Предложен алгоритм улучшения качества КТ-изображений позвоночника человека
с применением модели машинного обучения на основе вариационного автокодировщика (VAE).
Модель VAE разработана для уменьшения шума и артефактов, повышения контрастности
и четкости изображений. Описаны этапы подготовки данных, архитектура модели и результаты тестирования. Апробация показала, что предложенный подход обеспечивает
улучшение качества изображений с высокой скоростью обработки.

The thesis proposes an algorithm for improving the quality of human spinal CT images using
a machine learning model based on a variational autoencoder (VAE). The VAE model is designed
to reduce noise and artifacts while enhancing the contrast and clarity of images. The article outlines the data preparation stages, the model architecture, and the results of system testing. Experiments have shown that the proposed approach improves image quality with high processing speed.

Предложен модифицированный алгоритм Канни для обнаружения и подсчета бактерий на микроскопических изображениях. Подход включает предварительную обработку
с контрастной адаптивной эквализацией гистограммы, применение алгоритма Канни,
морфологические операции для удаления шумов и артефактов, а также поиск замкнутых контуров и вычисление центров бактерий для их подсчета. На основе предложенного метода продемонстрирована улучшенная точность обнаружения и подсчета бактерий.

A modified Canny algorithm is proposed for detecting and counting bacteria in microscopic
images. The approach includes preprocessing with contrast limited adaptive histogram equalization, applying the Canny algorithm, morphological operations for noise and artifact removal,
as well as finding closed contours and calculating bacteria centers for counting. The proposed
method demonstrates improved accuracy in detecting and counting bacteria.

Отображены результаты исследований цементованных слоев, сформированных на сталях 18ХГТ и 16CrMnS5 в процессе 8- и 12-часового насыщения с последующей закалкой и отпуском. Испытаниями на контактную усталость установлено, что при напряжениях 1100 МПа
износостойкость стали 16CrMnS5 значительно выше, чем у стали 18ХГТ. При снижении напряжений до 950 МПа эта закономерность сохраняется. Установлено, что износостойкость
слоев стали 16CrMnS5 увеличивается в 2,3 раза при снижении напряжений с 1100 до 950 МПа.

The paper presents the results of studies of carburized layers formed on 18HGT and
16CrMnS5 steels during 8- and 12-hour saturation with subsequent quenching and tempering.
Contact fatigue tests have shown that at stresses of 1100 MPa, the wear resistance of 16CrMnS5
steel is significantly higher than that of 18HGT steel. This pattern remains the same when stresses
are reduced to 950 MPa. It has been established that the wear resistance of 16CrMnS5 steel layers
increases by 2.3 times when stresses are reduced from 1100 to 950 MPa.

Статья исследует применение методов машинного обучения для распознавания сигналов световых приборов автомобилей с целью использования данных в умных светофорах. Для решения задачи распознавания машин на видео была использована библиотека Keras, и была применена архитектура нейронной сети RetinaNet [1]. Для распознавания состояний фар транспорта была использована архитектура YOLOv8. Процесс сбора данных, аннотации и обучения модели был проведён с использованием платформы Roboflow. В результате работы были получены веса обученной модели, которые позволяют распознавать состояние передних и задних фар различных видов транспорта в различных погодных условиях. Предложена адаптация нейросетевой модели на основе YOLOv8 для решения задачи распознавания сигналов световых приборов светофоров, которая может быть использована как для статического распознавания на фотографиях, так и в режиме реального времени или видео.

This paper explores the application of machine learning methods for recognizing automobile light signals
to enhance smart traffic light systems. For vehicle detection in video footage, the Keras library was employed along
with the RetinaNet neural network architecture [1]. The YOLOv8 architecture was used for identifying the status
of vehicle headlights and taillights. Data collection, annotation, and model training were conducted using
the Roboflow platform. The research resulted in trained model weights capable of recognizing the state of front
and rear lights on various vehicle types under different weather conditions. The paper proposes an adaptation
of the YOLOv8-based neural network model for recognizing traffic light signals, which can be utilized for both
static recognition in photographs and in real-time or video applications.