Архив статей журнала
В статье рассматривается применение генеративно-состязательной сети (GAN) в задаче повышения разрешения изображений в два раза. Приводится описание архитектуры GAN на основе сверточной сети. Сеть обучена с использованием набора данных состоящего из 540 изображений природного ландшафта с разрешением 256 на 256 пикселей. В результате тестирования GAN получены усредненные коэффициенты метрик PSNR, SSIM, MFSD, а также среднеквадратичная ошибка вывода модели VGG-19. Приведены результаты сравнения качества изображений с увеличенным разрешением на основе GAN и методом масштабирования с использованием фильтра Ланцоша.
В условиях автоматизированного производства одной из ключевых задач является прогнозирование износа режущего инструмента при фрезеровании, поскольку своевременная замена инструмента позволяет повысить качество обработки, сократить простои оборудования и минимизировать затраты. В статье рассматриваются теоретические аспекты прогнозирования износа, анализируются современные алгоритмы машинного обучения (регрессионные модели, деревья решений, нейронные сети) и источники данных (вибрация, температура, сила резания и др.). Обосновывается необходимость внедрения интеллектуальных систем мониторинга, позволяющих на основе анализа данных предсказывать степень износа инструмента. Полученные результаты могут служить основой для создания практических решений по интеграции машинного обучения в системы управления фрезерованием.