Огляд сучасних методів цифрової обробки зображень для оцінки якості поверхні облицювальних виробів із природного каменю

Олександр Сергійович Горобець; Сергій Миколайович Горобець; Ларіна Олексіївна Чепюк

doi:10.26642/ten-2026-1(97)-337-343

Автор(и)

Олександр Сергійович Горобець Державний університет «Житомирська політехніка», Україна https://orcid.org/0009-0008-3756-7453
Сергій Миколайович Горобець Житомирський державний університет імені Івана Франка, Україна https://orcid.org/0000-0001-7639-9714
Ларіна Олексіївна Чепюк Державний університет «Житомирська політехніка», Україна http://orcid.org/0000-0002-8072-8186

DOI:

https://doi.org/10.26642/ten-2026-1(97)-337-343

Ключові слова:

цифрова обробка зображень, класичні методи обробки зображень, методи машинного навчання, методи глибинного навчання, якість поверхні облицювальних виробів з природного каменю

Анотація

У статті розглянуто актуальну проблему підвищення об’єктивності та ефективності контролю якості поверхні облицювальних виробів із природного каменю шляхом застосування методів цифрової обробки зображень. Традиційні підходи до оцінювання якості, що базуються на візуальному огляді, характеризуються суб’єктивністю та низькою відтворюваністю результатів, що зумовлює необхідність впровадження автоматизованих методів аналізу. Метою роботи є узагальнення, систематизація та порівняльна оцінка сучасних методів цифрової обробки зображень, які використовуються для визначення якості поверхні облицювальних виробів із природного каменю, а також визначення перспективних напрямів їх розвитку. Для досягнення поставленої мети вирішено такі завдання: проаналізовано класичні методи обробки зображень (фільтрація, сегментація, текстурний аналіз), досліджено підходи на основі машинного навчання та згорткових нейронних мереж, а також проведено їх порівняльний аналіз. У роботі використано методи системного аналізу, узагальнення наукових джерел, порівняльного аналізу алгоритмів. Розглянуто математичні моделі обробки зображень, зокрема згорткові фільтри, порогову сегментацію та статистичні характеристики текстури. У результаті дослідження встановлено, що класичні методи характеризуються простотою реалізації та низькими обчислювальними витратами, проте мають обмежену точність в умовах складних текстур і варіативного освітлення. Методи машинного навчання та згорткові нейронні мережі забезпечують значно вищу точність розпізнавання дефектів поверхні, однак потребують значних обчислювальних ресурсів і великих обсягів навчальних даних. Проведений аналіз дозволив визначити доцільність комбінування класичних і нейромережевих підходів. У висновках обґрунтовано, що перспективним напрямом є розроблення гібридних методів, які поєднують переваги традиційних алгоритмів цифрової обробки зображень і сучасних підходів штучного інтелекту, що забезпечить підвищення точності, стійкості та універсальності систем контролю якості облицювальних виробів.

Посилання

Bishop, C., Pattern Recognition and Machine Learning, [Online], available at: https://www.microsoft.com/en-us/research/wp-content/uploads/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf

Burger, W. and Burge, M.J. (2013), Principles of Digital Image Processing: Fundamental Techniques, Springer-Verlag, London, 273 p.

Goodfellow, I., Bengio, Y. and Courville, A. (2016), Deep Learning, MIT Press, Cambridge, 775 p.

Gonzalez, R. and Woods, R. (2017), Digital Image Processing, 4th ed., Pearson, 1024 p.

Dubolazov, O.V, Ushenko, O.G., Soltys, I.V. et al., «Researching the possibilities of using AI technologies for digital image processing: review and applications», doi: 10.31649/1681-7893-2024-48-2-78-87.

Ma’arif, A., Rahmaniar, W., Fathurrahman, H. et al., «Understanding of Convolutional Neural Network (CNN): A Review», [Online], available at: https://www.researchgate.net/publication/367157330_Understanding_of_Convolutional_Neural_Network_CNN_A_Review

Rawat, W. and Wang, Z. (2017), «Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review», Neural Computation, Vol. 29, No. 9, рр. 2352–2449.

Schmid, S., Image Intensity Normalization in Medical Imaging, [Online], available at: https://medium.com/@susanne.schmid/image-normalization-in-medical-imaging-f586c8526bd1

Zhao, X., Wang, L., Zhang, Y. et al., «A review of convolutional neural networks in computer vision», doi: 10.1007/s10462-024-10721-6.

Vovk, S.M., Hnatushenko, V.V. and Bondarenko, M.V. (2016), Metody obrobky zobrazhen ta kompiuternyi zir, navch. posibn., LIRA, D., 148 р.

Hrytsyk, V.V., «Doslidzhennia unifikatsii standartnykh porohovykh metodiv sehmentatsii zobrazhen», doi: 10.32782/KNTU2618-0340/2020.3.2-1.8.

Zaitsev, D.Ya., Filimonchuk, T.V., Huk, A.S. and Maistrenko, H.V., «Ohliad zasobiv efektyvnoi sehmentatsii zobrazhen z vykorystanniam metodiv klasteryzatsii danykh», doi: 10.26906/SUNZ.2024.1.077.

Kobylin, O.A. and Tvoroshenko, I.S. (2021), Metody tsyfrovoi obrobky zobrazhen, navch. posibn., KhNURE, Kh., 124 р.

Korobiichuk, V.V., Kryvoruchko, A.O., Remez, N.S. et al. (2012), Otsinka yakosti blochnoi syrovyny ta oblytsiuvalnoi produktsii z pryrodnoho kameniu. Ch. I, navch. posibn., ZhDTU, Zhytomyr, 188 р.

Podchashynskyi, Yu.O., Kyrylovych, V.A. and Luhovykh, O.O., «Zastosuvannia avtomatyzovanykh ta informatsiinykh system z tsyfrovymy zobrazhenniamy pry vidkrytii rozrobtsi rodovyshch pryrodnoho kameniu», doi: 10.26642/ten-2022-2(90)-161-169.

Podchashynskyi, Yu.O., Davydchuk, N.S. and Chepiuk, L.O., «Fraktalni peretvorennia v tsyfrovii obrobtsi videozobrazhen poverkhni vyrobiv z pryrodnoho kameniu», [Online], available at: http://eztuir.ztu.edu.ua/123456789/3405

Romanenko, I.O. (2016), «Analiz efektyvnosti suchasnykh metodiv sehmentatsii tsyfrovykh zobrazhen», Systemy obrobky informatsii, Issue 3 (140), рр. 172–174.

Kravchenko, I.V. and Mykytenko, V.I. (eds.) (2025), Tsyfrova obrobka syhnaliv ta zobrazhen. Ch. 1, KPI im. Ihoria Sikorskoho, K., 76 р.

Shamrai, V.I. (2021), Upravlinnia dekoratyvnymy pokaznykamy pryrodnoho kameniu na osnovi fakturnoi obrobky, monohrafiia, Zhytomyrska politekhnika, Zhytomyr, 134 р.

Список використаної літератури:

Bishop C. Pattern Recognition and Machine Learning / C.Bishop [Electronic resource]. – Access mode : https://www.microsoft.com/en-us/research/wp-content/uploads/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf.

Burger W. Principles of Digital Image Processing: Fundamental Techniques / W.Burger, M.J. Burge. – London: Springer-Verlag, 2013. – 273 p.

Goodfellow I. Deep Learning / I.Goodfellow, Y.Bengio, A.Courville. – Cambridge : MIT Press, 2016. – 775 p.

Gonzalez R. Digital Image Processing: 4th ed. / R.Gonzalez, R.Woods. – Pearson, 2017. – 1024 p.

Researching the possibilities of using AI technologies for digital image processing: review and applications / O.V Dubolazov, O.G. Ushenko, I.V. Soltys and other. DOI: 10.31649/1681-7893-2024-48-2-78-87.

Understanding of Convolutional Neural Network (CNN): A Review / A.Ma’arif, W.Rahmaniar, H.Fathurrahman and other [Electronic resource]. – Access mode: https://www.researchgate.net/publication/367157330_Understanding_of_Convolutional_Neural_Network_CNN_A_Review.

Rawat W. Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review / W.Rawat, Z.Wang // Neural Computation. – 2017. – Vol. 29, № 9. – P. 2352–2449.

Schmid S. Image Intensity Normalization in Medical Imaging / S.Schmid [Electronic resource]. – Access mode: https://medium.com/@susanne.schmid/image-normalization-in-medical-imaging-f586c8526bd1.

A review of convolutional neural networks in computer vision / X.Zhao, L.Wang, Y.Zhang and other. DOI: 10.1007/s10462-024-10721-6.

Вовк С.М. Методи обробки зображень та комп’ютерний зір: навч. посібн. / С.М. Вовк, В.В. Гнатушенко, М.В. Бондаренко. – Д. : ЛІРА, 2016. – 148 с.

Грицик В.В. Дослідження уніфікації стандартних порогових методів сегментації зображень / В.В. Грицик. DOI: 10.32782/KNTU2618-0340/2020.3.2-1.8.

Огляд засобів ефективної сегментації зображень з використанням методів кластеризації даних / Д.Я. Зайцев, Т.В. Філімончук, А.С. Гук, Г.В. Майстренко. DOI: 10.26906/SUNZ.2024.1.077.

Кобилін О.А. Методи цифрової обробки зображень: навч. посібн. / О.А. Кобилін, І.С. Творошенко. – Х. : ХНУРЕ, 2021. – 124 с.

Оцінка якості блочної сировини та облицювальної продукції з природного каменю. Ч. І : навч. посібн. / В.В. Коробійчук, А.О. Криворучко, Н.С. Ремез та інші. – Житомир : ЖДТУ, 2012. – 188 с.

Подчашинський Ю.О. Застосування автоматизованих та інформаційних систем з цифровими зображеннями при відкритій розробці родовищ природного каменю / Ю.О. Подчашинський, В.А. Кирилович, О.О. Лугових. DOI: 10.26642/ten-2022-2(90)-161-169.

Подчашинський Ю.О. Фрактальні перетворення в цифровій обробці відеозображень поверхні виробів з природного каменю / Ю.О. Подчашинський, Н.С. Давидчук, Л.О. Чепюк [Електронний ресурс]. – Режим доступу : http://eztuir.ztu.edu.ua/123456789/3405.

Романенко І.О. Аналіз ефективності сучасних методів сегментації цифрових зображень / І.О. Романенко // Системи обробки інформації. – 2016. – Вип. 3 (140). – С. 172–174.

Цифрова обробка сигналів та зображень. Ч. 1. / уклад. І.В. Кравченко, В.І. Микитенко. – К. : КПІ ім. Ігоря Сікорського, 2025. – 76 с.

Шамрай В.І. Управління декоративними показниками природного каменю на основі фактурної обробки : монографія / В.І. Шамрай. – Житомир : Житомирська політехніка, 2021. – 134 с.