Показати скорочену інформацію

dc.contributor.authorКудряшова, А. В.uk
dc.contributor.authorОліярник, Т. І.uk
dc.contributor.authorKudriashova, A. V.en
dc.contributor.authorOliyarnyk, T. I.en
dc.date.accessioned2026-04-14T08:14:57Z
dc.date.available2026-04-14T08:14:57Z
dc.date.issued2025
dc.identifier.citationКудряшова А. В., Оліярник Т. І. Інформаційна система для візуалізації зв’язків між факторами якості технологічного процесу // Вісник Вінницького політехнічного інституту. 2025. № 5. С. 89-95. URI: https://visnyk.vntu.edu.ua/index.php/visnyk/article/view/3341.uk
dc.identifier.issn1997-9274
dc.identifier.urihttps://ir.lib.vntu.edu.ua//handle/123456789/51134
dc.description.abstractThe study indicates that the quality of a technological process is influenced by a specific set of factors. Each of these factors establishes a relationship in the form of either a direct or an indirect connection. As an illustrative example, the pro-cess of raster image creation was examined. The set includes the most significant factors, namely: resolution, color depth, color model, file format, file size, image dimensions, compression, brightness, saturation, and sharpness. The formation of interconnections among these factors was based on previously obtained expert assessments. A semantic network was developed to represent the directions and types of influence among the identified factors.To formalize the revealed relationships, a reachability matrix was constructed. It is represented as a two-dimensional ar-ray, in which each row and each column corresponds to a particular factor. The dependencies between factors are identified by the presence of ones in the relevant positions. A decomposition of the factor set was performed based on the matrix structure. Separate graphical models were developed for both direct and indirect influences. Each node of the hierarchicaltree represents a relation between specific quality parameters. The resulting structures allow the identification of priority factors that exert the greatest influence on the technological process under investigation.Based on the proposed method for analyzing the relationships among quality factors of a technological process, an in-formation system was developed for their visualization. The core of the system consists of a set of modules, each of which performs a specific functional task. These include modules for configuration, input data processing, interface management, matrix construction, analytical computations, diagram generation, graph visualization, and coordination of interface compo-nents. The software implementation supports interactive input of the number of factors, proper matrix formation, content scaling, and adaptive result presentation. Visualization of factor influences enables structural evaluation of interconnections and identification of key patterns in the formation of quality indicators. The software architecture is designed to support extension, modification, and reuse in similar analytical tasks.en
dc.description.abstractУ дослідженні зазначено, що на якість технологічного процесу впливає певна множина факторів. Кожний з них утворює відношення у вигляді прямого або опосередкованого зв’язку. Як приклад, розглянуто процес створення растрових зображень. Наведений приклад дозволяє продемонструвати ефективність методики у реальних виробничих умовах. До множини увійшли такі найважливіші фактори: роздільна здатність, глибина кольору, колірна модель, формат файлу, розмір файлу, розмір зображення, компресія, яскравість, насиченість, різкість. Формування взаємозв’язків між ними здійснено на основі попередньо отриманих експертних суджень. Розроблено семантичну мережу, яка відображає напрями та типи впливу між зазначеними факторами. Для формалізації виявлених зв’язків побудовано матрицю досяжності. Вона подана у вигляді двовимірного масиву, де кожний рядок та кожний стовпчик мають відповідність одному з факторів. Залежність між факторами визначено за наявністю одиниць у відповідних позиціях. Здійснено декомпозицію множини факторів на основі матриці. Розроблено окремі графічні моделі для прямих та опосередкованих впливів. Кожен вузол дерева демонструє відношення між параметрами якості. Сформовані структури дають змогу виявити пріоритетні фактори, що мають найбільший вплив на досліджуваний технологічний процес. На основі запропонованої методики аналізу зв’язків між факторами якості технологічного процесу розроблено інформаційну систему для їх візуалізації. Основу системи становить набір модулів, кожний з яких виконує визначене функціональне завдання. Серед них модулі для конфігурації, обробки введених даних, управління інтерфейсом, побудови матриці, проведення обчислень, відображення діаграм, візуалізації графів та координації між елементами. Програмна реалізація забезпечує інтерактивне введення кількості факторів, коректне формування матриці, масштабування вмісту та адаптивне відображення результатів. Візуалізація факторних впливів дає змогу здійснювати оцінювання структури зв’язків і виявляти ключові закономірності у формуванні показників якості. Створена архітектура програмного продукту дозволяє розширення, модифікацію та повторне використання у схожих задачах.uk
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofВісник Вінницького політехнічного інституту. № 5 : 89-95.uk
dc.relation.urihttps://visnyk.vntu.edu.ua/index.php/visnyk/article/view/3341
dc.subjectякість технологічного процесуuk
dc.subjectрастрове зображенняuk
dc.subjectфакторuk
dc.subjectієрархічне дерево зв’язківuk
dc.subjectфакторний аналізuk
dc.subjectранжуванняuk
dc.subjectquality of technological processen
dc.subjectraster imageen
dc.subjectfactoren
dc.subjecthierarchical tree of connectionsen
dc.subjectfactor analysisen
dc.subjectrankingen
dc.titleІнформаційна система для візуалізації зв’язків між факторами якості технологічного процесуuk
dc.title.alternativeInformation System for Visualizing Relationships between Quality Factors of a Technological Processen
dc.typeArticle, professional native edition
dc.typeArticle
dc.identifier.udc004.94
dc.relation.referencesH. Siirtola, Interactive visualization of multidimensional data. Finland: University of Tampere, 2007, 99 pen
dc.relation.referencesP. Drieger, “Semantic network analysis as a method for visual text analytics,” Procedia-social and Behavioral Sciences, vol. 79, pp. 4-17, 2013en
dc.relation.referencesH. Sharma, N. Sohani, and A. Yadav. “Structural modeling of lean supply chain enablers: a hybrid AHP and ISMMICMAC based approach,” Journal of Engineering, Design and Technology, vol. 21 (6), pp. 1658-1689, 2023.en
dc.relation.referencesR. Ming, B. Li, C. Du, W. Yu, H. Liu, R. Kosonen, and R. Yao, “A comprehensive understanding of adaptive thermal comfort in dynamic environments–an interaction matrix-based path analysis modeling framework,” Energy and Buildings, vol. 284, pp. 112834, 2023.en
dc.relation.referencesA. Sharma, Z. Zhang, and R. Rai, “The interpretive model of manufacturing: a theoretical framework and research agenda for machine learning in manufacturing,” International Journal of Production Research, vol. 59(16), pp. 4960-4994, 2021en
dc.relation.referencesX. Xiahou, et al., “Analyzing critical factors for the smart construction site development: A DEMATEL-ISM based approach,” Buildings, vol. 12 (2), рр.116, 2022.en
dc.relation.referencesS. Jamil, “Review of image quality assessment methods for compressed images,” Journal of Imaging, vol. 10 (5), 113, 2024.en
dc.relation.referencesI. Stępień, and M. Oszust, “A brief survey on no-reference image quality assessment methods for magnetic resonance images,” Journal of Imaging, vol. 8 (6), p. 160, 2022.en
dc.relation.referencesJ. H. Lim, Y. L. Rhie, and J. Park, “Applying Semantic network analysis to develop user experience assessment model for Smart TV,” Applied Sciences, vol. 9 (16), рp. 3307, 2019.en
dc.relation.referencesK. Nikiforaki, et al., “Image quality assessment tool for conventional and dynamic magnetic resonance imaging acquisitions,” Journal of Imaging, vol. 10 (5), 115, 2024.en
dc.relation.referencesS. W. Cheng, K. L. Choy, and H. Y. Lam, “A workflow decision support system for achieving customer satisfaction in warehouses serving machinery industry,” IFAC-PapersOnLine, vol. 48 (3), pp. 1714-1719, 2015.en
dc.relation.referencesT. W. Stephenson. “Effective data visualization and analytics: unique considerations for large scale production operations,” SPE Oklahoma City Oil and Gas Symposium/Production and Operations Symposium. SPE, 2023. D021S001R002.en
dc.relation.referencesВ. М. Сеньківський, і А. В. Кудряшова, Моделі інформаційної технології проєктування післядрукарських процесів, моногря. Львів, Україна: УАД, 2022, 204 с.uk
dc.relation.referencesO. Sichevska, V. Senkivskyy, S. Babichev, and O. Khamula. Information technology of forming the quality of art and technical design of books. DCSMart, 2019, pp. 45-57.en
dc.relation.referencesЙ. З. Піскозуб, А. В. Кудряшова, і Т. І. Оліярник, «Модель факторів впливу на якість цифрових зображень,» Вимірювальна та обчислювальна техніка в технологічних процесах, № 2, с. 107-111, 2024.uk
dc.relation.referencesV. Senkivskyi, A. Kudriashova, I. Pikh, I. Hileta, and O. Lytovchenko. “Models of post-press processes designing,” 1st International Workshop on Digital Content & Smart Multimedia, DCSMart, 2019, рp. 259-270.en
dc.relation.referencesD. Varga, “No-reference image quality assessment using the statistics of global and local image features,” Electronics, vol. 12 (7), pp. 1615, 2023.en
dc.relation.referencesF. Chen, H. Fu, H. Yu, and Y. Chu. “No-reference image quality assessment based on a multitask image restoration network,” Applied Sciences, vol. 13 (11), 6802, 2023.en
dc.relation.referencesJ. Ryu, “Improved image quality assessment by utilizing pre-trained architecture features with unified learning mechanism,” Applied Sciences, vol. 13 (4), рр. 2682, 2023.en
dc.relation.referencesM. Trigka, and E. Dritsas, “A comprehensive survey of deep learning approaches in image processing,” Sensors, vol. 25 (2), 531, 2025.en
dc.relation.referencesN. Alangari, M. El Bachir Menai, H. Mathkour, and I. Almosallam, “Exploring evaluation methods for interpretable machine learning: a survey,” Information, vol. 14(8), 469, 2023.en
dc.identifier.doihttps://doi.org/10.31649/1997-9266-2025-182-5-89-95


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію