Highly efficient approaches to processing complex visual data in decision support systems

Oleksandr Poplavskyi; Sergii Pavlov; Oksana Bezsmernta; Iryna Gerasymova; Bakhyt Yeraliyeva

doi:10.35784/iapgos.8537

PDF (angielski)

Opublikowane: 2026-03-30

DOI: https://doi.org/10.35784/iapgos.8537

Numer Tom 16 Nr 1 (2026)

Wydajna klasyfikacja białych krwinek w oparciu o CNN: badanie porównawcze wydajności modeli
Achraf Benba, Sara Sandabad

5-9
Zautomatyzowana diagnostyka raka skóry z wykorzystaniem głębokiego uczenia: systematyczny przegląd najnowocześniejszych architektur, technik i oceny wydajności
Subaidabeevi Shafeena, Ramayyan Sumathy Vinod Kumar, Sikamony Sumathi Kumar, David Shahi

10-20
Zwiększanie bezpieczeństwa kierowców dzięki rozpoznawaniu emocji na podstawie sygnałów EKG z wykorzystaniem sieci BiLSTM
Raga Madhuri Chandra, Satya Sumanth Vanapalli, Giri Venkata Sai Tej Neelaiahgari

21-28
Automatyczny system do obliczania tabeli kalibracyjnej cylindrycznych zbiorników poziomych
Denis Proskurenko, Mykhailo Bezuglyi

29-34
Kontrola stabilności emulsji woda-diesel za pomocą pomiarów zmętnienia
Oleksandr Zabolotnyi, Andrii Khodieiev, Nicolay Koshevoy, Roman Trishch

35-41
Poprawa trybu rozruchu silnika indukcyjnego w warunkach spadku napięcia
Oleksandr Vovk, Serhii Halko, Andrii Sabo, Oleksandr Miroshnyk, Taras Shchur

42-47
Modelowanie trybów dynamicznych w silniku prądu stałego do pojazdów elektrycznych
Viktor Lyshuk, Anatolii Tkachuk, Sergiy Moroz, Mykola Yevsiuk, Mykola Khvyshchun, Stanislav Prystupa, Valentyn Zablotskyi

48-55
Budowa i analiza scenariuszy awarii w sieciach elektroenergetycznych z wykorzystaniem ontologii, modelu przepływu mocy oraz grafu wiedzy
Oleksandr Khomenko, Vyacheslav Senchenko, Oleksandr Koval, Iryna Husyeva

56-61
Kinetyka suszenia materiałów ziarnistych w instalacjach z przerywanym zasilaniem elektrycznym wykorzystujących promieniowanie mikrofalowe i podczerwone
Roman Kalinichenko, Valentyna Bandura, Borys Kotov, Yurii Pantsyr, Ihor Garasymchuk, Serhii Stepanenko

62-66
Metoda automatycznego dostrajania regulatora temperatury obudowy smartfonu
Danylo Zinchenko, Yurii Mariiash

67-71
Wykorzystanie FPGA do modelowania i generowania procesów chaotycznych
Oleksandr Osadchuk, Iaroslav Osadchuk, Valentyn Skoshchuk

72-77
ymulacja i projektowanie elektroniczne pięciowymiarowej chaotycznej sztucznej sieci neuronowej
Michael Kopp, Inna Samuilik

78-83
Inteligentny łańcuch przetwarzania DL-SCH/PDSCH w sieci 5G z adaptacyjnym mechanizmem HARQ
Juliy Boiko, Ilya Pyatin

84-93
Analiza modeli generatywnych w teledetekcji: przegląd kompleksowy
Gottapu Santosh Kumar, Gurugubelli Jagadeesh, Swarajya Madhuri Rayavarapu

94-98
Dekodowanie z wykorzystaniem szumu zbiorowego z metodą inwersji bitów w kodach z niską gęstością i kontrolą parzystości
Mykola Shtompel, Oleksandr Shefer

99-103
Wymiana wiedzy w niezależnych głębokich sieciach Q
Viacheslav Bochok, Nataliia Fedorova

104-108
Wykrywanie ludzi na obrazach z dronów z wykorzystaniem technik głębokiego uczenia
Sobhana Mummaneni, Naga Deepika Ginjupalli, Pragathi Dodda, Novaline Jacob, Sanjay Raj Emmanuel Katari

109-115
Analiza porównawcza algorytmów DeepSORT, ByteTrack i StrongSORT w zakresie śledzenia wielu obiektów w systemach monitoringu wizyjnego opartych na bezzałogowych statkach powietrznych
Andrii Safonyk, Viktor Podvyshennyi, Oleksandr Naumchuk

116-120
Wysoce wydajne metody przetwarzania złożonych danych wizualnych w systemach wsparcia decyzyjnego
Oleksandr Poplavskyi, Sergii Pavlov, Oksana Bezsmernta, Iryna Gerasymova, Bakhyt Yeraliyeva

121-125
Metoda antyaliasingu dla krzywych rzędu drugiego na rastrach heksagonalnych
Oleksandr Melnyk, Tetiana Prysiazhniuk

126-129
Metoda oceny ryzyka naruszenia bezpieczeństwa użytkownika na podstawie indywidualnego profilu bezpieczeństwa
Svitlana Lehominova, Mykhailo Zaporozhchenko, Tetiana Kapeliushna, Yuriy Shchavinsky, Tetiana Muzhanova

130-137
Metoda kodowania pozycyjnego w diferencyjnej przestrzeni falowej
Volodymyr Barannik, Anatolii Berchanov, Valeriy Barannik, Dmytro Uzlov, Mykola Dihtiar, Mykhailo Osovytskyi, Andrii Sushko, Yurii Babenko

138-146
Platforma internetowa z usługą Checkbox: aspekty rachunkowości podatkowej, sprawozdawczości i współpracy z organami podatkowymi
Yuliia Povstiana, Lyudmila Samchuk, Ivan Kachula

147-154
Analiza porównawcza webowych szkieletów programistycznych języka PHP: Codeigniter, Cakephp oraz Yii
Karol Rak, Mariusz Dzieńkowski

155-161
Prognozowanie cen plonów z wykorzystaniem Temporal Fusion Transformer dla okręgu Krishna w stanie Andhra Pradesh
Dedeepya Manikonda, Ashutosh Satapathy, Keerthi Padamata, Jaswanthi Machcha, J. Chandrakanta Badajena

162-170
Model transmisji pakietowej danych tekstowych z wykorzystaniem SDR w środowisku GNU Radio Companion
Nurbol Kaliaskarov, Kyrmyzy Taissariyeva, Nurlykhan Raulyev, Akezhan Sabibolda

171-176
Modelowanie systemu produkcyjnego typu pull-flow z dynamicznym sterowaniem zapasami buforowymi
Saad Elbaraka, Salah-eddine Mokhlis, Adil Barra, Hicham Fouraiji, Mohamed Rhouzali, Najat Messaoudi

177-182

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Oleksandr Poplavskyi

apoplavskyi@gmail.com

Kijowski Narodowy Uniwersytet Budownictwa i Architektury

https://orcid.org/0000-0003-0465-6843

Sergii Pavlov

psv@vntu.edu.ua

Vinnytsia Technical National University

https://orcid.org/0000-0002-0051-5560

Oksana Bezsmernta

bezsmertnaoksana@gmail.com

Winnicki Narodowy Uniwersytet Techniczny

https://orcid.org/0000-0003-1873-6553

Iryna Gerasymova

gerasimovair@gmail.com

Vinnytsia Mykhailo Kotsiubynskyi State Pedagogical University

Bakhyt Yeraliyeva

yeraliyevabakhyt81@gmail.com

M. Kh. Dulaty Taraz Regional University

Abstrakt

Nowoczesne systemy wspomagania decyzji (DSS) muszą coraz częściej analizować w czasie rzeczywistym duże; złożone i niejednorodne strumienie danych. Skutecznym rozwiązaniem są wysokowydajne metody przetwarzania oparte na sztucznej inteligencji; w szczególności głębokie sieci neuronowe. W niniejszym badaniu przeanalizowano integrację współczesnych architektur – YOLOv8; ResNet-50; EfficientNet-B3 i Vision Transformer (ViT) – w celu zwiększenia możliwości systemów DSS. Modele są porównywane w reprezentatywnym zadaniu klasyfikacji obrazów przy użyciu zbioru danych COCO do szkolenia i oceny. Wyniki empiryczne wskazują; że model oparty na transformatorze (ViT) osiąga najwyższą dokładność; podczas gdy architektura jednostopniowa (YOLOv8) zapewnia najszybsze wnioskowanie. EfficientNet-B3 i ResNet-50 wykazują pośredni kompromis między dokładnością a szybkością. Przedstawiono kwestie związane z wdrażaniem w różnych scenariuszach DSS: YOLOv8 jest odpowiedni do zastosowań w czasie rzeczywistym; z ograniczonymi zasobami; EfficientNet-B3 i ResNet-50 wykazują pośredni kompromis między dokładnością a szybkością. Przedstawiono rozważania dotyczące wdrażania w różnych scenariuszach DSS: YOLOv8 jest odpowiedni dla środowisk działających w czasie rzeczywistym; o ograniczonych zasobach; ResNet-50 zapewnia zrównoważoną wydajność; EfficientNet-B3 oferuje wysoką dokładność przy umiarkowanych wymaganiach obliczeniowych; a ViT zapewnia najlepszą dokładność; gdy dostępne są duże zasoby danych i mocy obliczeniowej. Wyniki są omawiane w kontekście przepływów pracy DSS; ilustrując; w jaki sposób wyniki modelu mogą bezpośrednio wpływać na procesy decyzyjne i je usprawniać.

Słowa kluczowe:

systemy wspomagania decyzji, głębokie uczenie się, klasyfikacja obrazów, wnioskowanie w czasie rzeczywistym

Cele Zrównoważonego Rozwoju (SDG)

Innowacyjność, Przemysł, Infrastruktura

Bibliografia

[1] Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (arXiv:2010.11929). arXiv. https://doi.org/10.48550/arXiv.2010.11929

[2] Geeksfor Geeks. (2024, August 30). Decision Support System. https://www.geeksforgeeks.org/business-studies/decision-support-system/

[3] He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition (arXiv:1512.03385). arXiv. https://doi.org/10.48550/arXiv.1512.03385

[4] Kostopoulos, G., Davrazos, G., & Kotsiantis, S. (2024). Explainable Artificial Intelligence-Based Decision Support Systems: A Recent Review. Electronics, 13(14), 2842. https://doi.org/10.3390/electronics13142842

[5] Lee, S. I., Koo, K., Lee, J. H., Lee, G., Jeong, S., O, S., & Kim, H. (2024). Vision transformer models for mobile/edge devices: A survey. Multimedia Systems, 30(2), 109. https://doi.org/10.1007/s00530-024-01312-0

[6] Lin, T.-Y. (2024). MS COCO dataset (p. 1 kb) [JSON]. TIB. https://doi.org/10.57702/6K0O15QM

[7] Liu, X., Song, Y., Li, X., Sun, Y., Lan, H., Liu, Z., Jiang, L., & Li, J. (2024). Efficient Partitioning Vision Transformer on Edge Devices for Distributed Inference (Version 2). arXiv. https://doi.org/10.48550/ARXIV.2410.11650

[8] Medjaldi, A., Slimani, Y., & Karkar, N. (2025). Cost-Effective Real-Time Obstacle Detection and Avoidance for AGVs using YOLOv8 and RGB-D Sensors. Engineering, Technology & Applied Science Research, 15(2), 21738–21745. https://doi.org/10.48084/etasr.10135

[9] Poplavskyi, O., Pavlov, S. V., Denysiuk, V., Belinska, S., Shvarts, I. V., Akimova, O., Kornilenko, O., Tarczynska, M., Gaweda, K., Kozbakova, A., & Smolarz, A. (2024). High-performance information technology for processing large datasets and biomedical images to improve the accuracy of computer-aided decision support systems. In R. S. Romaniuk, A. Smolarz, & W. Wójcik (Eds), Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2024 (p. 25). SPIE. https://doi.org/10.1117/12.3057444

[10] Taherdoost, H. (2023). Deep Learning and Neural Networks: Decision-Making Implications. Symmetry, 15(9), 1723. https://doi.org/10.3390/sym15091723

[11] Tan, M., & Le, Q. V. (2020). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (arXiv:1905.11946). arXiv. https://doi.org/10.48550/arXiv.1905.11946

[12] Tong, K., & Wu, Y. (2023). Rethinking PASCAL-VOC and MS-COCO dataset for small object detection. Journal of Visual Communication and Image Representation, 93, 103830. https://doi.org/10.1016/j.jvcir.2023.103830

[13] Vassilenko, V., Poplavska, A. A., Pavlov, S. V., Kolisnyk, P. F., Poplavskyi, O., Kolisnyk, S. P., Vitrova, Y. O., & Wójcik, W. (2020). Automated features analysis of patients with spinal diseases using medical thermal images. In R. S. Romaniuk & J. Dorosz (Eds), Optical Fibers and Their Applications 2020 (p. 20). SPIE. https://doi.org/10.1117/12.2569780

[14] Wang, Y., Deng, Y., Zheng, Y., Chattopadhyay, P., & Wang, L. (2025). Vision Transformers for Image Classification: A Comparative Survey. Technologies, 13(1), 32. https://doi.org/10.3390/technologies13010032

[15] Yaseen, M. (2024). What is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector (arXiv:2408.15857). arXiv. https://doi.org/10.48550/arXiv.2408.15857

[16] Zhai, S., Likhomanenko, T., Littwin, E., Busbridge, D., Ramapuram, J., Zhang, Y., Gu, J., Susskind, J. M.. (2023). Stabilizing Transformer Training by Preventing Attention Entropy Collapse. Proceedings of the 40th International Conference on Machine Learning, 202, 40770-40803. https://proceedings.mlr.press/v202/zhai23a.html

Wysoce wydajne metody przetwarzania złożonych danych wizualnych w systemach wsparcia decyzyjnego. (2026). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 16(1), 121-125. https://doi.org/10.35784/iapgos.8537

##plugins.themes.bootstrap3.article.sidebar##