CC BY
0
Оригинальная статья
УДК 622.272:620.179.16:004.8 © В.П. ПотаповН1,2, М.В. Лысенко3, С.Е. Попов1, Е.С. Кудрин3, 2024
1 Федеральный исследовательский центр информационных
и вычислительных технологий, 690003, г. Новосибирск, Россия
2 Институт горного дела им. Н.А. Чинакала СО РАН, 630005, г. Новосибирск, Россия
3 ООО НИЦ-ИПГП «РАНК», 650000, г. Кемерово, Россия Н e-mail: vadimptpv@gmail.com
Original Paper
UDC 622.272:620.179.16:004.8 © V.P. Potapov1'2, M.V. Lysenko3,
S.E. Popov1, E.S. Kudrin3, 2024
1 Federal Research Center of information and calculated technologies, Novosibirsk, 690003, Russian Federation 2 Chinakal Institute of Mining of the Siberian Branch of the RAS, Novosibirsk, 690005, Russian Federation 3 LTD NIC IPGP «RANK», Kemerovo 650000, Russian Federation H e-mail: vadimptpv@gmail.com
Горная видеоэндоскопия -основы применения и обработка данных методами искусственного интеллекта
Mining video endoscopy - basics of application and data processing by artificial intelligence methods
DOI: http://dx.doi.org/10.18796/0041-5790-2024-9-109-114
Телеметрические системы контроля, реализуемые, например, как видеоэндоскопы, находят все большее применение для решения задач оценки состояния горного массива, подвергаемого техногенным нагрузкам. Однако обработка данных, получаемых в процессе измерений, достаточно трудоемка и затрудняется большим количеством поступающей в форме видеоряда геоинформации. Особое внимание необходимо уделять расшифровке каждого кадра, выделяя специфические для места измерений особенности. В работе рассматривается новый подход к обработке эндоскопических данных, основанный на одной из технологий искусственного интеллекта - машинном зрении. Описывается определенная последовательность работы созданного алгоритма и приводятся примеры конкретной обработки данных. Рассмотрены вопрос дальнейшей обработки полученного геометрического материала и дальнейшие подходы для перехода к получению физико-механических свойств массива. Ключевые слова: горная видеоэндоскопия, телеметрические системы, методы искусственного интеллекта, машинное зрение, распознавание трещин, приконтурный массив, горно-геологические условия, нейронные сети, трещиноватость массива, разметка изображений.
Для цитирования: Горная видеоэндоскопия - основы применения и обработка данных методами искусственного интеллекта / В.П. Потапов, М.В. Лысенко, С.Е. Попов и др. // Уголь. 2024;(9):109-114. 001: 10.18796/0041-5790-2024-9-109-114.
* Исследование выполнено за счет гранта Российского научного фонда № 23-1700148, https://rscf.ru/project/23-17-00148/.
потапов в.п.
Доктор техн. наук, профессор, академик АГН, академик РАЕН, главный научный сотрудник Федерального исследовательского центра информационных и вычислительных технологий, 690003, г. Новосибирск, Россия, главный научный сотрудник Института горного дела им. Н.А. Чинакала СО РАН, 690005, г. Новосибирск, Россия, e-mail: vadimptpv@gmail.com
лысенко м.в.
Технический директор ООО НИЦ-ИПГП «РАНК», 650000, г. Кемерово, Россия, e-mail: nits.info@yandex.ru
попов с.е.
Канд. техн. наук, старший научный сотрудник Федерального исследовательского центра информационных и вычислительных технологий, 690003, г. Новосибирск, Россия, e-mail: ogidog@yandex.ru
кудрин е.с.
Инженер геофизик, ООО НИЦ-ИПГП «РАНК», 650000, г. Кемерово, Россия. e-mail: nits.info@yandex.ru
Abstract
Telemetric control systems, realized for example as video endoscopes, find more and more application for solving the problems of assessing the state of the rock massif subjected to anthropogenic loads. However, the processing of data obtained in the measurement processes is rather labor-intensive and is complicated by a large amount ofgeo-information coming in the form of video images. It is necessary to pay special attention to the decoding of each frame, highlighting the features specific to the place of measurements. The paper considers a new approach to endoscopic data processing based on one of the artificial intelligence technologies-machine vision. A certain sequence of work of the created algorithm is described and examples of concrete data processing are given. The question of further processing of the obtained geometric material and further approaches for transition to obtaining physical and mechanical properties of the array is considered. Keywords
Mining video endoscopy, telemetry systems, artificial intelligence methods, machine vision, fracture recognition, con tour massif, mining and geological conditions, neural networks, fractured massif, image markup. For citation
Potapov V.P., Lysenko M.V., Popov S.E., Kudrin E.S. Mining video endoscopy - basics of application and data processing by artificial intelligence methods // Ugol'. 2024;(9): 109-114. (In Russ.). DOI: 10.18796/0041-5790-2024-9-109-114. Acknowledgment
The research was supported by the Russian Science Foundation grant No. 23-17-00148, https://rscf.ru/ project/23-17-00148/.
введение
Телеметрические системы оптического контроля (например, видеэндоскопы) было продолжено использовать в горной отрасли еще в 1970 г., но широкое распространение они приобрели сравнительно недавно в связи с внедрением новых технологий в угольной промышленности.
Так, видеоэндоскопические телеметрические промышленные системы могут быть использованы для инспекции труднодоступных участков либо участков, находящихся в опасной для человека зоне. В частности в горной отрасли на подземных работах телеметрические системы используются для оценки приконтурного массива горной выработки в сложных горно-геологических условиях (геологических нарушениях, в зоне разгрузки-нагрузки горного массива, при проходческих и очистных работах) путем инспекции заранее отбуренных шпуров/скважин в кровле, почве или боках горной выработки заложенной глубины. Таким образом, производится видеоэндоскопическое обследование приконтурного массива пород подземных горных выработок.
Видеоэндоскопическое обследование приконтурного массива горных пород решает ряд технических задач, связанных с геомеханической оценкой его состояния, общей оценкой работы крепления (в том числе анкерного, рамного, комбинированного и т.д.) горной выработки, определением количества и типа образующихся в массиве трещин горных пород.
Рис. 1. Многофункциональный промышленный видеоэндоскоп Wôhler VIS 350
Fig. 1. Wôhler VIS 350 multipurpose industrial inspection camera
Оптические телеметрические промышленные системы (на рис. 1 приведен типичный промышленный видеоэндоскоп) в основном представляют собой набор оборудования из: видеокамеры стандартного разрешения на полужесткой или жесткой досылочной трассе (зонде); устройства записи, хранения и кодирования входящего видеосигнала.
Видеоряд, получаемый в ходе оптического зондирования отбуренных скважин, используется в камеральной обработке для уточнения структурного строения горного массива и оценки работоспособности выбранного типа анкерной крепи.
Алгоритм работы с видеоэндоскопом в горной выработке следующий:
1. Прибытие на место телеинспекции.
2. Подготовка и настройка устройства для корректной работы (проверка даты и времени внутренней системы, подготовка записей с информацией о месте и дате оптической телеинспекции, дублирование важной информации в начале записи видеофайла, перед началом обследования скважины).
3. Размотка зонда и фиксация камеры напротив устья исследуемой скважины (шпура). Обнуление глубины обследования на дисплее видеоэндоскопа.
4. Плавная (без рывков) размотка барабана с тросом, синхронизированная с подачей камеры вглубь исследуемой скважины (шпура).
5. При необходимости, плавная смотка зонда с фиксацией видеоизображения, синхронизированная с выдачей камеры из скважины (шпура).
6. Сохранение файла видеозаписи на внутреннем накопителе устройства.
7. Последующая камеральная и интерпретационная работа с видеорядами производится в офисе. Величина раскрытия трещин определяется в миллиметрах, исходя из оптической разности ширины кадра и углового расстояния, пройденного камерой напротив исследуемого расслоения или трещины ствола скважины (шпура). Примеры скриншотов с видеоряда представлены на рис. 2,3.
Обобщая вышесказанное, можно сказать, что результаты видеоэндоскопических исследований позволяют оценивать состояние приконтурного массива пород подземных горных выработок по различным признакам/критериям: количество и величина раскрытия трещин, глубина
распространения трещиноватости, определение интервалов монолитности массива, интенсивность переслаиваний, наличие водопритоков.
Анализ вышеизложенных критериев/признаков позволяет сделать выводы о корректности выбора той или иной технологии крепления, как применяемой, таки планируемой. Однако следует отметить, что камеральную обработку видеоизображения, получаемого в результате видеоэндоскопических исследований, выполняет человек. Как правило, это геолог с профильным образованием, имеющий опыт в описании горных пород (керна, бортов, откосов). Полагаться только на опыт и знания специалиста можно, но процесс камеральной обработки достаточно длительный, трудоемкий и требует от человека максимальной концентрации. Это возможно при небольших объемах информации - 1-2 видеоряда в день. При этом не стоит исключать влияние человеческого фактора на результаты камеральной обработки данных. И потеря некоторых данных в процессе оценки видеоизображений может существенно повлиять на конечный результат, в том числе, на разрабатываемую технологию крепления горной выработки и, соответственно, на дальнейшее качество ее эксплуатации.
основная часть
Естественным образом возникает вопрос о необходимости автоматизации процесса камеральной обработки видеоряда, получаемого в результате эндоскопических исследований. Под автоматизацией процесса мы понимаем создание специального программного обеспечения, способного самостоятельно, без вмешательства человека производить раскадровку загруженного изображения и выявление отличительных признаков на стенках скважины (шпура) - трещины, каверны, водопритоки, изменение литологического состава горных пород и др. Отдельно отметим преимущества и недостатки этой технологии.
Использование горных эндоскопов имеет ряд преимуществ:
- высокая точность: эндоскопы позволяют получать детальные изображения, что способствует точному анализу состояния горных пород;
- безопасность: исследования могут проводиться без необходимости непосредственного контакта с опасными участками;
- экономичность: снижение затрат на проведение исследований за счет уменьшения необходимости в буровых работах;
- оперативность: быстрое получение данных позволяет оперативно реагировать на изменения в горном массиве.
Вместе с тем имеются и некоторые недостатки:
- ограниченная глубина проникновения: Существующие модели горных эндоскопов могут иметь ограничения в
Рис. 2. Скриншот видеоряда, приустьевое состояние обследуемой скважины, отбуренной в кровле горной выработки Fig. 2. A snapshot of a video sequence, condition of the near-collar zone of the surveyed borehole drilled in the roof of a mining excavation
Рис. 3. Скриншот видеоряда, состояние обследуемой скважины, отбуренной в кровле горной выработки на глубине 1,08 м Fig. 3. A snapshot of a video sequence, condition at the depth of 1.08 m of the surveyed borehole drilled in the roof of a mining excavation
глубине проникновения, что затрудняет исследование более глубоких областей горных массивов;
- ограниченные освещенность и обзор: в условиях темноты или при наличии большого количества пыли и обломков горные эндоскопы могут столкнуться с ограничениями в освещенности и качестве видимости;
- интерпретация данных: интерпретация полученных данных с горных эндоскопов требует специализированных знаний и опыта, что может затруднить анализ в реальном времени.
В настоящей работе мы рассматриваем, реализованный нами подход к созданию программного комплекса, который использует методы искусственного интеллекта, а конкретно - машинного зрения для обработки камеральных данных видеоряда, разбивая его на элементы, подлежащие дальнейшей обработке.
основные этапы обработки эндоскопических
данных и их программная реализация
методами искусственного интеллекта
Для разработки программного комплекса разобьем сам процесс на несколько этапов согласно рассмотренной выше технологии использования видеоэндоскопов.
1. Разбиение видеоряда на кадры, создаваемые через задаваемый пользователем промежуток времени, например через 2 с. Отметим, что чем меньше этот промежуток времени, тем больше получится кадров для обработки на последующих этапах. Учитывая, что процедуры машинного зрения требуют значительных вычислительных ресурсов, выбор частоты разбиения обычно определяется необходимостью сохранения отдельных деталей при переходе к статическим кадрам
2. Выделение и распознавание трещин: в работе мы рассмотрим процесс выделения и распознавания трещин с использованием специализированных нейросетей, однако отметим, что в области машинного зрения существуют и более простые технологии [1, 2], опробованные нами
в ходе работы, но не показавшие удовлетворительного результата.
3. Формирование численных массивов с координатами распознанных элементов. Этот этап формирования численных массивов с координатами трещин и других элементов, обнаруженных системой машинного зрения, необходим для дальнейших процессов обработки, таких как визуализация, расчет статистических и деформационных характеристик и др.
С учетом ограниченного объема публикации мы не сможем достаточно подробно рассмотреть каждый из этапов, поэтому остановимся лишь на втором, как самом важном и трудоемком. В дальнейшем мы надеемся более подробно рассмотреть автоматизацию процессов обработки эндоскопических данных.
В процессе работы нами были созданы достаточно эффективные алгоритмы обработки видеоряда для получения отдельных кадров с необходимой частотой, в результате работы которых создается массив изображений.
Особенно трудоемкой процедурой, характерной при использовании нейронных сетей как алгоритмов с обучением [3], является разметка полученных изображений, в данном случае это формирование их масок, или изображений, содержащих только исследуемые элементы. Для решения этой задачи используются специализированные программные комплексы, такие как ROBOFLOW [4] или другие. Как указывают различные авторы [5, 6], разметка имеющихся изображений может составить до 60-70% от всего времени обработки видеоряда. В процессе работ нам удалось создать достаточно эффективный и быстрый алгоритм маскирования эндоскопических изображений, который существенно сократил время их разметки. Но и при использовании данного алгоритма на начальном этапе все равно необходимо подбирать соответствующие параметры обработки для каждого видеоряда, исходя из практических соображений. Результаты работы алгоритма показаны на рис. 4,5.
После формирования набора масок для конкретного видеоряда, мы получаем данные для обучения нейронной сети. Согласно традиционной технологии набор изображений видеоряда, делится на обучающую и тестовую выборки, обычно в соотношении 70 на 30.
Рис. 4. Исходное изображение Fig. 4. Original image
Рис. 5. Маска изображения Fig. 5. Image mask
На тестовой выборке обычно проводится контроль обучения, и при необходимости оптимизируются параметры расчета. Для вычисления параметров трещинообразова-ния (трещин) следует выбрать определенную архитектуру нейронной сети, что само по себе представляет сложную задачу, учитывая современное их многообразие. Сама задача выделения трещин на изображении в терминах машинного зрения определяется как семантическая сегментация изображений, то есть процесс разделения изображения на отдельные сегменты или области, каждая из которых принадлежит определенному объекту или классу [7].
Однако выбор архитектуры для ее реализации достаточно сложен в связи с тем, что многие из них реализуют ее, специализируясь на определенных классах изображений [8]. В ходе отработки процессов автоматического распознавания трещин на эндоскопическом изображении нам пришлось рассмотреть несколько архитектур, из которых мы остановились на модернизированной U-net-архитектуре [9] и YOLO [10]. Архитектура нейросети YOLO (You Only Look Once) служит для обнаружения объектов на изображениях в реальном времени. YOLO генерирует предсказания, используя одну нейронную сеть. Она разделяет изображение на сетку и каждая ячейка сетки прогнозирует несколько ограничивающих рамок (bounding boxes) вместе с вероятностями наличия различных объектов и их классов. Это позволяет YOLO эффективно обнаруживать множество различных объектов на изображении даже в режиме реального времени.
Такая архитектура позволяет YOLO достигать высокой скорости обработки изображений, делая ее популярным выбором для приложений, требующих быстрой и точной обработки объектов на изображениях, таких как автомобильное видеонаблюдение, робототехника и системы безопасности.
U-Net - это нейросетевая архитектура, разработанная для сегментации изображений, особенно в области биомедицинских изображений, но широко используемая и за ее пределами [11]. Принцип работы U-Net включает в себя две основные части - энкодер и декодер. Энкодер состоит из серии специальных сверточных слоев, которые понижают размерность признаков, выделяя более высокоуровневые признаки на каждом уровне. Затем работает декодер, который использует технологии транспонированной свертки и конкатенации для поэлементного объединения информации, что позволяет создать детализированное сегментированное изображение.
U-Net также использует механизмы пропускания (skip connections), которые позволяют декодеру использовать информацию из энкодера на более низких уровнях, чтобы улучшить качество сегментации.
Благодаря такому подходу U-Net способна эффективно справляться с семантической сегментацией изображений, особенно в задачах, где
Исходный видеоряд
важны детализация и точность выделения объектов, например при анализе изображений. В процессе работы мы создали двухуровневый стек из таких нейронных сетей. При этом на начальном этапе работала сеть с архитектурой U-net, которая проводила предварительный поиск трещин, но если ее результаты не удовлетворяют пользователя, то они передаются на УОЮ-модуль, который продолжает поиск, улучшая его качество. Конечно, такой подход значительно усложнил структуру программного комплекса, но улучшил качество распознавания трещин. Условная структура разработанного программного комплекса для автоматической обработки эндоскопического видеоряда показана на рис. 6. Промежуточный результат обработки видеоряда показан на рис. 7.
дальнейшая детализация процессов обработки видеоэндоскопических данных
В результате работы алгоритма получаем итоговые файлы, которые содержат в себе координаты трещин линий либо сегментов, состоящих из нескольких линий. Таких файлов может быть получено от одного видеоряда до нескольких сотен, поэтому остро встает вопрос о дальнейшей автоматизированной обработке полей трещин, каждая из которых расположена на определенной глубине. Иными словами, необходимо для каждого временного среза видеоряда получать характеристики поля трещин. При этом существенное значение имеет дальнейшее направление анализа полей трещин. В данной работе рассмотрим только два направления: структурную геологию и определение геомеханических характеристик наблюдаемых с помощью эндоскопа процессов, индикатором которых являются поля трещин, распознанных на предыдущем этапе обработки.
Для структурной геологии обычно строятся гистограммы распределения трещин, роза-диаграммы и специализированные графики. В совокупности полученные наборы данных о трещинах обычно называют данными трасс или сетями трещин. Они позволяют сделать выводы о геометрии и топологии, пониманию их возрастных соотношений, кинематики и механики, а также и разработке реалистичной, основанной на обработанных данных модели соответствующего потока флюида. Для задач геомеханики необхо-
Разбиение на кадры
Трассировка трещин
Прикладной анализ данных
[][ 10) uiiaíl
Принятие решений
Разметка кадров
Формирование массива координат
Рис. 6. Концептуальная схема обработки видеоряда Fig. 6. Conceptual flowchart of processing a video sequence
Рис. 7. Промежуточный результат обработки видеоряда (трассировка трещин) Fig. 7. Intermediate result of the video sequence processing (fracture tracing)
димо к данным по полям трещин привлекать физико-геомеханические характеристики горных пород, на основе последних можно строить вторичные поля, например поле дилатансии, по которому можно судить о динамике происходящих процессов.
В настоящей работе, по аналогии с работами [12, 13], развиваем комплексный подход, при котором на основе распознанных трещин массива проводится дополнительная обработка каждого фрейма данных, получая множество графиков, которые могут подвергаться дополнительному анализу соответствующими специалистами. При этом количество таких графиков, по желанию пользователя, может меняться от двух-трех до 20, резко увеличивая общее количество данных по скважине. Автоматизация процессов обработки такого количества графического материала, его хранение и анализ приводят к выводу о создании специализированных баз данных (векторных [14]), что само по себе представляет собой отдельную задачу, решение которой мы рассмотрим в дальнейших работах. В настоящее время нами разработана программа комплексного анализа, на вход кото-
Угол наклона линии (о) 0 о
270 о
Карта постоянства Среднее: 29.540662598998875 Дисперсия: 5.133572044887216
90 о
700
600
500
400
300
36 34 32 30 28 26 24 22
180 о
300 400
500
600
Рис. 8. Роза-диаграмма углов наклона Fig. 8. A rose-diagram of inclination angles
Рис. 9. Тепловая карта поля трещин Fig. 9. A thermal map of the fracture field
рой поступают координаты распознанных трещин, а в результате формируется графический материал, примеры которого показаны на рис. 8,9.
Дальнейшее направление работ по анализу трещинова-тости массива будет состоять в разработке алгоритмов вычисления цифровой корреляции изображений (DIC [15]), которая стала современным инструментом для углубления понимания геомеханических процессов благодаря своей широкой доступности и возможности полностью автоматического получения полезной информации о них (смещениях и деформациях). В частности, она хорошо подходит для анализа трещин [16]. С ее помощью вычисляются различные геомеханические параметры разрушения, используя определенный формат данных DIC, в который преобразуется файл полученных трещин. После этого информация о трещинах вместе с другими физико-механическими характеристиками массива используется для вычисления коэффициентов интенсивности напряжений.
заключение
1. Горные эндоскопы являются важным инструментом в угольной промышленности, позволяющим проводить детальный анализ состояния горных пород и оценивать динамику их изменений. Несмотря на некоторые ограничения, их использование значительно повышает безопасность и эффективность горных работ.
2. Внедрение новых технологий и совершенствование существующих методов исследования продолжают расширять возможности применения горных эндоскопов в различных областях.
3. Выполненные исследования позволили создать эффективные комплексы алгоритмов и программ для автоматизации процессов обработки данных видеорядов, получаемых с помощью горных эндоскопов, а также возможные направления работ для их применения в структурной геологии и геомеханике.
4. Практическое применение разработанных алгоритмов и программ автоматизации процессов позволит минимизировать влияние человеческого фактора на качество обработки получаемого видеоряда.
Список литературы • References
1. Khang A., Hajimahmud V.A., Misra A., Litvinova E. Machine Vision and Industrial Robotics in Manufacturing: Approaches, Technologies, and Applications. CRC Press, 2025.
2. Umbaugh Scott E. Digital Image Processing and Analysis: Computer Vision and Image Analysis. 4th Edition. CRC Press, 2023.
3. Esfandiari K., Abdollahi F. Neural Network-Based Adaptive Control of Uncertain Nonlinear Systems. New York, Springer Publ., 2022.
4. Коул А., Ганджу С., Казам М. Искусственный интеллект и компьютерное зрение. Реальные проекты на Python, Keras и TensorFlow. СПб.: Питер, 2023.
5. Shinde S.V., Medhane D.V., Castillo O. Applied Computer Vision and Soft Computing with Interpretable AI. Boca Raton: CRC Press, 2023.
6. Mugesh S. Hands-on ML Projects with OpenCV: Master computer vision and Machine Learning using OpenCV and Python. Orange Education Pvt Ltd, AVA, 2023.
7. Ddhich A. Practical Computer Vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV. Packt Publishing, 2018.
8. Ayed Ismail Ben. High-Order Models in Semantic Image Segmentation. Academic Press/Elsevier, 2023.
9. Davies E.R. Computer Vision: Principles, Algorithms, Applications, Learning. 5th Edition. Academic Press, 2018.
10. Martinez Jesús. TensorFlow 2.0 Computer Vision Cookbook: Implement machine learning solutions to overcome various computer vision challenges.
11. Planche Benjamin, Andres Eliot. Hands-On Computer Vision with TensorFlow 2: Leverage deep learning to create powerful image processing apps with Tensor Flow 2.0 and Keras. Packt Publishing, 2019.
12. Pardo-Igúzquiza E. et al. Mathematics of Planet Earth. Lecture Notes in Earth System Sciences. Proceedings of the 15th Annual Conference of the International Association for Mathematical Geosciences. Springer, 2014.
13. Zhang K., Cheng H.-D. Deep Learning for Crack-Like Object Detection. CRC Press, 2023.
14. Ralte Z., Kar I. Learn Python Generative AI: Journey from autoencoders to transformers to large language models. BPB Publications, 2024.
15. Chambers D. Digital Image Correlation: Advanced Methods and Applications. New York, Nova Science Publ., 2017, 125 p.
16. Masrour T., Ramchoun H., Hajji T., Hosni M. Artificial Intelligence and Industrial Applications: Algorithms, Techniques, and Engineering Applications. Springer, 2023.
Authors Information
Potapov V.P. - Doctor of Engineering Sciences,
Professor, Academician of the Academy of Mining Sciences,
Academician of the Academy of Natural Sciences,
Chief Researcher, Federal Research Center of Information
and Calculated Technologies, Novosibirsk,
690003, Russian Federation,
Chief Researcher, Chinakal Institute of Mining
of the Siberian Branch of the RAS, Novosibirsk,
690005, Russian Federation, e-mail: vadimptpv@gmail.com
Lysenko M.V. - Technical Director, LTD NIC IPGP «RANK»,
Kemerovo 650000, Russian Federation,
e-mail: nits.info@yandex.ru
Popov S.E. - PhD (Engineering), Senior Researcher,
Federal Research Center of Information
and Calculated technologies, Novosibirsk,
690003, Russian Federation, e-mail: ogidog@yandex.ru
Kudrin E.S. - Geophysical Engineer, LTD NIC IPGP «RANK»,
Kemerovo 650000, Russian Federation,
e-mail: nits.info@yandex.ru
Информация о статье
Поступила в редакцию: 22.07.2024 Поступила после рецензирования: 15.08.2024 Принята к публикации: 26.08.2024
Paper info
Received July22,2024 Reviewed August 15,2024 Accepted August 26,2024
