Миварная экспертная система выявления сложных условий наблюдения и выбора способов коррекции изображения для однокамерной системы технического зрения автономного робота-курьера

В статье рассматривается задача интеллектуальной поддержки принятия решений в системе технического зрения мобильного автономного робота-курьера, использующего одну видеокамеру и функционирующего при ограниченных бортовых вычислительных ресурсах без обращения к облачным вычислениям. Актуальность работы обусловлена тем, что в реальных условиях эксплуатации качество визуального восприятия сцены ухудшается при недостаточной освещенности, переэкспонировании, наличии осадков, тумана, бликов, шумов матрицы, размытия изображения, частичной окклюзии и загрязнения объектива. Предлагается миварная экспертная система, формализующая предметную область в виде параметров, отношений, правил и ограничений. Пользователь задает 13 входных параметров: десять нормализованных признаков изображения и три контекстных признака – место наблюдения, время суток и время года. На выходе система формирует два семантически интерпретируемых результата: текущее сложное условие и рекомендуемое действие по улучшению изображения. Особенностью модели является атомарная структура отношений: в одном отношении используется не более одного условного оператора, а сложная логика строится как цепочка простых правил. Дополнительно в модель введены шесть служебных контекстных признаков, позволяющих учитывать плотность городской среды, ночную освещенность и сезонные эффекты при выборе ветви вывода. В качестве модуля распознавания объектов используется предобученная система YOLO, а МЭС выступает вычислительно экономичным и объяснимым слоем интерпретации сложных условий наблюдения, что делает предложенный подход пригодным для локального применения на борту автономного робота-курьера. Полученные результаты подтверждают возможность построения объяснимой, модульной и расширяемой экспертной системы для поддержки работы однокамерного автономного робота-курьера в сложных условиях наблюдения.

1. Shadrin S.S., Varlamov O.O., Ivanov A.M. Experimental autonomous road vehicle with logical artificial intelligence. Journal of Advanced Transportation. 2017;2017:2492765. https://doi.org/10.1155/2017/2492765

2. Varlamov O.O. "Brains" for Robots: Application of the Mivar Expert Systems for Implementation of Autonomous Intelligent Robots. Big Data Research. 2021;25:100241. https://doi.org/10.1016/j.bdr.2021.100241

3. Varlamov O., Aladin D. A New Generation of Rules-based Approach: Mivar-based Intelligent Planning of Robot Actions (MIPRA) and Brains for Autonomous Robots. Machine Intelligence Research. 2024;21(5):919–940. https://doi.org/10.1007/s11633-023-1473-1

4. Гун Ш. Миварная система принятия решений для распределения и перевозки грузов командой складских роботов. Системы управления и информационные технологии. 2025;(2):23–29.

5. Redmon J., Divvala S., Girshick R., et al. You Only Look Once: Unified, Real-Time Object Detection. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27–30 June 2016, Las Vegas, NV, USA. IEEE; 2016. P. 779–788. https://doi.org/10.1109/CVPR.2016.91

6. Wang Ch.-Y., Bochkovskiy A., Liao H.-Y.M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In: Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 17–24 June 2023, Vancouver, BC, Canada. IEEE; 2023. P. 7464–7475. https://doi.org/10.1109/CVPR52729.2023.00721

7. Michaelis C., Mitzkus B., Geirhos R., et al. Benchmarking Robustness in Object Detection: Autonomous Driving when Winter is Coming. arXiv. URL: https://doi.org/10.48550/arXiv.1907.07484 [Accessed 15th May 2026].

8. Bijelic M., Gruber T., Mannan F., et al. Seeing Through Fog Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather. In: Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 13–19 June 2020, Seattle, WA, USA. IEEE; 2020. P. 11679–11689. https://doi.org/10.1109/CVPR42600.2020.01170

9. Sakaridis Ch., Dai D., Van Gool L. Semantic Foggy Scene Understanding with Synthetic Data. International Journal of Computer Vision. 2018;126(9):973–992. https://doi.org/10.1007/s11263-018-1072-8

10. He K., Sun J., Tang X. Single Image Haze Removal Using Dark Channel Prior. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011;33(12):2341–2353. https://doi.org/10.1109/TPAMI.2010.168

11. Fu X., Huang J., Zeng D., et al. Removing Rain from Single Images via a Deep Detail Network. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 21–26 July 2017, Honolulu, HI, USA. IEEE; 2017. P. 1715–1723. https://doi.org/10.1109/CVPR.2017.186

12. Guo X. LIME: A Method for Low-light Image Enhancement. In: Proceedings of the 24th ACM International Conference on Multimedia, 15–19 October 2016, Amsterdam, The Netherlands. New York: ACM; 2016. P. 87–91. https://doi.org/10.1145/2964284.2967188

13. Shen Q., Gong Sh., Kotsenko A.A., et al. Algorithm for Dynamic Robot Trajectory Planning Based on Semantic Object Detection Using a Mivar Expert System. In: Proceedings of the 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), 08–10 April 2025, Moscow, Russia. IEEE; 2025. https://doi.org/10.1109/REEPE63962.2025.10971158

14. Dou L., Varlamov O.O., Kotsenko A.A. A Multimodal Target Detection Method Based on the MES and the Improved BEV Perception Algorithm. In: Proceedings of the 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), 08–10 April 2025, Moscow, Russia. IEEE; 2025. https://doi.org/10.1109/REEPE63962.2025.10970859

15. Aladin D.V., Varlamov O.O., Adamova L.E., et al. Control of vehicles and robots: creating of knowledge bases for mivar decision making systems robots and vehicles. In: IOP Conference Series: Materials Science and Engineering: Proceedings of the International Conference of Young Scientists and Students "Topical Problems of Mechanical Engineering" (ToPME-2019): Volume 747, 04–06 December 2019, Moscow, Russia. IOP Publishing; 2020. No. 012099. https://doi.org/10.1088/1757-899X/747/1/012099

16. Chuvikov D.A., Aladin D.V., Adamova L.E., et al. A new method for creating Mivar knowledge bases in tabular-matrix form for ground intelligent vehicle control systems. In: Journal of Physics: Conference Series: Proceedings of the International Conference on Actual Issues of Mechanical Engineering (AIME 2021): Volume 2061, 15–16 June 2021, Novorossiysk, Russia. IOP Publishing; 2021. No. 012123. https://doi.org/10.1088/1742-6596/2061/1/012123

17. Аладин Д.В. Метод автоматической генерации миварных баз знаний для решения управленческих задач в пространстве состояний. Проблемы искусственного интеллекта. 2025;(3):88–99. https://doi.org/10.24412/2413-7383-2025-3-38-88-99

18. Доу Л. Модель принятия решений для обнаружения пожаров на основе распознавания образов и миварной экспертной системы. Системы управления и информационные технологии. 2025;(3):59–65.

19. Selvaraju R.R., Cogswell M., Das A., et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization. In: Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), 22–29 October 2017, Venice, Italy. IEEE; 2017. P. 618–626. https://doi.org/10.1109/ICCV.2017.74

20. Ribeiro M.T., Singh S., Guestrin C. "Why Should I Trust You?": Explaining the Predictions of Any Classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 13–17 August 2016, San Francisco, CA, USA. New York: ACM; 2016. P. 1135–1144. https://doi.org/10.1145/2939672.2939778

21. Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. In: Advances in Neural Information Processing Systems 30: Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017), 04–09 December 2017, Long Beach, CA, USA. 2017. P. 4765–4774.

22. Doshi-Velez F., Kim B. Towards A Rigorous Science of Interpretable Machine Learning. arXiv. URL: https://doi.org/10.48550/arXiv.1702.08608 [Accessed 15th May 2026].

23. Mittal A., Moorthy A.K., Bovik A.C. No-reference image quality assessment in the spatial domain. IEEE Transactions on Image Processing. 2012;21(12):4695–4708. https://doi.org/10.1109/TIP.2012.2214050

24. Wang Zh., Bovik A.C., Sheikh H.R., et al. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing. 2004;13(4):600–612. https://doi.org/10.1109/TIP.2003.819861

25. Jobson D.J., Rahman Z., Woodell G.A. A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes. IEEE Transactions on Image Processing. 1997;6(7):965–976. https://doi.org/10.1109/83.597272

26. Guo Ch., Li Ch., Guo J., et al. Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement. In: Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 13–19 June 2020, Seattle, WA, USA. IEEE; 2020. P. 1777–1786. https://doi.org/10.1109/CVPR42600.2020.00185

27. Zhang K., Zuo W., Chen Y., et al. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising. IEEE Transactions on Image Processing. 2017;26(7):3142–3155. https://doi.org/10.1109/TIP.2017.2662206

28. Nah S., Kim T.H., Lee K.M. Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 21–26 July 2017, Honolulu, HI, USA. IEEE; 2017. P. 257–265. https://doi.org/10.1109/CVPR.2017.35

29. Kupyn O., Budzan V., Mykhailych M., et al. DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks. In: Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 18–23 June 2018, Salt Lake City, UT, USA. IEEE; 2018. P. 8183–8192. https://doi.org/10.1109/CVPR.2018.00854

30. Ren W., Liu S., Zhang H., et al. Single Image Dehazing via Multi-scale Convolutional Neural Networks. In: Computer Vision – ECCV 2016: Proceedings of the 14th European Conference on Computer Vision: Part II, 11–14 October 2016, Amsterdam, The Netherlands. Cham: Springer; 2016. P. 154–169. https://doi.org/10.1007/978-3-319-46475-6_10

31. Zhang H., Patel V.M. Density-aware Single Image De-raining Using a Multi-stream Dense Network. In: Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 18–23 June 2018, Salt Lake City, UT, USA. IEEE; 2018. P. 695–704. https://doi.org/10.1109/CVPR.2018.00079

32. Tian Y., Ye Q., Doermann D. YOLOv12: Attention-Centric Real-Time Object Detectors. arXiv. URL: https://doi.org/10.48550/arXiv.2502.12524 [Accessed 15th May 2026].

33. Liu W., Anguelov D., Erhan D., et al. SSD: Single Shot MultiBox Detector. In: Computer Vision – ECCV 2016: Proceedings of the 14th European Conference on Computer Vision: Part I, 11–14 October 2016, Amsterdam, The Netherlands. Cham: Springer; 2016. P. 21–37. https://doi.org/10.1007/978-3-319-46448-0_2

34. Lin T.-Y., Goyal P., Girshick R., et al. Focal Loss for Dense Object Detection. In: Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), 22–29 October 2017, Venice, Italy. IEEE; 2017. P. 2999–3007. https://doi.org/10.1109/ICCV.2017.324

35. Hendrycks D., Dietterich Th.G. Benchmarking Neural Network Robustness to Common Corruptions and Perturbations. In: Proceedings of the 7th International Conference on Learning Representations (ICLR), 06–09 May 2019, New Orleans, LA, USA. 2019. URL: https://openreview.net/forum?id=HJz6tiCqYm