Browsing by Author "Гнатушенко, Вікторія Володимирівна"

Now showing 1 - 30 of 30

Автоматична семантична сегментація зображень Sentinel-2: інтеграція методів кластеризації та великих мовних моделей для інтерпретації кластерів
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Гончаров, Олександр Геннадійович; Гнатушенко, Вікторія Володимирівна
UKR: Семантична сегментація супутникових зображень, зокрема даних Sentinel-2, є важливим інструментом екологічного моніторингу та управління земними ресурсами. У роботі запропоновано метод автоматичної класифікації земного покриву без використання маркованих даних. Підхід ґрунтується на поєднанні кластеризації (K-Means, DBSCAN, автоенкодери) та мультимодального маркування за допомогою великих мовно-візуальних моделей (GPT-4, Claude, Gemini 2.0 тощо). Інтерпретація кластерів здійснюється на основі візуалізацій, що автоматично аналізуються моделями. Методологія дозволяє досягти точності сегментації на рівні 85–90%, порівнянної з супервізованими підходами, та забезпечує інтерпретованість і масштабованість. Система також підтримує нормалізацію термінів і голосування кількох моделей для підвищення надійності. Результати валідуються з використанням карт ESA WorldCover. Підхід є перспективним для швидкого картографування в умовах обмежених ресурсів.
Аналіз методів виділення водних об'єктів на супутникових зображеннях
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Гнатушенко, Вікторія Володимирівна; Міщенко, Максим Станіславович
UKR: У роботі проведено порівняльний аналіз сучасних методів виділення водних об'єктів на мультиспектральних супутникових знімках, досліджено їх переваги та недоліки, наведено перспективні напрямки розвитку даної галузі. До основних методів належать спектральні водні індекси (NDWI, MNDWI, AWEI), методи класифікації зображень (метод нульового порогу, метод Оцу, метод k-найближчих сусідів) та сучасні підходи на основі машинного навчання. Отже, робота присвячена актуальній темі в області обробки та аналізу мультиспектральних супутникових знімків для виділення водних об'єктів. Актуальність даної теми зумовлена зростаючою потребою в точному та оперативному моніторингу водних ресурсів для вирішення численних екологічних, економічних та соціальних проблем. Вона містить корисну інформацію для дослідників, які працюють у галузі дистанційного зондування Землі, та може слугувати основою для вибору оптимальних методів класифікації водних об'єктів залежно від конкретних умов та завдань.
Аналіз обміну даними між підприємствами за допомогою технології блокчейн в інформаційних системах
(Український державний університет науки і технологій, ІВК «Системні технології», 2022) Ситник, Роман Сергійович; Гнатушенко, Вікторія Володимирівна
UKR: Сьогодні інформаційні системи для управління виробництвом та поставками ускладняються з подальшим розвитком міжнародної та внутрішньої торгівлі, збільшенням складності виробничих та логістичних ланцюгів тощо. Тому актуальним для вирішення стає завдання дослідження та розробки нових підходів для ланцюгів поставок та логістичних інформаційних систем. У цій статті розглядаються можливі переваги та недоліки використання технології блокчейн у логістиці та системах ланцюгів поставок. Блокчейн може допомогти спростити і зробити більш прозорими процеси моніторингу та управління виробництвом і переміщенням товарів між різними суб'єктами. Але також існує ряд проблем, які потребують вирішення, таких як можливості оновлення програмного забезпечення в смарт-контрактах і завдання проектування повної системи на основі блокчейну, яка дійсно дозволить вирішити важливі проблеми в цій сфері найбільш ефективним способом без критичних проблем.
Визначення об’єктів на супутникових знімках за допомогою PyTorch
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2024) Міщенко, Максим Станіславович; Гнатушенко, Вікторія Володимирівна
UKR: Дана робота присвячена розробці нейронної мережі для класифікації супутникових знімків Землі за чотирма класами: вода, піски, хмари та зелена місцевість (ліси, поля, скупчення рослин). Для цього використовується Python-бібліотека PyTorch, орієнтована на застосування глибинного навчання для задач комп'ютерного зору. Запропонований підхід дозволяє автоматично класифікувати супутникові знімки, полегшуючи аналіз великих обсягів даних, його було протестовано на супутникових знімках Sentinel-2, отриманих з березня по серпень 2023 року для деяких частин Херсонської та Миколаївської областей, Україна, та отримано загальну точність 95%. Результати дослідження є корисними для спеціалістів у галузях дистанційного зондування Землі, комп'ютерного зору, машинного навчання та розробки програмного забезпечення для аналізу аерокосмічних зображень.
Використання історичних даних для підвищення точності виявлення сміттєзвалищ на аерокосмічних знімках
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Литвинов, Єгор В.; Гнатушенко, Володимир Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: У роботі розглянуто можливості використання історичних супутникових даних для підвищення точності виявлення несанкціонованих сміттєзвалищ на аерокосмічних знімках. Показано, що для таких об’єктів часовий контекст має важливе діагностичне значення, оскільки сміттєзвалища формуються поступово та проявляються не лише у спектральних характеристиках поточної сцени, а й у динаміці змін земної поверхні. Проаналізовано підходи satellite image time series, change detection, моделі часових рядів, а також history prior map. Обґрунтовано, що найбільш перспективним є гібридний підхід, у якому первинне виявлення виконується YOLO-подібним детектором, а подальше уточнення здійснюється за допомогою історичних даних, карт змін і агентно-ознакової моделі. Така схема дозволяє підвищити стійкість виявлення, зменшити кількість хибнопозитивних спрацьовувань і забезпечити кращу інтерпретованість результатів екологічного моніторингу.
Дослідження алгоритмів консенсусу у мережах блокчейну при проектуванні інформаційних систем
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2024) Ситник, Роман Сергійович; Гнатушенко, Вікторія Володимирівна
UKR: Ця робота містить огляд основних механізмів консенсусу в технології блокчейн. Розглядаються основні алгоритми консенсусу, такі як Proof of Work, Proof of Stake, Proof of Authority та інші, кожен з яких має свої унікальні особливості, переваги та обмеження. Автори аналізують ці механізми на основі таких критеріїв, як енергоефективність, безпека, масштабованість і децентралізація. Крім того, надаються рекомендації щодо вибору оптимального механізму консенсусу залежно від конкретних потреб і цілей проекту. Ця стаття є важливим ресурсом для дослідників, розробників і практиків, які цікавляться технологією блокчейн та її різними аспектами.
Дослідження впливу обробки первинних даних на результати навчання нейромережі для розпізнання супутникових зображень
(Український державний університет науки і технологій, ІВК «Системні технології», 2022) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Правильна підготовка матеріалів для навчання нейронної мережі є одним з ключових етапів, від якого безпосередньо залежать усі подальші результати. Дослідження передбачає два випробування, перше з необробленими даними, а друге — зі спеціально підготовленими для навчання. Навчання нейронної мережі використовує дані для трьох різних класів, води, дерев і поля, результати тестів та інформацію про потенційні недоліки, надані після кожного тесту, а також рекомендації щодо покращення результатів. Результати проаналізовано та зроблено висновок, що вдосконалення первинних матеріалів для навчання нейронної мережі розпізнаванню супутникових зображень безпосередньо впливає на результат у кращий бік, а саме на 27,6% у разі використання підготовлених даних, у цьому дослідженні вони можуть відрізнятися залежно від умови.
Дослідження методів виділення графічних об’єктів на вебсайтах для оцінки якості інтерфейсу
(Український державний університет науки і технологій, ННІ «Інститут промислових та бізнес технологій», 2022) Царик, Владислав Юрійович; Гнатушенко, Вікторія Володимирівна
UKR: У роботі розглянуто питання автоматизації тестування інтерфейсу користувача на прикладі вебсторінок як графічних зображень. Виділено основні характеристики, на які слід звертати увагу під час тестування графічного інтерфейсу користувача: форма, розмір, яскравість, колір, направлення та розташування елементів зображення. Для оцінки якості в роботі визначено ключові блоки вебсторінки – поля меню, текстові та графічні блоки з вихідного зображення, тобто задача зводиться до задачі сегментації зображення. Розглянуто основний підхід до сегментації – методи порогової бінарізації та більш сучасний метод JSEG, який включає два етапи (квантування кольорів та просторову сегментацію за текстурною ознакою). Наведено результати практичного аналізу зображення вебсторінки: аналіз яскравості зображення – з використанням гістограми яскравості, аналіз кількості використаних кольорів – з застосуванням переходу до індексованого зображення та дослідження статистики використання кожного кольору з заданої палітри, проведено виділення об’єктів методами порогової бінарізації та JSEG. За результатами проведених досліджень зроблено висновок, що методи порогової бінарізації не надають бажаних результатів сегментації – наявні проблеми з злиттям графічних об’єктів, що знаходяться поруч та виокремленням символів в текстових блоках. Алгоритм JSEG включає операції кольорового квантування і просторової сегментації, за рахунок чого результат виділення об’єктів краще, проте все одно вимагає подальших налаштувань.
Класифікація екооб’єктів на супутникових зображеннях за допомогою PyTorch
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Міщенко, Максим Станіславович; Гнатушенко, Вікторія Володимирівна; Сінгер, Анастасія-Джей Володимирівна
UKR: У статті наведена практична реалізація алгоритму класифікації екооб’єктів на супутникових зображеннях з використанням бібліотеки глибинного навчання PyTorch. Метою дослідження є підвищення якості класифікації об’єктів на цифрових зображеннях завдяки розробці та використанню моделі нейронної мережі. Запропонований підхід дозволяє класифікувати воду, піски, хмари та зелену місцевість на супутникових знімках, полегшуючи аналіз великих обсягів даних та отримано середню точність 95%. Його було протестовано на супутникових знімках Sentinel-2, отриманих з березня по серпень 2023 року для деяких частин Херсонської та Миколаївської областей, Україна. Для навчання моделі використовується попередньо натренована архітектура ResNet. Представлене дослідження демонструє практичне використання сучасних методів глибинного навчання, зокрема бібліотеки PyTorch, для вирішення актуальних завдань аналізу та класифікації об’єктів на супутникових знімках.
Конструювання запитів для класифікації земного покриву без навчальних прикладів за допомогою мультимодальних мовних моделей на знимках Sentinel-2
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Гончаров, Олександр Геннадійович; Удовик, Ірина Михайлівна; Гнатушенко, Вікторія Володимирівна
UKR: Класифікація земного покриву за супутниковими знімками є важливим завданням екологічного моніторингу, містобудівного планування та агрономії. Мультимодальні мовні моделі (VLM) дозволяють виконувати цю задачу без розмічених тренувальних даних, проте під час їх застосування виявлено системну проблему - хибну класифікацію за кольором сегментаційної маски (color leakage), коли модель ухвалює рішення не за вмістом зображення, а за довільним кольором маски. Метою роботи є розробка протоколу конструювання запитів для усунення цього явища та порівняння двох стратегій обробки супутникових знімків (багатокластерної та однокластерної). Запропоновано протокол із чотирьох інваріантів (TCI першим, сіра маска, заборона кольорових описів, фіксований JSON-формат) та зіставлено Варіант A (багатокластерний) і Варіант Б (однокластерний) на зображеннях Sentinel-2, що дозволило усунути хибну класифікацію за кольором маски та призвело до підвищення частки відповідей у коректному JSON-форматі (FCR) з ≈ 60 % до 97 %. Варіант Б досягає mIoU ≈ 13,2 %, що на 6,1 відсоткового пункту перевищує Варіант A; найкраща комбінація (UNet-encoder + GPT-4.1, Варіант Б) досягає 46,2 % mIoU.
Метод забезпечення достовірності та цілісності персональних даних, що обробляються в блокчейн-системі
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Ситник, Роман Сергійович; Гнатушенко, Вікторія Володимирівна
UKR: В умовах стрімкої цифровізації та зростання кількості кіберзагроз особливої актуальності набуває проблема захисту персональних даних у сучасних інформаційних системах. Технологія блокчейн, завдяки своїм властивостям незмінності та розподіленості, створює нові можливості для захисту даних, проте вимагає розробки спеціалізованих методів забезпечення їх достовірності та цілісності. Досліджено специфічні виклики, пов'язані з верифікацією джерел даних та контролем за їх модифікацією в умовах розподіленої системи на базі технології блокчейн. У роботі запропоновано новий метод забезпечення цілісності та достовірності персональних даних, що базується на математичній моделі оцінки достовірності даних з використанням комплексної функції валідації та концепції "довірених джерел", що дозволило підвищити рівень захищеності даних та автоматизувати процес їх верифікації . Розроблено архітектуру системи з ієрархічною структурою вузлів верифікації та механізмами управління життєвим циклом даних. Результати дослідження підтверджують ефективність запропонованого методу для забезпечення балансу між захистом персональних даних та зручністю їх використання в реальних умовах.
Методи аналізу інтерфейсів веб-застосунків для підвищення інтерактивності
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Царик, Владислав Юрійович; Гнатушенко, Вікторія Володимирівна; Селівьорстова, Тетяна Віталіївна
UKR: У статті розглянуто методи аналізу інтерфейсів веб-застосунків з метою підвищення інтерактивності та покращення користувацького досвіду. Актуальність теми зумовлена необхідністю створення адаптивних та зручних інтерфейсів у сучасних веб-застосунках, що відповідають очікуванням користувачів. У процесі до-слідження визначено основні проблеми, пов'язані з недостатньою інтерактивністю інтерфейсів. Метою роботи є розробка рекомендацій щодо вдосконалення дизайну та функціоналу веб-застосунків на основі аналізу поведінки користувачів. Використано методи порівняльного аналізу, юзабіліті-тестування та моделювання. У результаті запропоновано низку підходів, які сприяють підвищенню зручності, ефективності та задоволеності користувачів. Зроблено висновки щодо практичної реалізації отриманих рекомендацій для розробників веб-застосунків.
Модель виявлення актуальних загроз порушення інформаційної безпеки даних, що обробляються в блокчейн-системі
(Видавничий дім «Гельветика», 2025) Ситник, Роман Сергійович; Гнатушенко, Вікторія Володимирівна
UKR: Мета роботи. Метою даного дослідження є розробка комплексної моделі виявлення та оцінки загроз інформаційної безпеки для блокчейн-систем, що застосовуються в критичній інфраструктурі. Це передбачає підвищення ефективності виявлення та протидії загрозам безпеці та забезпечення високої адаптивності до різних сценаріїв загроз при інтеграції з існуючими системами безпеки. Методологія. Запропонована модель базується на системному підході та поєднує математичний апарат теорії ймовірностей, теорії графів та теорії прийняття рішень. Основними компонентами моделі є багаторівнева система моніторингу з використанням спеціалізованих програмних агентів та математичний апарат оцінки ризиків. Оцінка загроз здійснюється за комплексною формулою, що враховує ймовірність реалізації загроз, потенційні збитки, складність реалізації та час виявлення інцидентів. Наукова новизна. Запропоновано комплексний підхід до оцінки безпеки блокчейн-систем критичної інфраструктури, який враховує всі аспекти функціонування системи. Розроблено математичну модель оцінки загроз, що формалізує процеси виявлення та оцінки ризиків, забезпечуючи об’єктивність та відтворюваність результатів. Особливістю моделі є висока гнучкість та здатність адаптуватися до змін у середовищі загроз, а також масштабованість рішення та можливість інтеграції з існуючими системами безпеки. Висновки. Розроблено ефективну модель виявлення та оцінки загроз інформаційної безпеки для блокчейн-систем критичної інфраструктури. Процес включав створення комплексної системи моніторингу та математичного апарату оцінки ризиків. Модель демонструє високу адаптивність до різних сценаріїв загроз та підтверджує свою ефективність при практичній апробації. Перевагами використаного підходу є комплексність оцінки безпеки, гнучкість системи та масштабованість рішення. Для успішного впровадження моделі розроблено структурований підхід, який включає аудит існуючої інфраструктури, поетапне впровадження, навчання персоналу та створення ефективної системи зворотного зв’язку. Майбутні напрямки дослідження спрямовані на розширення спектру аналізованих загроз, вдосконалення алгоритмів оцінки ризиків з використанням методів машинного навчання та покращення механізмів автоматизації.
Нейромережевий підхід виявлення водних об’єктів на мультиспектральних зображеннях
(НТУ «Дніпровська політехніка», Дніпро, 2024) Кунденко, Павло; Сокол, Олександр; Калініна, Наталія Юріївна; Гнатушенко, Вікторія Володимирівна
UKR: Мета роботи. Метою данного дослідження є створення та впровадження ефективного нейромережевого підходу на основі моделі U-Net для детектування структурних елементів водного середовища України шляхом аналізу мультиспектральних зображень із супутника Sentinel-2. Це передбачає підвищення точності та швидкості виявлення змін у водних масах та елементах екомережі, що сприятиме оперативному реагуванню на екологічні виклики. Методологія. Для підготовки даних застосовується автоматичний підхід до формування навчального набору з використанням нормалізованого різницевого водного індексу (NDWI). На супутникових знімках Sentinel-2 (зелений та ближній інфрачервоний канали) генеруються бінарні маски води на основі порогового значення, що дає змогу створювати великий набір даних для навчання без ручної анотації. Модель базується на глибинній нейронній мережі U-Net: енкодер виокремлює високорівневі ознаки, а декодер відновлює просторову роздільну здатність і формує сегментаційну карту. Під час навчання застосовується комбінована функція втрат, яка поєднує бінарну крос-ентропію та коефіцієнт Дайса. Оцінка моделі здійснюється за метриками F1-міри, точності, повноти й індексу Жаккара (IoU). Модель тестується на повнорозмірних знімках різних ділянок, демонструючи високий рівень узагальнення. Наукова новизна. Запропоновано підхід, що полягає в об’єднанні автоматичного формування масок водних об’єктів (за допомогою NDWI) та нейромережі U-Net, адаптованої до задач бінарної сегментації великих супутникових зображень. Така інтеграція уникає ручної розмітки та забезпечує точні результати виявлення води. Використання комбінованої функції втрат покращує чутливість моделі до тонких водних структур, а стійкість до варіативності спектральних характеристик і атмосферних перешкод підтверджується експериментами в різних умовах зйомки. Висновки. Розроблено ефективну модель для сегментації водних об’єктів на супутникових знімках Sentinel-2 з використанням глибокої нейронної мережі архітектури U-Net. Процес включав підготовку даних, де автоматично генерувалися маски водних об’єктів на основі індексу NDWI, та детальне навчання моделі з комбінованою функцією втрат, що поєднує бінарну крос-ентропію та коефіцієнт Дайса. Модель досягла високих показників точності, підтверджених метриками F1-міри (0.8897), точності (0.8721), повноти (0.9080) таIoU (0.8013), що свідчить про її здатність до точного виявлення водних об’єктів різних розмірів і форм. Перевагами використаних підходів є поєднання глибинного навчання з попередньою підготовкою даних, що дозволило автоматизувати процес виявлення водних об’єктів та забезпечити високу точність сегментації. Модель демонструє гнучкість, масштабованість та обчислювальну ефективність, що робить її придатною для практичного застосування в моніторингу водних ресурсів і екологічних дослідженнях. Майбутні напрямки дослідження направлені на експерименти з іншими архітектурами нейронних мереж, використання альтернативних методів створення масок та врахування просторово-часової інформації, що дасть змогу підвищити ефективність і універсальність моделі.
Нейромережевий підхід сегментації сільськогосподарських угідь на супутникових зображеннях
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Гончаров, Олександр Геннадійович; Гнатушенко, Вікторія Володимирівна; Шевцова, Ольга Сергіївна
UKR: В сучасному аграрному секторі важливу роль відіграє точне картографування та моніторинг агроугідь за допомогою супутникових знімків, що дозволяє оптимізувати використання ресурсів, планувати посівні площі та прогнозувати врожайність. Семантична сегментація геоданих за допомогою глибокого навчання відкриває нові можливості для автоматизації цих процесів, проте потребує ретельного вибору та оптимізації моделей, здатних ефективно працювати з високорозмірними геопросторовими даними. Дана робота присвячена аналізу та порівнянню трьох різних модифікацій архітектури U-Net для задачі семантичної сегментації агроугідь на основі супутникових зображень. Було досліджено моделі з різними архітектурними особливостями, включаючи застосування остаточних блоків, методів нормалізації та регуляризації. Результати показали, що деякі модифікації архітектури U-Net можуть значно підвищити точність сегментації, що відкриває шлях для подальших досліджень у напрямку вдосконалення алгоритмів обробки супутникових даних для потреб аграрного сектору.
Покращення ефективності розпізнавання супутникових зображень шляхом визначення обсягу навчальних даних
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2023) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Розпізнавання супутникових зображень є життєво важливим застосуванням комп’ютерного зору з потенційними варіантами використання в таких сферах, як боротьба зі стихійними лихами, землеробство та міське планування. Це дослідження спрямоване на визначення оптимальної кількості вхідних даних, та підбору оптимальних методів їх аугментації, необхідних для навчання нейронної мережі CNN для розпізнавання супутникових зображень. З цією метою проводиться серія експериментів, щоб дослідити вплив кількості вхідних даних на кілька показників продуктивності, включаючи точність, конвергенцію та узагальнення моделі. Дослідження пропонує кілька методів для визначення точки насичення та пом’якшення наслідків перенавчання. Результати, отримані в цьому дослідження, можуть допомогти в розробці більш ефективних моделей розпізнавання супутникових зображень.
Проблеми та рішення масштабування потоків даних у екосистемі «Індустрії 4.0» в промисловості та бізнесі
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Ситник, Роман Сергійович; Гнатушенко, Вікторія Володимирівна
UKR: Процеси інтеграції інформаційних технологій у виробництво та логістику часто описують терміном «Індустрія 4.0». Цей термін включає різні підходи до цифровізації, автоматизації та взаємозв’язку в різних галузях промисловості. Інтеграція передових технологій у виробництво створює великі потоки даних, які звичайні промислові інформаційні системи часто не в змозі обробити та вчасно на них відповісти. Це може призвести до затримок і помилок, які можуть призвести до неефективності в ланцюгах постачання, затримок у виробництві та комунікації між промисловими секторами, а також до проблем прозорості та підзвітності інформаційних систем в екосистемі «Індустрії 4.0», проблем із безпекою, цілісністю даних, відстеження процесів у реальному часі тощо. Тому важливим завданням є дослідження нових методів управління потоками даних в інформаційних системах в екосистемі «Індустрія 4.0», які можуть покращити взаємодію та прискорити впровадження інформаційних технологій у промисловості та логістиці.
Проектування та дослідження системи моніторингу руху товарів та ресурсів з застосуванням блокчейну
(НМетАУ, Дніпро, 2021) Гнатушенко, Вікторія Володимирівна; Ситник, Роман Сергійович
UKR: Глобалізація, розвиток міжнародної та внутрішньої торгівлі, створення довших та складніших ланцюгів постачання, збільшення обʼємів продажів товарів тягнуть за собою збільшення вимог та навантаження на інформаційні системи, які займаються управлінням та моніторингом руху товарів, ресурсів та сировини. Тому актуальною є задача дослідження та проєктування нових ІТ моделей для ланцюгів постачання, що призначені спростити та зробити прозорішими процеси моніторингу та управління рухом товарів між різними субʼєктами господарювання. У роботі розроблений прототип управління ланцюгами постачання на основі використання технології блокчейну та смарт-контрактів з використанням децентралізованої віртуальної машини Ethereum.
Проектування ІТ бізнес моделі на основі безсерверних сервисів
(НМетАУ, Дніпро, 2021) Гнатушенко, Вікторія Володимирівна; Руденко, Вячеслав Павлович; Царик, Владислав Юрійович
UKR: Розвиток інформаційних технологій в бізнесі тягне за собою широке застосування хмарних обчислень: зберігання і обробку даних на стороні компанії, яка надає відповідні Інтернет-сервіси. Тому актуальною є задача дослідження і проектування ІТ бізнес моделі на основі безсерверніх сервісів, що дозволяє забезпечити доступність для користувачів, зниження витрат на обслуговування віртуальної інфраструктури. У роботі розроблена система з використанням AWS, яка призначена для розробки, проектування та модернізації сучасних «локальних» бізнес моделей, задля підвищення ефективності та економії ресурсів.
Підхід розпізнавання елементів GUI як зображень на основі машинного навчання
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Царик, Владислав Юрійович; Гнатушенко, Вікторія Володимирівна; Ольшанський, Євген Володимирович
UKR: У сучасних дослідженнях у галузі комп’ютерного зору значна увага приділяється задачам виявлення та класифікації об’єктів на зображеннях, зокрема із застосуванням глибокого навчання. Водночас питання застосування цих підходів до розпізнавання елементів графічного інтерфейсу залишається недостатньо дослідженим. У статті розглянуто підхід, що передбачає використання елементів веб-інтерфейсу як вхідних даних для моделей детекції об’єктів як зображень. Запропоновано процес, у межах якого здійснюється отримання зображення за допомогою Selenium, подальша обробка з використанням моделі машинного навчання та передача результатів у форматі JSON для тестування в середовищі PyTest. Проведено порівняльний аналіз моделей Swin-L, EfficientDet-D7, Cascade Mask R-CNN, RetinaNet та YOLO з точки зору їх придатності до задачі розпізнавання елементів інтерфейсу. За результатами дослідження встановлено, що використання моделей YOLO є найбільш доцільним для задачі розпізнавання елементів графічного інтерфейсу користувача. Запропонований підхід дозволяє зменшити залежність від DOM-структури, підвищити стійкість тестових сценаріїв до змін інтерфейсу та знизити витрати на їх підтримку. Отримані результати можуть бути використані для подальшого розвитку систем автоматизованого тестування веб-застосунків.
Результати налаштування параметрів нейронних глибоких мереж щодо розпізнавання Fashion MNIST DATASET
(Херсонський національний технічний університет, 2022) Гнатушенко, Вікторія Володимирівна; Фененко, Тетяна Михайлівна; Дорош, Ольга Володимирівна
UKR: Проведено дослідження моделей згорткової нейронної мережі (Convolutional neural network – CNN) з метою підвищення точності розпізнавання Fashion MNIST DATASET.З огляду відомо, що розпізнавання елементів одягу набору Fashion MNIST є більш складним ніж розпізнавання набору рукопису цифр MNIST. Набор одягу Fashion-MNIST рекомендовано для досліджень різних архітектур нейронних мереж. Найкращі результати якості розпізнавання Fashion MNIST DATASET отримано за згортковою нейронною мережею. В даній роботі було метою покращити точність розпізнавання Fashion MNIST DATASET за рахунок дослідження різних архітектур CNN та їх параметрів. Обрано дві архітектури послідовної згорткової нейронної мережі з тих, у яких точність розпізнавання Fashion MNIST DATASET більше ніж 93%. Проведено дослідження їх архітектур та параметрів. Моделі відповідають визначенню нейронних глибоких мереж та мають різну кількість шарів. В дослідженнях моделей показано вплив параметрів batch_size, validation_split, validation_data на точність розпізнавання, а також варіанти розташування шару BatchNormalization та шару активації; вплив параметра “filters” для згорткового шару. Крім того, було використано два варіанти вибору валідаційної вибірки: перший – з набору даних для навчання (20%), а другий – набор даних тестування. При розрахунках число епох навчання дорівнювало 20. В процесі навчання вирішувалось питання не допустити перенавчання за допомогою аналізу функції втрат. Використано бібліотеки TensorFlow, Keras, мову програмування Python. Розроблено програмні модулі, які було реалізовано у хмарному сервісі Google Colab. В результаті досліджень підтверджено заявлену у роботах інших авторів точність розпізнавання >93% Fashion MNIST DATASET та отримано покращену точність розпізнавання в 94,16% для однієї з обраних моделей. Обґрунтовано вплив параметру batch_size на точність розпізнавання, обрано значення batch_size відповідно найкращому результату розпізнавання Fashion MNIST DATASET. Продемонстровано, що збільшення кількості даних для навчання покращує точність розпізнавання при використанні параметра valid_data==(X_test, X_test_labels) замість valid_split для даних навчання. Наведені результати чисельного експеримента, які підтверджують важливість та корисність застосування методів регуляризації для вирішення проблеми перенавчання: налаштування шарів Dropout дозволило покращити точність розпізнавання.
Розпізнавання зображень набору Fashion MNIST методами глибокого навчання
(Херсонський національний технічний університет, 2021) Гнатушенко, Вікторія Володимирівна; Дорош, Наталія Леонідівна; Фененко, Тетяна Михайлівна
UKR: Огляд сучасних методів розпізнавання об’єктів-зображень показав, що алгоритми глибокого навчання успішно використовуються і дозволяють отримати високу якість. Прикладом можливо привести якість розпізнавання символів набору MNIST, яка наблизилась до 100%. Для другого набору даних, який теж популярний при тестуванні алгоритмів глибокого навчання, а саме, набору елементів одягу та аксесуарів Fashion MNIST, така висока якість розпізнавання ще не отримана. У роботі представлені результати розпізнавання даних Fashion MNISТ. Розглянуті моделі нейронної мережі прямого поширення і згорткової мережі. Виконано програмну реалізацію алгоритмів глибокого навчання, а саме, розглянуто багатошарову мережу прямого поширення (FNN) та згорткову нейронну мережу (CNN). Використано мову Python, бібліотеки TensorFlow та Keras Бібліотека Keras дозволяє спрощувати виклики функцій з TensorFlow. Типовий процес роботи в Python Keras полягає в наступному: завантаження необхідних модулів, завантаження даних, попередня обробка, розбивка їх на навчальну, тестову і валідаційну частини; створення моделі із зазначенням архітектури, та інше. Розроблено модуль для перегляду зображень набору даних, параметрів мережі та інформації з якості розпізнавання. Виконано чисельний експеримент розпізнавання елементів одягу засобами FNN. Проведено автоматичне налаштування гіперпараметрів мережі. Якість розпізнавання на тестових даних дорівнює 0,89. Налаштування гіперпараметрів покращило якість несуттєво. Невисока якість розпізнавання пояснюється також використанням дуже простої моделі нейронної мережі. Поліпшення результатів було досягнуто з використанням згорткової нейронної мережі. Кращій результат розпізнавання, який отримано у роботі, дорівнює 91.26%, але відомий найкращий результат якості розпізнавання дорівнює 94%. Роботу з вдосконалення результатів розпізнавання зображень даних Fashion MNIST доцільно продовжити, а програмний засіб, який розроблено, можливо використовувати щодо розпізнавання інших даних. При творчому підході розпізнавання об'єктів зображень на Python з застосуванням бібліотек Keras Tensorflow і інших є дуже перспективним напрямком для практичного застосування.
Розробка автоматизованої системи центру авторизації
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Краснюк, Михайло Андрійович; Гнатушенко, Вікторія Володимирівна; Мороз, Борис Іванович; Сокол, Олександр
UKR: У сучасному цифровому світі, де онлайн-сервіси та додатки стають необхідними інструментами в повсякденному житті, питання безпеки та контролю доступу користувачів набувають особливої важливості. Автоматизована система центру авторизації є сервісом що вирішує ці питання. Сервіс забезпечує безпечне та надійне обслуговування клієнтів різних інформаційних систем. Результатом дослідження є створення програмного продукту, послугами якої можуть користуватися як в інфраструктурі сервісів великої компанії, так і WEB-сервісам. Автоматизована система є достатньо швидкою, що дозволяє обслуговувати велику кількість користувачів із різних інформаційних систем одночасно. Використання послуг автоматизованої системи центру авторизації знімає із бізнесу обтяження зі зберігання паролів, авторизації користувачів в інформаційній системі, впровадження безпекових оновлень та полегшує адміністрування.
Розробка та реалізація мобільного додатка організації дистанційного навчання
(Херсонський національний технічний університет, Херсон, 2021) Гнатушенко, Вікторія Володимирівна; Китова, Ксенія Володимирівна; Дорош, Ольга Володимирівна
UKR: Зміни, що відбуваються останнім часом у сфері вищої професійної освіти, пов'язані з пандемією, призводять до необхідності застосування нових методів і форм роботи зі студентами. У даній статті мова йде про застосування дистанційного навчання при організації самостійної роботи з навчальним матеріалом. Дана робота присвячена особливостям дистанційного навчання в цілому. Пояснюється необхідність застосування дистанційних освітніх технологій в сучасному навчальному процесі, а також розкриваються переваги і недоліки такого навчання. Особлива увага приділяється практичним питанням дистанційного навчання, описуються форми і пропонуються ідеї щодо його застосування. На даному етапі головною проблемою являється відсутність єдиної уніфікованої електронної платформи для навчання. Адже в процесі дистанційного навчання викладач може використовувати різноманітні онлайн-сервіси, які він опанував. Візуально привабливий інтерфейс сприяє створенню позитивного враження від процесу взаємодії користувача з сайтом і, як наслідок, формує у учня позитивне ставлення до навчання. У роботі розроблено та реалізовано системи бази даних дистанційного навчання з двома рівнями доступу: «вчитель» та «учень», яку в подальшому можна розвивати, удосконалювати та згодом використовувати для організації освітніх процесів у закладах вищої освіти. Розроблений додаток являє собою програмний продукт, який написаний мовою програмування PHP 7-ої версії. В ході дослідження були проаналізовані сутність поняття системи дистанційної освіти, її структура, засоби і способи реалізації. Використаний в процесі розробки мобільного додатка об'єктно-орієнтований підхід, дозволяє здійснювати подальшу модернізацію системи. Слід зазначити, що створена платформа для дистанційного навчання є початковим етапом по впровадженню сучасних інформаційних технологій в процеси навчання. При подальшій роботі необхідно враховувати конкретні освітні вимоги закладу вищої освіти. В майбутньому вона може стати потужним інструментом з надання електронної підтримки навчання студентів.
Система багаторівневої верифікації персональних даних у блокчейн-середовищі
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Ситник, Роман Сергійович; Гнатушенко, Вікторія Володимирівна
UKR: У роботі запропоновано інноваційний підхід до вирішення проблеми верифікації та захисту персональних даних у системах на основі технології блокчейн. Розроблено метод забезпечення достовірності та цілісності даних, що базується на математичній моделі з використанням комплексної функції валідації та ієрархічної структури вузлів верифікації. Запропонована модель представляє кожен елемент даних як кортеж компонентів, що включає версію даних, цифровий підпис джерела, часову мітку, геш попередньої версії та метадані верифікації. Достовірність оцінюється через інтегральний показник, що враховує різні аспекти валідації. Впроваджено систему "довірених джерел" з динамічним оновленням рівня довіри на основі історії операцій та алгоритму консенсусу Proofof-Authority. Архітектурно система реалізується через створення ієрархічної структури вузлів верифікації, де кожен рівень відповідає за певний аспект перевірки даних. Запропоноване рішення забезпечує баланс між захистом даних та зручністю їх використання.
Стратегії визначення оптимальної кількості вхідних даних для розпізнавання об’єктів на супутникових зображеннях
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Розпізнавання супутникових зображень є життєво важливим застосуванням комп’ютерного зору з численними потенційними варіантами використання в таких сферах, як боротьба зі стихійними лихами, землекористування та міське планування. Це дослідження спрямоване на визначення оптимальної кількості вхідних даних, необхідних для навчання нейронної мережі для розпізнавання супутникових зображень. З цією метою проводиться серія суворих експериментів, щоб дослідити вплив кількості вхідних даних на кілька показників продуктивності, включаючи точність, конвергенцію та узагальнення моделі. Висновки показують, що збільшення кількості вхідних даних загалом покращує продуктивність моделі до точки насичення, після якої подальше збільшення не призводить до значних покращень і навіть може призвести до переобладнання. Дослідження пропонує кілька стратегій для визначення цієї точки насичення та пом’якшення наслідків переобладнання. Результати, отримані в результаті цього дослідження, можуть допомогти в розробці більш ефективних моделей розпізнавання супутникових зображень.
Сучасні підходи до оптимізації інтерфейсів веб-застосунків: інтерактивність, функціональність та доступність
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Царик, Владислав Юрійович; Гнатушенко, Вікторія Володимирівна; Селівьорстова, Тетяна Віталіївна
UKR: В роботі розглянуто сучасні підходи до оптимізації інтерфейсів веб-застосунків, спрямовані на підвищення їхньої інтерактивності, функціональності та доступності. Аналізуються ключові аспекти проектування користувацьких інтерфейсів, включаючи юзабіліті-тестування, технічну оптимізацію, інтерактивні елементи та принципи доступності. У результаті запропоновано рекомендації для розробників, що сприяють створенню адаптивних і зручних веб-ресурсів, які відповідають сучасним вимогам конкурентного цифрового середовища.
Сучасні тенденції в обробці аерокосмічних зображень та розпізнаванні образів
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Міщенко, Максим Станіславович; Сокол, Олександр; Гнатушенко, Вікторія Володимирівна
UKR: Ця стаття спрямована на аналіз сучасних тенденцій в обробці та розпізнаванні аерокосмічних зображень. Такі зображення є важливим джерелом інформації для різних галузей промисловості, таких як військова та цивільна картографії, сільське господарство та екологія. Процес обробки та аналізу великомасштабних аерокосмічних зображень вимагає значних витрат часу та ресурсів, тому виникає потреба у використанні сучасних методів машинного навчання та обробки зображень. У цьому документі описано різні методи обробки аерокосмічних зображень, такі як лінійна фільтрація, аналіз незалежних компонентів, зіставлення шаблонів і генеративні змагальні мережі. Використання сучасних методів обробки та розпізнавання образів аерокосмічних зображень є важливим кроком у підвищенні ефективності та точності аналізу великомасштабних зображень, що може бути корисним для різних галузей промисловості, які використовують аерокосмічні зображення.
Управління потоками даних в сучасній промисловості за допомогою блокчейну
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2023) Ситник, Роман Сергійович; Гнатушенко, Вікторія Володимирівна
UKR: Сучасна світова промисловість проживає трансформацію того, як компанії розробляють, виробляють і розповсюджують товари та послуги, зосереджуючись на більшій ефективності, гнучкості та підлаштуванню під потреби сучасного світу. Ці процеси відбуваються під впливом впровадження в промисловість інформаційних технологій, та часто описуються терміном "Індустрія 4.0", в якому описуються концепції цифровізації, автоматизації та взаємозв’язку у промислових секторах, появи розумних фабрик і об’єднаних ланцюжків поставок, що створює великі об’єми даних для аналізу та обробки, що створює нові виклики у питаннях адаптації інформаційних технологій. Тому є актуальною задача дослідження нових моделей та методів управління потоками даних у інформаційних системах, які можуть поліпшити взаємодію та прискорити адаптацію інформаційних технологій в різних промислових секторах економіки. У роботі розглянуто підхід до побудови інформаційних систем в промисловості та бізнесі за допомогою технології блокчейну та потенціал цієї технології у вирішенні проблем управління потоками даних у сучасній промисловості.
Інтелектуальний аналіз даних з використанням WEKA Explorer
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Гнатушенко, Вікторія Володимирівна; Дейнека, Богдан М.
UKR: Досліджено питання інтелектуального аналізу даних, описано недоліки та переваги використання WEKA Explorer.