МИНОБРНАУКИ РОССИИ
федеральное государственное бюджетное образовательное учреждение высшего образования
«Алтайский государственный университет»

Основы машинного зрения

рабочая программа дисциплины
Закреплена за кафедройКафедра вычислительной техники и электроники
Направление подготовки09.04.01. Информатика и вычислительная техника
ПрофильНейроинформационные технологии и робототехнические системы
Форма обученияОчная
Общая трудоемкость3 ЗЕТ
Учебный план09_04_01_Информатика и вычислительная техника_НТиРС-2022
Часов по учебному плану 108
в том числе:
аудиторные занятия 32
самостоятельная работа 76
Виды контроля по семестрам
зачеты: 4

Распределение часов по семестрам

Курс (семестр) 2 (4) Итого
Недель 13
Вид занятий УПРПДУПРПД
Лекции 12 12 12 12
Лабораторные 20 20 20 20
Сам. работа 76 76 76 76
Итого 108 108 108 108

Программу составил(и):
к.ф.-м.н, Доцент, Калачев А.В.

Рецензент(ы):
к.ф.-м.н, Доцент, Мансуров А.В

Рабочая программа дисциплины
Основы машинного зрения

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - магистратура по направлению подготовки 09.04.01 Информатика и вычислительная техника (приказ Минобрнауки России от 19.09.2017 г. № 918)

составлена на основании учебного плана:
09.04.01 Информатика и вычислительная техника
утвержденного учёным советом вуза от 27.04.2021 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра вычислительной техники и электроники

Протокол от 14.06.2022 г. № 100/21-22
Срок действия программы: 2022-2023 уч. г.

Заведующий кафедрой
к.ф-м.н., Пашнев Владимир Валентинович, доц., зав. кафедрой "Вычислительной техники и электроники"


Визирование РПД для исполнения в очередном учебном году

Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2023-2024 учебном году на заседании кафедры

Кафедра вычислительной техники и электроники

Протокол от 14.06.2022 г. № 100/21-22
Заведующий кафедрой к.ф-м.н., Пашнев Владимир Валентинович, доц., зав. кафедрой "Вычислительной техники и электроники"


1. Цели освоения дисциплины

1.1.Дисциплина призвана познакомить с актуальными направлениями и проблемами развития технологий получения и обработки изображений, алгоритмов и приемов машинного зрения.
Задачи, которые реализует программа:
1. знакомство системами зрения;
2. знакомство с аппаратными средствами получения изображений;
3. изучение основ алоритмов обработки и анализа изображений;
4. изучение основ работы с библиотекой OpenCV.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.В.01

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ПК-3Способен администрировать прикладное программное обеспечение инфокоммуникационной системы
ПК-3.1 Знает основы установки прикладного программного обеспечения.
ПК-3.2 Знает методы оценки критичности возникновения инцидентов при работе прикладного программного обеспечения.
ПК-3.3 Умеет оптимизировать функционирование прикладного программного обеспечения.
ПК-3.4 Умеет интегрировать прикладное программное обеспечение в единую структуру инфокоммуникационной системы
ПК-3.5 Владеет навыками разработки нормативнотехнической документации на процедуры управления прикладным программным обеспечением.
ПК-3.6 Владеет навыками разработки требований к аппаратному обеспечению и поддерживающей инфраструктуре для эффективного функционирования прикладного программного обеспечения.
ПК-4Способен управлять программно-аппаратными средствами инфокоммуникационной системы
ПК-4.1 Знает основы управления доступом к программно- аппаратным средствам инфокоммуникационной системы.
ПК-4.2 Знает методы осуществления мониторинга событий, возникающих в процессе работы инфокоммуникационной системы.
ПК-4.3 Умеет восстанавливать работоспособность программно-аппаратных средств инфокоммуникационной системы и/или ее составляющих после сбоев.
ПК-4.4 Умеет организовывать протоколирование событий, возникающих в процессе работы инфокоммуникационной системы.
ПК-4.5 Владеет навыками ввода в эксплуатацию аппаратных, программноаппаратных и программных средств инфокоммуникационной инфраструктуры.
ПК-4.6 Владеет навыками обслуживания периферийного оборудования.
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.Основные методы обработки и анализа изображений и видеопотока
3.2.Уметь:
3.2.1.Выстраивать необходимую цепочку преобразований изображения/видеопотока при его обработке для решения поставленной задачи
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.Установки, настройки и применения библиотек обработки изображений (в частности OpenCV), выбора и применения нейронных сетей для анализа изображений

4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Семестр Часов Компетенции Литература
Раздел 1.
1.1. «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов Лекции 4 2 Л1.4, Л1.1
1.2. «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов «Отступление в биологию – или «как мы сами видим мир»». Устройство зрительного тракта человека и животных; свет, цвет, особенности восприятия изображений и цветов Сам. работа 4 10
1.3. «Что такое машинное зрение и зачем оно вообще». Определение машинного зрения; типовые задачи и области применения; аппаратные средства получения изображений и псевдоизображений; программные средства машинного зрения «для народа» «Что такое машинное зрение и зачем оно вообще». Определение машинного зрения; типовые задачи и области применения; аппаратные средства получения изображений и псевдоизображений; программные средства машинного зрения «для народа» Лекции 4 2 Л1.1
1.4. «OpenCV Python. Установка и настройка программного окружения». Язык программирования Python, открытая библиотека обработки изображений OpenCV, от установки до запуска Сам. работа 4 4
1.5. «Начало работы с изображениями». Загрузка и сохренение изображений, преобразования форматов, захват изображения с камеры, воспроизведение и запись видеопотока Лабораторные 4 2
1.6. «Базовые операции обработки изображений». Свойства изображений; выделение и обработка отдельной области изображения; арифметические операции; изменение цветовых пространств; бинаризация изображений; геометрические преобразования; фильтрация изображений Лекции 4 2
1.7. «Базовые операции обработки изображений». Свойства изображений; выделение и обработка отдельной области изображения; арифметические операции; изменение цветовых пространств; бинаризация изображений; геометрические преобразования; фильтрация изображений Лабораторные 4 4 Л1.2, Л2.1, Л1.3
1.8. «Базовые операции обработки изображений». Свойства изображений; выделение и обработка отдельной области изображения; арифметические операции; изменение цветовых пространств; бинаризация изображений; геометрические преобразования; фильтрация изображений Сам. работа 4 8
1.9. «Продвинутые операции обработки изображений». Градиенты; выделение границ; пирамиды изображений; выделение и анализ контуров; гистограммы изображения и их применение. Лекции 4 2 Л1.2, Л2.1
1.10. «Продвинутые операции обработки изображений». Градиенты; выделение границ; пирамиды изображений; выделение и анализ контуров; гистограммы изображения и их применение. Лабораторные 4 4 Л1.2, Л1.3
1.11. «Продвинутые операции обработки изображений». Градиенты; выделение границ; пирамиды изображений; выделение и анализ контуров; гистограммы изображения и их применение. Сам. работа 4 8
1.12. «Анализ изображений». Преобразование Фурье; поиск через соответствие шаблону; преобразование Хафа и его применение; стереозрение и карты глубины Лекции 4 1
1.13. «Анализ изображений». Преобразование Фурье; поиск через соответствие шаблону; преобразование Хафа и его применение; стереозрение и карты глубины Лабораторные 4 4 Л1.2, Л2.1
1.14. «Анализ изображений». Преобразование Фурье; поиск через соответствие шаблону; преобразование Хафа и его применение; стереозрение и карты глубины Сам. работа 4 8
1.15. «K-Nearest Neighbour и его применение в CV». kNN в OpenCV, распознавание рукописного текста; алгоритмы кластеризации и их применение. Лекции 4 1 Л2.1, Л1.3
1.16. «K-Nearest Neighbour и его применение в CV». kNN в OpenCV, распознавание рукописного текста; алгоритмы кластеризации и их применение. Лабораторные 4 2
1.17. «K-Nearest Neighbour и его применение в CV». kNN в OpenCV, распознавание рукописного текста; алгоритмы кластеризации и их применение. Сам. работа 4 8
1.18. «Каскадные классификаторы Хаара и обработка оптического потока.» Обнаружение лиц; обработка оптического потока; вычитание фона; отслеживание движений Лекции 4 1
1.19. «Каскадные классификаторы Хаара и обработка оптического потока.» Обнаружение лиц; обработка оптического потока; вычитание фона; отслеживание движений Лабораторные 4 2 Л1.2, Л1.3
1.20. «Каскадные классификаторы Хаара и обработка оптического потока.» Обнаружение лиц; обработка оптического потока; вычитание фона; отслеживание движений Сам. работа 4 16
1.21. «нейронные сети и глубокое обучение(DNN) в OpenCV» Основные возможности DNN, MobileNets и Single Shot Detectors; распознавание объектов на изображениях и в режиме реального времени Лекции 4 1 Л1.2, Л2.1
1.22. «нейронные сети и глубокое обучение(DNN) в OpenCV» Основные возможности DNN, MobileNets и Single Shot Detectors; распознавание объектов на изображениях и в режиме реального времени Лабораторные 4 2 Л2.1
1.23. «нейронные сети и глубокое обучение(DNN) в OpenCV» Основные возможности DNN, MobileNets и Single Shot Detectors; распознавание объектов на изображениях и в режиме реального времени Сам. работа 4 14

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины
ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-3

ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА
1. Какие типы камер обычно используются в системах машинного зрения?
a) Монокулярные
b) Стереоскопические
c) Инфракрасные
d) Тепловые
e) Все из перечисленных
f) Ни один из перечисленных
___ответ_:е
2. Что из перечисленного является важной характеристикой камеры для машинного зрения?
a) Разрешение
b) Угол обзора
c) Чувствительность
d) Скорость захвата кадров
e) Все из перечисленного
f) Ни одно из перечисленного
___ответ_: ad
3. Можно ли использовать обычную камеру для машинного зрения?
a) Да
b) Нет
___ответ_:a
4. Как улучшить качество изображения, полученного с камеры, в системе машинного зрения?
a) Шумоподавление
b) Коррекция искажений
c) Улучшение контраста
d) Все из перечисленного
e) Ни одно из перечисленного
___ответ_:ac
5. Какой метод используется для калибровки камеры в системе машинного зрения?
a) Использование специальных мишеней
b) Использование алгоритмов
c) Оба
d) Ни один
___ответ_:a
6. Какая проблема может возникнуть при использовании камеры в системе машинного зрения и как ее решить?
a) Шум
b) Артефакты
c) Размытие
d) Все из перечисленного
e) Ничего из перечисленного
___ответ_:d
7. В каких областях применяется машинное зрение?
a) Медицина
b) Производство
c) Транспорт
d) Все перечисленное
e) Ничто из перечисленного
___ответ_:d
8.Что из перечисленного относится к задачам компьютерного зрения?
a) Распознавание объектов
b) Обнаружение объектов
c) Сегментация объектов
d) Все перечисленные
e) Ни одна из перечисленных
___ответ_:d
9. Сверточная нейронная сеть используется для чего?
a) Классификация изображений
b) Обнаружение объектов на изображении
c) Сегментация изображений
d) Все вышеперечисленное
e) Ничего из вышеперечисленного
___ответ_:ab
10. Что представляет собой обучение с подкреплением в контексте распознавания объектов?
a) Система обучается на основе обратной связи
b) Система обучается без обратной связи
c) Система не обучается вообще
d) Система обучается на большом объеме данных
___ответ_:a
11. Сегментация изображения - это что?
a) Разделение изображения на области
b) Объединение областей в одно изображение
c) Изменение размера изображения
d) Изменение формата изображения
___ответ_:a
12. SIFT-дескриптор используется для чего?
a) Сравнение изображений
b) Распознавание изображений
c) Сегментация изображений
d) Ничего из вышеперечисленного
___ответ_: a
13. Ключевые точки на изображении используются для чего?
a) Определение формы объекта
b) Определение размера объекта
c) Определение положения объекта
d) Все вышеперечисленное
___ответ_: a
14. Отслеживание объектов в видеопотоке осуществляется с помощью...
a) Компьютерное зрение
b) Машинное обучение
c) Обработка изображений
d) Нейронные сети
___ответ_:a
15. Алгоритмы машинного зрения используются для обнаружения дефектов на производстве с помощью чего?
a) Анализ изображений
b) Обработка видео
c) Сверточные нейронные сети
d) Все вышеперечисленное
___ответ_:d
16. Глубина резкости изображения - это
a) Расстояние между ближайшим и самым далеким объектом, который находится в фокусе
b) Расстояние между самым близким и самым далеким объектами на изображении
c) Расстояние между объектами на переднем и заднем плане
d) Все вышеперечисленное
___ответ_:a
17. Стереовидение используется для -?
a) Восприятие глубины
b) Создание 3D-моделей
c) Сравнение изображений
d) Распознавание образов
___ответ_:ab
18. Распознавание лиц с помощью машинного зрения осуществляется с помощью ...?
a) Матричные вычисления
b) Сверточные нейронные сети
c) SIFT-дескрипторы
d) Глубина резкости
___ответ_: c
19. Обнаружение движения на видео осуществляется с помощью
a) Оптического потока
b) Ключевых точек
c) Компьютерного зрения
d) Машинного обучения
___ответ_:a
20. Мониторинг окружающей среды с помощью машинного зрения включает в себя
a) Распознавание объектов
b) Отслеживание объектов
c) Анализ видео
d) Все вышеперечисленное
___ответ_:d
21. Калибровка камеры в системе машинного зрения включает в себя
a) Определение параметров камеры
b) Коррекцию искажений изображения
c) Обработку видео
d) Все вышеперечисленное
___ответ_:ab

КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ теоретического характера в целом:
• «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий;
• «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% или менее 50% заданий.

ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА
1. Какие основные задачи решает машинное зрение?
Ответ: Машинное зрение решает такие задачи, как распознавание образов, отслеживание объектов, анализ изображений, сегментация, обнаружение дефектов и т.д.
2. Что такое сверточная нейронная сеть (CNN) и как она используется в задачах машинного зрения?
Ответ: Сверточная нейронная сеть - это тип искусственной нейронной сети, который используется для обработки изображений. Она позволяет извлекать значимые признаки из изображений и использовать их для классификации или распознавания объектов.
3. Как работает метод обучения с подкреплением в задачах распознавания объектов?
Ответ: Метод обучения с подкреплением работает путем предоставления системе обратной связи о правильности ее действий. Система обучается на основе этой обратной связи, чтобы улучшить свои результаты.
4. Как осуществляется сегментация изображений с использованием алгоритмов машинного зрения?
Ответ: Сегментация изображений осуществляется путем разделения изображения на области, соответствующие определенным объектам или классам объектов. Алгоритмы машинного зрения используют различные методы, такие как сверточные нейронные сети, для выполнения сегментации.
5. Что такое SIFT-дескрипторы и как они используются в компьютерном зрении?
Ответ: SIFT-дескрипторы - это дескрипторы, которые описывают ключевые точки на изображении. Они используются для сравнения изображений и определения их сходства.
6. В чем заключается задача определения ключевых точек на изображении?
Ответ: Задача определения ключевых точек заключается в выборе точек на изображении, которые являются наиболее значимыми для распознавания объектов или анализа изображения.
7. Как можно использовать компьютерное зрение для отслеживания объектов в видеопотоке?
Ответ: Компьютерное зрение можно использовать для отслеживания объектов в видеопотоке путем определения их положения, размера и движения на протяжении всего видео.
8. Каким образом можно применить машинное зрение для автоматического обнаружения дефектов на производстве? Ответ: Машинное зрение можно применить для автоматического обнаружения дефектов на производстве путем анализа изображений, полученных с камер или других сенсоров.
9. Что такое глубина резкости и как ее можно определить с помощью алгоритмов машинного зрения?
Ответ: Глубина резкости - это расстояние между ближайшей и самой дальней точками на изображении, которые находятся в фокусе. Алгоритмы машинного зрения могут использовать информацию о глубине изображения, полученную с помощью стереокамер или других технологий, чтобы определить глубину резкости.
10. Как алгоритмы машинного зрения могут помочь в анализе медицинских изображений?
Ответ: Алгоритмы машинного зрения могут быть использованы для анализа медицинских изображений, таких как рентгеновские снимки, МРТ-изображения и УЗИ, чтобы помочь врачам в диагностике и лечении заболеваний.
11. Что такое стереовидение и как оно используется в задачах компьютерного зрения?
Ответ: Стереовидение - это метод компьютерного зрения, который использует два изображения одной и той же сцены, снятые с разных ракурсов, чтобы создать трехмерное представление сцены. Он используется для определения глубины изображения и может быть использован для создания 3D-моделей объектов.
12. Как происходит распознавание лиц с использованием машинного зрения?
Ответ: Распознавание лиц с использованием машинного зрения происходит путем извлечения характерных черт лица, таких как глаза, нос, рот и т. д., и сравнения их с базой данных известных лиц.
13. Какие алгоритмы используются для обнаружения движения в видеопотоке с помощью компьютерного зрения?
Ответ: Для обнаружения движения в видеопотоке используются алгоритмы, такие как Optical Flow, Lucas-Kanade Optical Flow и Background Subtraction.
14. Что такое оптический поток и как его можно вычислить с помощью алгоритмов компьютерного зрения?
Ответ: Оптический поток - это вектор, указывающий направление и скорость движения объекта в видео.
Алгоритмы компьютерного зрения используют корреляцию между пикселями в двух последовательных кадрах для вычисления оптического потока.
15. Как машинное зрение может помочь в мониторинге окружающей среды и обеспечении безопасности?
Ответ: Машинное зрение может использоваться для мониторинга окружающей среды, обнаружения пожаров, анализа качества воздуха и обеспечения безопасности, например, для обнаружения вторжений в охраняемые зоны.
16. Для чего используются камеры в машинном зрении?
Ответ: Камеры используются в машинном зрении для получения изображений или видео, которые затем анализируются алгоритмами компьютерного зрения.
Какие типы камер используются в системах машинного зрения? - В системах машинного зрения используются различные типы камер, включая монокулярные, стереоскопические, инфракрасные, термальные и другие.
17. Какие характеристики важны для камер в системах машинного зрения?
Ответ: Важными характеристиками камер для машинного зрения являются разрешение, угол обзора, чувствительность, скорость захвата кадров и возможность работы в различных условиях освещения.
18. Можно ли использовать обычные камеры для машинного зрения?
Ответ: Да, обычные камеры могут использоваться для некоторых задач машинного зрения, но они могут не обеспечивать требуемое качество изображения и характеристики.
19. Какие технологии используются для улучшения качества изображения с камер в системах машинного зрения?
Ответ: Для улучшения качества изображения используются различные технологии, такие как шумоподавление, коррекция искажений, улучшение контраста и другие методы обработки изображений.
20.Какие методы используются для калибровки камер в системах машинного зрения?
Ответ: Методы калибровки камер включают использование специальных мишеней, маркеров или алгоритмов, которые позволяют определить параметры камеры и скорректировать искажения изображения.
21. Какие проблемы могут возникнуть при использовании камер в системах машинного зрения и как их решить?
Ответ: Некоторые проблемы, которые могут возникнуть при использовании камер, включают в себя шумы, артефакты, размытие изображения и другие. Для решения этих проблем используются различные методы обработки изображений, такие как фильтрация, шумоподавление и другие алгоритмы.
22. Какие стандарты и протоколы используются для передачи данных с камер в системах машинного зрения?
Ответ: Стандарты и протоколы, используемые для передачи данных с камер, могут включать в себя протоколы Ethernet, USB, FireWire и другие, а также стандарты сжатия и передачи видеоданных, такие как H.264, MPEG-4 и другие.
23. Какие методы применяются для повышения энергоэффективности камер в системах машинного зрения?
Ответ: Для повышения энергоэффективности используются различные методы, включая снижение разрешения изображения, уменьшение частоты кадров, использование спящего режима и другие. Также важно выбирать камеры с низким энергопотреблением и эффективными источниками питания.

КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ.
«Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет.
«Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны.
«Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны.
«Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан.


ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-4

ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА
1. Какие типы камер обычно используются в системах машинного зрения?
a) Монокулярные
b) Стереоскопические
c) Инфракрасные
d) Тепловые
e) Все из перечисленных
f) Ни один из перечисленных
___ответ_:е
2. Что из перечисленного является важной характеристикой камеры для машинного зрения?
a) Разрешение
b) Угол обзора
c) Чувствительность
d) Скорость захвата кадров
e) Все из перечисленного
f) Ни одно из перечисленного
___ответ_: ad
3. Можно ли использовать обычную камеру для машинного зрения?
a) Да
b) Нет
___ответ_:a
4. Как улучшить качество изображения, полученного с камеры, в системе машинного зрения?
a) Шумоподавление
b) Коррекция искажений
c) Улучшение контраста
d) Все из перечисленного
e) Ни одно из перечисленного
___ответ_:ac
5. Какой метод используется для калибровки камеры в системе машинного зрения?
a) Использование специальных мишеней
b) Использование алгоритмов
c) Оба
d) Ни один
___ответ_:a
6. Какая проблема может возникнуть при использовании камеры в системе машинного зрения и как ее решить?
a) Шум
b) Артефакты
c) Размытие
d) Все из перечисленного
e) Ничего из перечисленного
___ответ_:d
7. В каких областях применяется машинное зрение?
a) Медицина
b) Производство
c) Транспорт
d) Все перечисленное
e) Ничто из перечисленного
___ответ_:d
8.Что из перечисленного относится к задачам компьютерного зрения?
a) Распознавание объектов
b) Обнаружение объектов
c) Сегментация объектов
d) Все перечисленные
e) Ни одна из перечисленных
___ответ_:d
9. Сверточная нейронная сеть используется для чего?
a) Классификация изображений
b) Обнаружение объектов на изображении
c) Сегментация изображений
d) Все вышеперечисленное
e) Ничего из вышеперечисленного
___ответ_:ab
10. Что представляет собой обучение с подкреплением в контексте распознавания объектов?
a) Система обучается на основе обратной связи
b) Система обучается без обратной связи
c) Система не обучается вообще
d) Система обучается на большом объеме данных
___ответ_:a
11. Сегментация изображения - это что?
a) Разделение изображения на области
b) Объединение областей в одно изображение
c) Изменение размера изображения
d) Изменение формата изображения
___ответ_:a
12. SIFT-дескриптор используется для чего?
a) Сравнение изображений
b) Распознавание изображений
c) Сегментация изображений
d) Ничего из вышеперечисленного
___ответ_: a
13. Ключевые точки на изображении используются для чего?
a) Определение формы объекта
b) Определение размера объекта
c) Определение положения объекта
d) Все вышеперечисленное
___ответ_: a
14. Отслеживание объектов в видеопотоке осуществляется с помощью...
a) Компьютерное зрение
b) Машинное обучение
c) Обработка изображений
d) Нейронные сети
___ответ_:a
15. Алгоритмы машинного зрения используются для обнаружения дефектов на производстве с помощью чего?
a) Анализ изображений
b) Обработка видео
c) Сверточные нейронные сети
d) Все вышеперечисленное
___ответ_:d
16. Глубина резкости изображения - это
a) Расстояние между ближайшим и самым далеким объектом, который находится в фокусе
b) Расстояние между самым близким и самым далеким объектами на изображении
c) Расстояние между объектами на переднем и заднем плане
d) Все вышеперечисленное
___ответ_:a
17. Стереовидение используется для -?
a) Восприятие глубины
b) Создание 3D-моделей
c) Сравнение изображений
d) Распознавание образов
___ответ_:ab
18. Распознавание лиц с помощью машинного зрения осуществляется с помощью ...?
a) Матричные вычисления
b) Сверточные нейронные сети
c) SIFT-дескрипторы
d) Глубина резкости
___ответ_: c
19. Обнаружение движения на видео осуществляется с помощью
a) Оптического потока
b) Ключевых точек
c) Компьютерного зрения
d) Машинного обучения
___ответ_:a
20. Мониторинг окружающей среды с помощью машинного зрения включает в себя
a) Распознавание объектов
b) Отслеживание объектов
c) Анализ видео
d) Все вышеперечисленное
___ответ_:d
21. Калибровка камеры в системе машинного зрения включает в себя
a) Определение параметров камеры
b) Коррекцию искажений изображения
c) Обработку видео
d) Все вышеперечисленное
___ответ_:ab

КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ теоретического характера в целом:
• «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий;
• «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% или менее 50% заданий.

ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА
1. Какие основные задачи решает машинное зрение?
Ответ: Машинное зрение решает такие задачи, как распознавание образов, отслеживание объектов, анализ изображений, сегментация, обнаружение дефектов и т.д.
2. Что такое сверточная нейронная сеть (CNN) и как она используется в задачах машинного зрения?
Ответ: Сверточная нейронная сеть - это тип искусственной нейронной сети, который используется для обработки изображений. Она позволяет извлекать значимые признаки из изображений и использовать их для классификации или распознавания объектов.
3. Как работает метод обучения с подкреплением в задачах распознавания объектов?
Ответ: Метод обучения с подкреплением работает путем предоставления системе обратной связи о правильности ее действий. Система обучается на основе этой обратной связи, чтобы улучшить свои результаты.
4. Как осуществляется сегментация изображений с использованием алгоритмов машинного зрения?
Ответ: Сегментация изображений осуществляется путем разделения изображения на области, соответствующие определенным объектам или классам объектов. Алгоритмы машинного зрения используют различные методы, такие как сверточные нейронные сети, для выполнения сегментации.
5. Что такое SIFT-дескрипторы и как они используются в компьютерном зрении?
Ответ: SIFT-дескрипторы - это дескрипторы, которые описывают ключевые точки на изображении. Они используются для сравнения изображений и определения их сходства.
6. В чем заключается задача определения ключевых точек на изображении?
Ответ: Задача определения ключевых точек заключается в выборе точек на изображении, которые являются наиболее значимыми для распознавания объектов или анализа изображения.
7. Как можно использовать компьютерное зрение для отслеживания объектов в видеопотоке?
Ответ: Компьютерное зрение можно использовать для отслеживания объектов в видеопотоке путем определения их положения, размера и движения на протяжении всего видео.
8. Каким образом можно применить машинное зрение для автоматического обнаружения дефектов на производстве? Ответ: Машинное зрение можно применить для автоматического обнаружения дефектов на производстве путем анализа изображений, полученных с камер или других сенсоров.
9. Что такое глубина резкости и как ее можно определить с помощью алгоритмов машинного зрения?
Ответ: Глубина резкости - это расстояние между ближайшей и самой дальней точками на изображении, которые находятся в фокусе. Алгоритмы машинного зрения могут использовать информацию о глубине изображения, полученную с помощью стереокамер или других технологий, чтобы определить глубину резкости.
10. Как алгоритмы машинного зрения могут помочь в анализе медицинских изображений?
Ответ: Алгоритмы машинного зрения могут быть использованы для анализа медицинских изображений, таких как рентгеновские снимки, МРТ-изображения и УЗИ, чтобы помочь врачам в диагностике и лечении заболеваний.
11. Что такое стереовидение и как оно используется в задачах компьютерного зрения?
Ответ: Стереовидение - это метод компьютерного зрения, который использует два изображения одной и той же сцены, снятые с разных ракурсов, чтобы создать трехмерное представление сцены. Он используется для определения глубины изображения и может быть использован для создания 3D-моделей объектов.
12. Как происходит распознавание лиц с использованием машинного зрения?
Ответ: Распознавание лиц с использованием машинного зрения происходит путем извлечения характерных черт лица, таких как глаза, нос, рот и т. д., и сравнения их с базой данных известных лиц.
13. Какие алгоритмы используются для обнаружения движения в видеопотоке с помощью компьютерного зрения?
Ответ: Для обнаружения движения в видеопотоке используются алгоритмы, такие как Optical Flow, Lucas-Kanade Optical Flow и Background Subtraction.
14. Что такое оптический поток и как его можно вычислить с помощью алгоритмов компьютерного зрения?
Ответ: Оптический поток - это вектор, указывающий направление и скорость движения объекта в видео.
Алгоритмы компьютерного зрения используют корреляцию между пикселями в двух последовательных кадрах для вычисления оптического потока.
15. Как машинное зрение может помочь в мониторинге окружающей среды и обеспечении безопасности?
Ответ: Машинное зрение может использоваться для мониторинга окружающей среды, обнаружения пожаров, анализа качества воздуха и обеспечения безопасности, например, для обнаружения вторжений в охраняемые зоны.
16. Для чего используются камеры в машинном зрении?
Ответ: Камеры используются в машинном зрении для получения изображений или видео, которые затем анализируются алгоритмами компьютерного зрения.
Какие типы камер используются в системах машинного зрения? - В системах машинного зрения используются различные типы камер, включая монокулярные, стереоскопические, инфракрасные, термальные и другие.
17. Какие характеристики важны для камер в системах машинного зрения?
Ответ: Важными характеристиками камер для машинного зрения являются разрешение, угол обзора, чувствительность, скорость захвата кадров и возможность работы в различных условиях освещения.
18. Можно ли использовать обычные камеры для машинного зрения?
Ответ: Да, обычные камеры могут использоваться для некоторых задач машинного зрения, но они могут не обеспечивать требуемое качество изображения и характеристики.
19. Какие технологии используются для улучшения качества изображения с камер в системах машинного зрения?
Ответ: Для улучшения качества изображения используются различные технологии, такие как шумоподавление, коррекция искажений, улучшение контраста и другие методы обработки изображений.
20.Какие методы используются для калибровки камер в системах машинного зрения?
Ответ: Методы калибровки камер включают использование специальных мишеней, маркеров или алгоритмов, которые позволяют определить параметры камеры и скорректировать искажения изображения.
21. Какие проблемы могут возникнуть при использовании камер в системах машинного зрения и как их решить?
Ответ: Некоторые проблемы, которые могут возникнуть при использовании камер, включают в себя шумы, артефакты, размытие изображения и другие. Для решения этих проблем используются различные методы обработки изображений, такие как фильтрация, шумоподавление и другие алгоритмы.
22. Какие стандарты и протоколы используются для передачи данных с камер в системах машинного зрения?
Ответ: Стандарты и протоколы, используемые для передачи данных с камер, могут включать в себя протоколы Ethernet, USB, FireWire и другие, а также стандарты сжатия и передачи видеоданных, такие как H.264, MPEG-4 и другие.
23. Какие методы применяются для повышения энергоэффективности камер в системах машинного зрения?
Ответ: Для повышения энергоэффективности используются различные методы, включая снижение разрешения изображения, уменьшение частоты кадров, использование спящего режима и другие. Также важно выбирать камеры с низким энергопотреблением и эффективными источниками питания.

КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ.
«Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет.
«Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны.
«Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны.
«Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан.

КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ теоретического характера в целом:
• «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий;
• «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% или менее 50% заданий.

ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА


КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ.
«Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет.
«Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны.
«Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны.
«Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан.
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.)
Не предусмотрено
5.3. Фонд оценочных средств для проведения промежуточной аттестации
Промежуточная аттестация осуществляется в практико-ориентрованном формате в форме выполнения итогового практического задания.

Примерный перечень итоговых заданий по курсу.

1) Нанести на выбранное видео масштабную сетку 10*10 линий в логарифмическом масштабе, начиная от центра.
в нижней части изображения пустить «бегущую» текстовую строку.

2) Добавьте на видео титры в стиле «Звездные войны»

3) Разбейте выбранное изображение на 24 равные части, переместите их местами в произвольном порядке и сформируйте новое «хаотичное» изображение, выведите оба изображения на экран.

4) Изменить размер исходного изображения в Pi() раз;
- разбить изображение на плоскости HSV;
- сформировать мозаику из исходного изображения и плоскостей HSV;
- повернуть сформированное изображение на 30 градусов по часовой стрелке.

5) На основе картинки

Скомпонуйте спектр фотосферы Солнца
а)без учета процентного содержания элементов основных элементов
б) с учетом процентного содержания элементов

Состав фотосферы – водород(73,46%); гелий(24,85%); кислород(0,77%); углерод(0,29%); железо(0,16%); неон(0,12%); азот(0,09%); кремний(0,07%); магний(0,05%); сера(0,04%)

6) В выбранной папке с изображениями провести коррекцию гистограммы для всех изображений. Результаты сохранить в новой папке.

7) Для выбранного видео с записью движения с видом от первого лица, для трех произвольных областей изображения ( например, центр, края) в реальном времени просчитывать скорость и направление смещения. Результат отображать на том же видео в виде векторов (длина вектора пропорциональна движению)

8) Для видео с записью потока автомобилей в реальном времени обнаруживать автомобили и для каждого найденного автомобиля оценивать расстояние до него и скорость.

9)Для рисунка ниже подсчитать количество и средний размер зерен, определить процент инородных элементов от общего количества

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 Крейман Г. Биологическое и компьютерное зрение: Издательство "ДМК Пресс", e.lanbook.com
Л1.2 Ян Эрик Солем Программирование компьютерного зрения на языке Python: Издательство "ДМК Пресс", 2016 e.lanbook.com
Л1.3 Кэлер А., Брэдски Г. Изучаем OpenCV 3. Разработка программ компьютерного зрения на C++ с применением библиотеки OpenCV : 2017, e.lanbook.com
Л1.4 Клетте Р. Компьютерное зрение. Теория и алгоритмы: Издательство "ДМК Пресс", 2019 e.lanbook.com
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Матвеев А. И. Цифровая обработка изображений в OpenCv. Практикум: Учебное пособие для вузов: Издательство "Лань", 2022 e.lanbook.com
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Основы машинного зрения portal.edu.asu.ru
6.3. Перечень программного обеспечения
Интерпретатор Python, библиотеки OpenCV, NumPyMicrosoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно);
Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно);
Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно);
AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно);
ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно);
LibreOffice (https://ru.libreoffice.org/), (бессрочно);
Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно);
Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024);
Архиватор Ark (https://apps.kde.org/ark/), (бессрочно);
Okular (https://okular.kde.org/ru/download/), (бессрочно);
Редактор изображений Gimp (https://www.gimp.org/), (бессрочно)
6.4. Перечень информационных справочных систем

7. Материально-техническое обеспечение дисциплины

8. Методические указания для обучающихся по освоению дисциплины