Хорошие продукты и сервисы
Наш Поиск (введите запрос без опечаток)
Наш Поиск по гостам (введите запрос без опечаток)
Поиск
Поиск
Бизнес гороскоп на текущую неделю c 29.12.2025 по 04.01.2026
Открыть шифр замка из трёх цифр с ограничениями

ГОСТ Р 70321.5-2022; Страница 8

или поделиться

Ещё ГОСТы из 41757, используйте поиск в верху страницы ГОСТ IEC TR 60269-5-2022 Предохранители плавкие низковольтные. Часть 5. Руководство по применению Low-voltage fuses. Part 5. Guidance for the application (Настоящий стандарт является руководством по применению низковольтных плавких предохранителей с указанием по применению токоограничивающих плавких предохранителей для защиты современного сложного и чувствительного электротехнического и электронного оборудования. Настоящий стандарт распространяется на низковольтные плавкие предохранители до 1000 В переменного тока и 1500 В постоянного тока, разработанные и производимые в соответствии с требованиями серии стандартов IEC 60269) ГОСТ Р 70321.2-2022 Технологии искусственного интеллекта для обработки данных дистанционного зондирования Земли. Алгоритмы искусственного интеллекта для определения типов жилых зданий на космических снимках, получаемых с космических аппаратов оптико-электронного наблюдения. Типовая методика проведения испытаний Artificial intelligence technologies for processing of Earth remote sensing data. Artificial intelligence algorithms for classifying types of residential buildings on satellite images obtained from optical-electronic observation satellites. Typical testing procedure (Настоящий стандарт распространяется на алгоритмы искусственного интеллекта для определения типов жилых зданий (далее – алгоритмы ИИ) на космических снимках по ГОСТ Р 59753–2021 (статья 32), получаемых с космических аппаратов оптико-электронного наблюдения в видимом и ближнем инфракрасном диапазонах (далее – снимки)) ГОСТ Р 70321.7-2022 Технологии искусственного интеллекта для обработки данных дистанционного зондирования Земли. Алгоритмы искусственного интеллекта для определения типов объектов дорожно-транспортной сети на космических снимках, получаемых с космических аппаратов оптико-электронного наблюдения. Типовая методика проведения испытаний Artificial intelligence technologies for processing of Earth remote sensing data. Artificial intelligence algorithms for classification types of objects of road networks on satellite images obtained from optical-electronic observation satellites. Typical testing procedure (Настоящий стандарт распространяется на алгоритмы искусственного интеллекта для определения типов объектов дорожно-транспортной сети (далее – алгоритмы ИИ) на космических снимках по ГОСТ Р 59753–2021 (статья 32), получаемых с космических аппаратов оптико-электронного наблюдения в видимом и ближнем инфракрасном диапазонах (далее – снимки). Настоящий стандарт устанавливает типовую методику проведения испытаний при оценке функциональной корректности по ГОСТ Р 59898–2021 (8.2.3). Настоящий стандарт может быть применен при испытаниях алгоритмов ИИ при проведении оценки соответствия первой, второй или третьей сторон по ГОСТ ISO/IEC 17000. Настоящий стандарт также может быть применен при автономных предварительных и приемочных испытаниях по ГОСТ Р 59792 алгоритмов ИИ, входящих в состав автоматизированных систем. Настоящий стандарт предназначен для применения всеми организациями, участвующими в испытаниях алгоритмов ИИ, независимо от их вида и размера. Типовая методика проведения испытаний алгоритмов ИИ для распознавания объектов дорожно-транспортной сети на снимках установлена в ГОСТ Р 70321.6)
Страница 8
Страница 1 Untitled document
ГОСТ Р 70321.52022
Окончание таблицы 1
Существенный фактор
Диапазон возможных значений*
Угол падения солнечных лучей от надира, град
Выбирают исходя из широты местности, на которой планиру
ется определять характеристики древесно-кустарниковой рас
тительности, а также времени года и суток космической съем
ки, материалы которой планируется использовать
Сезон съемки
Выбирают исходя из времени года космической съемки, мате
риалы которой планируется использовать
Климатический пояс
Выбирают исходя из той местности, на которой планируется
определять характеристики древесно-кустарниковой расти
тельности
Урбанизация территории
Процент зарастания, %
Виды растительности
Выбирают исходя из характеристик древесно-кустарниковой
растительности, которые планируется распознавать на косми
ческих снимках
* При необходимости диапазоны существенных факторов могут быть уточнены с учетом информационных
возможностей используемых сенсоров и специфики решаемой задачи. В этом случае тестовые наборы данных
должны быть скорректированы соответствующим образом для обеспечения представительности оценивания
функциональной корректности алгоритмов ИИ.
5.6.1.1 Пространственное разрешение
Пространственное разрешение снимков определяет характерный размер деталей и признаков
объектов, доступных для распознавания на нем. Сенсоры на существующих космических аппаратах по
зволяют получать снимки в фиксированном диапазоне пространственных разрешений и представлены
конечным множеством дискретных значений.
5.6.1.2 Спектральное разрешение
От спектрального разрешения зависит возможность определения характеристик древесноу
старниковой растительности на снимках. Спектральное разрешение определено шириной и количе
ством спектральных зон съемки. Чем шире зона и меньше зон использовано для проведения съемки, тем
ниже спектральное разрешение и меньше вероятность правильного распознавания интересующих
объектов.
5.6.1.3 Радиометрическое разрешение
Радиометрическое разрешение снимков влияет на возможность распознавания слабоконтраст
ных объектов и объектов, имеющих близкие спектральные отражательные характеристики: близкие по
тону пиксели разных объектов на снимке могут быть преобразованы в одинаковые значения при
сниже нии радиометрического разрешения.
Существует два основных множества: первичные данные по ГОСТ Р 597532021 (статья 75)
с радиометрическимразрешением10— 14 бит/пиксель и данные,прошедшие обработку,по
ГОСТ Р 597532021 (статья 76) с радиометрическим разрешением 8 бит/пиксель.
Радиометрическое разрешение выбирают в зависимости от специфики решаемой задачи.
Допускается использовать оба множества значений радиометрического разрешения. Применение пер
вичных данных позволяет решать задачи более эффективно, но с большими затратами ресурсов.
5.6.1.4 Угол съемки от надира
Угол съемки от надира влияет на возможность распознать на снимках объекты древесноустар
никовой растительности. При его увеличении возрастает количество крон древесно-кустарниковой
растительности, закрытых соседними высокими объектами, видимая область кроны и, как следствие,
информативность снимка за счет наиболее качественного отображения геометрических характеристик
кроны.
5.6.1.5 Угол падения солнечных лучей от надира
Угол падения солнечных лучей от надира в совокупности с углом съемки от надира влияет на воз
можность распознать на снимках объекты древесно-кустарниковой растительности. При увеличении
угла съемки от надира возрастает количество крон, на которые попадает тень от соседних высоких
объектов.
4