Статьи

Оценка производительности добычи полезных ресурсов, в том числе определение геометрических размеров объектов горной породы в открытом карьере, является одной из наиболее важных задач в горнодобывающей промышленности. Задача фрагментации горных пород решается с помощью методов компьютерного зрения, таких как экземплярная сегментация или семантическая сегментация. В настоящее время для решения таких задач для цифровых изображений используются нейронные сети глубокого обучения. Нейронные сети требуют больших вычислительных мощностей для обработки цифровых изображений высокого разрешения и больших наборов данных. Для решения этой проблемы в литературе предлагается использование облегченных архитектур нейронных сетей, а также методов оптимизации производительности, таких как параллельные вычисления с помощью центральных, графических и специализированных процессоров. В обзоре рассматриваются последние достижения в области нейронных сетей глубокого обучения для решения задач компьютерного зрения применительно к фрагментации горных пород и вопросы повышения производительности реализаций нейронных сетей на различных параллельных архитектурах.

Работа посвящена построению параллельных алгоритмов решения прямой начально-краевой задачи и обратной задачи о восстановлении правой части для уравнения диффузии с дробной производной по времени. При использовании дополнительной информации о решении в некоторой внутренней точке обратная задача сводится к прямой задаче для вспомогательного уравнения. После применения конечно-разностных схем задачи сводятся к решению систем линейных алгебраических уравнений. Разработанные алгоритмы основаны на методе параллельной прогонки и реализованы для многоядерных процессоров с использованием технологии OpenMP. Проведены численные эксперименты для исследования производительности разработанных алгоритмов.