2025

Permanent URI for this communityhttps://crust.ust.edu.ua/handle/123456789/20015

UKR: У даному репозитарії представлені електронні версії статей, автори яких є членами співтовариства університету. Зі статтями авторів, що не працюють в УДУНТ, можна ознайомитися на сайті журналу "Системні технології".
ENG: This repository contains e-articles whose authors are members of the community of the university. Articles of authors who are not USUST employees are available online at the website of the journal "System technologies".

Browse

Now showing 1 - 2 of 2

Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Hryhorovych, Mykyta S.
ENG: Deep learning has emerged as a transformative approach for detecting structural damage and deformations, particularly for flat roofs and large-scale infrastructure. This article synthesizes recent progress in applying convolutional neural networks (CNNs), segmentation models, object detectors (YOLO, Faster R-CNN), and autoencoders for unsupervised anomaly detection. Drones (UAVs), thermal imaging, and vibration sensing all contribute critical data. By training on images or signals indicative of healthy vs. damaged conditions, deep models can locate cracks, spalling, missing fasteners, or stiffness loss at high speed and with impressive accuracy - often above 85%. A review of more than 300 publications indicates that remote inspection with AI can drastically reduce manual labor and improve the consistency of damage identification, even in hazardous or inaccessible areas. A summary table compares deep learning effectiveness across beams, walls, decks, roofs, and other structural components. Real-world deployments on bridges, high-rise facades, and post-disaster zones confirm that deep learning, coupled with UAV-based inspections, can accelerate maintenance workflows, detect subtle defects, and reduce safety risks. Ongoing challenges include data scarcity for rare failure modes, generalizing models to new environments, and the integration of physics-based reasoning. Recommendations for future research involve fusing multispectral data, automating calibration of deep models, and embedding AI in digital twins for continuous structural health monitoring.
Аналіз емоцій з використанням виразів обличчя та голосових ознак
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Дмитрієва, Ірина Сергіївна; Бімалов, Дмитро Вікторович
UKR: У роботі представлені методи для розпізнавання людських емоцій. Розпізнавання людських емоцій - це галузь штучного інтелекту, що швидко розвивається і має важливе значення для поліпшення взаємодії людини з комп'ютером. Однак більшість сучасних систем розпізнавання емоцій обмежені використанням тільки одного джерела даних голосових характеристик, або виразів обличчя, що знижує точність і стій-кість розпізнавання в складних умовах. В цій статті розглядаються методи розпізнавання емоцій з використанням двох основних каналів - голосового та візуального. У процесі дослідження аналізуються наявні підходи щодо розпізнавання емоцій. Для аналізу емоцій розглянуто технології ResNet (для зображень), SER (для звуку). Особливу увагу приділено аналізу й обробці акустичних характеристик, таких як інтонація, гучність, темп мовлення і тривалість пауз, а також використанню методів комп'ютер-ного зору для детекції виразів обличчя, таких як посмішка, затиснуті губи або насуплені брови. Це дослідження просуває галузь вивчення емоцій, забезпечуючи краще розуміння емоційних станів людини.