Informacionnye TehnologiiInformacionnye TehnologiiИнформационные технологии1684-6400New Technologies Publishing House70226210.17587/it.30.537-543Digital processing of signals and imagesЦифровая обработка сигналов и изображенийReview ArticleProtecting drawings at production and regime facilities Using neural network technology and DLP systemsЗащита чертежей на производственных и режимных объектах при применении технологии нейронных сетей и DLP-системыPimenovA. V.ПименовА. В.
Russian Federation

Student

студент

tik11994@mail.ruEfimovaV. A.ЕфимоваВ. А.
Russian Federation

Ph.D., Assistant

канд. техн. наук, ассистент

valeryefimova@gmail.comNazarenkoN. M.НазаренкоН. М.
Russian Federation

Student

студент

kolya.nazarenko.2002@mail.ruITMOИТМОT. G. Shevchenko PSUПГУ им. Т. Г. Шевченко1510202430105375430602202606022026Copyright ©; 2026, Informacionnye TehnologiiCopyright ©; 2026, Информационные технологии2026Informacionnye TehnologiiИнформационные технологииhttps://journals.eco-vector.com/1684-6400/article/view/702262

The existing methods of object image processing are analyzed. Problems of using the considered methods within the framework of DLP systems are considered. A new object image processing method was presented that allows processing of complex images. A metric of accuracy and completeness of plagiarism image detection was used to evaluate the quality of the developed method. Testing was carried out using image ranking to analyze the ability of the model to search for semantics. Comparative testing was carried out with the method based on raster neural models. The advantages and disadvantages of the developed method were highlighted, as well as options for fu rther developmentAs a result of this work, a method for processing object images in native format has been developed. The main advantage of the developed method is the high rate of accuracy (87 %) and completeness (100 %). This study can be useful for further research in the field of vector image analysis. Also, the developed method can be applied as a tool similarly to raster methods of image processing (image search, classification, search for objects in the image).

Представлен обзор существующих методов обработки объектных изображений. Рассмотрена проблематика использования рассмотренных методов в рамках DLP-систем. Представлен новый метод обработки объектных изображений, позволяющий обрабатывать сложные изображения. Для оценки качества разработанного метода использовалась метрика точности и полноты обнаружения изображений плагиата, проведено тестирование с помощью ранжирования некоторых изображений для анализа возможности модели искать семантику. Выполнено тестирование для сравнения с методом, основанном на растровых нейронных моделях, выделены преимущества и недостатки разработанного метода, а также предложены варианты дальнейшего развития. В результате разработан метод обработки объектных изображений в нативном формате. Основным преимуществом разработанного метода являются высокие показатели точности (87 %) и полноты (100 %). Данное исследование может быть полезно для дальнейших разработок в области анализа векторных изображений, представленный метод можно применять как инструмент аналогично растровым методам обработки изображений (поиск по изображениям, классификация, поиск объектов на изображении).

convolutional neural networksDLP systemscomputer visionvector image analysisdrawing analysisdrawing similarity searchсверточные нейронные сетиDLP-системыкомпьютерное зрениеанализ векторных изображенийанализ чертежейпоиск схожих чертежейLeila Z., Omar E., Dieter R. A framework for similarity recognition of CAD models, Journal of Computational Design and Engineering, 2016, vol. 3, no. 3, pp. 274—285.Leila Z., Omar E., Dieter R. A framework for similarity recognition of CAD models // Journal of Computational Design and Engineering. 2016. Vol. 3, N. 3. P. 274—285.Bharadwaj M., Shubham D., Sai M., Viekash V. K., Ramanathan M. ‘CADSketchNet’ — An Annotated Sketch dataset for 3D CAD Model Retrieval with Deep Neural Networks, Computers & Graphics, 2021, vol. 99, pp. 100—113.Bharadwaj M., Shubham D., Sai M., Viekash V. K., Ramanathan M. ‘CADSketchNet’ — An Annotated Sketch dataset for 3D CAD Model Retrieval with Deep Neural Networks // Computers & Graphics. 2021. Vol. 99. P. 100—113.Dershung Y., Rendell L., Webster J., Shaw D., Garrett J. Symbol recognition in a cad environment using a neural network, International Journal on Artificial Intelligence Tools, 2011, vol. 3.Dershung Y., Rendell L., Webster J., Shaw D., Garrett J. Symbol recognition in a cad environment using a neural network // International Journal on Artificial Intelligence Tools. 2011. Vol. 3.Nursel O., Ferruh O. Neural network based non-standard feature recognition to integrate CAD and CAM, Computers in Industry, 2001, vol. 45, no. 2, pp. 123—135.Nursel O., Ferruh O. Neural network based non-standard feature recognition to integrate CAD and CAM // Computers in Industry. 2001. Vol. 45, N. 2. P. 123—135.Lee J., Lee H., Mun D. 3D convolutional neural network for machining feature recognition with gradient-based visual explanations from 3D CAD models, Scientific Reports, 2022, vol. 12.Lee J., Lee H., Mun D. 3D convolutional neural network for machining feature recognition with gradient-based visual explanations from 3D CAD models // Scientific Reports. 2022. Vol. 12.Sezavar A., Farsi H., Mohamadzadeh S. Content-based image retrieval by combining convolutional neural networks and sparse representation, Multimed Tools, 2019, vol. 78, pp. 20895—20912.Sezavar A., Farsi H., Mohamadzadeh S. Content-based image retrieval by combining convolutional neural networks and sparse representation // Multimed Tools. 2019. Vol. 78. P. 20895—20912.Huaping W., Huaping F., Huaping L. Understanding the Behaviour of Contrastive Loss. 2021, pp. 2495—2504.Huaping W., Huaping F., Huaping L. Understanding the Behaviour of Contrastive Loss. 2021. P. 2495—2504.Chang H. B., Lee H. S. Design and Implementation of Information Security System to Prevent Leakage of Drawing Information, Transactions of the Society of CAD/CAM Engineers, 2006, vol. 12, pp. 131—152.Chang H. B., Lee H. S. Design and Implementation of Information Security System to Prevent Leakage of Drawing Information // Transactions of the Society of CAD/CAM Engineers. 2006. Vol. 12. P. 131—152.Yablokova I. V., Volkov S. D. Production secret (know-how) as a protected result of intellectual activity of entrepreneurs, Economics and ecological management, 2016, vol. 7, pp. 1523—1633 (in Russian).Яблокова И. В., Волков С. Д. Секрет производства (ноу-хау) как охраняемый результат интеллектуальной деятельности предпринимателей // Экономика и экологический менеджмент. 2016. Т. 7. С. 1523—1633.Ritendra D., Dhiraj J., Jia L., James Z. W. Image retrieval: Ideas, influences, and trends of the new age, ACM Comput. Surv, 2008, vol. 40, no. 5, pp. 60.Ritendra D., Dhiraj J., Jia L., James Z. W. Image retrieval: Ideas, influences, and trends of the new age // ACM Comput. Surv. 2008. Vol. 40, N. 5. P. 60.Li. T., Li l., Jonathan M., Jonathan G., Jonathan M., Jonathan R. Differentiable vector graphics rasterization for editing and learning, ACM Transactions on Graphics, 2020, pp. 1—15.Li. T., Li l., Jonathan M., Jonathan G., Jonathan M., Jonathan R. Differentiable vector graphics rasterization for editing and learning // ACM Transactions on Graphics. 2020. P. 1—15.Dosovitskiy A., Dosovitskiy B., Kolesnikov L., Weissenborn A., Zhai D., Unterthiner X., Dehghani T., Minderer M., Hei gold M., Gelly G., Sylvain U., Houlsby J. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale, ICLR 2021 — 9th International Conference on Learning Representations, 2020.Dosovitskiy A., Dosovitskiy B., Kolesnikov L., Weissenborn A., Zhai D., Unterthiner X., Dehghani T., Minderer M., Heigold M., Gelly G., Sylvain U., Houlsby J. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale // ICLR 2021 — 9th International Conference on Learning Representations. 2020.Alfredo N., Pablo M. O., Zoubin G., Isabel V. Handling incomplete heterogeneous data using VAEs, Pattern Recognition, 2020, vol. 107.Alfredo N., Pablo M. O., Zoubin G., Isabel V. Handling incomplete heterogeneous data using VAEs // Pattern Recognition. 2020. Vol. 107.Frederik W., Martin J., Javier C., S ren H. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2021, pp. 12158—12168.Frederik W., Martin J., Javier C., Soren H. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). 2021. P. 12158—12168.Huang C., Huang L., Xiaoou C., Xiaoou T. Local Similarity-Aware Deep Feature Embedding, Advances in Neural Information Processing Systems, 2016, vol. 36, no. 2.Huang C., Huang L., Xiaoou C., Xiaoou T. Local Similarity-Aware Deep Feature Embedding // Advances in Neural Information Processing Systems. 2016. Vol. 36, N. 2.Zhuwei Q., Fuxun Y., Chenchen L., Xiang C. How convolutional neural network see the world — A survey of convolutional neural network visualization methods, Mathematical Foundations of Computing, 2018, vol. 21, no. 1, pp. 149—180.Zhuwei Q., Fuxun Y., Chenchen L., Xiang C. How convolutional neural network see the world — A survey of convolutional neural network visualization methods // Mathematical Foundations of Computing. 2018. Vol. 21, N. 1. P. 149—180.Radwan T., Yousef S. Data Leakage/Loss Prevention Systems (DLP), International Journal of Information Systems, 2014, pp. 13—19.Radwan T., Yousef S. Data Leakage/Loss Prevention Systems (DLP) // International Journal of Information Systems. 2014. P. 13—19.Xiaoju M., Bo L., Ying Z., Ming Y. The Canny Edge Detection and Its Improvement, 2012, pp. 50—58.Xiaoju M., Bo L., Ying Z., Ming Y. The Canny Edge Detection and Its Improvement. 2012. P. 50—58.Hummel R. A., Kimia B., Zucker S. W. Deblurring Gaussian blur, Computer Vision, Graphics, and Image Processing, 1987, vol. 38, no. 1, pp. 66—80.Hummel R. A., Kimia B., Zucker S. W. Deblurring Gaussian blur // Computer Vision, Graphics, and Image Processing. 1987. Vol. 38, N. 1. P. 66—80.Arun D., Vanita J. Comparative Study of Convolution Neural Network’s Relu and Leaky-Relu Activation Functions, Applications of Computing, Automation and Wireless Systems in Electrical Engineering, 2019, pp. 873—880.Arun D., Vanita J. Comparative Study of Convolution Neural Network’s Relu and Leaky-Relu Activation Functions // Applications of Computing, Automation and Wireless Systems in Electrical Engineering. 2019. P. 873—880.Bo-Christer B., Mikael L. CAD standardisation in the construction industry — A process view, Automation in Construction, 2010, vol. 19, no. 4, pp. 398—406.Bo-Christer B., Mikael L. CAD standardisation in the construction industry — A process view // Automation in Construction. 2010. Vol. 19, N. 4. P. 398—406.Teterkin I. A., Molnina E. V. Analysis of popular stock image repositories, Progressive Technologies and Economics in Mechanica Engineering: Proceedings of the X All-Russian Scientific and Practical Conference for Students and Pupils, 2019, pp. 233—235 (in Russian).Тетеркин И. А., Молнина Е. В. Анализ популярных репозиториев стоковых изображений // Прогрессивные технологии и экономика в машиностроении: Труды X Всероссийской научно-практической конференции студентов и школьников. 2019. С. 233—235.Oleneva N. R., Semyashkina D. S. Russian and foreign developments in information security, Information and Security, 2018. val. 21, no. 3, pp. 380—383 (in Russian).Оленева Н. Р., Семяшкина Д. С. Российские и зарубежные разработки в области информационной безопасности // Информация и безопасность. 2018. Т. 21, № 3. С. 380—383.