Содержание к диссертации
Введение
1. Анализ методов и подходов диагностики эксплуатационных характеристик автомобильных дорог 11
1.1. Задачи автоматизации технологического процесса мониторинга дорожной сети 11
1.2. Обзор существующих методов диагностики с использованием цифровых технологий 18
1.3. Описание технических возможностей применяемой технологии видео компьютерного сканирования для сбора и обработки информации... 26
1.4. Дешифрация визуальных данных о состоянии у лично-дорожной сети города, собранных с использованием технологии видео компьютерного сканирования 32
2. Разработка нейросетевой модели для автоматизированного распознавания элементов автомобильных дорог 42
2.1. Формализованное описание элементов автомобильных дорог 42
2.2. Выявление характерных визуальных признаков элементов 54
2.3. Основные компоненты нейронной сети, применяемой для дешифрации визуальных данных 72
2.4. Обучение применяемой нейронной сети с использованием метода обратного распространения ошибки 79
3. Разработка информационного и программного обеспечения автоматизированной системы мониторинга дорожной сети 90
3.1. Разработка структурной схемы и информационного обеспечения автоматизированной системы мониторинга дорожной сети 90
3.2. Реализация и использование нейронной сети для распознаваттия элементов и дефектов автомобильных дорог 105
3.3. Разработка алгоритмов обучения для автоматизированной системы мониторинга дорожной сети 111
3.4. Повышение производительности алгоритмов распознавания образов 116
4. Экспериментальные исследования разработанных методов и алгоритмов и внедрение автоматизированной системы мониторинга дорожной сети 124
4.1. Принципы построения, состав и характеристики программного и аппаратного обеспечения 124
4.2. Архитектура автоматизированной системы мониторинга дорожной сети 127
4.3. Экспериментальные исследования разработанных методов и алгоритмов 133
4.4. Результаты внедрения автоматизированной системы для мониторинга автомобильных дорог 140
Заключение 150
Список используемых источников 152
- Обзор существующих методов диагностики с использованием цифровых технологий
- Основные компоненты нейронной сети, применяемой для дешифрации визуальных данных
- Реализация и использование нейронной сети для распознаваттия элементов и дефектов автомобильных дорог
- Принципы построения, состав и характеристики программного и аппаратного обеспечения
Введение к работе
Актуальность темы. Поддержание на должном эксплуатационном уровне автомобильной дорожной сети является важной задачей, от решения которой зависит безопасность движения и, в конечном этапе, жизнь участников дорожного движения. Основной задачей системы обработки данных для автоматизации технологических процессов мониторинга дорожной сети является сбор и систематизация данных об элементах автодорожной сети, обработка собранных данных с целью установления их соответствия имеющимся классификационным нормам, оказание влияния на принимаемые решения на уровне подготовки проектной документации и производства работ. Информация, полученная в результате работы автоматизированной системы обработки данных для мониторинга автомобильных дорог, должна стать основой для планирования производства ремонтных работ, а так же контроля качества.
Основанием для проведения данного исследования послужило значительное расхождение данных в существующих технических схемах и проектах проведения работ с реальным количественно-качественным состоянием объектов автомобильных дорог.
Целями создания автоматизированной системы обработки данных мониторинга являлось: S уточнение количественно-качественных показателей основных элементов
автомобильных дорог; S определение и классификация эксплуатационного состояния на основе
действующей нормативно-технической документации;
организация систематических наблюдений за объектами мониторинга с
регистрацией изменений в эксплуатационном состоянии элементов
обустройства, материалов, конструкций, возникших за период между
наблюдениями; v' выработка рекомендаций по обоснованному назначению межремонтных
сроков и объемов дорожных работ при производстве текущего и
капитального ремонта; ^ контроль качества производимых ремонтных мероприятий,
Приведенное в данной работе решение поставленных выше задач включает в себя следующие основные части:
Сравнительный анализ и исследование различных способов сбора визуальной информации о состоянии объектов с целью выбора наиболее оптимального решения, позволяющего провести ее наиболее полную автоматизированную обработку;
Разработка и реализация алгоритмов распознавания элементов, принадлежащих объектам автомобильных дорог и элементов обустройства;
Разработка классификатора для определения эксплуатационного состояния объекта уличной дорожной сети на основе действующей нормативно-технической базы;
Разработка специализированного программного обеспечения, позволяющего регистрировать количественно качественный состав элементов, определять геометрию элементов, а также оценивать текущее эксплуатационное состояние элементов на основе разработанного классификатора дефектов и таблицы решений.
Цель диссертационной работы состоит в автоматизации технологических процессов диагностики и оценки состояния автомобильных дорог и элементов обустройства с целью повышения достоверности проведения обследований и увеличения скорости обработки визуальных данных, а также в практическом применении разработанных аппаратных комплексов для мониторинга дорожной сети с выработкой количественных
оценок дефектов и проведенных ремонтных мероприятий с использованием автоматизированной системы мониторинга.
Объект исследования. В качестве объекта в диссертации рассмотрена дорожная сеть, включая элементы обустройства.
Задачи исследования. В результате выполнения диссертационной работы были решены задачи автоматизации технологических процессов диагностики и мониторинга автомобильных дорог (АД), а именно: произведена формализация элементов АД, определены методы решения задачи сегментации элементов АД с применением нейронных сетей, предложен вариант обучения нейронной сети по методу обратного распространения ошибки.
Методы исследования. Результаты диссертационной работы получены на основе комплексного использования теории нейронных сетей, теории баз данных, теории вычислительных сетей, теории вероятности и математической статистики.
Научная новизна диссертации состоит в теоретической и практической реализации методов бесконтактной диагностики и оценки эксплуатационного состояния автомобильных дорог и элементов обустройства: S Предложена оригинальная технология сбора визуальных данных и
разработан метод их автоматизированной обработки, используя в
качестве регистрирующего алгоритма элементы полно связанной
нейронной сети; ^ Разработана методика проведения работ по диагностике автомобильных
дорог с использованием автоматизированной системы видео
компьютерного сканирования; ^ Впервые разработана методика применения нейронных сетей для
автоматизации технологических процессов дешифрации визуальных
данных о состоянии автомобильных дорог и семейство алгоритмов, обеспечивающих требуемый уровень точности и достоверности; ^ Разработано и внедрено специальное программное обеспечение сетевой распределенной интегрированной системы обработки данных для автоматизации технологических процессов регистрации элементов автомобильных дорог.
Практическая значимость работы. Полученные в диссертации
результаты позволяют производить оперативный контроль
эксплуатационного состояния автомобильных дорог и элементов обустройства, планировать сроки и объемы производства ремонтных работ, обеспечивать надзор за выполнением ремонтно-восстановительных работ.
Внедрение результатов. Опытная эксплуатация разработанного математического, информационного и программного обеспечения, полученные с его помощью результаты, подтвердили его высокую эффективность для решения поставленных задач. Разработанное программное обеспечение используется для автоматизации расшифровки визуальных данных о состоянии автомобильных дорог, полученных при помощи технологии видео компьютерного сканирования. Разработанная автоматизированная система мониторинга применятся для ежегодного контроля качества нанесения дорожной разметки и контроля эксплуатационного состояния автомобильных дорог по заказу Департаментов Восточного и Южного административных округов г. Москвы. Так же с использованием АС производится оценка текущего эксплуатационного состояния железобетонного ограждения парапетного типа установленного на Московской кольцевой автомобильной дороге, на Варшавском и Каширском шоссе, Волгоградском проспекте и д.р. Основные результаты работы внедрены в: ГУП «Кольцевые магистрали», ГУП «ДОРИНВЕСТ», ГУП «Центр мониторинга дорог и дорожных технологий».
Апробация результатов. Основные научные положения и результаты диссертации докладывались и обсуждались на конференциях:
На пленарном заседании межгосударственной Ассоциации исследователей асфальтобетона, МАДИ (ГТУ), 27.01.2000 г.;
На всероссийской конференции «Проблемы развития информационных телекоммуникационных технологий и систем связи в дорожном хозяйстве России с учетом единой структуры диагностики и автоматизации автомобильных дорог», Саратовский научно-производственный центр "Росдортех", г. Саратов, 2003 г.;
На всероссийской конференции «Пути решения современных проблем по диагностике, паспортизации автомобильных дорог и искусственных сооружений на основе создания и использования автоматизированных банков данных», Саратовский научно-производственный центр "Росдортех", г. Саратов, 2003г.;
На научно-методических конференциях МАДИ (ГТУ) (2000-2004гг);
На заседании кафедры АСУ МАДИ (ГТУ).
На защиту выносятся следующие результаты:
Методика автоматизации технологических процессов дешифрации визуальных данных о состоянии автомобильных дорог.
Алгоритм нейронной сети, используемый для поиска и регистрации признаков характерных элементов, принадлежащих проезжей части автомобильных дорог и их обустройства.
Алгоритм обучения автоматизированной системы распознавания образов, основанный на методе обратного распространения ошибки в нейронной сети.
Архитектура сетевой распределенной интегрированной системы обработки данных для автоматизированного процесса регистрации элементов автомобильных дорог.
Публикации. Основное содержание диссертационной работы опубликовано в 6 печатных работах.
В первой главе диссертации рассматриваются и анализируются основные проблемы диагностики автомобильных дорог с применением специализированных дорожных лабораторий. Проведен обзор некоторых из существующих систем диагностики и мониторинга, определены и сформулированы их основные возможности, а так же сформулирована проблематика решаемого вопроса - автоматизации процесса обработки получаемых с помощью дорожных лабораторий визуальных данных. Приведено краткое описание технических возможностей технологии видео компьютерного сканирования, применяемой для сбора и обработки визуальной информации. Перечислены основные проблемы, возникающих в процессе дешифрации получаемых визуальных данных о состоянии элементов автомобильных дорог, определены основные направления и цели исследования.
Во второй главе диссертационной работы описаны основные направления автоматизации технологических процессов диагностики и мониторинга элементов автомобильных дорог на основе дешифрации и обработки визуальных данных, собранных с использованием комплекса видео компьютерного сканирования, формализованы и классифицированы виды элементов и свойственных им дефектов. Проведен детальный анализ элементов, выделены основные сегменты изображения, по которым будет производиться автоматизированная дешифрация визуальных данных. Выполнено теоретическое описание применяемой полно связанной нейронной сети и метода ее управляемого обучения в рамках решаемой задачи. Приведено формализованное описание разработанной модели автоматизированной системы мониторинга автомобильных дорог.
В третьей главе освещаются вопросы реализации последовательности формальных действий, в виде алгоритмов и блок-схем, призванных описать процедуру автоматизированного поиска элементов на предоставляемых визуальных данных. Рассмотрена общая блок-схема основных компонентов системы, приведены алгоритмы работы нейронной сети в прямом (рабочем) режиме и в обратном направлении (этап обучения нейронной сети). Описаны эффективные действия по оптимизации алгоритмов, нацеленные на оптимальное повышение производительности системы в целом,
В четвертой главе рассматриваются принципы построения и состав разработанной автоматизированной системы мониторинга дорожной сети, приводится ее архитектура. Представлено функциональное описание отдельных модулей разработанного программного обеспечения и дана оценка эффективности применения предлагаемой технологии с наглядной демонстрацией достигнутых результатов.
В заключении представлены основные результаты работы.
Приложение содержит документы об использовании результатов диссертации.
Объем диссертации. Диссертационная работа состоит из введения, 4 глав, общих выводов, приложений и списка литературы. Работа изложена на 158 страницах машинописного текста, содержит 19 таблиц и 94 рисунка. Список литературы включает 94 наименования работ отечественных и зарубежных авторов.
1. Анализ методов и подходов диагностики эксплуатационных характеристик автомобильных дорог
Обзор существующих методов диагностики с использованием цифровых технологий
Современные методы оценки качества дорожно-строительных работ, эксплуатационного состояния автомобильных дорог в настоящее время строятся на основе широкого применения вычислительной техники и различных устройств сбора информации, - как визуальных бесконтактных методов, так и с применениям физических воздействий на объект обследования.
Обзор существующих методов диагностики был построен на основании анализа опыта отечественных разработок, а так же зарубежных стран по использованию современных методов оценки качества дорожностроительных работ, контроля эксплуатационного состояния автомобильных дорог.
Задача обследования проезжей части и элементов обустройства, сводится к сбору информации, ее обработке, хранению и на основе этих составляющих - к принятию управленческих решений, влияющих на производство работ.
Более перспективными являются бесконтактные системы, так как они требуют значительно меньше средств в процессе повседневной эксплуатации за счет отсутствия механических воздействий внешней среды, более высоких скоростей сбора и обработки информации.
Бесконтактные системы сбора информации оснащаются устройствами сбора визуальной информации - видеокамеры или высокоскоростные фотоаппараты на основе цифровых матриц и различных устройств записи и хранения данных. По визуальной информации можно определить текущее эксплуатационное состояние, определить состояние и состав элементов проезжей части.
Комплексные системы контроля включают в себя блок видеокамер, передвижную лабораторию, бортовой компьютер и датчики перемещения, обеспечивающие привязку получаемых данных на местности. Примером такой системы является разработка компании ROMDAS [83]. В течение многих лет видео съемка была полезным инструментом при оценке общих условий контроля содержания транспортных магистралей. ROMDAS предлагает простую систему, оснащенную видеомагнитофоном, вычислительным комплексом, GPS навигацией (Рис. 2).
Учитывая, что поиск информации о нужном участке дороге на видеопленке долгий процесс из-за последовательного доступа, разработчики используют плату видео захвата, устанавливаемую в персональный компьютер. Каждый участок, длинной 10 метров, хранится в базе данных прилагаемого программного обеспечения, в виде фрейма, обеспечивающего целостность представления об исследуемом объекте. Пример работы с поставляемым программным обеспечением показан на Рис. 3. Разработчики данной системы сталкиваются со сложностями при проведении обследования с использованием видеосъемки - недостаточность освещения, избирательность погодных условий. 21
Система оснащена прямым контролем перемещения, что дает дополнительную экономию ресурсов при записи видеоматериала. Фирма ROMDAS рекомендует использовать свою продукцию в комплексе с различными дополнительными устройствами сбора информации, не ограничиваясь только обзорной видео съемкой. На Рис. 4. показана блок-схема профессиональной дорожной лаборатории, разработанной компанией.
Простые системы видеосъемки, использующие только видеокамеры, несмотря на наглядность получаемых данных, не могут определить такие немаловажные параметры как ровность проезжей части или причину возникновения того или иного дефекта.
Примером дорожной лаборатории, оснащенная системой видео наблюдения совместно с лазерными проекторами, позволяющими фиксировать поперечный профиль дороги, может служить разработка японских инженеров HANSHIN EXPRESSWAY ADMINISTRATION AND TECHNOLOGY CENTER [61] (Рис. 5).
Основные компоненты нейронной сети, применяемой для дешифрации визуальных данных
Нейронная сеть является совокупностью элементов, соединенных некоторым образом так, чтобы между ними обеспечивалось взаимодействие. Эти элементы, называемые также «нейронами» или «узлами», представляют собой простые процессоры, вычислительные возможности которых обычно ограничиваются некоторым правилом комбинирования входных сигналов и правилом активации, позволяющим вычислить выходной сигнал по совокупности входных сигналов (Рис. 29).
Отдельный элемент сети - нейрон. Один из самых привлекательных аспектов использования нейронных сетей заключается в том, что, хотя элементы такой сети имеют очень ограниченные вычислительные возможности, вся сеть в целом, объединяя большое число таких элементов, оказывается способной выполнять довольно сложные задачи (Рис. 30). Связи элементов показаны стрелками. Входные элементы получают информацию непосредственно с визуального представления искомого пространства элементов, однако, как правило, применяют некоторую кодирующую функцию, которая приводит точность и разрядность поступающих данных в соответствие с общей логикой работы нейронной сети. В приведенном примере выходной элемент является индикатором достаточности признаков для наличия сущности начала или окончания элемента дорожной разметки.
Структура связей отражает детали конструкции сети, а именно то, какие элементы соединены, в каком направлении работают соединения и каков уровень значимости (т.е. вес) каждого соединения. Задача, которую понимает сеть (или ее программа), описывается в терминах весовых значений связей, соединяющих элементы.
Данная структура обычно описывается в два этапа: на первом разработчик системы указывает, какие элементы должны быть связанны, и в каком направлении, на втором этапе в процессе обучения определяются весовые значения соответствующих весовых коэффициентов.
Итак, для построения множества нейронных сетей различного типа общепринятыми являются следующие абстракции:
Множество простых процессов
Структура связей
Правило распространения сигналов в сети
Правило комбинирования входящих сигналов
Правило вычисления сигнала активности Правило обучения, корректирующее связи
Множество простых процессов состоит из обрабатывающих элементов сети, имеющих как минимум один вход и один выход. На вход сети подаются предварительно подготовленные данные, например приведенные к значениям в интервале [-1.0, 1.0] при помощи кодирующей функции. Результат вычислений суммируется на выходе элемента и подается на функцию вычисления сигнала активности.
Структура связей отражает то, как соединены элементы сети. Возможности комбинирования связей между элементами и слоями сети безграничны, и зависят только от количества элементов в слое и количества скрытых слоев сети. Однако при проектировании сети следует учитывать тот факт, что каждый дополнительный вариант связи существенно влияет на скорость работы сети в целом. Каждая связь характеризуется тремя параметрами: элементом, от которого исходит связь, элементом к которому данная связь направлена, и числом (обычно действительным), указывающим весовой коэффициент (т.е. вес связи). Структуру связей обычно представляют в виде весовой матрицы W, в которой каждый элемент w(j представляет величину весового коэффициента для связи, идущей от элемента / к элементу/.
Матрица весов является памятью сети, хранящей информацию о том, как должна выполнятся задача. На Рис. 31. приведен пример, представляющий структуру связей в виде соответствующих матриц для сети, состоящей из нескольких слоев.
Каждая конкретная модель нейронных сетей предполагает наличие некоторого правила обновления состояния элементов сети (т.е. правила комбинирования входящих сигналов и вычисления исходящих) и посылка сигнала другим элементам. При этом в одних моделях моменты обновления элементов выбираются случайным образом, в других же моделях обновление некоторых групп элементов допускается только после обновления определенных групп других элементов.
Реализация и использование нейронной сети для распознаваттия элементов и дефектов автомобильных дорог
Ядро системы обработки данных построено на распознавании сегментов изображения разработанной нейронной сетью. На общей технологической схеме автоматизации технологических процессов мониторинга автомобильных дорог (Рис. 42) рассматриваемая подсистема обозначена алгоритмом «Б».
Соблюдая предложенную идеологию построения алгоритмов нейронных сетей (см. главу 2), было принято решение построить иерархию классов, как показано на последовательность подготовки данных и соответственно результат, то метод его использования можно описать следующим образом:
Вход. Сегментация изображения, необходимая для формирования карты признаков, производится путем последовательного анализа всего изображения фрагментами размером 32x32 пикселя, данные которого подаются на вход нейронной сети, используя кодирующую функцию.
Выход. В результате работы приведенного алгоритма, на выходе сети, определяется индекс элемента, значение функции активации которого максимальна. В случае, если полученное значение выше устанавливаемого порога достоверности, на карту признаков заносится индекс элемента и его вычисленное значение,
В диссертации построена объектно-ориентированная модель реализации нейронной сети, определена и реализована иерархия классов, которая была использована для решения задачи сегментации изображения.
Основным классом, разработанным в качестве элементарного решающего устройства при сегментации изображения, является нейрон (class CNeuron, Рис. 51). Функция ParseVector() вычисляет средне взвешенную сумму входного вектора данных, функция ActivateNeuron() обеспечивает вычисление функции активации для расчета выхода рассматриваемого элемента.
Для построения сети был определен класс «слой» (class CLayers, Рис, 52). Основной задачей класса является хранение массива нейронов как элементов слоя и обеспечение передачи данных между слоями в прямом и обратном направлении.
Массив элементов слоя (нейронов) обозначен через CNeuron [J], где J — количество элементов в текущем слое. Функция ParseLeyersFront() обеспечивает передачу сигналов работы сети в прямом направлении и вызывается из главного класса сети CNeuralNet Функция ParseLayersError() обеспечивает передачу вектора ошибки в обратном направлении и вызывается классом CNeuralNet в процессе обучения сети.
Для создания самой сети, содержащей связанные слои, разработан класс CNeuralNet (Рис. 53), хранящий информацию о слоях сети, обучающих образцах, тестирующей выборке, а так же содержащий функцию обучения и другие вспомогательные функции. Инструмент сохранения выборки изображений для обучения и тестирования сети, а так же сохранения и восстановления весовых коэффициентов обученной сети реализован через функцию Serialize(&Archive).
. Главный управляющий класс разработанной нейронной сети. Функция ActivateWork() определяет последовательность вычислений, выполняемых нейронной сетью при идентификации образца в прямой последовательности, а именно:
- вычислить значение первого слоя (ActiveLayers(O));
- вычислить значение нейрона первого слоя (ActiveNeuron()), повторя операцию для всех нейронов текущего слоя;
- передать целевой вектор первого слоя следующему слою (ParseLayersFront(0,1));
- повторить операцию последовательно для всех слоев нейронной сети, включая выходной слой.
Результатом работы функции является нейрон-победитель выходного слоя, который и будет в дальнейшем констатировать факт существования или отсутствия признака того или иного искомого сегмента элемента на рассматриваемом изображении. Общий базовый алгоритм работы сети в прямом направлении приведен на Рис. 54. В алгоритме отображена последовательность циклов, необходимых для вычисления над целевым входным вектором при работе нейронной сети.
Принципы построения, состав и характеристики программного и аппаратного обеспечения
Учитывая специфику рынка программного обеспечения, на момент начала разработки системы, в качестве среды реализации было отдано предпочтение операционной системе Windows 2000 Server и Windows 2000 Workstation (Рис. 63), в качестве СУБД - SQL Server 2000. Установка соединения между разработанным программным обеспечением и СУБД осуществляется через источник соединений ODBC.Необходимость распределенного доступа, как к базе данных, так и к файлам съемки, заставило изначально ориентировать систему на использование локальной вычислительной сети. Для обеспечения передачи данных в среде Ethernet был использован «клиент сетей Microsoft» и протокол TCP/IP. Физическая среда реализации реляционной базы данных -SQL Server 2000. Использование данной СУБД позволило использовать протокол открытого источника баз данных (ODBC), что увеличивает переносимость и совместимость программного обеспечения в целомРазработанная система обработки данных позволяет в автоматическом режиме регистрировать сегменты изображения, выдвигать предположение о существовании элементов автомобильных дорог, и, в случае выполнения всех заданных правил, регистрировать найденный элемент в базе данных. Архитектура системы обработки данных включает в себя интерактивный интерфейс пользователя, обеспечивающий управление компонентами системы, систему автоматической обработки, систему операционного контроля и ряд вспомогательных функций, обеспечивающих целостность обработки данных в рассматриваемой области (Рис. 65).
Реализация концептуальной модели архитектуры системы обработки данных мониторинговых исследований, основана на применении технологии MDI (Multi Document Interface), как на оптимальном варианте, существенно Предложенное решение отвечает требованиям простоты и интуитивной понятности пользовательского интерфейса, обладает необходимой функциональной насыщенностью, обеспечивает требуемую скорость работы с данными на каждом технологическом этапе. Применение панелей инструментов для активизации различных функций упрощает выполнение необходимых действий, требует значительно меньше времени, чем выбор команды из меню. Активное использование манипулятора мышь, продуманное функциональное назначение кнопок манипулятора, дает возможность оператору сократить время, затрачиваемое на выполнение основных функций и операций не тратя время на поиск нужной команды. Общий вид архитектуры разработанного программного обеспечения, обеспечивающего требуемый объем функциональных возможностей, представлен на Рис. 67. Контейнер управления обеспечивает связь между структурой прикладных данных, разработанной реляционной базой данных «Мониторинг», файлами съемок содержащих визуальную информацию об объекте, работу окон приложения с данными, а также системой распознавания образов, использующих семейство алгоритмов на основе разработанной нейронной сети и группы обеспечивающих подсистем. При определении вида представления и сбора данных, все формы были разделены по функциональному назначению, а именно:
1. Окно выбора объекта (ов) — поиск, добавление, изменение объектов и их съемок, проведенных в разное время. Определение их основных свойств и параметров, являющихся необходимыми для корректной работы всех алгоритмов системы обработки данных;
2. Окно заполнения и корректировки форм паспорта автомобильной дороги - просмотр автоматически подсчитанных значений различных параметров для объекта, добавление необходимой информации для создания отчетной документации;
3. Окно отображения съемки объекта — просмотр и внесение изменений в определение геометрических границ элементов, автоматическое вычисление площадей, настройка и корректировка методов исправления искажений визуальных данных и т.д.
4. Окно контроля системы автоматизированной обработки — определение и настройка основных параметров системы распознавания, определение сегментов изображения для формирования обучающей и тестирующей выборок, модернизация состава элементов и слоев нейронной сети, проведение процесса обучаемого обучения, контроль надежности работы обученной нейронной сети;
5. Окно определения эксплуатационного состояния элементов автомобильных дорог и обустройства - выставление значений и типов дефектов для автоматического определения эксплуатационного состояния по разработанной таблице решений, оценка результатов работы автоматизированной системы распознавания;
