Оригинальная статья

УДК 622.272:620.179.16:004.8 © В.П. Потапов, С.Е. Попов, А.Н. Яковлев, 2026
ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь №4-2026 /1204/
DOI: http://dx.doi.org/10.18796/0041-5790-2026-4-81-86

Горная видеоэндоскопия – интеллектуализация метода

Авторы

Потапов В.П.^1,2, Попов С.Е.¹, Яковлев А.Н.³

¹ Федеральный исследовательский центр информационных и вычислительных технологий, г. Новосибирск, Россия
² Институт горного дела СО РАН, г. Новосибирск, Россия
³ Кузбасский государственный технический университет им. Т.Ф. Горбачева, г. Кемерово, Россия

Информация об авторах

Потапов В.П. – доктор техн. наук, профессор, академик АГН, академик РАЕН, главный научный сотрудник Федерального исследовательского центра информационных и вычислительных технологий, 630090, г. Новосибирск, Россия; главный научный сотрудник Института горного дела СО РАН, 630091, г. Новосибирск, Россия, e-mail: vadimptpv@gmail.com
Попов С.Е. – канд. техн. наук, старший научный сотрудник Федерального исследовательского центра информационных и вычислительных технологий, 630090, г. Новосибирск, Россия, e-mail: ogidog@yandex.ru
Яковлев А.Н. – доктор техн. наук, ректор Кузбасского государственного технического университета им. Т.Ф. Горбачева, 650000, г. Кемерово, Россия, e-mail: yakovlevan@kuzstu.ru

Аннотация

Телеметрические системы контроля, реализуемые как видеоэндоскопы, находят все большее применение для решения задач оценки состояния горного массива, подвергаемого техногенным нагрузкам. Следует отметить, что обработка данных, формируемых как видеоряд, вызывает серьезные затруднения, что связано как с большим количеством информации, так и с возможностями ее интерпретации. Учитывая, что от одного видеоряда можно получить несколько тысяч кадров, то даже их простой просмотр требует значительного количества времени. При этом на каждом кадре необходимо выделить некоторые особенности и лишь затем их интерпретировать, имея в виду значительное количество и взаимосвязи по глубине. В связи с этим в работе предложены несколько взаимосвязанных этапов обработки, а также рассмотрены возможности получения различных характеристик, обусловленных изменением напряженно-деформированного состояния по глубине массива. В работе использованы наиболее современные методы обработки видеопотоков, такие как корреляция изображений, искусственные нейронные сети, методы изогеометрического анализа и цифровой обработки световых потоков. Для создания пакета прикладных программ обработки эндоскопических данных используются технологии мультиагентных систем.

Ключевые слова

Горная видеоэндоскопия, телеметрические системы, методы искусственного интеллекта, машинное зрение, распознавание трещин, приконтурный массив, горно-геологические условия, нейронные сети, трещиноватость массива, разметка изображений, изогеометрический анализ, цифровая обработка видеопотоков.

Список литературы

Khang A., Hajimahmud V.A., Misra A., Litvinova E. (eds.) Machine Vision and Industrial Robotics in Manufacturing: Approaches, Technologies, and Applications. CRC Press, 2025, 513 p.
Umbaugh Scott E. Digital Image Processing and Analysis: Computer Vision and Image Analysis. 4th Edition. CRC Press, 2023, 441 p.
Esfandiari K., Abdollahi F. Neural Network-Based Adaptive Control of Uncertain Nonlinear Systems. New York, Springer, 2022, 181 p.
Koul Anirudh, Ganju Siddha, Kasam Meher. Practical Deep Learning for Cloud, Mobile, and Edge: Real-World AI & Computer-Vision Projects Using Python, Keras & TensorFlow. O'Reilly Media, 2019, 620 p.
Shinde S.V., Medhane D.V., Castillo O. Applied Computer Vision and Soft Computing with Interpretable AI. Boca Raton, CRC Press, 2023, 333 p.
Mugesh S. Hands-on ML Projects with OpenCV: Master computer vision and Machine Learning using OpenCV and Python. Orange Education Pvt Ltd, AVA, 2023, 355 p.
Ddhich A. Practical Computer Vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV. Packt Publishing, 2018, 234 p.
Ayed Ismail Ben. High-Order Models in Semantic Image Segmentation. Academic Press/Elsevier, 2023, 250 p.
Davies E.R. Computer Vision: Principles, Algorithms, Applications, Learning. 5th Edition. Academic Press, 2018, 879 p.
Martinez Jesus. TensorFlow 2.0 Computer Vision Cookbook: Implement machine learning solutions to overcome various computer vision challenges.
Planche Benjamin, Andres Eliot. Hands-On Computer Vision with TensorFlow 2: Leverage deep learning to create powerful image processing apps with TensorFlow 2.0 and Keras. Packt Publishing, 2019, 610 p.
Pardo-Iguzquiza E. et al. (eds.) Mathematics of Planet Earth. Lecture Notes in Earth System Sciences. Proceedings of the 15th Annual Conference of the International Association for Mathematical Geosciences. Springer, 2014, 847 p.
Zhang K., Cheng H.-D. Deep Learning for Crack-Like Object Detection. CRC Press, 2023, 107 p.
Ralte Z., Kar I. Learn Python Generative AI: Journey from autoencoders to transformers to large language models. BPB Publications, 2024, 348 p.
Chambers D. (eds.) Digital Image Correlation: Advanced Methods and Applications. New York, Nova Science, 2017, 125 p.
Masrour T., Ramchoun H., Hajji T., Hosni M. (eds.) Artificial Intelligence and Industrial Applications: Algorithms, Techniques, and Engineering Applications. Springer, 2023, 493 p.