Л. М. Богданова

Л. М. Богданова

Auto-generated profile, based on publicly available information

Л. М. Богданова

Донбаська державна машинобудівна академія

Research Focus & Metrics

Academic Career Length

8Years (2019-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 January 2021 in TECHNICAL SCIENCES AND TECHNOLOGIES
Verified
Journal Article
Open access
ДАДонбаська Державна Машинобудівна Академія
Донбаська Державна Машинобудівна Академія
ЛБЛіна Богданова
Ліна Богданова
ВАВалерій Аносов
Валерій Аносов
Ґрунтуючись на властивості карт Кохонена трансформувати багатовимірний простір у простір із нижчою розмірністю, у роботі вперше запропоновано загальний підхід до вирішення задачі формування технологічних ніш для визначення зон найбільш ефективного використання відповідних типів конструкції фрез. Це надає можливість релевантного вибору існуючих конструкцій, типорозмірів корпусів і пластин, а також обґрунтувати вимоги при створенні нових конструкцій. Отриману навчену карту Кохонена можна використовувати для автоматизації пошуку технологічних ніш різального інструменту.

30 December 2025 in Таврійський науковий вісник. Серія: Технічні науки
Verified
Journal Article
Open access
ОАО. В. Алтухов
О. В. Алтухов
Liudmyla VasylievaLiudmyla Vasylieva
Liudmyla Vasylieva
ВАВ. О. Алтухов
В. О. Алтухов
ЛБЛ. М. Богданова
Л. М. Богданова
OTOleksandr Tarasov
Oleksandr Tarasov
Зростання обсягів відеоданих у різних галузях (безпека, медицина, транспорт, технічні науки) актуалізує необхідність ефективної автоматичної обробки цих даних. Особливо важливими завданнями є класифікація та сегментація об’єктів на відео. Висока роздільна здатність сучасного відео створює додаткові виклики, зокрема щодо обробки в реальному часі, що потребує використання як оптимізованих моделей, так і апаратних прискорю- вачів. Одним із рішень є Google Coral – пристрій, що дозволяє прискорити виконання нейронних мереж без суттєвих втрат у точності. У цьому дослідженні акцент зроблено на підвищенні ефективності моделей глибокого навчання шляхом підбору оптимальних параметрів навчання для забезпечення точного й швидкого розпізнавання об'єктів на відео. У роботі досліджено методи, моделі та інформаційні технології, призначені для класифікації і сегментації об’єктів на відео з використанням нейронних мереж і апаратного прискорювача Google Coral. Основну увагу приділено оптимізації параметрів навчання моделей на основі архітектур SSD/FPN MobileNet V1, MobileNet V2 та SSDLite MobileNet V2. Запропоновано підхід, що дозволяє досягти високої точності при класифікації і сегментації об’єктів у відео за мінімального часу навчання. Розроблено програмний комплекс з графічним інтерфейсом, реалізований із використанням Python, TensorFlow та OpenCV. Проведено порівняльний аналіз ефективності методів класифікації та сегментації, а також розглянуто можливості реалізації систем в середовищі обмежених ресурсів. Наукова новизна полягає в удосконаленні моделей нейронних мереж для класифікації та сегментації об’єктів на відео з застосуванням апаратного прискорювача Google Coral, що дозволило підвищити швидкість навчання та точність класифікації. Практична цінність полягає в реалізації методів та моделей нейронних мереж для класифікації та сегментації об’єктів на відео за допомогою Google Coral, які можна використовувати на різних апаратних платформах.

31 March 2019 in Journal of Mechanical Engineering
Verified
Journal Article
Closed access
DADonbass State Engineering Academy
Donbass State Engineering Academy
VAValerii Anosov
Valerii Anosov
LBLina Bohdanova
Lina Bohdanova
VKVolodymyr Kolodiazhnyi
Volodymyr Kolodiazhnyi
KUKharkiv National Automobile and Highway University
Kharkiv National Automobile and Highway University
VLVadym Litovka
Vadym Litovka