В данной работе рассматривается разработка и обучение нейросетевой модели для идентификации видового и количественного состава пыльцы, которая впоследствии будет использоваться для определения ботанического происхождения медов и количественных подсчётов зёрен пыльцы, содержащихся в определённой массе мёда. Основной целью исследования является создание модели, способной эффективно различать морфологию пыльцевых зёрен, присутствующих в мёде, определять их количественный и качественный состав, что позволит улучшить контроль качества продукта, а также выявлять его ботаническое и географическое происхождение. Для этого были проанализированы похожие работы по классификации пыльцы. В качестве фреймворка для создания нейросетевой модели был выбран Pytorch, обеспечивающий возможность детальной настройки модели. Результатом работы является обученная модель, способная классифицировать пыльцевые зерна.

Ключевые слова: нейронные сети, задача классификации, классификации пыльцы, сверточные нейронные сети, PyTorch

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 1.5.20 - Биологические ресурсы

В современном мире распознавание лиц становится все более важной и актуальной задачей. С развитием технологий и возрастанием объема данных увеличивается потребность в надежных, точных и эффективных системах распознавания лиц. Нейронные сети демонстрируют высокую эффективность в решении задач компьютерного зрения и имеют большой потенциал для улучшения существующих математических моделей распознавания лиц. Данная статья посвящена исследованию методов для распознавания лиц человека, будет подробно рассмотрен алгоритм Виолы-Джонса, который, который можно применять в задаче по распознаванию лиц с применением нейронных сетей. Также будут проанализированы методики обучения моделей глубокого обучения с помощью библиотек, использующие также алгоритм Виолы-Джонса и будет описан алгоритм использования обученной модели в API, которая будет использована в десктопных и мобильных приложениях.

Ключевые слова: биометрическая идентификация, распознавание лица человека, математические модели, методы распознавания лиц, глубокое обучение, сверточные нейронные сети, tensorflow

1.2.2 - Математическое моделирование, численные методы и комплексы программ