Определение типа и модели стрелкового нарезного оружия по боеприпасам методом автоматизированного системно-когнитивного анализа

Размещено на http://www.allbest.ru/

ОПРЕДЕЛЕНИЕ ТИПА И МОДЕЛИ СТРЕЛКОВОГО НАРЕЗНОГО ОРУЖИЯ ПО БОЕПРИПАСАМ МЕТОДОМ АСК-АНАЛИЗА

Луценко Евгений Вениаминович

Швец Сергей Владимирович



УДК 004.8, 343.983.22

05.00.00 Технические науки

12.00.00 Юридические науки

UDC 004.8, 343.983.22

Technical sciences

Legal sciences

ОПРЕДЕЛЕНИЕ ТИПА И МОДЕЛИ СТРЕЛКОВОГО НАРЕЗНОГО ОРУЖИЯ ПО БОЕПРИПАСАМ МЕТОДОМ АСК-АНАЛИЗА Работа выполнена при финансовой поддержке РФФИ, проект №16-06-00114 А

HOW TO SOLVE THE TASK OF CLASSIFICATION OF TYPES OF RIFLE AMMUNITION USING THE METHOD OF ASC-ANALYSIS

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101

prof.lutsenko@gmail.com

Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101

prof.lutsenko@gmail.com

Кубанский государственный аграрный университет, Краснодар, Россия

Kuban State Agrarian University, Krasnodar, Russia

Швец Сергей Владимирович д.ю.н., профессор РИНЦ SPIN-код:7584-8573

baharat@yandex.ru

Кубанский государственный аграрный университет, Краснодар, Россия

Shvets Sergey Vladimirovich

Dr.Sci. in Laws, associate professor

RSCI SPIN-code: 7584-8573

baharat@yandex.ru

Kuban State Agrarian University, Krasnodar, Russia

В криминалистике существуют актуальные задачи определения типа (автомат, винтовка, крупный калибр, пистолет) и конкретной модели стрелкового нарезного оружия по его боеприпасам, в частности, обнаруженным на месте применения оружия. Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - универсальной когнитивной аналитической системы "Эйдос". В системе "Эйдос" реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров на основе яркостной и цветовой контрастности. Путем многопараметрической типизации контурных изображений конкретных боеприпасов в системе создается и верифицируется системно-когнитивная модель, с применением которой (если модель окажется достаточно достоверной), могут решаться задачи системной идентификации, классификации, исследования моделируемого объекта путем исследования его модели и другие. Для решения этих задач выполняются следующие этапы: 1) ввод в систему "Эйдос" изображений боеприпасов и создание математических моделей их контуров; 2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация); 3) количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей стрелкового нарезного оружия (системная идентификация); 4) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях

In criminology, there are actual problems of determining the type (machine gun, rifle, large caliber, pistol) and a particular model of small rifle for its ammunition, in particular, discovered in the use of weapons. The article proposes a solution to this problem with the use of a new innovative method of artificial intelligence: automated system-cognitive analysis (ASC-analysis) and its programmatic toolkit - a universal cognitive analytical system called "Eidos". In the system of "Eidos", we have implemented a software interface that provides input to the system images, and the identification of their external contours on the basis of luminance and color contrast. Typing by multiparameter contour images of specific ammunition, we create and verify the system-cognitive model, with the use of which (if the model is sufficiently reliable), we can solve problems of system identification, classification, study of the simulated object by studying its model and others. For these tasks we perform the following steps: 1) enter the images of ammunitions into the system of "Eidos" and create mathematical models of their contours; 2) synthesis and verification of models of the generalized images of ammunition for types of weapons based on the contour images of specific munitions (multivariate typology); 3) quantification of the similarities-differences of the specific ammunition with generalized images of ammunition of various types and models of small rifle (system identification); 4) quantification of the similarities-differences of the types of munitions, i.e. cluster-constructive analysis

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА "ЭЙДОС", МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ

Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" INTELLIGENCE SYSTEM, MULTIPARAMETER TYPING, SYSTEM IDENTIFICATION, INTELLIGENT IMAGE ANALYSIS



Содержание

• 1. Постановка задачи
• 2. Традиционный подход и его недостатки
• 3. Идея решения
• 4. Имеющийся научный и технологический задел
• 5. Численный пример
• 5.1 Исходные данные
• 5.2 Этапы решения задач
• 6. Выводы и результаты
• 7. Перспективы
• 8. Применение
• Литература

• 1. Постановка задачи
• В криминалистике существуют актуальные задачи определения типа (автомат, винтовка, крупный калибр, пистолет) и конкретной модели стрелкового нарезного оружия по его боеприпасам, в частности, обнаруженным на месте применения оружия. [1].
• В работе [2] описано решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа. В данной статье рассмотрим решение в одной модели как этой задачи, так и задачи определения вероятной модели стрелкового нарезного оружия по его боеприпасам.

• 2. Традиционный подход и его недостатки
• Традиционно установление типа и назначения боеприпаса при производстве криминалистических экспертиз осуществляется методом визуального сравнения патрона с имеющимися в распоряжении эксперта справочными данным. В качестве таких данных используют различные книги-справочники, а так же справочные коллекции патронов, созданные на базе Экспертно-криминалистического центра МВД России и региональных пулегильзотек на базе экспертно-криминалистических подразделений МВД, ГУВД, УВД.
• Кроме этого в рамках ведения криминалистических учетов в системе МВД России имеется автоматизированная информационно-справочная система "Выстрел" [1], содержащая информацию в том числе и о боеприпасах к пистолетам, револьверам, пистолетам-пулеметам, винтовкам, карабинам, автоматам, охотничьим ружьям. Поиск боеприпасов в данной системе осуществляется по 30 количественным признакам.
• К недостаткам традиционного подхода можно отнести следующее.
• а) в случае ручного сравнения с использованием справочных и натурных фондов:
• - значительные временные затраты;
• - зависимость от опыта эксперта;
• - зависимость от имеющихся в наличии специализированных книг и образцов боеприпасов;
• б) в случае автоматизированного сравнения с использованием АИСС "Выстрел":
• - необходимость проводить ручные измерения патронов с помощью измерительных инструментов для получения количественных значений критериев для конкретного боеприпаса;
• - ограниченная доступность (невозможность использования данной АИСС вне рамок системы МВД РФ и, как следствие, невозможность использования данной АИСС в учебном и научно-исследовательском процессе для подготовки специалистов в области информатики и юриспруденции в гражданских ВУЗах);
• - отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных с учетом потребностей конкретного пользователя (эксперта);
• - отсутствие возможности производства исследований в моделируемой области;
• - невозможность увеличения количества критериев для повышения достоверности модели сравнении.
• Данная статья посвящена преодолению этих недостатков.

• 3. Идея решения

Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) [3] и его программного инструментария - универсальной когнитивной аналитической системы "Эйдос" [4]. Математическая модель системы "Эйдос" основана на системной нечеткой интервальной математике [5]. В системе "Эйдос" реализовано два программных интерфейса, обеспечивающих ввод в систему изображений и выявление их внешних контуров [2, 6, 11,12, 13].

Первый интерфейс реализован в виде внешнего исполнимого модуля _2324.exe, основан на основе исследования яркостной контрастности изображения и уже сейчас является весьма быстродействующим, а в будущем его скорость работы еще может возрасти в десятки раз.

В новой версии системы "Эйдос" органично реализован программный интерфейс, обеспечивающий ввод в систему изображений и выявление их внешних контуров на основе исследования как яркостной, так и цветовой контрастности изображений. Этот второй интерфейс работает медленнее, чем первый, но зато обеспечивает выявление контуров на изображениях практически без яркостной контрастности между изображением и фоном, на которых первый просто не работает. Пример такого изображения приведен на рисунках 1:



Рисунок 1. Результаты выявления контуров изображений по яркостной и цветовой контрастности в системе "Эйдос"

Путем многопараметрической типизации контурных изображений конкретных боеприпасов в системе создается и верифицируется системно-когнитивная модель, с применением которой (если модель окажется достаточно достоверной), могут решаться задачи системной идентификации, классификации, исследования моделируемого объекта путем исследования его модели и другие [7, 8].



• 4. Имеющийся научный и технологический задел

У авторов имеется научный задел и опыт успешного решения подобных задач не только в криминалистике, но и в других предметных областях [2-14].



• 5. Численный пример
• 5.1 Исходные данные

В качестве исходных данных для решения поставленной задачи использовались сканированные на светлом фоне с одинаковым разрешением изображения боеприпасов (в снаряженном состоянии) стрелкового нарезного оружия различных типов (автомат, винтовка, крупный калибр, пистолет) (рисунок 2).

При этом изображение каждого боеприпаса приведено в виде нескольких файлов:

- с именем, соответствующим типу боеприпаса;

- с именами, соответствующими конкретным моделям оружия, в которых используется данный тип боеприпаса;

- с именем, соответствующим типу оружия (автомат, винтовка, крупный калибр, пистолет);

Это сделано для того, чтобы в созданной модели были сформированы обобщенные образы боеприпасов не только различных типов оружия, как в модели [2], но и конкретных моделей оружия.

Рисунок 2. Изображения боеприпасов стрелкового нарезного оружия, использованные в качестве обучающей выборки (всего 230 файлов изображений)



Имя файла используется в системе "Эйдос" как способ группировки изображений при формировании обобщенных образов, т.е. для формирования имен классов. Если в имени файла есть черточка-тире: '-', то в качестве имени класса используется часть имени файла до этой черточки. Если этой черточки в имени файла нет, то в качестве имени класса используется все имя файла до расширения. Часть имени файла после черточки может использоваться для нумерации файлов изображений, относящихся к одному классу, например: 'Пистолет-001.jpg', 'Пистолет-002.jpg'.

Это обеспечивает формирование обобщенных образов соответствующих классов на основе конкретных примеров изображений, относящихся к этим классам.

• 5.2 Этапы решения задач

Для решения этих задач выполняются следующие этапы:

1) ввод в систему "Эйдос" изображений боеприпасов и создание математических моделей их контуров;

2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);

3) количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей стрелкового нарезного оружия (системная идентификация);

4) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях [2-14].

1. Автоматический ввод изображений боеприпасов в систему "Эйдос"

Запишем в папку ..\AID_DATA\Inp_data\ в отдельной папке (в данном случае с именем: '2') сканированные изображения боеприпасов (рисунок 3):

Рисунок 3. Экранная форма, поясняющая расположение и структуру исходных данных: сканированных изображений боеприпасов оружия различных типов и моделей

Всего в данной обучающей выборке использовано 143 вида боеприпасов и моделей оружия, которые относятся к 4 типам: автомат, винтовка, крупный калибр, пистолет.

Имена файлов представляют собой наименования боеприпасов, модель оружия или тип оружия. Если к одному типу оружия относится несколько файлов, то в именах файлов после наименования типа оружия через черточку идет номер файла этого типа оружия (номер реализации).

В системе "Эйдос" в настоящее время есть ограничение на размер файла исходного изображения: 450 pix Ч 800 pix. Это связано с тем, что в программном интерфейсе ввода изображений в систему в настоящее время не используется масштабирование изображений. Поэтому если в обучающей выборке встречаются изображения большего размера, то нужно пропорционально уменьшить все изображения. Это можно сделать многими способами, но авторы использовали возможности стандартного для Windows просмотрщика графических файлов Microsoft Office Picture Manager (рисунок 4)

Рисунок 4. Экранная форма, поясняющая способ пропорционального уменьшения размеров изображений обучающей выборки в пикселях

Затем в геоконитивной подсистеме 4.8 [14] запустим режим "Оконтуривание" (рисунок 6):

Рисунок 6. Экранная форма запуска геоконитивной подсистемы 4.8 [14]

Вместо описания данной подсистемы приведем ее Help (рисунок 7):



Рисунок 7. Help геоконитивной подсистемы 4.8 [14]

На главной экранной форме геоконитивной подсистемы 4.8 кликаем на кнопке "Оконтуривание". В результате появляются экранные формы:

- задания параметров ввода изображений (рисунок 8);

- поиска центра тяжести изображения и первичных контуров и отображения исходного изображения в лучах Red, Green, Blue с указанием найденных точек первичного контура в дополнительных цветах (в динамике) (рисунок 9);

- визуализации изображения с найденными точками внешнего контура и самим внешним контуром (в динамике) (рисунок 10):

Рисунок 8. Экранная форма задания параметров ввода изображений

(с параметрами "по умолчанию")

Рисунок 9. Экранная форма поиска центра тяжести изображения

Рисунок 10. Экранная форма с центром тяжести и внешним контуром



Данный режим:

1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в поддиректориях.

2. Находит в этих графических файлах предварительные контуры и центры тяжести. Если система не может их найти, то информация об этом заносится в файл ошибок: ErrorImage.txt.

3. Записывает в папку: ..\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура, лежащих на радиус-векторах, при различных углах поворота радиуса-вектора. В статье [15] описывается идея использования полярной системы координат для описания внешних контуров изображений и приводится математическая модель. В 2014 году проф.Е.В.Луценко предложены методики численных расчетов (структуры данных и алгоритмы), расчетов соответствии с этой математической моделью на компьютерах, а затем в 2015-2016 годах эти методики численных расчетов реализованы в модуле 2.3.2.4 и режимах 4.7, 4.8 системы "Эйдос".

4. Затем режим "Оконтуривание" геоконитивной подсистемы 4.8 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.dbf, в которой содержатся результаты оцифровки изображений. При этом выводится сообщение, приведенное на рисунке 11:



Рисунок 11. Сообщение о завершении режима: "Оконтуривание"

геоконитивной подсистемы 4.8 [14]

Если открыть файл ошибок преобразования: ErrorImage.txt, то увидим текст:

Файлы изображений, для которых не удалось найти центры тяжести:

1 C:\AIDOS-X\AID_DATA\Inp_data\2\6_5 Grendel.jpg

2 C:\AIDOS-X\AID_DATA\Inp_data\2\9x18 ПП93.jpg

Изображения этих боеприпасов приведены на рисунке 10:

9x18 ПП93.jpg6_5 Grendel.jpg

Рисунок 10. Отбракованные изображения боеприпасов (режим: "Оконтуривание" геоконитивной подсистемы 4.8 [14]

После исправления этих изображений можно повторить ввод информации.

Структура этой таблицы ..\AID_DATA\Inp_data\inp_data.dbf полностью соответствует требованиям универсального программного интерфейса системы "Эйдос" с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 11.

Рисунок 11. Help универсального программного интерфейса системы "Эйдос" с внешними базами данных (режим 2.3.2.2)

В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла .. \AID_DATA\Inp_data\inp_data.dbf с результатами оцифровки изображений:



Таблица 1 - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.dbf с результатами оцифровки изображений (фрагмент) Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более. Полный файл исходных данных не приводится из-за большой размерности.

Сам этот программный интерфейс вызывается из главного меню системы "Эйдос" (режим 2.3.2.2), либо из режима: 4.7. "АСК-анализ изображений", либо из режима 4.8. "Геокогнитивная подсистема".

Главная экранная форма режима 2.3.2.2 приведена на рисунке 12, причем на ней показаны нужные параметры, которые формируются режимом 2.3.2.4 как параметры по умолчанию:

Рисунок 12. Экранная форма задания параметров работы универсального программного интерфейса системы "Эйдос" с внешними базами данных (режим 2.3.2.2)

После запуска процесса ввода данных из файла: ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы "Эйдос" определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 13):

Рисунок 13. Экранная форма внутреннего калькулятора универсального программного интерфейса системы "Эйдос" с внешними базами данных

В это форме задано 20 интервальных значений (градаций) в описательных шкалах, а татем пересчитаны шкалы и градации. После клика по кнопке "Выйти на создание модели" начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы "Эйдос".

При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и база событий (эвентологическая база данных) (рисунок 14). Этот процесс завершается за 25 секунд.

Рисунок 14. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему "Эйдос"

Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы "Эйдос". В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица ..\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам.

Таким образом подготавливаются все исходные базы данных для синтеза и верификации модели.

2. Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация)

Далее автоматически запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 15):

Рисунок 15. Экранная форма режима синтеза и верификации моделей системы "Эйдос" (режима 3.5)

Запускаем этот режим с параметрами по умолчанию, сформированными в режиме "Оконтуривание". В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 16 и 17) [7]:



Рисунок 16. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям Подробнее об этом можно прочитать в работе [7] и других работах, посвященных АСК-анализу



Рисунок 17. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей

Из рисунка 17 видно, что процесс синтеза и верификации 10 моделей на выборке из 230 боеприпасов занял 2 часа 44 минуты 51 секунду. В основном это время было затрачено на верификацию моделей.

Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с предложенной проф. Е.В. Луценко метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 18 и 19).

Рисунок 18. Оценка достоверности моделей, созданных на 1-й итерации, с помощью непараметрической метрики, сходной с F-критерием



Рисунок 19. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

Из рисунка 18 мы видим, что наиболее достоверная модель, основанная на критерии ч2 [7], дает среднюю достоверность определения типа и модели оружия по боеприпасу около 82%, причем достоверность правильного отнесения боеприпаса к типу и модели оружия, к которым он относится, составляет 100%, а правильного не отнесения к типу и модели оружия, к которым он не относится - около 64%.

3. Задание наиболее достоверной модели в качестве текущей

В соответствии со схемой, приведенной на рисунке 16, и информацией по достоверности моделей, приведенной на рисунке 18, в режиме 5.6 системы "Эйдос" зададим системно-когнитивную модель INF3 в качестве текущей (рисунок 20) и проведем в этой модели пакетную идентификацию в режиме 4.1.2 (рисунок 21):



Рисунок 20. Экранная форма, позволяющая задать любую модель в качестве текущей

Рисунок 21. Экранная форма с отображением этапов и стадии решения задачи классификации конкретных боеприпасов с обобщенными образами боеприпасов по типам оружия

Из данной экранной формы видно, что идентификация 230 боеприпаса с обобщенными образами 146 классов (4-х типов и 142 моделей оружия) выполнена за 17 минут 52 секунды, т.е. 7.3 секунды на боеприпас.

4. Количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей оружия (системная идентификация)

Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:

- поместить в поддиректорию: c:\Aidos-X\AID_DATA\Inp_data\ в какую-нибудь папку, например "Классифицируемые боеприпасы" изображения классифицируемых боеприпасов в том же стандарте, что и в обучающей выборке;

- выполнить режим: "Оконтуривание" в геокогнитивной подсистеме 4.8 с опцией: "Генерация распознаваемой выборки и идентификация (классификация) изображений";

- выполнить режим 2.3.2.2. "Универсальный программный интерфейс импорта данных в систему" с теми же параметрами, что и при вводе обучающей выборки (рисунок 12), но с опцией: "Генерация распознаваемой выборки (на основе файла Inp_rasp)" (рисунок 22);

- выполнить режим 4.1.2. "Пакетное распознавание в текущей модели".

Рисунок 22. Главная экранная форма универсального программного интерфейса системы "Эйдос" с внешними базами данных (режим 2.3.2.2) с опцией ввода распознаваемой выборки



Режимы 2.3.2.2 и 4.1.2 запускаются с нужными параметрами автоматически после оконтуривания с опцией генерации распознаваемой выборки.

В результате в режиме 4.1.3.1 получим следующую выходную форму с результатами классификации конкретного боеприпаса (рисунок 23):

Рисунок 23. Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов

Из экранной формы на рисунке 23 видно, что система верно определила и тип, и модель оружия по изображению конкретного боеприпаса, а из экранной формы на рисунке 18 - что так обычно происходит и с другими боеприпасами, т.е. задач, поставленная в статье, успешно решена.

В подсистеме 4.1.3. "Вывод результатов распознавания" системы "Эйдос" мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 24:

Рисунок 24. Наименования выходных форм системы "Эйдос" с результатами распознавания

Одну из них (4.1.3.1), наиболее подробную, мы привели в рисунке 26. Ниже на рисунке 25 приведем обобщающую форму (режим 4.1.3.3), в которой для каждого боеприпаса показан лишь один класс, с которым у данного боеприпаса наивысший уровень сходства по заданному интегральному критерию [7] (вверху слева):

Рисунок 25. Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов

Из форм на рисунках 24 и 25 видно, что если бы мы не знали к какому типу и модели оружия относится боеприпас, то система "Эйдос" на основе созданной системно-когнитивной модели позволила бы по его изображению это определить быстро и с высокой точностью.

5. Количественное определение сходства-различия обобщенных образов боеприпасов различных типов и моделей оружия (кластерно-конструктивный анализ)

На рисунках 26 и 27 приведены табличная и графическая выходные формы, количественно отражающие степень сходства обобщенных образов боеприпасов различных типов и моделей оружия друг с другом:

Рисунок 26. Степень сходства друг с другом обобщенных образов боеприпасов различных типов и моделей стрелкового нарезного оружия

Рисунок 27. Степень сходства друг с другом обобщенных образов боеприпасов различных типов и моделей стрелкового нарезного оружия

Это сравнение осуществляется в режиме 4.2.2.1. "Расчет матриц сходства, кластеров и конструктов классов". Результатами данного режима являются сами матрицы сходства (таблица 2), а также наглядное изображение их подматриц в форме когнитивных диаграмм (семантических сетей).

Таблица 2 - Файл: c:\Aidos-X\AID_DATA\A0000002\System\SxodClsInf3.DBF с результатами сравнения классов друг с другом (фрагмент) Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более. Полный файл исходных данных не приводится из-за большой размерности.

В таблице 2 приведен фрагмент матрицы сходства обобщенных образов боеприпасов различных типов и моделей стрелкового нарезного оружия. Полностью матрицы сходства здесь не приводятся из-за большой размерности.

Из рисунков 26 и 27 видно, что обобщенный образ класса "Пистолет" (код: 146) сходен с различными моделями пистолетов, причем в различной степени и образует центр кластера: "Пистолеты". А обобщенный образ класса "Автомат" (код: 143) сходен с различными моделями автоматов, причем тоже в различной степени и образует центр кластера: "Автоматы". Еще есть обобщенный образ класса типа оружия "Винтовка" (144), который стоит особняком и имеет слабое сходство с некоторыми моделями автоматов и тяготеет к кластеру: "Автоматы". Кластеры "Пистолеты" и "Автоматы" образуют противоположные по смыслу полюса ярко выраженного конструкта: "Пистолеты-Автоматы".

Необходимо отметить, что в системе "Эйдос" эти диаграммы рассчитываются автоматически, а не заполняются экспертами неформализуемым способом на основе интуиции, опыта и профессиональной компетенции, как обычно.

6. Исследование моделируемой предметной области путем исследования ее модели

Если модель достоверно (адекватно) отражает предметную область, то исследование модели предметной области корректно можно считать исследованием самой моделируемой предметной области. В системе "Эйдос" достоверность модели устанавливается в режиме 3.5 сразу после ее синтеза при ее верификации путем идентификации (классификации) объектов обучающей выборки, о которых уже известно к каким классам они относятся, т.е. путем количественного определения степени их сходства с обобщенными образами классов в соответствии с моделью.

В системе "Эйдос" реализовано много различных средств анализа созданных моделей, применяется большое количество различных форм когнитивной графики. Для целей настоящего исследования представляют интерес графические формы, визуализирующие систему описательных шкал и градаций (рисунки 27), а также информационные портреты обобщенных образов различных типов боеприпасов (рисунки 28):

Рисунок 27. Система описательных шкал и градаций системно-когнитивной модели

Рисунок 28. Информационные портреты обобщенных образов классов боеприпасов для различных типов и моделей стрелкового нарезного оружия) в системно-когнитивной модели

На рисунках 27 цветом показана ценность градаций описательных шкал для классификации конкретных боеприпасов по типам и моделям стрелкового нарезного оружия: красный цвет - максимальная ценность, фиолетовый - минимальная. На нижнем рисунке 27 указана ценность всех градаций всех описательных шкал, а на верхнем - для каждой шкалы оставлена только наиболее ценная градация.

На рисунках 28 цветом показана степень характерности и не характерности градаций шкал для различных боеприпасов различных типов и моделей оружия: красный цвет - максимальная характерность, фиолетовый - минимальная. изображение эйдос многопараметрический контрастность



• 6. Выводы и результаты

В криминалистике существуют актуальные задачи определения типа (автомат, винтовка, крупный калибр, пистолет) и конкретной модели стрелкового нарезного оружия по его боеприпасам, в частности, обнаруженным на месте применения оружия. Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - универсальной когнитивной аналитической системы "Эйдос".

В системе "Эйдос" реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров на основе яркостной и цветовой контрастности. Путем многопараметрической типизации контурных изображений конкретных боеприпасов в системе создается и верифицируется системно-когнитивная модель, с применением которой (если модель окажется достаточно достоверной), могут решаться задачи системной идентификации, классификации, исследования моделируемого объекта путем исследования его модели и другие.

Для решения этих задач выполняются следующие этапы:

1) ввод в систему "Эйдос" изображений боеприпасов и создание математических моделей их контуров;

2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);

3) количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей стрелкового нарезного оружия (системная идентификация);

4) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов.

Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях.



• 7. Перспективы

Планируется решить методом АСК-анализа задачу классификации боеприпасов не только по типам стрелкового нарезного оружия, но и по его конкретным маркам.



• 8. Применение

Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только в криминалистике, но и в других областях, чему может способствовать и то, что система "Эйдос" разработана в универсальной постановке, не зависящей от предметной области, и размещена в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.

Материалы данной статьи могут быть использованы при проведении лабораторных работ по применению информационных технологий в криминалистике и по дисциплинам, связанным с интеллектуальными технологиями, представлением знаний и системами искусственного интеллекта.



• Литература
• 1. Криминалистика (учебник) / под ред. В.Д. Зеленского, Г.М. Меретукова. - СПб: "Юридический центр", 2015. - 704 с.
• 2. Луценко Е.В. Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа / Е.В. Луценко, С.В. Швец, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №03(117). С. 838 - 872. - IDA [article ID]: 1171603055. - Режим доступа:http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2,188 у.п.л.
• 3. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с. http://elibrary.ru/item.asp?id=21745340
• 4. Луценко Е.В. Универсальная когнитивная аналитическая система "Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=18271217
• 5. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220

6. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 - 167. - IDA [article ID]: 1101506009. - Режим доступа: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.

7. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы "Эйдос" и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.

8. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе "Эйдос" / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

9. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.

10. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 334 - 362. - IDA [article ID]: 1111507019. - Режим доступа: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.

11. Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №08(112). С. 862 - 910. - IDA [article ID]: 1121508064. - Режим доступа: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.

12. Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы "Эйдос" / Е.В. Луценко, Л.П. Трошин, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1205 - 1228. - IDA [article ID]: 1161602077. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 у.п.л.

13. Луценко Е.В. Идентификация типов и моделей самолетов путем АСК-анализа их силуэтов (контуров) (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №10(114). С. 1316 - 1367. - IDA [article ID]: 1141510099. - Режим доступа: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у.п.л.

14. Луценко Е.В. Система "Эйдос" как геокогнитивная система (ГКС) для восстановления неизвестных значений пространственно-распределенных функций на основе описательной информации картографических баз данных / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №03(117). С. 1 - 51. - IDA [article ID]: 1171603001. - Режим доступа: http://ej.kubagro.ru/2016/03/pdf/01.pdf, 3,062 у.п.л.

15. Каркищенко А.Н., Лепский А.Е., Безуглов А.В. Об одном способе векторного и аналитического представления контура изображения. http://cyberleninka.ru/article/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya

Literatura

1. Kriminalistika (uchebnik) / pod red. V.D. Zelenskogo, G.M. Meretukova. - SPb: "Juridicheskij centr", 2015. - 704 s.

2. Lucenko E.V. Reshenie zadachi klassifikacii boepripasov po tipam strelkovogo nareznogo oruzhija metodom ASK-analiza / E.V. Lucenko, S.V. Shvec, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №03(117). S. 838 - 872. - IDA [article ID]: 1171603055. - Rezhim dostupa:http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2,188 u.p.l.

3. Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo semanticheskogo analiza v podderzhke prinjatija reshenij (na primere universal'noj avtomatizirovannoj sistemy raspoznavanija obrazov "JeJDOS-5.1"). - Krasnodar: KJuI MVD RF, 1996. - 280s. http://elibrary.ru/item.asp?id=21745340

4. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema "Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-830-0.http://elibrary.ru/item.asp?id=18271217

5. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-757-0.http://elibrary.ru/item.asp?id=21358220

6. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №06(110). S. 138 - 167. - IDA [article ID]: 1101506009. - Rezhim dostupa:http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.

7. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s primeneniem ASK-analiza i sistemy "Jejdos" i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagogike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 - 60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.

8. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme "Jejdos" / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.

9. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №02(046). S. 146 - 164. - Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.

10. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih pikseljam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №07(111). S. 334 - 362. - IDA [article ID]: 1111507019. - Rezhim dostupa: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.

11. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izobrazhenij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №08(112). S. 862 - 910. - IDA [article ID]: 1121508064. - Rezhim dostupa: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 u.p.l.

12. Lucenko E.V. Kolichestvennoe izmerenie shodstva-razlichija klonov vinograda po konturam list'ev s primeneniem ASK-analiza i sistemy "Jejdos" / E.V. Lucenko, L.P. Troshin, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1205 - 1228. - IDA [article ID]: 1161602077. - Rezhim dostupa:http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 u.p.l.

13. Lucenko E.V. Identifikacija tipov i modelej samoletov putem ASK-analiza ih silujetov (konturov) (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №10(114). S. 1316 - 1367. - IDA [article ID]: 1141510099. - Rezhim dostupa:http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 u.p.l.

14. Lucenko E.V. Sistema "Jejdos" kak geokognitivnaja sistema (GKS) dlja vosstanovlenija neizvestnyh znachenij prostranstvenno-raspredelennyh funkcij na osnove opisatel'noj informacii kartograficheskih baz dannyh / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №03(117). S. 1 - 51. - IDA [article ID]: 1171603001. - Rezhim dostupa: http://ej.kubagro.ru/2016/03/pdf/01.pdf, 3,062 u.p.l.

15. Karkishhenko A.N., Lepskij A.E., Bezuglov A.V. Ob odnom sposobe vektornogo i analiticheskogo predstavlenija kontura izobrazhenija. http://cyberleninka.ru/article/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya

Размещено на Allbest.ru