирования применяемых моделей, поскольку наблюдались значительные колебания точности характеристик моделей по отношению к выбранным этапам тестирования.Результаты настоящей статьи побуждают к дальнейшим сравнительным исследованиям подходов мягких вычислений с использованием данных из других регионов с различными климатическими условиями и доступностью данных, чтобы укрепить полученные выводы.

Благодарности

Авторы хотели бы выразить свою признательность поставщику данных «Региональная водная компания Восточного Азарбайджана, Иранская компания по управлению водными ресурсами, Министерство энергетики, Исламская Республика Иран».

Список литературы

1. 1. Джалали М. Геохимия грунтовых вод в сельскохозяйственной зоне Разана, Хамадан, Иран. Экологическая геология. 2009; 56: 1479–1488.
2. 2. Хименес-Мадрид А., Гогу Р., Мартинес-Наваррете С., Карраско Ф. Подземные воды для потребления человеком в карстовой среде: уязвимость, защита и управление. Карстовая водная среда. Springer; 2019. С. 45–63. https://doi.org/10.1128/AEM.00403-19 pmid: 30926732
3. 3.Авад С.М., Аль-Мимар Х., Ясин З.М. Доступность подземных вод и устойчивость спроса на воду в верхних мегаполисах Аравийского полуострова и в западном регионе Ирака. Окружающая среда, развитие и устойчивость. 2020.
4. 4. Остовари Ю., Ш. З., Харчегани Х., Асгари К. Влияние геологических образований на качество подземных вод в регионе Лордеган, Чахар-Махал-ва-Бахтияри, Иран. Международный журнал сельского хозяйства и растениеводства. 2013; 5: 1983–1992.
5. 5.Наганна С. Р., Беязтас Б. Х., Бокде Н., Армануос А. М.. ОБ ОЦЕНКЕ МОДЕЛИ ГРАДИЕНТНОГО ДЕРЕВА ДЛЯ ПРОГНОЗИРОВАНИЯ УРОВНЯ ПОДЗЕМНЫХ ВОД. Инженерия и науки, основанные на знаниях. 2020; 1: 48–57.
6. 6. Ali1 * SH, Alfalahi AHR, Hachim YA. Миниатюрная компактная широкополосная антенна с частичным заземлением, используемая в системах RFID. Тикрит Журнал инженерных наук. 2020; 27.
7. 7. Фарджад Б., Пуянде М., Гупта А., Мотамеди М., Марсо Д. Моделирование взаимодействия между землепользованием, климатом и гидрологией наряду с переговорами заинтересованных сторон по управлению водными ресурсами.Устойчивость. 2017; 9: 2022.
8. 8. Мачивал Д., Джа М.К., Сингх В.П., Мохан С. Оценка и составление карт уязвимости подземных вод к загрязнению: текущее состояние и проблемы. Обзоры наук о Земле. 2018; 185: 901–927.
9. 9. Ядав К.К., Кумар С., Фам К.Б., Гупта Н., Резания С., Камьяб Х. и др. Загрязнение фтором, проблемы со здоровьем и методы восстановления подземных вод в Азии: всесторонний обзор. Экотоксикология и экологическая безопасность. 2019; 182: 109362. pmid: 31254856
10. 10.Шариф М.А. Оценка качества воды реки Тигр с использованием методов многомерной статистики. Тикрит Журнал технических наук. 2019; 26: 26–31.
11. 11. Рэй С.П.С., Эланго Л. Ухудшение качества подземных вод: последствия и управление. Управление водными ресурсами: вызовы и перспективы. Springer; 2019. С. 87–101.
12. 12. Субрамани Т., Эланго Л., Дамодарасами С.Р. Качество подземных вод и их пригодность для питьевого и сельскохозяйственного использования в бассейне реки Читар, Тамил Наду, Индия.Экологическая геология. 2005; 47: 1099–1110.
13. 13. Есилнакар М.И., Сахинкая Э. Прогнозирование сульфатов и SAR с помощью искусственной нейронной сети в безграничном водоносном горизонте на юго-востоке Турции. Науки об окружающей среде. 2012; 67: 1111–1119.
14. 14. Аль-Абуди А.Х., Хашим ЗН. Оценка уязвимости подземных вод с использованием карты Lulc и метода DRASTIC в районе Бахр-эль-Наджаф, в центре Ирака. Тикрит Журнал технических наук. 2019; 26: 1–9.
15. 15. Ло Д., Го Ц., Ван Х.Моделирование и прогноз динамики подземных вод на основе нейронной сети RBF. Acta Geoscientia Sinica. 2003. 24: 475–478.
16. 16. Pan C, Ng KTW, Richter A. Комплексный многомерный статистический подход для оценки пространственных изменений качества подземных вод вблизи необлицованной свалки. Науки об окружающей среде и исследованиях загрязнения. 2019; 26: 5724–5737. pmid: 30612362
17. 17. Omran E-SE. Предлагаемая модель для оценки и картирования пригодности скважин для орошения с использованием геопространственного анализа.Воды. 2012; 4: 545–567.
18. 18. Калхор К., Гасемизаде Р., Раджич Л., Альшавабке А. Оценка качества подземных вод и восстановления в карстовых водоносных горизонтах: обзор. Подземные воды для устойчивого развития. 2019; 8: 104–121. pmid: 30555889
19. 19. Шарафати А., Тафароджноруз А., Мотта Д., Ясин З.М. Применение природных алгоритмов оптимизации к модели ANFIS для прогнозирования вызванной волной глубины размыва трубопроводов. Журнал гидроинформатики. 2020;
20. 20.Салих С.К., Алакили И., Беязтас У, Шахид С., Ясин З.М. Прогнозирование растворенного кислорода, биохимической потребности в кислороде и химической потребности в кислороде с использованием гидрометеорологических переменных: тематическое исследование реки Селангор, Малайзия. Окружающая среда, развитие и устойчивость. 2020; 1–20.
21. 21. Джамей М., Ахмадианфар I, Чу X, Ясин З.М. Прогнозирование общего содержания растворенных твердых веществ в поверхностных водах с использованием гибридного вейвлет-мультигенного генетического программирования: новый подход. Журнал гидрологии.2020;
22. 22. Шарафати А., Хаджи Сейед Асадолла С.Б., Мотта Д., Ясин З.М. Применение недавно разработанных ансамблевых моделей машинного обучения для ежедневного прогнозирования нагрузки взвешенных наносов и анализа связанных с ними неопределенностей. Журнал гидрологических наук. 2020;
23. 23. Хади С.Дж., Томбул М., Салих С.К., Аль-Ансари Н., Ясин З.М. Возможности подхода гибридного вейвлет-преобразования с моделями, управляемыми данными, для моделирования ежемесячного ручного потока. Доступ IEEE. 2020;
24. 24.Есилнакар М.И., Сахинкая Э., Наз М., Озкая Б. Нейросетевое прогнозирование содержания нитратов в подземных водах равнины Харран, Турция. Экологическая геология. 2008; 56: 19–25.
25. 25. Лю JP, Чанг MQ, Ма XY. Оценка качества подземных вод на основе машины опорных векторов. Подход к исследованию и планированию речного бассейна HAIHE — Материалы Международного симпозиума 2009 года по интегрированному управлению водными ресурсами и окружающей средой бассейна HAIHE, Пекин, Китай. 2009. С. 173–178.
26. 26. Maiti S, Erram VC, Gupta G, Tiwari RK, Kulkarni UD, Sangpal RR.Оценка качества подземных вод: сочетание геохимической и геофизической информации через байесовские нейронные сети. Экологический мониторинг и оценка. 2013; 185: 3445–3465. pmid: 22899457
27. 27. Орзеповски В., Парух А.М., Пуликовски К., Ковальчик Т., Покладек Р. Количественная и качественная оценка сельскохозяйственных водных ресурсов в изменчивых климатических условиях Силезской низменности (Юго-Западная Польша). Управление водными ресурсами в сельском хозяйстве. 2014; 138: 45–54.
28. 28.Хаки М., Юсофф И., Ислами Н. Применение искусственной нейронной сети и нейро-нечеткой системы для оценки качества подземных вод. ЧИСТО – Почва, Воздух, Вода. 2015; 43: 551–560.
29. 29. Ваг В.М., Панаскар Д.Б., Мули А.А., Мукате С.В., Лолаж Ю.П., Аамалавар М.Л. Прогнозирование пригодности грунтовых вод для орошения с использованием модели искусственной нейронной сети: тематическое исследование Нандед Техсил, Махараштра, Индия. Моделирование земных систем и окружающей среды. 2016; 2: 1–10.
30. 30.Barzegar R, Moghaddam AA. Объединение преимуществ нейронных сетей с использованием концепции комитетной машины в прогнозировании солености подземных вод. Моделирование земных систем и окружающей среды. 2016; 2: 26.
31. 31. Арабгол Р., Сартадж М., Асгари К. Прогнозирование концентрации нитратов и их пространственного распределения в ресурсах подземных вод с использованием модели опорных векторных машин (SVM). Экологическое моделирование и оценка. 2016; 21: 71–82.
32. 32. Сакизаде М., Мирзаи Р., Горбани Х.Геохимическое влияние на качество подземных вод в восточной части провинции Семнан, Иран. Науки об окружающей среде. 2016; 75: 917.
33. 33. Сакизаде М., Рахматиния Х. Статистические методы обучения для классификации и прогнозирования качества подземных вод с использованием небольшой записи данных. Международный журнал сельскохозяйственных и экологических информационных систем (IJAEIS). 2017; 8: 37–53.
34. 34. Голами В., Халеги М.Р., Себгати М. Метод оценки качества подземных вод на основе нечеткой сети CANFIS и географической информационной системы (ГИС).Прикладная наука о воде. 2017; 7: 3633–3647.
35. 35. Nourani V, Alami MT, Vousoughi FD. Метод самоорганизующейся кластеризации карт для пространственно-временного моделирования параметров качества подземных вод на основе ИНС. Журнал гидроинформатики. 2016; 18: 288–309.
36. 36. Джафари Р., Торабиан А., Горбани М.А., Мирбагери С.А., Хассани А.Х. Прогноз параметра качества подземных вод на Тебризской равнине, Иран, с использованием методов мягких вычислений. Журнал «Водоснабжение: исследования и технологии» — AQUA.2019; 68: 573–584.
37. 37. Ваг В., Панаскар Д., Мули А., Мукате С., Гайквад С. Моделирование нейросетей для определения концентрации нитратов в подземных водах бассейна реки Кадава, Нашик, Махараштра, Индия. Подземные воды для устойчивого развития. 2018; 7: 436–445.
38. 38. Кадам А.К., Ваг В.М., Мулей А.А., Умрикар Б.Н., Санкхуа Р.Н. Прогнозирование индекса качества воды с использованием искусственной нейронной сети и подхода к моделированию множественной линейной регрессии в бассейне реки Шивганга, Индия.Моделирование земных систем и окружающей среды. 2019; 5: 951–962.
39. 39. Арьяфар А., Хосрави В., Зарепурфард Х., Руки Р. Развитие генетического программирования и других моделей на основе искусственного интеллекта для оценки параметров качества подземных вод равнины Хезри, Восточный Иран. Экологические науки о Земле. 2019; 78: 69.
40. 40. Голами А., Бонакдари Х., Эбтехадж И., Ахтари А.А. Разработка адаптивного метода нейро-нечетких вычислений для прогнозирования переменных потока в крутом повороте на 90 °. Журнал гидроинформатики.2017; jh3017200.
41. 41. Азими С., Могхаддам М.А., Монфаред САХ. Прогноз ежегодного снижения качества питьевой воды на основе индекса ресурсов подземных вод с использованием искусственной нейронной сети и нечеткой кластеризации. Журнал гидрологии загрязнителей. 2019; 220: 6–17. pmid: 30471981
42. 42. Натан Н.С., Сараванане Р., Сундарараджан Т. Применение моделей ИНС и MLR для оценки качества подземных вод с использованием CWQI в Lawspet, Пудучерри, Индия. Журнал геонаук и защиты окружающей среды.2017; 5: 99.
43. 43. Барзегар Р., Могхаддам А.А., Адамовски Дж., Фиджани Э. Сравнение моделей машинного обучения для прогнозирования загрязнения грунтовых вод фтором. Стохастические исследования окружающей среды и оценка рисков. 2017; 31: 2705–2718.
44. 44. Маруфпур С., Шири Дж., Маруфпур Э. Моделирование равномерности распределения воды в дождевателях методами, управляемыми данными, на основе эффективных переменных. Управление водными ресурсами в сельском хозяйстве. 2019; 215: 63–73.
45. 45. Киси О, Азад А., Каши Х., Саидиан А., Хашеми САА, Горбани С.Моделирование параметров качества подземных вод с использованием гибридных нейронечетких методов. Управление водными ресурсами. 2019; 33: 847–861.
46. 46. Ян Б., Ю Ф, Сяо X, Ван X. Оценка качества подземных вод с использованием классификационной модели: на примере города Цзилинь, Китай. Стихийные бедствия. 2019; 99: 735–751.
47. 47. Ли Дж., Абдулмохсин Х.А., Хасан С.С., Кайминг Л., Аль-Хатиб Б., Гареб М.И. и др. Гибридный метод мягких вычислений для определения показателя качества воды: река Евфрат.Нейронные вычисления и приложения. 2019; 31: 827–837.
48. 48. Сепахванд А, Сингх Б., Сихаг П., Самани А.Н. Оценка различных методов мягких вычислений для прогнозирования коэффициента поглощения натрия (SAR). Журнал гидротехники ISSN: 2019; 5010.
49. 49. Буй Д.Т., Хосрави К., Карими М., Бусико Г., Хозани З.С., Нгуен Х. и др. Улучшение прогноза концентрации нитратов и стронция в подземных водах с помощью нового алгоритма интеллектуального анализа данных. Наука о целостной среде.2020; 136836. pmid: 32007881
50. 50. Барзегар Р., Фиджани Э., Асгари Могхаддам А., Циритис Э. Прогнозирование колебаний уровня грунтовых вод с использованием ансамблевых гибридных моделей на основе многовейвлетных нейронных сетей. Наука об окружающей среде в целом. 2017; 599–600: 20–31. pmid: 28463698
51. 51. Гарднер М., Дорлинг С. Искусственные нейронные сети (многослойный персептрон) — обзор приложений в области атмосферных наук. Атмосферная среда. 1998. 32: 2627–2636.
52. 52. Зунемат-Кермани М., Кермани С.Г., Киянинеджад М., Киси О. Оценка применения интеллектуальных методов, управляемых данными, для оценки расхода через лабиринтный водослив с треугольной дугой. Измерение расхода и приборы. 2019; 68: 101573.
53. 53. Махдави-Мейманд А., Шольц М., Зунемат-Кермани М. Сложные подходы к оптимизации мягких вычислений при моделировании сложных гидравлических явлений в процессе аэрации. Журнал ISH по гидротехнике. 2019; 1–12.
54. 54. Эхтерам М, Салих SQ, Ясин З.М. Оценка эффективности опреснительной установки обратного осмоса с использованием гибридизированного многослойного персептрона с оптимизацией роя частиц. Науки об окружающей среде и исследованиях загрязнения. 2020; pmid: 32077030
55. 55. Кортес С., Вапник В. Сети опорных векторов. Машинное обучение. 1995. 20: 273–297.
56. 56. Авад М., Кханна Р., Авад М., Кханна Р. Регрессия опорных векторов. Эффективные обучающие машины. 2015 г.
57. 57. Зендехбуди А., Базеер М.А., Сайдур Р. Применение опорных векторных машинных моделей для прогнозирования ресурсов солнечной и ветровой энергии: обзор. Журнал чистого производства. 2018; 199: 272–285.
58. 58. Аднан Р.М., Лян З., Хеддам С., Зунемат-Кермани М., Киси О, Ли Б. Машина опорных векторов наименьших квадратов и многомерные сплайны адаптивной регрессии для прогнозирования стока в горном бассейне с использованием гидрометеорологических данных в качестве входных данных. Журнал гидрологии.2019; 124371.
59. 59. Наганна С., Дека П., Горбани М., Биазар С., Аль-Ансари Н., Ясин З. Оценка температуры точки росы: применение модели искусственного интеллекта, интегрированной с природными алгоритмами оптимизации. Воды. 2019;
60. 60. Ян X-S. Алгоритм светлячка. Метаэвристические алгоритмы, вдохновленные природой. 2008; 20: 79–90.
61. 61. Kazem A, Sharifi E, Hussain FK, Saberi M, Hussain OK. Поддержка векторной регрессии с помощью алгоритма светлячков на основе хаоса для прогнозирования цен на фондовом рынке.Прикладные программные вычисления. 2013; 13: 947–958.
62. 62. Friedman JH. Многомерные адаптивные сплайны регрессии. Летопись статистики. 1991; 19: 1–67.
63. 63. Ализамир М., Ким С., Киси О, Зунемат-Кермани М. Сравнительное исследование нескольких методов нелинейной регрессии на основе машинного обучения при оценке солнечной радиации: тематические исследования в регионах США и Турции. Энергия. 2020; 117239.
64. 64. Брейман Л. Случайные леса. Машинное обучение.2001; 45: 5–32.
65. 65. Зунемат-Кермани М., Стефан Д., Барьенбрух М., Хинкельманн Р. Моделирование ансамблевого анализа данных при коррозии бетонного коллектора: сравнительное исследование сетевых (MLPNN & RBFNN) и древовидных моделей (RF, CHAID и CART). Передовая инженерная информатика. 2020; 43: 101030.
66. 66. Маруфпур С., Маруфпур Э., Бозорг-Хаддад О., Шири Дж., Мундер Ясин З. Моделирование влажности почвы с использованием гибридной модели искусственного интеллекта: гибридизация адаптивной нейро-нечеткой системы вывода с алгоритмом оптимизатора серого волка.Журнал гидрологии. 2019; 575: 544–556.
67. 67. Ван Л., Киси О, Зунемат-Кермани М., Чжу З., Гонг В., Ниу З. и др. Прогнозирование солнечной радиации в Китае с использованием различных адаптивных нейронечетких методов и дерева моделей M5. Международный журнал климатологии. 2017; 37: 1141–1155.
68. 68. Бенмуиза К., Чекнан А. Кластеризованная сеть ANFIS с использованием нечетких c-средних, вычитающей кластеризации и разделения сетки для почасового прогнозирования солнечной радиации. Теоретическая и прикладная климатология.2019; 137: 31–43.
69. 69. Тияша, Тунг TM, Ясин З.М. Обзор моделирования качества речной воды с использованием моделей искусственного интеллекта: 2000–2020 гг. Журнал гидрологии. 2020.
70. 70. Легаты DR, McCabe GJ. Оценка использования критериев «качества соответствия» при валидации гидрологических и гидроклиматических моделей. Исследование водных ресурсов. 1999; 35: 233–241.
71. 71. Легаты DR, Mccabe GJ. Оценка использования критериев «качества соответствия» при валидации гидрологических и гидроклиматических моделей.исследование водных ресурсов. 1999; 35: 233–241.
72. 72. Смедема Л.К., Флотман В.Ф., Райкрофт Д.В. Современный дренаж земель: планирование, проектирование и управление сельскохозяйственными дренажными системами. 2004;
73. 73. Маруфпур С., Джалали М., Никмер С., Шири Н., Шири Дж., Маруфпур Э. Моделирование качества подземных вод с использованием гибридных интеллектуальных и геостатистических методов. Науки об окружающей среде и исследованиях загрязнения. 2020; pmid: 32415439
74. 74. Ясин З.М., Эбтехадж И., Ким С., Санихани Х., Асади Х., Гареб М.И. и др.Новая гибридная модель интеллектуального анализа данных для прогнозирования ежемесячных осадков с анализом неопределенности. Вода (Швейцария). 2019;

9 признаков того, что бетон нуждается в ремонте

Мы используем бетон практически для всего.

Если вы похожи на большинство домовладельцев, у вас может быть бетонная подъездная дорога, гараж и патио.

Следует иметь в виду, что, хотя бетон очень твердый, он постоянно подвергается воздействию элементов, особенно внешнего бетона.Это означает, что со временем он изнашивается.

Чтобы бетон, используемый в вашем доме, был прочным и стабильным, вы должны обращать внимание на признаки износа. Если вы заметили какие-либо общие признаки, связанные с повреждением и износом бетона, вы можете обратиться к специалистам по ремонту бетона. Это означает, что любые проблемы могут быть решены быстро и эффективно, сводя к минимуму риск усугубления ущерба. Серьезные повреждения бетона могут повлиять на безопасность, устойчивость, внешний вид и даже стоимость вашего дома.

Когда ваш бетон нуждается в ремонте

Есть ряд ключевых признаков, которые могут указывать на то, что пора звонить в службу ремонта бетона. Ознакомившись с этими знаками, вам будет легче гарантировать, что бетонные участки вашего дома останутся прочными и устойчивыми. Наблюдение за вашими конкретными участками должно быть частью вашего контрольного списка по содержанию дома. Некоторые из основных признаков, на которые вам следует обратить внимание, включают:

• Трещины, появляющиеся в бетоне: Одним из признаков того, что ваш бетон может нуждаться в ремонте, является появление трещин.Трещины в бетоне могут быть вызваны тем, что почва под ним расширяется и сжимается из-за погодных условий. Изменение погодных условий может повлиять не только на состояние вашего здоровья, но и на ваш дом. Если у вас много дождя, а затем продолжительные периоды жаркой и сухой погоды, это приводит к расширению и сжатию почвы. Трещины могут появиться как в бетоне на земле, так и на бетонных стенах. Обращение за советом к специалистам по ремонту бетона позволит вам определить, нужно ли просто подкрасить бетон или требуется более глубокая работа.
• Неровный вид: Еще одним признаком необходимости ремонта бетона является неровность ваших бетонных полов, внешних поверхностей или стен. Это может быть связано с рядом причин, таких как погодные условия или нестандартные фундаментные работы. Если вы не предпримете никаких действий, когда заметите, что ваши конкретные области больше не ровные, у вас может возникнуть серьезная проблема. Это включает в себя крошение и поломку, которые не только вызывают нестабильность, но также могут привести к травмам. Поэтому, если вы заметили, что ваши бетонные полы или стены больше не ровные, вам следует принять меры как можно раньше.
• Скопление воды на бетонных конструкциях: Если вы заметили, что вода собирается и скапливается на бетонных участках после дождя, вы также должны принять меры. Эта проблема часто возникает из-за того, что вода не может стекать естественным путем. Если вы не разберетесь с этим быстро, это приведет к повышенному износу и повреждению ваших бетонных участков. Когда бетон укладывается, он должен иметь водонепроницаемое покрытие для защиты. Однако это покрытие истончается из-за воздействия элементов.Возможно, потребуется отремонтировать и нанести новое покрытие, чтобы предотвратить дальнейшее повреждение.
• Очевидные признаки старения: Как и все остальное, бетон со временем изнашивается и стареет. Все вышеперечисленные признаки могут указывать на то, что ваш бетон изношен из-за возраста. Сочетание трещин, скопившейся воды, выбоин и неровностей указывает на повреждения, вызванные старением. Бетон, вероятно, также будет выглядеть потрепанным и изношенным. Пришло время профессионально оценить ваш бетон, чтобы определить, какие действия необходимо предпринять.

Вы также должны помнить, что бетон используется для создания фундамента вашего дома. Очень важно, чтобы фундамент вашего дома содержался в надлежащем состоянии и чтобы любой бетонный ремонт проводился своевременно. В дополнение к указанным выше индикаторам, некоторые дополнительные признаки повреждения бетонного фундамента включают:

• Заедание дверей и окон: Одним из признаков повреждения бетонного фундамента является заедание окон и дверей при попытке открыть или закрыть их
• Трещины в наружных и внутренних стенах: Трещины, появляющиеся в наружных кирпичных стенах и внутренних сухих стенах, могут указывать на повреждение и оседание бетонного фундамента
• Оседающие полы: Если вы заметили, что полы опускаются близко к фундаменту, вам необходимо как можно скорее получить консультацию специалиста
• Проблемы с обоями: Сдвиг фундамента из-за повреждений может привести к появлению таких признаков, как смятие или разрыв обоев без видимой причины
• Наклонные полы: Другая проблема, которая может быть вызвана повреждением бетонный фундамент — пол с уклоном.Если полы наклонены более чем на дюйм каждые 15-20 футов, возможно, потребуется осмотреть ваш фундамент на

. Все эти признаки могут указывать на то, что ваш бетонный фундамент должен быть осмотрен экспертами, чтобы они могли определить, что необходимо быть сделано.

Если вы действительно нуждаетесь в услугах по ремонту, чтобы дать совет или провести работы с вашими бетонными конструкциями, вам следует иметь в виду ряд факторов.Это поможет вам найти подходящего провайдера. Некоторые из факторов, которые следует учитывать при выборе, включают:

• Опыт и знания: Поиск компании с большим опытом и знаниями в области ремонта бетона обеспечит вам душевное спокойствие.
• Надежная репутация: Убедитесь, что вы ищете ремонтную компанию, имеющую прочную репутацию среди других потребителей. Это даст вам представление о стандартах, на которые вы можете рассчитывать, а также об уровне обслуживания, которое вы получите.