Электронный научно-практический журнал «Современные научные исследования и инновации» » изображение

Значение технологии поиска похожих изображений в условиях информационной войны

Toledo — Thu, 11 Sep 2014 09:35:03 +0000

Введение.

Одним из современных и востребованных видов поиска мультимедийной информации является поиск похожих или одинаковых изображений. Технически, процесс такого поиска заключается в сравнении заданного пользователем изображения с имеющимися образцами и выявлении среди них дубликатов. Автор обосновывает в статье [1] коммерческую значимость данного вида поиска. Однако статья не уделяет внимания вопросу, принципиально важному в рамках современной геополитической картины мира, – значению технологии поиска похожих изображений для обороноспособности и безопасности государства.

В данной статье рассматривается один из аспектов этого вопроса – использование и, соответственно, значение поиска похожих изображений для противодействия противнику в условиях информационной войны.

Следует дать определение понятию “информационная война”. Современные исследователи сходятся в том, что это понятие объединяет две группы организационно-технических мероприятий [2]. Первую группу можно условно обозначить как “психологическая война”. Мероприятия в составе этой группы направлены на информационное воздействие мирных граждан или военнослужащих определенного государства с целью формирования у них картины мира, совпадающей с целями организаторов психологической войны. Типичными мероприятиями психологической войны являются сообщения о поимке шпионов и диверсантов, сводки о потерях противника в ходе ведения боевых действий, интервью и собеседования, при которых опрашиваемый формулирует утверждения, совпадающие с целями заказчика. Вторая группа мероприятий представляет собой информационное противодействие и организацию информационной безопасности. Цель мероприятий второй группы – сохранить собственные информационные системы и информационные процессы при активном воздействии противника и нанести ущерб его аналогичным системам. Отметим, что в данном контексте термин “информационная система” подразумевает именно систему, занятую распространением и ретранслированием информации, а не вычислительный комплекс.

Использование фотографий в информационной войне.

С распространением высокоскоростного доступа в Интернет в информационной войне широко используются видео- и фотоматериалы. Фотографии с мест событий – это очень важный инструмент донесения информации до конечного потребителя. Фотография содержит много деталей, что позволяет наблюдателю получить максимум информации в наглядном виде. По этим причинам, вполне объяснимой является ситуация, когда фотографии активно используются в целях информационной войны.

Рассмотрим основные сценарии применения фотографий в информационной войне и отметим значение, которое играет в каждом из этих сценариев поиск похожих изображений.

Деятельность средств массовой информации регулируется различными законодательными нормами, но уровень регуляции не является достаточным. В современном мире фактической нормой стали фальсификации данных, как текстовых, так и графических, производимых журналистами и редакторами СМИ. Законодательство не позволяет применить к СМИ меры воздействия при публикации фальшивых фотографий, поэтому этот приём используется широко. Причины, побуждающие сотрудников СМИ, прибегать к фальсификациям, могут быть разными: от политической ангажированности до нравственных убеждений. Детальное их рассмотрение лежит вне рамок этой статьи. Фальсификация изображений – действенный метод информационной войны, который особенно эффективно работает против слабо подготовленной аудитории, а массовая аудитория СМИ обычно имеет посредственный уровень подготовленности.

Фальсификация изображений.

Редактирование изображений в специализированных графических редакторах – один из самых распространенных типов фальсификации фотографий [3]. При редактировании на фотографию могут быть добавлены объекты, отсутствующие на оригинальном снимке, либо удалены объекты, присутствующие на оригинале. Фальсификатор может изменить цвета объектов, их освещённость и яркость, добавить на объекты рисунки, символику, татуировки и знаки. При таких обстоятельствах вместе с фальсификацией часто имеет место нарушение норм авторского права, и выявление подлинного изображения и его автора позволяет наказать фальсификатора по закону.

Рассмотрим пример. В военных конфликтах, в которых стороны используют одинаковую или похожую военную технику и вооружение, участники конфликта разрабатывают определенные цветовые обозначения, позволяющие быстро идентифицировать дружественную технику в бою. Так, советские партизаны в годы Второй Мировой войны отмечали захваченные у немецких войск автомобили и танки красными кругами и звёздами. В конфликте 2014 года на Украине войска украинской армии маркировали свою технику двумя белыми полосами спереди и с бортов. Противоборствующие стороны неоднократно заявляли о захватах военной техники в ходе конфликта и подтверждали свои заявления фотографиями. Применение средств поиска похожих изображений позволило оперативно выявлять факты фальсификации среди таких заявлений. Так на Рисунке 1 показаны две фотографии захваченной в ходе конфликта БМП-2. Левая фотография – оригинал, она появилась в сети Интернет на две недели раньше, что подтверждается исследованием временных меток в мета-информации найденных похожих изображений. На ней хорошо заметны белые полосы, характерные для украинской техники, участвующей в конфликте. Правая фотография фальсифицирована, полосы стёрты в графическом редакторе. Данная фальсификация была выявлена с помощью условного поиска похожих изображений, учитывающего заданный процент совпадения с образцом. Определено и авторство наиболее ранней фотографии.

Рисунок 1. Слева – оригинальное изображение, справа – измененное в графическом редакторе.

Фальсификация фотографий путем редактирования оригинальных снимков или полного ручного изготовления предъявляет серьезные требования к квалификации исполнителей. Высококвалифицированные специалисты доступны не всегда, поэтому распространенным методом фальсифицирования является подтасовка или перестановка фактов с использованием оригинальных нетронутых изображений.

Покажем пример сработавшей фальсификации подобного вида. На Рисунке 2 представлен поврежденный танк Т-72.

Рисунок 2. Поврежденный танк Т-72 в трудноидентифицируемой местности.

По сообщению веб-сайта ежедневных новостей Espreso от августа 2014 года, этот танк принадлежит армии Российской Федерации и был подбит подразделениями украинской армии около населенного пункта Амвросиевка. Эта новость вызвала широкий общественный резонанс в странах СНГ и сопредельных государствах. Использование сервиса поиска похожих изображений компании Google позволило выявить, что данная фотография была сделана в августе 2008 года в городе Цхинвал в Южной Осетии, а танк принадлежал армии Грузии. После опубликования этих фактов, информационный ресурс был вынужден убрать изображение из текста новости. Отказавшись от использования сервисов поиска похожих изображений, можно было бы определить факт фальсификации только с помощью высококвалифицированных экспертов.

Заключение.

Таким образом, использование технологий поиска похожих изображений по заданному образцу позволяет быстро выявлять фальсификации изображений, устанавливать авторство фотографий, определять факты правонарушений в сфере авторского права, а также факты более серьезных правонарушений, которые могут быть квалифицированы как клевета или мошенничество, производимых с помощью фотографических изображений. Своевременное выявление сфальсифицированных данных – это важное подспорье для успешного ведения информационной войны и противодействия информационному давлению.

Важно отметить, что использование сервисов поиска похожих изображений не предъявляет особых требований к индивидуальным навыкам и может рекомендоваться всем лицам, работа которых связана с обработкой мультимедийной информации: от журналистов и фотографов до сотрудников правоохранительных органов.

Математический анализ и алгоритм автоматизации процесса сортировки фруктов

Саидов Жахонгир Юнусович — Tue, 21 Apr 2020 10:58:49 +0000

Система распознавания является важной областью компьютерной науки, связанной с распознаванием паттернов, особенно визуальных и звуковых паттернов [1]. Он имеет решающее значение для оптического распознавания символов, распознавания голоса и распознавания рукописного ввода. Используются методы из статистики, машинного обучения и других областей. Типичные приложения – это классификация текста для распознавания различных типов текстов, таких как электронные письма со спамом и без спама, речь для определенных целей, таких как перевод различных языков на английский язык [2], распознавание рукописных символов для почтовых индексов или автоматическое распознавание лиц, которое имеет дело с цифровыми изображениями в качестве входных данных для систем распознавания образов [3].
Несколько типов методов анализа изображений применялись для анализа сельскохозяйственных изображений, таких как фрукты и овощи, для целей распознавания и классификации. Наиболее популярными методами анализа, которые использовались как для распознавания, так и для классификации двумерных (2D) изображений фруктов, являются методы анализа на основе цвета и формы. Однако, разные изображения фруктов могут иметь одинаковые или идентичные значения цвета и формы. Следовательно, использование методов анализа цвета или формы еще недостаточно надежно и недостаточно эффективно для выявления и различения изображений фруктов.
Поэтому нами предложен подход к распознаванию для 2D-изображений фруктов, который сочетает в себе методы на основе цвета, формы и размера, чтобы повысить точность результата распознавания. Система распознает предоставленное изображение плода 2D-запроса, извлекая значения признаков, включая цвет, форму и размер, и вычисляя извлеченные значения признаков, чтобы измерить расстояние между вычисленными значениями признаков изображения запроса с сохраненным стандартом.
Система распознавания фруктов является привлекательной и ценной системой, которая была разработана на основе различных мотивов. Следовательно, предложенная система разработана для исследования системы распознавания образов, особенно системы распознавания и классификации сферических образов плодов. В этой системе разработана система распознавания образов, представляющая собой комбинацию трех различных функций вместе, включая цвет, форму и размер, для выполнения последовательной классификации образцов.
Его можно использовать в качестве системы распознавания фруктов в продуктовом магазине для автоматизации маркировки и расчета цены.
Компьютерное зрение считается изучением и применением методов, которые позволяют компьютерам исследовать и извлекать содержимое изображения или содержание многомерных данных в целом, чтобы облегчить решение конкретной проблемы зрения, такой как проблемы классификации паттернов [4]. Существует шесть основных областей компьютерного зрения [5], предварительная обработка, сегментация, описание, распознавание и интерпретация. Примеры приложений компьютерного зрения включают системы управления процессами, такие как промышленный робот или автономное транспортное средство. Другим примером является обнаружение событий для визуального наблюдения или организация информации для индексации баз данных изображений и последовательностей изображений. Кроме того, моделирование объектов или сред, таких как анализ медицинских изображений или топографическое моделирование, является еще одним использованием компьютерного зрения [6]. Система компьютерного зрения также применяется для решения проблем сельского хозяйства, таких как система мониторинга роста сельскохозяйственных культур и сорняков под дождевым укрытием [7] или система компьютерного зрения для обнаружения сорняков в зерновых культурах [6].
Извлечение признаков – это процесс получения информации о значимом объекте в изображении более высокого уровня [8]. Анализ с большим количеством переменных обычно требует большого объема памяти и вычислительных мощностей или алгоритма классификации, который переопределяет обучающие выборки и плохо обобщается для новых выборок. Извлечение признаков является общим термином для методов построения комбинаций переменных, чтобы обойти эти проблемы, в то же время описывая данные с достаточной точностью [9]. При распознавании образов объекты часто содержат информацию относительно серой шкалы, текстуры, формы или контекста. При обработке изображений или в машинном зрении первоначальное измерение шаблона или некоторая под последовательность шаблона измерения преобразуется в новую характеристику шаблона [10].
Классификация паттернов – это процесс, в котором используется информация более высокого уровня об объекте. Таким образом, извлеченные признаки используются для назначения объекта категории или классу. Он также используется для автоматической идентификации объектов на изображении путем разработки алгоритма классификации [8]. Распознавание образов является важной областью компьютерной науки, связанной с распознаванием образов, особенно визуальных и звуковых. Используются методы из статистики, машинного обучения и других областей [13].
K-Nearest Neighbours (KNN)- это алгоритм, который широко используется для классификации. В процессе классификации неизвестный объект в изображении запроса будет сравниваться с каждым примером объектов, которые ранее использовались для обучения или разработки классификации.
Алгоритм [4] Евклида расстояние измеряет в алгоритме. [14] Евклидово расстояние между двумя точками:

В евклидовом n-пространстве определяется как:

(1)

Были рассмотрены три соответствующие существующие системы, которые анализируют и распознают фрукты с использованием метода анализа на основе формы и цвета. Существующие системы, анализатор изменения формы плодов, распознавание плодов и «система локализации и распознавания плодов деревьев с использованием свойств текстуры и цветовых данных» представлены далее.
Анализатор формы фруктов для помидора и других видов растений был разработан для анализа формы и размеров плодов помидора и других видов растений [14], таких как круглая тыква, желтая тыква, простой перец, перец чили, виноград, клубника, и груша. Он может точно определить границы плодов с разного цвета.
Анализатор может выполнять обнаружение вариаций формы плодов помидора и описывать любую другую двумерную форму плодов. Он предоставляет интуитивно понятные дескрипторы и вывод, что облегчает анализ морфологии фруктов.
Контролируемый словарь и математические дескрипторы были объединены в помидорный анализатор для достижения объективного измерения черты формы плодов. Контролируемый словарь может точно описать диапазон видов форм фруктов. Математические дескрипторы могут рассчитывать признаки фруктов с помощью одного уравнения для каждой характеристики, включая форму фруктов, содержат индекс формы фруктов, фрукты форма треугольника, форма плода эксцентричная, форма конца плода, форма сердца плода, круглая, эллипсоидная, прямоугольная; и размер плода включает высоту, ширину, массу, площадь и периметр плода.
Для распознавания и локализации плодов были применены точечный лазерный дальномер Typical FR 85 Rail Pilot и лазер с фазовым сдвигом для автоматической выборочной уборки [14]. Система использует изображения дальности и амплитуды, предоставляемые лазерным сканером дальномера в каждой отсканированной сцене, и использует стратегии анализа на основе форм для распознавания плодов и определения положения.
Основными этапами этой стратегии распознавания на основе форм являются адаптивное сглаживание изображений, генерация примитивов, оценка параметров и свидетельств, генерация и проверка гипотез.
Адаптивное сглаживание изображений необходимо для фильтрации белого аддитивного шума в диапазоне изображений. Далее, этап примитивной генерации необходим для распознавания сферических объектов в изображении диапазона. Затем необходим этап оценки параметров и доказательств, чтобы оценить параметр сферы, включая трехмерное положение, радиус и отражательную способность плодов, и оценить степень достоверности этой оценки. Наконец, генерация и проверка гипотез используется, чтобы отклонить гипотезы, которые не имеют достаточной доказательной ценности. Этот метод может распознавать зеленые фрукты и правильность этого метода составляет 80%.
При распознавании плодов деревьев с использованием свойств текстуры и цветовых данных [15] алгоритм, основанный на зрении, позволяет найти яблоки на одном изображении. Обнаружение краев на основе текстуры было объединено с измерениями покраснения и пороговой площади, а затем подгонкой по кругу, чтобы определить расположение яблок на плоскости изображения. Было показано, что покраснение работает как для красных яблок, так и для зеленых яблок. Эта повышенная контрастность текстур позволила идентифицировать яблоки отдельно от фона. Алгоритм работал одинаково хорошо, как для крупных планов, так и для удаленных изображений яблок. Результаты показывают, что точность системы составляет около 90%.
Для системы распознавания фруктов алгоритм KNN выполняет классификацию фруктов с использованием меры расстояния, которая является евклидовой метрикой для измерения расстояния между атрибутами неизвестного фрукта с сохраненными примерами фруктов, тогда алгоритм найдет ближайшие примеры к неизвестным фруктам.
Алгоритм предложит пользователю обрезать область плодов, чтобы получить или извлечь значение цвета входного изображения плодов. Чтобы получить или вычислить значение округлости плодов, алгоритм проанализирует и извлечет свойства признаков области плодов, таким образом, рассчитывают площадь и периметр плодов для округлости формы плодов или значения метрики.
Алгоритм вычисляет новые значения площади и периметра для изображения плода в соответствии с выбранным пользователем скалярным значениям.
Алгоритм K-Nearest Neighbours является методологией, которая использовалась для разработки системы распознавания фруктов. Система распознавания фруктов, использующая алгоритм KNN в качестве классификатора для классификации фруктов на основе средних значений цвета, значения округлости формы, площади и периметра фруктов. Чтобы получить площадь и периметр плода на изображении, на изображении плода должны выполняться задачи анализа изображения, такие как предварительная обработка и процесс сегментации.
Площадь плодов и периметр выбираются так, чтобы представлять размеры плодов, которые необходимы как один из признаков, позволяющих различать один вид фруктов от другого. Значения площади и периметра плода оцениваются в виде значений пикселей. Между тем, периметр плода может быть оценен путем подсчета граничных пикселей, которые были обнаружены или идентифицированы ранее; тогда как площадь плода может быть оценен путем подсчета общего количества пикселей, которые окружены областью границы обнаруженного плода. Чтобы получить или вычислить значения размера плодов, алгоритм предложит пользователю выбрать скалярное значение, чтобы изменить размер изображения плодов так, чтобы его размер был приблизительно равен размеру плодов в реальном времени. После выбора скалярного значения алгоритм вычислит новые значения площади и периметра для изображения плода.
Система распознавания фруктов, использующая следующую функцию [15] для классификации входной выборки фруктов:

Fruit_Class = knnclassify (пример, обучение, группа, k)

Эта функция классифицирует входную выборку фруктов, определяя расстояние между атрибутами входной выборки фруктов с атрибутами всех других примеров тренировочных фруктов и выявляет «k» ближайших примеров, а затем классифицирует изображение неизвестного входного фрукта по классу или группе, где по специальности из «k» ближайших соседей.
Пятьдесят изображений фруктов были собраны для системы распознавания фруктов. Эти изображения фруктов были разделены на обучающие фруктовые наборы и тестируемые фруктовые наборы, где 36 собранных фруктовых изображений были использованы для разработки и обучения системы; тогда как 14 изображений фруктов были использованы для проверки системы. Обучающие изображения фруктов должны быть отправлены и обработаны системой при разработке алгоритма классификации для системы распознавания.
Средние значения цвета фруктов могут быть вычислены после того, как пользователь обрезает область фруктов на их изображении. Система вычислит средние значения для каждого из красного, зеленого и синего (RGB) компонента области обрезанных фруктов путем манипулирования и вычисления на трехмерных матрицах, в которых хранятся все пиксели фруктов. Далее значения RGB для каждого фруктового пикселя вычисляется с использованием функции среднего значения, представленной в MATLAB [16].
Округлость формы плода или значения метрики можно рассчитать после извлечения и оценить площадь и периметр плода, используя уравнение, приведенное ниже [8, 15]:

(2)

Система распознавания фруктов состоит из пяти основных модулей обработки, которые включают в себя модуль выбора ввода фруктов, модуль вычисления цвета фруктов, модуль вычисления формы фруктов, модуль вычисления размера фруктов и модуль классификации или распознавания фруктов. Первый модуль обработки системы предложит пользователю выбрать изображение фруктов в меню выбора фруктов для дальнейшего процесса распознавания. Модуль вычисления цвета фруктов необходим для выполнения задач извлечения признаков их цвета.
Впоследствии модуль вычисления формы плода проанализирует плод после того, как будут извлечены свойства признака плодовой области. Таким образом, площадь и периметр плода используются для округления формы плода или расчета метрической величины.
Четвертый модуль системы распознавания плодов будет выполнять свои задачи по вычислению значений размера плодов, таким образом, площади и периметры плодов на основе выбранного пользователем скалярного значения, а также площади и периметра, полученных из третьего модуля. Модуль классификации и распознавания отвечает за классификацию входных данных или выбранных пользователем фруктов с использованием алгоритма KNN. Этот модуль измеряет расстояние между значениями признаков выбранного фрукта и значениями признаков сохраненного теста фруктов. После этого KNN обнаруживает среди сохраненных фруктов пример, который имеет самое короткое расстояние с входом. Затем система идентифицирует и назначает класс вводимых фруктов. В конце концов, система отображает результаты вычисленного признака пользователю. В оставшейся части этого раздела вы можете увидеть псевдокод для алгоритма распознавания фруктов.
1. Выберите изображение фрукта;
2. Обрезать фруктовую зону;
3. Вычислить среднее для компонентов RGB;
4. Вычислить форму путем пороговой сегментации (удалить шумы, морфологические операции);
5. Вычислить геометрические свойства (площадь, периметр);
6. Используйте KNN и параметры в 3, 4, 5 для классификации образ;
7. Результат на выходе.
Из тридцати шести собранных изображений фруктов были использованы для разработки и обучения системы; В таблицах 1, 2 и 3 приведены подробные сведения о цвете, форме, площади и значениях периметра для каждого типа фруктов, которые были сохранены во время эксперимента системы. Эти сохраненные значения цвета, значения округлости формы, значения площади и периметра используются в качестве стандартных значений признаков для сравнения и классификации запроса или ввода изображения плода в систему.

Таблица 1. Сохраненные данные о цвете (RGB) для каждого типа фруктов в системе во время обучения

Наименование фруктов	Максимум	Минимум
	R	GBRGB
Красное яблоко	128.5	14.042.0219.998.067.0
Зеленое яблоко	99.0	145.031.0146.0189.062.0
Клубника	158.8	21.3828.2233.056.158.2
Банан	168.0	145.853.1251.0234.595.5
Лимон	192.5	148.317.6252.8218.5129.1
Арбуз	77.8	119.939.7119.6166.477.7

Таблица 2. Минимальные и максимальные значения площади и периметра для каждого типа фруктов в системе распознавания фруктов

Фрукт	Площадь (Pixels)	Периметр (Pixels)
	min	maxminmax
Красное яблоко	15	48472694.6826.1
Зеленое яблоко	78	17224472945
Клубника	48	10595306.4612.8
Банан	44	18332622.81.7500e+3
Лимон	49	11788414.7799.7
Арбуз	33	812281.7038e+33.8223e+3

Система распознавания фруктов была протестирована с использованием 14 тестовых изображений фруктов. Результаты эксперимента являются точными для всего набора тестируемых фруктов. Кроме того, система способна распознавать все тестовые изображения фруктов. В таблице 4 приведены результаты распознавания системы распознавания фруктов на изображениях фруктов, которые отправляются в качестве входных изображений во время тестирования системы. В таблице перечислены результаты испытаний системы, включая название плода, значения вычисленных признаков, такие как средние значения RGB, значения округлости формы, значения площади и периметра.

Таблица 3: Минимальные и максимальные значения округлости для каждого типа фруктов в системе распознавания фруктов

Фрукт	Округление
	minmax
Красное яблоко	0.820.91
Зеленое яблоко	0.840.92
Клубника	0.600.69
Banana	0.220.39
Банан	0.720.91
Лимон	0.440.59
Арбуз	0.660.89

Однако на результаты большое влияние оказывают скалярные значения размера плодов, которые выбирает пользователь. Системный эксперимент играет важную роль в определении точности результатов распознавания.
Например, эксперимент должен обрезать область фруктовой области, исключая фоновую область на изображении, чтобы извлечь правильные значения цветовых характеристик фрукта, чтобы система могла вычислить новую площадь и значения периметра для измененного изображения тестируемого фрукта. Согласно результатам эксперимента, распознавание тестовых изображений фруктов является точным для тех скалярных значений размера фруктов, которые выбираются на основе размера фруктов в среде реального времени.

Таблица 4: Результаты распознавания цвета (RGB) на тесте фруктовые изображения системы распознавания фруктов

Номер изоб-ражения фрукта	Выбор скаляр-ного значения	Результат эксперимента
		Наименова-ние фруктаRGB пикселОкруглен-ное значениеПлощадьПери-метр пикселов
1	2	Красное яблоко(166.42,42.97, 49.88)0.8821260.00780.87
2	2	Банан(173.73,150.07, 53.90)0.309166.00875.38
3	2	Клубника(186.52,54.59, 27.76)0.6910328.00612.78
4	2	Лимон(212.84,144.87, 4.11)0.8611788.00586.16
5	6	Арбуз(71.19,86.73, 39.68)0.6681288.003037.29
6	4	Зеленная яблока(155.85,176.28, 31.30)0.8815636.00944.26
7	2	Красное яблоко(196.13,101.96, 71.82)0.9117844.00701.75
8	4	Банан(213.77,193.35, 91.47)0.3911936.001245.69
9	8	Арбуз(157.67,163.88, 89.78)0.4410421.004892.57
10	0	Клубника(147.57,42.27, 48.33)0.614422.00301.81
11	2	Лимон(248.78,211.48, 125.05)0.7811768.00614.04
12	6	Арбуз(74.33,117.40, 53.53)0.8955350.002159.69
13	2	Зеленная яблока(96.74,143.79, 53.53)0.9016436.00678.64

Чтобы доказать точность системы распознавания, необходимо собрать больше тестовых изображений фруктов для каждого типа фруктов в системной области и использовать их для эксперимента системы. Кроме того, тренировочные изображения должны состоять из фруктов разных цветов, форм и размеров, а также захвата в разных ракурсах и положениях, поэтому после этого можно сказать, что система достаточно надежна и способна распознавать любой ввод изображений фруктов, которые быть отсортированы в любых условиях.

Предложенный метод может обрабатывать, анализировать, классифицировать и идентифицировать изображения фруктов, которые отбираются и отправляются в систему на основе характеристик цвета, формы и размера фруктов. Алгоритм KNN является подходящим и эффективным алгоритмом классификации для использования в системе распознавания фруктов. Разработанная система распознавания способна распознавать все тестовые изображения фруктов, которые выбираются пользователем или системным тестером из меню выбора фруктов в системе с результатами распознавания системы с точностью до 90%.