КАРТОЧКА
ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер 22-19-00389
НазваниеРазработка математической модели и программного обеспечения для дефектоскопии снимков интеллектуального рентгеновского 3D микротомографа на основе нейро-нечеткого метода анализа, диагностики и классификации дефектов радиоэлектронной аппаратуры
РуководительСырямкин Владимир Иванович, Доктор технических наук
Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Томский государственный университет", Томская обл
Период выполнения при поддержке РНФ | 2022 г. - 2024 г. |
Конкурс№68 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами».
Область знания, основной код классификатора 09 - Инженерные науки, 09-601 - Теория, методы проектирования и эффективность функционирования технических систем
Ключевые слованейронные сети, рентгеновская томография, дефектоскопия, нейросетевые методы анализа, диагностика
Код ГРНТИ59.01.77
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
В настоящее время значительные усилия исследователей в области искусственного интеллекта направлены на разработку новых методов решения задач классификации и распознавания объектов по слабо обусловленной и зашумленной исходной информации, когда, в силу изначальной неопределенности, оказывается невозможным применять методы статистического анализа, основанные на аксиоматической теории вероятностей.
Искусственные нейронные сети, являясь универсальным инструментом, способны выявлять нелинейные закономерности и взаимосвязи между компонентами многомерных случайных процессов, характеризующихся уникальным набором индикаторов. Применение нейросетевых методов анализа данных, в том числе изображений, в настоящий момент получает все большую популярность, поскольку позволяет до обучать нейросети при поступлении новых данных. Что, в свою очередь позволяет непрерывно расширять спектр исследуемых образцов, включая туда новейшие виды материалов, а также повышать точность исследований. Дополнительными преимуществами обладают сети гибридной структуры, объединяющие в себе нейросетевые и нечетко-множественные подходы.
Данный проект направлен на создание математических моделей, описывающих процесс структурно-параметрического синтеза и обучения новых нейро-нечетких сетей для анализа, диагностики и классификации дефектов и особенностей внутренней структуры исследуемого объекта по снимкам, полученным интеллектуальным рентгеновским 3D микротомографом, а также на создание базы данных для машинного обучения и программного обеспечения для автоматической дефектоскопии материалов и элементов радиоэлектронной аппаратуры по снимкам и 3D моделям, сделанным с помощью рентгеновской томографии на основе полученных математических моделей.
Для повышения качества обучения и распознавания с учетом нестабильности работы источников излучения, нарушения в геометрии проводимых измерений, экстремальных оптических свойств исследуемых объектов также решается задача автоматической калибровки искаженных рентгеновских снимков на основе нейро-нечеткой кластеризации пространственно распределенных данных.
Применение результатов исследования существенно облегчит диагностику производимого электронного оборудования, позволит снизить степень брака на микроуровне, что критично для микроэлектронных устройств. А также существенно ускорит исследование и разработку новых материалов.
Ожидаемые результаты
Основным результатом данной научной работы станет создание математических моделей, описывающих процесс создания и обучений нейронной сети для диагностики дефектов и особенностей внутренней структуры исследуемого объекта по снимкам, полученным интеллектуальным рентгеновским 3D микротомографом. А так же создание первоначальной базы данных для машинного обучения и программного обеспечения для автоматической дефектоскопии материалов и элементов радиоэлектронной аппаратуры (РЭА) по снимкам, и 3D моделям, сделанным с помощью рентгеновской томографии на основе полученных математических моделей.
Разработанные методы диагностики материалов и элементов радиоэлектронной аппаратуры позволят контролировать состояние объекта, диагностировать неисправности, дефекты и особенности внутренней структуры.
Сфера указанных разработок интеллектуального анализа данных относится к классу гибридных систем вычислительного интеллекта, которые функционируют на основе обучаемых, логически прозрачных принципов, существенно отличающихся от традиционных методов обработки данных и относящихся к области интеллектуальных технологий.
Внедрение данной системы позволит находить оптимальные варианты решений для диагностики различной аппаратуры и материалов, с минимальными финансовыми и временными затратами. Применение результатов исследования существенно облегчить диагностику производимого электронного оборудования, позволит снизить степень брака на микроуровне, что критично для микроэлектронных устройств. А так же существенно ускорит исследование и разработку новых материалов.
Результаты могут быть востребованы при разработке, изготовлении и испытаниях бортовой РЭА КА на предприятиях космической отрасли России: ОАО «ИСС» (г. Железногорск), ОАО «НПО им. С.А. Лавочкина» (г.Химки), ГНП РКЦ «ЦСКБ-ПРОГРЕСС» (г. Самара), ОАО «НПЦ «Полюс» (г. Томск), ОАО «Сатурн» (г. Краснодар), ОАО «РКК «Энергия» им. С.П. Королева» (г. Королёв), а также за рубежом: «Space Orbital» (США), «EADS-Astrium» (ФРГ-Франция), «Tales Alenia Space» (Франция-Италия).
Результаты исследования будут использованы в образовательном и научном процессах. В образовательном процессе результаты, полученные в ходе изучения данной проблемы, будут использованы для разработки новых и совершенствования преподаваемых учебных курсов, связанных с дисциплинами "Теория нейронных сетей", "Методы исследования и моделирования информационных процессов и технологий", "Элементы теории нечетких множеств", предназначенных для бакалавров и магистров (в рамках учебного плана магистерских программ факультета инновационных технологий ТГУ и ТПУ : «Информационные интеллектуальные системы управления и навигации").
Результаты работы будут опубликованы в виде монографий, учебных пособий, представлены на международных, всероссийских и региональных научных конференциях и симпозиумах, которые войдут в сборники статей и материалов. Ряд научных статей будет опубликован в высокорейтинговых российских и зарубежных научных журналах (имеющих высокий импакт-фактор), входящих в РИНЦ и в перечень изданий «Scopus» и «Web of Science».
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Аннотация результатов, полученных в 2022 году
Проведен анализ методов визуальной дефектоскопии материалов и элементов радиоэлектронной аппаратуры (РЭА) по снимкам рентгеновского томографа и предложена концептуальная основа создания информационной математической модели, реализуемой в нейросетевом базисе и путей разработки программного обеспечения для решения поставленной задачи анализа, диагностики и классификации дефектов РЭА. На основе обзора литературных источников был определен первоначальный список материалов и элементов РЭА для последующего создания и обучения нейронной сети для диагностики. Для диагностики материалов выбраны печатные платы и элементы РЭА: конденсаторы, транзисторы, резисторы, катушки индуктивности, микросхемы. Материалы: сварные швы, композитные материалы. Для каждого элемента РЭА и материалов будет создаваться отдельная база данных дефектов с целью получения расширенной классификации дефектов и улучшения их идентификации. На данном этапе исследований для решения поставленной задачи в нейросетевом базисе нами предложено использовать многослойный персептрон и сверточные нейронные сети. В отчете методика нейросетевого моделирования с использованием многослойного персептрона детально описана в стандарте IDEFО.
В отличие от, описанных серийных ПК, он должен обладать следующими свойствами: надежное функционирование в составе информационной системы (ИС) или системы управления; встраивание нейросетевых модулей в ИС или системы управления или специализированное программное обеспечение; автоматизированная обработка данных с минимальным участием пользователя; интерфейсная часть нейросетевого модуля должна быть рассчитана на пользователя, не имеющего специальную подготовку; автоматизация построения, обучения и подбора архитектуры нейронной сети; автоматизация извлечения знаний из баз данных, отчётов, хранилищ экспериментальной информации; периодическое дообучение нейросетевой модели и корректировка архитектуры сети; генерация результатов в форматах, пригодных для обобщения и анализа стандартными средствами, использующимися в рентгеноструктурном анализе.
Отметим, что одним из важнейших этапов создания нейросетевых моделей является предобработка исходных данных. Данная задача решалась с использованием ИНС и интерполяционного или сглаживающего сплайна функций N переменных на хаотических сетках в областях произвольной конфигурации, основанный на представлении сплайна через функцию Грина и ядро некоторого энергетического оператора.
Данный алгоритм и его модификации был реализован нами на ЭВМ в виде отдельно разработанного комплекса программ. На примере обработки данных, полученных с томографа был проведен сравнительный анализ данных методов предобработки данных. Показано, что проведенный сравнительный анализ методов восстановления сильно зашумленных эмпирических данных с использованием регуляризирующих сплайнов и нейронных сетей позволяет сделать вывод об их высокой эффективности.
Для дальнейшего автоматизированного поиска и классификации дефектов был использован метод скользящего окна. Метод скользящего окна - это один из способов поиска дефектов в изображениях. Этот метод основан на последовательном перемещении окна фиксированного размера по изображению, при этом внутри окна производится анализ пикселей для выявления дефектов. Если внутри окна обнаружены дефекты, то они отмечаются на изображении. После того как окно переместится на один пиксель вперед, анализ повторяется, пока окно не обойдет все изображение. Этот метод может быть очень точным, но может занимать много времени для обработки больших изображений. Однако, его применение в нашем случае не замедляет процесс, так как для работы с изображениями нами применяются графические процессоры.
Таким образом, получив набор изображений, как результат прохода скользящим окном, в каждом из этих сегментов необходимо было провести классификацию. То есть обучить нейронную сеть отличать сегмент, не содержащий дефект, от сегмента содержащего дефект. Для классификации сегментов изображения была построена архитектура нейронной сети базирующаяся на предварительно обученной сети InceptionV3. Построение архитектуры нейронной сети для классификации сегментов изображения, основанной на предварительно обученной сети InceptionV3, может помочь в улучшении точности и скорости классификации сегментов. Для этого можно использовать технику финейшен-тюнинга, которая позволяет дообучить некоторые слои предварительно обученной сети InceptionV3 на новых данных для классификации сегментов изображений. Это может улучшить способность сети к адаптации к новым данным и улучшить точность классификации. Данная модель хорошо зарекомендовала себя в задачах классификации сложных объектов. Стоит отметить, что для принятия конечного результата работы сети задано пороговое значение, равное 0.42. Данное значение подобрано эмпирическим путем в ходе анализа тестовой выборки. Качественные показатели полученные на тестовой выборке: Precision = 0.983, Recall = 0.992.
Также был проведен анализ и поиск вариантов нейронных сетей и архитектур, применение которых позволит улучшить эффективность и точность поиска дефектов. Для классификации дефектов радиоэлектронных элементов на рентгеновских изображениях можно использовать различные типы нейронных сетей, такие как сверточные нейронные сети (СНС), рекуррентные нейронные сети (РНС) и глубокие нейронные сети (ГНС). СНС могут быть особенно эффективны для анализа изображений, поскольку они могут извлекать важные признаки изображений и классифицировать их с хорошей точностью. РНС могут быть эффективны для анализа данных с временной структурой, таких как рентгеновские изображения, где могут быть обнаружены временные закономерности в распространении дефектов. Далее будет проведена работа по тестированию и отбору наиболее эффективных вариантов моделей нейронных сетей. Данная работа позволит апробировать все доступные варианты для каждого типа дефектов, что позволит выявить наиболее оптимальные варианты для каждого из них.
Публикации
1. Алия Д. Алкина, Али Д. Мехтиев, Алексей В. Юрченко, Елена Г. Нешина, Г. Перизат. Мади, Раушан Ж. Аймагамбетова Hardware-software Complex for Monitoring Incidental Losses Occurring in Optical Communication Cables under Mechanical Effect SIBIRCON 2022 - International Multi-Conference on Engineering, Computer and Information Sciences, Proceedings, - (год публикации - 2023)
2. Б.П. Иваненко, С.А. Клестов, В.И. Сырямкин Сравнительный анализ методов предобработки данных при решении задач анализа, диагностики и классификации дефектов радиоэлектронной аппаратуры нейросетевыми методами Optoelectronics, Instrumentation and Data Processing, - (год публикации - 2022)
3. М. МСАЛЛАМ, В.И. СЫРЯМКИН Система технического зрения интеллектуального робота для мониторинга и разметки опасных территорий ТЕЛЕКОММУНИКАЦИИ, 8, 28-33 (год публикации - 2022) https://doi.org/10.31044/1684-2588-2022-0-8-28-33
4. Оздиев А.Х., Сырямкин В.И. Контурный метод томографического сканирования с идентификацией дефектов при помощи компьютерного зрения Instruments and Experimental Techniques, - (год публикации - 2023)
5. Сырямкин В.И., Клестов С.А., Сунцов С.Б. Проектирование рентгеновского 3D-микротомографа на основе его "цифрового двойника" Russian Journal of Nondestructive Testing, - (год публикации - 2022)
6. В. И. Сырямкин, М. В. Сырямкин, Н. А. Уваров, Ю. П.Муха, О. А. Авдеюк, И. Ю. Королева, Д. В. Титов, В. С. Титов Информационно-измерительные системы с адаптивными преобразованиями. Управление гибкостью функционирования Издание второе, дополненное, DirectMedia, Москва, Информационно-измерительные системы с адаптивными преобразованиями. Управление гибкостью функционирования : монография / В. И. Сырямкин [и др.] — Изд. 2-е, доп. — Москва : Директ‐Медиа, 2022. — 448 с. (год публикации - 2022)
7. ГОРБАЧЕВ С.В, СЫРЯМКИН В.И. ИССЛЕДОВАНИЕ АНСАМБЛЕВЫХ МЕТОДОВ БЭГГИНГА И БУСТИНГА ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ 4-Й ПРОМЫШЛЕННОЙ РЕВОЛЮЦИИ сборник материалов IV Международного форума, С. 23-24. (год публикации - 2022)
8. КЛЕСТОВ С.А. DIGITAL 3D X-RAY MICROTOMOGRAPHIC SCANNERS ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ 4-Й ПРОМЫШЛЕННОЙ РЕВОЛЮЦИИ сборник материалов IV Международного форума, c. 86-87. (год публикации - 2022)
9. Клестов С.А. , Сырямкин В.И., Сунцов С.Б. ИССЛЕДОВАНИЕ СВАРНЫХ ШВОВ С ПОМОЩЬЮ РЕНТГЕНОВСКОГО 3D МИКРОТОМОГРАФА ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ 4-Й ПРОМЫШЛЕННОЙ РЕВОЛЮЦИИ сборник материалов IV Международного форума, С. 29-30. (год публикации - 2022)
10. МИНИКАЕВ Р.Р., КЛЕСТОВ С.А. РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ДЕФЕКТОСКОПИИ СНИМКОВ ИНТЕЛЛЕКТУАЛЬНОГО РЕНТГЕНОВСКОГО 3D МИКРОТОМОГРАФА НА ОСНОВЕ НЕЙРО-НЕЧЕТКОГО МЕТОДА АНАЛИЗА, ДИАГНОСТИКИ И КЛАССИФИКАЦИИ ДЕФЕКТОВ РАДИОЭЛЕКТРОННОЙ АППАРАТУРЫ ИННОВАТИКА-2022 Сборник материалов XVIII международной школы-конференции студентов, аспирантов и молодых ученых, С. 184-187. (год публикации - 2022)
11. ПЛАКА Р.Р., КЛЕСТОВ С.А. СОВРЕМЕННОЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ ТОМОГРАФИИ ИННОВАТИКА-2022 Сборник материалов XVIII международной школы-конференции студентов, аспирантов и молодых ученых, С. 188-190. (год публикации - 2022)
12. ПРАЦЮК Д.Ю., КЛЕСТОВ С.А. ПРИМЕНЕНИЕ НЕЙРОСЕТЕЙ В РАСПОЗНАВАНИИ ИЗОБРАЖЕНИЙ ИННОВАТИКА-2022 Сборник материалов XVIII международной школы-конференции студентов, аспирантов и молодых ученых, С. 437-440. (год публикации - 2022)
13. СЫРЯМКИН В.И, КЛЕСТОВ С.А, ИВАНЕНКО Б.П. РАЗРАБОТКА ИНФОРМАЦИОННОЙ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ДЛЯ ДЕФЕКТОСКОПИИ СНИМКОВ ИНТЕЛЛЕКТУАЛЬНОГО РЕНТГЕНОВСКОГО 3D МИКРОТОМОГРАФА ИННОВАТИКА-2022 Сборник материалов XVIII международной школы-конференции студентов, аспирантов и молодых ученых, С. 207-211. (год публикации - 2022)
14. СЫРЯМКИН В.И, ТИТОВ В.С. АДАПТИВНЫЕ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ: ОХРАНА, ДИАГНОСТИКА, НАВИГАЦИЯ, РОБОТОТЕХНИКА, МЕХАТРОНИКА ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ 4-Й ПРОМЫШЛЕННОЙ РЕВОЛЮЦИИ сборник материалов IV Международного форума, С. 13-14. (год публикации - 2022)
15. СЫРЯМКИН В.И., КЛЕСТОВ С.А., СУНЦОВ С.Б. ПРОЕКТИРОВАНИЕ РЕНТГЕНОВСКОГО 3D МИКРОТОМОГРАФА НА ОСНОВЕ ЕГО "ЦИФРОВОГО ДВОЙНИКА" ИННОВАТИКА-2022 Сборник материалов XVIII международной школы-конференции студентов, аспирантов и молодых ученых, С. 204-206. (год публикации - 2022)
16. Гуцал Вадим (KZ), Сырямкин Владимир Иванович (RU) Адаптация алгоритма построения оптимальной траектории A* от двухмерного к трехмерному пространству -, 2022668981 (год публикации - )
17. - ПО для 3D-томографа ускорит разработку новой радиоэлектроники Российский научный фонд, - (год публикации - )
18. - ПО для 3D-томографа ускорит разработку новой радиоэлектроники Новости Томского государственного университета, - (год публикации - )
19. - В Томске разработают ПО для расширения диагностических возможностей 3D-томографа АССОЦИАЦИЯ ИННОВАЦИОННЫХ ПРЕДПРИЯТИЙ И ОРГАНИЗАЦИЙ ГОРОДА ТОМСКА И ТОМСКОЙ ОБЛАСТИ, - (год публикации - )
Аннотация результатов, полученных в 2023 году
На основе математической модели была разработана программа для построения обучающих выборок для печатных плат, позволяющая создавать цифровые модели для произвольного набора расположения дефектов печатных плат. Была исследована значимость входных сигналов сети на различных этапах обучения, что позволило проанализировать динамику обучения сети, аналогичные расчеты проведены для вырова, выступа. Оценена устойчивость нейросетевого метода к наличию относительной погрешности измерений интенсивности порядка 5%, 10%, 20%. Показано, что при 20% уровня погрешности сигнала нейросеть успешно решает поставленную задачу. В ходе работы проводилась предобработка экспериментальной информации с использование сверточных автоэнкодеров. При помощи рентгеновского 3D микоротомографа была создана первоначальная база данных объектов, в качестве которых использовались печатные платы и элементы РЭА: конденсаторы, транзисторы, резисторы, катушки индуктивности, микросхемы. Была создана программа, которая моделирует изображения с шумами схожими с изображения с рентгеновского 3D микротомографа. Реализована архитектура YOLO v8. Обучение длилось 300 эпох, в качестве оптимизатора использовался Adam. Так же был реализован Faster R-CNN. Обучение модели длилось на 100 эпохах. В качестве оптимизатора был выбран Adam с начальной скоростью обучения 0.001. Проведено сравнение реализованных архитектур YOLOv8 и Faster R-CNN. Построена математическая модель теплового процесса сварки TIG методом в ANSYS Workbench позволяет получить значения термической истории в различных точках сварного шва.
Публикации
1. Б.П. Иваненко, С.А. Клестов, В.И. Левкевич, Кузнецов Д.Н ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ПРИ РЕШЕНИИ ЗАДАЧ ОБНАРУЖЕНИЯ ПОВЕРХНОСТНЫХ ДЕФЕКТОВ ПЕЧАТНЫХ ПЛАТ МЕТОДАМИ ЧИСЛЕННОГО МОДЕЛИРОВАНИЯ Материалы XXVII Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М. Ф. Решетнева(08–10 ноября 2023, г. Красноярск), Т2, С.65-67 (год публикации - 2023)
2. В.И. Левкевич, Б.П. Иваненко, С.А. Клестов Обнаружение и классификация дефектов поверхности печатных плат нейросетевыми методами ОПТИКО-ЭЛЕКТРОННЫЕ ПРИБОРЫ И УСТРОЙСТВА В СИСТЕМАХ РАСПОЗНАВАНИЯ ОБРАЗОВ И ОБРАБОТКИ ИЗОБРАЖЕНИЙ "РАСПОЗНАВАНИЕ — 2023" XVII МЕЖДУНАРОДНАЯ НАУЧНО-ТЕХНИЧЕСКАЯ КОНФЕРЕНЦИЯ12 — 15 сентября 2023 г., в РИНЦе будет позже (год публикации - 2023)
3. В.И. Сырямкин, Б.П. Иваненко, С.А. Клестов, М.Д. Хильчук DEVELOPMENT OF A SPECIALIZED SOFTWARE PACKAGE FOR NETWORK FORECAST OF FLOOD WATERS Bulletin of the Tomsk Polytechnic University. Geo Аssets Engineering, V. 334. 5. 205–216 (год публикации - 2023) https://doi.org/10.18799/24131830/2023/5/3859
4. В.И. Сырямкин, М.Д. Хильчук, С.А. Клестов Nondestructive Testing of an Aluminum Alloy Welded Joint based on a Mathematical Model of the Thermal Welding Process and Computer Microtomograph Russian Journal of Nondestructive Testing, Vol. 59, No. 4, pp. 477–486. © Pleiades Publishing, Ltd. (год публикации - 2023) https://doi.org/10.1134/S1061830923700341
5. В.И. Сырямкин, Майди Мсаллам, С.А. Клестов A method to create real-like point clouds for 3D object classification Frontiers in Robotics and AI, Volume 9 - 2022 (год публикации - 2023) https://doi.org/10.3389/frobt.2022.1077895
6. В.И. Сырямкин, С.В. Горбачев, С.А. Клестов, Т.В. Абрамова, Н.А. Уваров, В.А. Гутцал DESIGNING A UNIVERSAL DIGITAL TWIN OF AN OBJECT BASED ON A HYBRID NEURO-FUZZY COMPUTER Journal of Theoretical and Applied Information Technology, Vol.101. No 10 © 2023 Little Lion Scientific (год публикации - 2023)
7. Д.Н. Кузнецов, А. Н. Берцун, В.И. Сырямкин, С.Б. Сунцов. Н.А. Уваров Контроль печатных плат при применении нейронных сетей Материалы XXVII Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М. Ф. Решетнева(08–10 ноября 2023, г. Красноярск), Т2, С. 336-338 (год публикации - 2023)
8. Иваненко Б.П., Берцун А.Н Об использовании априорной информации при решении задач обнаружения и классификации поверхностных дефектов печатных плат нейросетевыми методами VI Международный форум «Интеллектуальные системы 4-й промышленной революции», в РИНЦе будет позже (год публикации - 2023)
9. Л. А. Рашеед,А. В. Юрченко,В. И. Сырямкин, Ж. А.-К. Мохаммед OPTIMIZATION OF AGRICULTURAL DRYING USING PCMBASED AUTOMATED INDIRECT SOLAR DRYERS Russian Physics Journal, Vol. 66, No. 9 (год публикации - 2023) https://doi.org/10.1007/s11182-023-03033-9
10. Л.А. Алкандеры, А.В. Юрченко, Ж.А.-К. Мохаммед, А.Д. Мехтиев, И.Г. Нешина PERFORMANCE IMPROVEMENT OF SOLAR DRYER USING AN AUXILIARY HEAT SOURCE UNDER DIFFERENT VALUES OF AIRFLOW RATES Eurasian Physical Technical Journal, Vol.20, No.1(43) (год публикации - 2023) https://doi.org/10.31489/2023No1/42-50
11. Л.А. Алкахдери, А.В. Юрченко, Ж.А.-К Мохаммед, Е.Г. Нешина AUTOMATED TEMPERATURE AND HUMIDITY CONTROL AND MONITORING SYSTEM FOR IMPROVING THE PERFORMANCE IN DRYING SYSTEM ) Eurasian Physical Technical Journal, Vol.20, No.2(44) (год публикации - 2023) https://doi.org/10.31489/2023No2/32-40
12. Левкевич В.И, Клестов С.А, Классен Ф.А, Кузнецов Д. Н Применение сверточных нейронных сетей для дефектоскопии печатных плат Материалы XXVII Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М. Ф. Решетнева(08–10 ноября 2023, г. Красноярск), Т2, С. 342-344 (год публикации - 2023)
13. ЛЕВКЕВИЧ В.И., ИВАНЕНКО Б.П., КЛЕСТОВ С.А. КЛАССИФИКАЦИЯ ДЕФЕКТОВ ПОВЕРХНОСТИ ПЕЧАТНЫХ ПЛАТ НЕЙРОСЕТЕВЫМИ МЕТОДАМИ Инноватика-2023 : Сборник материалов XIX Международной школы-конференции студентов, аспирантов и молодых ученых, Томск, 21–22 апреля 2023 года / Под редакцией С.Л. Минькова. – Томск: Общество с ограниченной ответственностью "СТТ", С. 232-234 (год публикации - 2023)
14. МСАЛЛАМ М., СЫРЯМКИН В.И. МЕТОДИКА РЕГИСТРАЦИИ 3Д ОБЛАКОВ ТОЧЕК С ИСПОЛЬЗОВАНИЕМ КОРРЕКЦИИ ПЛОСКОСТЕЙ И КОРРЕЛЯЦИИ ГИСТОГРАММ ПРИКАСПИЙСКИЙ ЖУРНАЛ: УПРАВЛЕНИЕ И ВЫСОКИЕ ТЕХНОЛОГИИ, № 1(61). – С. 73-89. (год публикации - 2023)
15. МСАЛЛАМ М., СЫРЯМКИН В.И. НОВЫЙ ЭФФЕКТИВНЫЙ И ПРАКТИЧЕСКИЙ АЛГОРИТМ ДЛЯ ПЛАНИРОВАНИЯ ПУТИ РОБОТОВ ПРИКАСПИЙСКИЙ ЖУРНАЛ: УПРАВЛЕНИЕ И ВЫСОКИЕ ТЕХНОЛОГИИ, - (год публикации - 2023)
16. МСАЛЛАМ М., СЫРЯМКИН В.И. AN ALGORITHM FOR ESTIMATING THE LIFT CONSTANT OF A MULTIROTOR AND ITS APPLICATION TO ADAPTIVE CONTROL Инноватика-2023 : Сборник материалов XIX Международной школы-конференции студентов, аспирантов и молодых ученых, Томск, 21–22 апреля 2023 года / Под редакцией С.Л. Минькова. – Томск: Общество с ограниченной ответственностью "СТТ", 2023., P. 202-208. (год публикации - 2023)
17. МСАЛЛАМ М., СЫРЯМКИН В.И. BEENET - A FAST AND EFFICIENT ALGORITHM FOR ROBOT PATH PLANNING Инноватика-2023 : Сборник материалов XIX Международной школы-конференции студентов, аспирантов и молодых ученых, Томск, 21–22 апреля 2023 года / Под редакцией С.Л. Минькова. – Томск: Общество с ограниченной ответственностью "СТТ", 2023., P. 209-214. (год публикации - 2023)
18. Сырямкин В.И., Клестов С.А., Хильчук М.Д КЛАССИФИКАЦИЯ ДЕФЕКТОВ ПЕЧАТНЫХ ПЛАТ ПРИ ПОМОЩИ РЕНТГЕНОВСКОЙ МИКРОТОМОГРАФИИ ОПТИКО-ЭЛЕКТРОННЫЕ ПРИБОРЫ И УСТРОЙСТВА В СИСТЕМАХ РАСПОЗНАВАНИЯ ОБРАЗОВ И ОБРАБОТКИ ИЗОБРАЖЕНИЙ "РАСПОЗНАВАНИЕ — 2023" XVII МЕЖДУНАРОДНАЯ НАУЧНО-ТЕХНИЧЕСКАЯ КОНФЕРЕНЦИЯ12 — 15 сентября 2023 г., С. 217-219 (год публикации - 2023)
19. ЦВИНГЕР В.А., СЫРЯМКИН В.И., КЛЕСТОВ С.А. ИСПОЛЬЗОВАНИЕ СИСТЕМ ТЕХНИЧЕСКОГО ЗРЕНИЯ В КОНТРОЛЕ КАЧЕСТВА ПЕЧАТНЫХ ПЛАТ Инноватика-2023 : Сборник материалов XIX Международной школы-конференции студентов, аспирантов и молодых ученых, Томск, 21–22 апреля 2023 года / Под редакцией С.Л. Минькова. – Томск: Общество с ограниченной ответственностью "СТТ", 2023., С. 225-228. (год публикации - 2023)
20. В.И. Сырямкин, С.А. Клестов, С.Б. Сунцов, Б.П. Иваненко, В.И. Левкевич Digital X-ray Tomography London : Red Square Scientific, London : Red Square Scientific, 2023. – 296 p. (год публикации - 2023)
21. Берцун А.Н., Иваненко Б.П Методика построения цифровой математической модели при решении задач обнаружения и классификации поверхностных дефектов печатных плат нейросетевыми методами VI Международный форум «Интеллектуальные системы 4-й промышленной революции», в РИНЦе будет позже (год публикации - 2023)
22. Клестов С. А., Классен Ф.А. МОДЕЛИРОВАНИЕ ИЗОБРАЖЕНИЙ РЕНТГЕНОВСКОГО ТОМОГРАФА ДЛЯ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ VI Международный форум «Интеллектуальные системы 4-й промышленной революции», в РИНЦе будет позже (год публикации - 2023)
23. Левкевич В.И., Клестов С.А., Классен Ф.А., Кузнецов Д. Н. Дефектоскопия печатных плат с помощью сверточных нейронных сетей VI Международный форум «Интеллектуальные системы 4-й промышленной революции», в РИНЦе будет позже (год публикации - 2023)
24. ХИЛЬЧУК М.Д., КЛЕСТОВ С.А. РЕНТГЕНОВСКАЯ ЦИФРОВАЯ ТОМОГРАФИЯ ДЛЯ ДИАГНОСТИКИ ЭЛЕМЕНТОВ РАДИОЭЛЕКТРОННОЙ АППАРАТУРЫ Инноватика-2023: сб. материалов XIX Международной школыконференции студентов, аспирантов и молодых ученых (21– 22 апреля 2023 г.) / под ред. С.Л. Минькова. – Томск : STT, С. 229-231 (год публикации - 2023)
25. Цвингер В.А., Клестов С.А., Сырямкин В.И. РАСПОЗНАВАНИЕ ДЕФЕКТОВ ПЕЧАТНЫХ ПЛАТ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ ОПТИКО-ЭЛЕКТРОННЫЕ ПРИБОРЫ И УСТРОЙСТВА В СИСТЕМАХ РАСПОЗНАВАНИЯ ОБРАЗОВ И ОБРАБОТКИ ИЗОБРАЖЕНИЙ "РАСПОЗНАВАНИЕ — 2023" XVII МЕЖДУНАРОДНАЯ НАУЧНО-ТЕХНИЧЕСКАЯ КОНФЕРЕНЦИЯ12 — 15 сентября 2023 г., С. 237-238 (год публикации - 2023)
26. Иваненко Борис Павлович (RU), Клестов Семён Александрович (RU), Сырямкин Владимир Иванович (RU) Сплайн интерполяция и сглаживание эмпирических функций N переменных заданных на хаотических сетках -, № 2023664481 (год публикации - )