Современные подходы к оптимизации технической документации: вызовы и решения для беспилотных авиационных систем

Е В Исаева; А В Ходасевич; Я М Исаева

doi:10.22213/2410-9304-2025-2-93-103

Авторы

Е. В. Исаева Пермский государственный национальный исследовательский университет
А. В. Ходасевич Национальный Исследовательский Технологический Университет МИСИС
Я. М. Исаева Пермский государственный национальный исследовательский университет

DOI:

https://doi.org/10.22213/2410-9304-2025-2-93-103

Ключевые слова:

обработка естественного языка, графы знаний, машинное обучение, реструктуризация текста, техническая документация, сертификация БАС, автоматизация, стандартизация БАС, беспилотные авиационные системы

Аннотация

В статье рассматривается вопрос автоматизации в реструктуризации технической документации, необходимой для сертификации беспилотных авиационных систем (БАС). Сертификация - важнейший нормативный процесс, обеспечивающий соответствие национальным и международным стандартам безопасности. Подготовка технической документации для сертификации является трудоемким, сопряженным с ошибками и дорогостоящим процессом, при этом ручные методы значительно снижают эффективность. Эти недостатки создают проблемы для массовой сертификации БАС, которая становится все более актуальной в связи с быстрым ростом отрасли. В статье рассматриваются современные технологии, которые могут быть использованы для решения этих задач, включая машинное обучение, обработку естественного языка (NLP), графы знаний и семантический анализ. Рассматриваются такие инструменты, как EasyOCR, OnToCode, и продвинутые модели, такие как BERT, с точки зрения их пригодности для распознавания текста, извлечения данных и автоматической реструктуризации сложных технических документов. Кроме того, в исследовании приведены примеры возможного практического применения этих методов, сделан акцент на их способности стандартизировать подготовку документов, уменьшить количество человеческих ошибок и поддержать массовую сертификацию БАС. Также обсуждаются такие проблемы, как отсутствие унификации форматов документов, интеграция устаревших систем и динамичность норм регулирования. В исследовании делается вывод о том, что, несмотря на открывающиеся возможности автоматизации для оптимизации процессов сертификации, ее практическая реализация требует дальнейшего изучения и сотрудничества с регулирующими органами. Предлагаемый обзор служит концептуальной основой, подчеркивающей потенциальные преимущества и ограничения интеграции автоматизации в рабочие процессы сертификации БАС и открывающей путь для будущих достижений в этой критически важной области.

Биографии авторов

Е. В. Исаева, Пермский государственный национальный исследовательский университет

кандидат филологических наук, доцент, зав. кафедрой английского языка профессиональной коммуникации

А. В. Ходасевич, Национальный Исследовательский Технологический Университет МИСИС

студент

Я. М. Исаева, Пермский государственный национальный исследовательский университет

студент

Библиографические ссылки

Zhao T., Yurtsever E., Paulson J., Rizzoni G. Formal Certification Methods for Automated Vehicle Safety Assessment // IEEE Transactions on Intelligent Vehicles. 2023. Т. 8, № 1. Т. 232-249. DOI: 10.1109/TIV.2022.3170517.

Герус М. И., Миронов П. Н. Автоматизированная система генерации программной документации // Nanoindustry Russia. 2020. Т. 96, № 3. С. 106-110. DOI: 10.22184/1993-8578.2020.13.3s.106.110.

Timakov K. Research and development of methods for automating the design of scientific papers according to specified requirements // International Conference on Digital Transformation: Informatics, Economics, and Education (DTIEE2023) / ed. Gibadullin A., Khalmatjanova G. SPIE, 2023. Т. 15. DOI: 10.1117/12.2680718

Павлов Д. А. Автоматическая вёрстка и оформление научной и программной документации // Компьютерные инструменты в образовании. 2018. № 6. Т. 39-46. DOI: 10.32603/2071-2340-2018-6-39-46

Paetzold G. H., Alva-Manchego F., Specia L. MASSAlign: Alignment and Annotation of Comparable Documents // AFNLP. 2017. Т. 1-4.URL: https://aclanthology.org/I17-3001 (дата обращения 27.01.2025)

Schäfer P. OnToCode: Template-based code-generation from ontologies // J Open Source Softw. 2019. Т. 4, № 40. Т. 1513. DOI: 10.21105/joss.01513.

Ixebayeva Z.S. et al. Conceptual Model for Automatic Proofreading of Technical Documents // Revue d'Intelligence Artificielle. 2023. Т. 37, № 1. С. 165-170. DOI: 10.18280/ria.370120.

Pérez-Suárez A., Martínez-Trinidad J., Carrasco-Ochoa J., Medina-Pagola J. OClustR: A new graph-based algorithm for overlapping clustering // Neurocomputing. Elsevier, 2013. Т. 121. С. 234-247.DOI: 10.1016/J.NEUCOM.2013.04.025

Mani N., Harikumar S. A Knowledge Graph Approach towards Re-structuring of Scientific Articles // 2022 International Conference on Connected Systems & Intelligence (CSI). IEEE, 2022. С. 1-8. DOI: 10.1109/CSI54720.2022.9923954

Dong Z. et al. Transformation from human-readable documents and archives in arc welding domain to machine-interpretable data // Comput Ind. Elsevier, 2021. Т. 128. С. 103439. DOI: 10.1016/ J.COMPIND.2021.103439.

Dikilitaş Y., Dikilitaş Y., ÇakalÇ,.Okumuş A., Yalçın H., Yıldırım E., Ulusoy Ö., Macit B., Kırkaya A., Yalçın Ö., Erdoğmuş E., Sayar A. Performance Analysis for Web Scraping Tools: Case Studies on Beautifulsoup, Scrapy, Htmlunit and Jsoup. 2024. P. 471-480.

Pichiyan V., Muthulingam S., Sathar G., Nalajala S., Akhil C., Das M. Web Scraping using Natural Language Processing: Exploiting Unstructured Text for Data Extraction and Analysis // Procedia Comput Sci. 2023. Vol. 230. P. 193-202.DOI: 10.1016/ j.procs.2023.12.074.

Rizquina A. Z., Ratnasari C. I. Implementasi Web Scraping untukPengambilan Data Pada Website E-Commerce // JurnalTeknologi DanSistemInformasiBisnis. 2023. Vol. 5, № 4. P. 377-383.DOI: 10.47233/jteksis.v5i4.913.

Sagade O. D., Sagade D. D. Restaurant Data Scraper: An Automated Tool for Extracting Restaurant Information Using Python Html, CSS and Selenium // Interantional journal of scientific research in engineering and management. 2024. Vol. 08, № 11. P. 1-6. DOI: 10.55041/IJSREM39222.

Kleimenkin D. V., Dmitrienko N. A. Using OCR for Russian texts // Тенденции развития науки и образования. 2022. Vol. 92, № 10. P. 9-12. DOI: 10.18411/trnio-12-2022-456.

Chopra S. Leveraging YOLO Algorithm and PaddleOCR in Machine Learning Applications // Int J Res Appl Sci Eng Technol. 2024. Vol. 12, № 4. P. 4576-4584.DOI: 10.22214/ijraset.2024.60850.

Biró A., Cuesta-Vargas A., Martín-Martín J., Szilágyi L., Szilágyi S. Synthetized Multilanguage OCR Using CRNN and SVTR Models for Realtime Collaborative Tools // Applied Sciences. 2023. Vol. 13, № 7. P. 4419.DOI:10.3390/app13074419.

Park Y., Shin Y. Gradual OCR: An Effective OCR Approach Based on Gradual Detection of Texts // Mathematics. 2023. Vol. 11, № 22. P. 4585.DOI: 10.3390/math11224585.

Shi B., Bai X., Yao C. An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition // IEEE Trans Pattern Anal Mach Intell. IEEEComputerSociety, 2015. Vol. 39, № 11. P. 2298-2304.DOI: 10.1109/TPAMI.2016.2646371.

Baek Y., Lee B., Han D., Yun S., Lee H. Character Region Awareness for Text Detection // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2019. Vol. 2019-June. P. 9357-9366. DOI: 10.1109/CVPR.2019.00959.

Shi C., FunabikiN., Huo Y., Mentari M., Suga K., Toshida T. A Proposal of Printed Table Digitization Algorithm with Image Processing // Algorithms. 2022. Vol. 15, № 12. P. 471. DOI: 10.3390/a15120471.

Arslan H. End to End Invoice Processing Application Based on Key Fields Extraction // IEEE Access. 2022. Vol. 10. P. 78398-78413. DOI: 10.1109/ACCESS.2022.3192828.

Koponen J., Haataja K., Toivanen P. Novel Deep Learning Application: Recognizing Inconsistent Characters on Pharmaceutical Packaging // F1000Research 2024 12:427. F1000 Research Limited, 2024. Vol. 12. P. 427. DOI:10.3390/ healthcare11121769.

Lee S.-Y., Park J., Yoon J., Lee J. A Validation Study of a Deep Learning-Based Doping Drug Text Recognition System to Ensure Safe Drug Use among Athletes // Healthcare. 2023. Vol. 11, № 12. P. 1769. DOI: 10.3390/healthcare11121769.

Ponnuru M., Ponmalar S., Likhitha A., SreeT., Chaitanya G. Image-Based Extraction of Prescription Information using OCR-Tesseract // Procedia Comput Sci. Elsevier, 2024. Vol. 235. P. 1077-1086.DOI:10.1016/J.PROCS.2024.04.102.

Бобров К. А., Шульман В. Д., Власов К. П. Анализ технологий распознавания текста из изображений // Международный журнал гуманитарных и естественных наук. 2022. № 3-2. C. 124-128.

Hassan F. ul, Le T. Automated Requirements Identification from Construction Contract Documents Using Natural Language Processing // Journal of Legal Affairs and Dispute Resolution in Engineering and Construction. 2020. Т. 12, № 2. DOI: 10.1061/(ASCE)LA.1943-4170.0000379.

Wu Z., Ma G. NLP-based approach for automated safety requirements information retrieval from project documents // Expert Syst Appl. Pergamon, 2024. Vol. 239. P. 122401. DOI: 10.1016/J.ESWA.2023.122401.

Moen H., Hakala K., Peltonen L., Matinolli H., Suhonen H., Terho K., Danielsson-Ojala R., Valta M., Ginter F., Salakoski T., Salanterä S. Assisting nurses in care documentation: from automated sentence classification to coherent document structures with subject headings // J Biomed Semantics. 2020. Т. 11, № 1. С. 10. DOI: 10.1186/s13326-020-00229-7.

Построение графов знаний нормативной документации на основе семантического моделирования и автоматического извлечения терминов / Д. B. Муромцев, И. А. Шилин, Д. А. Плюхин, И. Р. Баймуратов, Р. Р. Хайдарова, Ю. Ю. Дементьева, Д. А. Ожигин, Т. А. Малышева // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 2. С. 256-266. DOI: 10.17586/2226-1494-2021-21-2-256-266.