NATURAL AND MAN-MADE RISKS (PHYSICO-MATHEMATICAL AND APPLIED ASPECTS) NATURAL AND MAN-MADE RISKS (PHYSICO-MATHEMATICAL AND APPLIED ASPECTS) ПРИРОДНЫЕ И ТЕХНОГЕННЫЕ РИСКИ (ФИЗИКО-МАТЕМАТИЧЕСКИЕ И ПРИКЛАДНЫЕ АСПЕКТЫ) 2307-7476 111176 10.61260/2307-7476-2025-4-51-62 ИНЖЕНЕРНОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ ПРИ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ ENGINEERING AND INFORMATION SECURITY IN EMERGENCY SITUATIONS ИНЖЕНЕРНОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ ПРИ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ INTELLIGENT TECHNOLOGIES FOR GRAPHIC INFORMATION PROCESSING IN THE FIELD OF SAFETY IN EMERGENCY SITUATIONS ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ ОБРАБОТКИ ГРАФИЧЕСКОЙ ИНФОРМАЦИИ В ОБЛАСТИ БЕЗОПАСНОСТИ В ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ https://orcid.org/0000-0001-2735-4189 Лабинский Александр Юрьевич Labinsky Alexander Yu. labinsciy@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 Санкт-Петербургский университет ГПС МЧС России Санкт-Петербург Россия Saint-Petersburg university of State fire service of EMERCOM of Russia Saint-Petersburg Russian Federation 24 12 2025 24 12 2025 2025 4 51 62 18 08 2025 19 11 2025 https://journals.igps.ru/en/nauka/article/111176/view

Актуальность исследования обусловлена стремительным ростом объёмов графической информации, поступающей от беспилотных систем, видеонаблюдения, спутниковой разведки и других источников, используемых при мониторинге и ликвидации последствий чрезвычайных ситуаций. В работе представлен комплексный обзор современных методов обработки графической информации, основанных на технологиях искусственного интеллекта, включая сверточные нейронные сети, генеративно-состязательные сети и вариационные автокодировщики. Рассмотрены основные направления применения интеллектуальных моделей для анализа и генерация изображений, их роль в задачах классификации, сегментации, обнаружения объектов, восстановления изображений, моделирования возможных сценариев развития чрезвычайных ситуаций и формирования синтетических обучающих данных. Результаты исследования демонстрируют, что применение глубоких нейросетевых моделей позволяет существенно повысить точность, скорость и надёжность обработки графических данных, что расширяет функциональные возможности систем мониторинга, предупреждения и реагирования на чрезвычайные ситуации.

The relevance of this study is driven by the rapid growth of graphic data coming from unmanned aerial vehicles, video surveillance, satellite reconnaissance, and other sources used in emergency monitoring and response. This paper presents a comprehensive overview of modern methods for processing graphic data based on artificial intelligence technologies, including convolutional neural networks, generative adversarial networks, and variational autoencoders. It examines the main applications of intelligent models for image analysis and generation, as well as their role in classification, segmentation, object detection, image restoration, modeling possible emergency scenarios, and generating synthetic training data. The study's results demonstrate that the use of deep neural network models can significantly improve the accuracy, speed, and reliability of graphic data processing, thereby expanding the functionality of emergency monitoring, warning, and response systems.

 искусственный интеллект модель искусственного интеллекта глубокое обучение распознавание изображений генерация изображений нейронная сеть вариационный автокодировщик artificial intelligence model of artificial intelligence deep learning image recognition image generation neural network variable autocoder

Zhang X., Dahu W. Application of artificial intelligence algorithms in image processing // Journal of Visual Communication and Image Representation. 2019. Vol. 61. P. 42–49. Zhang X., Dahu W. Application of artificial intelligence algorithms in image processing // Journal of Visual Communication and Image Representation. 2019. Vol. 61. P. 42–49. Лабинский А.Ю. Особенности использования нейронной сети для распознавания изображений // Проблемы управления рисками в техносфере. 2016. № 3 (39). С. 67–73. Labinskij A.Yu. Osobennosti ispol'zovaniya nejronnoj seti dlya raspoznavaniya izobrazhenij // Problemy upravleniya riskami v tekhnosfere. 2016. № 3 (39). S. 67–73. Шкурат Д.Е., Матвеев А.В. Проблемы обнаружения пожара по видеоизображению: обзор исследований // Природные и техногенные риски (физико-математические и прикладные аспекты). 2025. № 2 (54). С. 59–73. SHkurat D.E., Matveev A.V. Problemy obnaruzheniya pozhara po videoizobrazheniyu: obzor issledovanij // Prirodnye i tekhnogennye riski (fiziko-matematicheskie i prikladnye aspekty). 2025. № 2 (54). S. 59–73. Лабинский А.Ю. Особенности нейронных сетей, использующих методы глубокого обучения // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2021. № 4. С. 58–66. Labinskij A.Yu. Osobennosti nejronnyh setej, ispol'zuyushchih metody glubokogo obucheniya // Nauchno-analiticheskij zhurnal «Vestnik Sankt-Peterburgskogo universiteta Gosudarstvennoj protivopozharnoj sluzhby MCHS Rossii». 2021. № 4. S. 58–66. Comprehensive review of artificial neural network applications to pattern recognition / O.I. Abiodun [et al.] // IEEE access. 2019. Vol. 7. P. 158820–158846. Comprehensive review of artificial neural network applications to pattern recognition / O.I. Abiodun [et al.] // IEEE access. 2019. Vol. 7. P. 158820–158846. Муаль М.Н.Б., Козырев Д.В. Применение сверточных нейронных сетей для обнаружения и распознавания изображений на основе самописного генератора // Современные информационные технологии и ИТ-образование. 2022. Т. 18. № 3. С. 507–515. Mual' M.N.B., Kozyrev D.V. Primenenie svertochnyh nejronnyh setej dlya obnaruzheniya i raspoznavaniya izobrazhenij na osnove samopisnogo generatora // Sovremennye informacionnye tekhnologii i IT-obrazovanie. 2022. T. 18. № 3. S. 507–515. Локтев Д.А., Пролетарский А.В., Локтев А.А. Моделирование системы мониторинга объектов с использованием сверточной нейронной сети // Промышленные АСУ и контроллеры. 2020. № 9. С. 39–46. Loktev D.A., Proletarskij A.V., Loktev A.A. Modelirovanie sistemy monitoringa ob"ektov s ispol'zovaniem svertochnoj nejronnoj seti // Promyshlennye ASU i kontrollery. 2020. № 9. S. 39–46. Тарасов А.С., Никифоров М.Б., Бакамбис Н.И. Применение сверточных сегментационных нейронных сетей для экологического мониторинга земной поверхности // Известия Тульского государственного университета. Технические науки. 2021. № 6. С. 3–10. Tarasov A.S., Nikiforov M.B., Bakambis N.I. Primenenie svertochnyh segmentacionnyh nejronnyh setej dlya ekologicheskogo monitoringa zemnoj poverhnosti // Izvestiya Tul'skogo gosudarstvennogo universiteta. Tekhnicheskie nauki. 2021. № 6. S. 3–10. Малахов Ю.А., Андросов А.А., Аверченков А.В. Анализ и применение генеративно-состязательных сетей для получения изображений высокого качества // Эргодизайн. 2020. № 4 (10). С. 167–176. Malahov Yu.A., Androsov A.A., Averchenkov A.V. Analiz i primenenie generativno-sostyazatel'nyh setej dlya polucheniya izobrazhenij vysokogo kachestva // Ergodizajn. 2020. № 4 (10). S. 167–176. Synthetic Data generation using DCGAN for improved traffic sign recognition / C. Dewi [et al.] // Neural Computing and Applications. 2022. Vol. 34. №. 24. P. 21465–21480. Synthetic Data generation using DCGAN for improved traffic sign recognition / C. Dewi [et al.] // Neural Computing and Applications. 2022. Vol. 34. №. 24. P. 21465–21480. Modeling and simulating spatial extremes by combining extreme value theory with generative adversarial networks / Y. Boulaguiem [et al.] // Environmental Data Science. 2022. Vol. 1. P. e5. Modeling and simulating spatial extremes by combining extreme value theory with generative adversarial networks / Y. Boulaguiem [et al.] // Environmental Data Science. 2022. Vol. 1. P. e5. GANsight Innovations: Generative Adversarial Networks for Innovative Medical Imaging / L. Chandana [et al.] // 2024 4th International Conference on Mobile Networks and Wireless Communications (ICMNWC). IEEE, 2024. P. 1–7. GANsight Innovations: Generative Adversarial Networks for Innovative Medical Imaging / L. Chandana [et al.] // 2024 4th International Conference on Mobile Networks and Wireless Communications (ICMNWC). IEEE, 2024. P. 1–7. Stackgan++: Realistic image synthesis with stacked generative adversarial networks / H. Zhang [et al.] // IEEE transactions on pattern analysis and machine intelligence. 2018. Vol. 41. № 8. P. 1947–1962. Stackgan++: Realistic image synthesis with stacked generative adversarial networks / H. Zhang [et al.] // IEEE transactions on pattern analysis and machine intelligence. 2018. Vol. 41. № 8. P. 1947–1962. Text-to-traffic generative adversarial network for traffic situation generation / Huo G. [et al.] // IEEE Transactions on Intelligent Transportation Systems. 2021. Vol. 23. № 3. P. 2623–2636. Text-to-traffic generative adversarial network for traffic situation generation / Huo G. [et al.] // IEEE Transactions on Intelligent Transportation Systems. 2021. Vol. 23. № 3. P. 2623–2636. Variational autoencoder anomaly-detection of avalanche deposits in satellite SAR imagery / S. Sinha [et al.] // Proceedings of the 10th International Conference on Climate Informatics. 2020. P. 113–119. Variational autoencoder anomaly-detection of avalanche deposits in satellite SAR imagery / S. Sinha [et al.] // Proceedings of the 10th International Conference on Climate Informatics. 2020. P. 113–119. Wangiyana S. Flood Detection Using Variational Autoencoder in SAR Images // 2023 Signal Processing Symposium (SPSympo). IEEE, 2023. P. 195–197. Wangiyana S. Flood Detection Using Variational Autoencoder in SAR Images // 2023 Signal Processing Symposium (SPSympo). IEEE, 2023. P. 195–197. Автоматизация процедур обнаружения лесных пожаров по результатам обработки видео / Д.В. Васильева [и др.] // Научно-аналитический журнал «Вестник Санкт-Петербургского университета государственной противопожарной службы МЧС России». 2023. № 4. С. 47–58. Avtomatizaciya procedur obnaruzheniya lesnyh pozharov po rezul'tatam obrabotki video / D.V. Vasil'eva [i dr.] // Nauchno-analiticheskij zhurnal Vestnik Sankt-Peterburgskogo universiteta gosudarstvennoj protivopozharnoj sluzhby MCHS Rossii". 2023. № 4. S. 47–58.