Создание программного прототипа системы распознавания лиц для образовательных учреждений на платформе «1С:Предприятие»
https://doi.org/10.32517/0234-0453-2023-38-6-52-58
Аннотация
Использование информационных технологий влечет за собой не только огромные преимущества, но и большое количество новых угроз. Одной из самых опасных из них является утечка данных, поскольку она подрывает доверие потребителя и может привести к закрытию бизнеса. С подобной проблемой сталкиваются и образовательные организации, использующие в своей работе приложения на платформе 1C. Решением в данном случае может стать усложнение механизма авторизации: добавление в него еще одного шага — распознавания лиц.
Для оптимального конструирования этого способа авторизации необходимо спроектировать архитектуру программы с учетом актуальных на текущий момент бизнес-требований образовательных организаций и разработать программный прототип, готовый к интеграции в текущие образовательные программные решения.
В статье приводится пример вышеуказанной архитектуры и приложения, созданного на ее базе. В дальнейшем они могут быть интегрированы в любую систему на базе «1С:Предприятие». Для удовлетворения требований к системе наиболее подходящей архитектурой является «клиент — сервер» с отдельным сервером, выделенным для базы данных. Используется язык программирования Python, организация сетевой коммуникации согласно принципам REST при помощи метода GET и протокола HTTP, передача данных фотографий происходит в формате JSON.
Ключевые слова
Об авторах
Д. А. БарабашРоссия
Барабаш Дмитрий Александрович, канд. экон. наук, старший преподаватель департамента анализа данных и машинного обучения, факультет информационных технологий и анализа больших данных
Москва
П. М. Панов
Россия
Панов Павел Михайлович, магистрант направления «Прикладная информатика», профиль «Программное управление операциями разработки информационных систем», департамент анализа данных и машинного обучения, факультет информационных технологий и анализа больших данных
Москва
Список литературы
1. Путинцев А. Н., Воинова В. Ю., Демикова Н. С., Лапина А. С. Веб-приложение «Врожденные пороки и аномалии развития»: оценка эффективности на основе обратной связи. Врач и информационные технологии. 2020;(4):6–13. EDN: BCZAOE. DOI: 10.37690/1811-0193-2020-4-6-13.
2. Ванин П. А., Нестеров А. С., Холодилин И. Ю. Внедрение технологий IIOT и AR на примере учебного лабораторного стенда для практических занятий студентов электротехнических специальностей. Вестник Южно-Уральского государственного университета. Серия: Энергетика. 2020;20(1):123–133. END: THWIQD. DOI: 10.14529/power200114.
3. Ильин В. А., Правосудов Р. Н. Технология автоматизации подготовки образовательных программ вуза в соответствии с требованиями ФГОС ВО 3++. Информатика и образование. 2020;35(3):5–10. EDN: NPBDBR. DOI: 10.32517/0234-0453-2020-35-3-5-10.
4. Преображенский Ю. П., Линкина А. В. Оптимизация внедрения электронной информационной образовательной среды в учебном заведении. Вестник Воронежского государственного университета инженерных технологий. 2021;83(4(90)):370–374. EDN: FAOSDU. DOI: 10.20914/2310-1202-2021-4-370-374.
5. McCourt S., McLaren I. P. L., Civile C. Changing face contours reduces the inversion effect and overall recognition performance. Current Research in Behavioral Sciences. 2023;4:100115. DOI: 10.1016/j.crbeha.2023.100115.
6. Huang B., Wang Z., Wang G. et al. PLFace: Progressive learning for face recognition with mask bias. Pattern Recognition. 2023;135:109142. DOI: 10.1016/j.patcog.2022.109142.
7. Boussaad L., Boucetta A. Deep-learning based descriptors in application to aging problem in face recognition. Journal of King Saud University — Computer and Information Sciences. 2022;34(6A):2975–2981. DOI: 10.1016/j.jksuci.2020.10.002.
8. Rajeshkumar G., Braveen M., Venkatesh R. et al. Smart office automation via faster R-CNN based face recognition and internet of things. Measurement: Sensors. 2023;27:100719. DOI: 10.1016/j.measen.2023.100719.
9. Billah M. F. R. M., Adnan M. A. SMARTLET: A dynamic architecture for real time face recognition in smartphone using cloudlets and cloud. Big Data Research. 2019;17:45–55. DOI: 10.1016/j.bdr.2018.07.001.
10. Ai H., Cheng X. Research on embedded access control security system and face recognition system. Measurement. 2018;123:309–322. DOI: 10.1016/j.measurement.2018.04.005.
11. Kumar B. D., Mir H. A., Ahmed M. K., Siddiqui M. T. Exam form automation using facial recognition. Materials Today: Proceedings. 2023;80:2236–2240. DOI: 10.1016/j.matpr.2021.06.190.
12. Sardar A., Umer S. Implementation of face recognition system using BioCryptosystem as template protection scheme. Journal of Information Security and Applications. 2022;70:103317. DOI: 10.1016/j.jisa.2022.103317.
13. Xu H., Li W., Cai Z. Analysis on methods to effectively improve transfer learning performance. Theoretical Computer Science. 2023;940:90–107. DOI: 10.1016/j.tcs.2022.09.023.
14. Хаметова Э. Ф., Бакиева О. Р. Разработка программного комплекса для количественного анализа химического состава по Оже-электронным спектрам. Химическая физика и мезоскопия. 2023;25(1):113–119. EDN: SKVCNE. DOI: 10.15350/17270529.2023.1.12.
15. Лисовец Ю. П., Романова Е. Л., Вай Я. М. Подготовка базы данных для автоматизированного контрольно-пропускного пункта на режимный объект. Известия высших учебных заведений. Электроника. 2020;25(4):367–373. EDN: EOEDJF. DOI: 10.24151/1561-5405-2020-25-4-367-373.
16. Fielding R. T. Architectural styles and the design of network-based software architectures: Dr. philos. sci. diss. University of California, Irvine, USA, 2000. 162 p. https://ics.uci.edu/~fielding/pubs/dissertation/top.htm
17. Иванько Д. В. Использование системы распознавания лиц для осуществления покупок в мобильных устройствах и веб-приложениях. Научно-технический вестник информационных технологий, механики и оптики. 2018;18(3):457–461. EDN: XPUCYX. DOI: 10.17586/2226-1494-2018-18-3-457-461.
18. Бычков И. В., Ружников Г. М., Федоров Р. К., Попова А. К., Авраменко Ю. В. О классификации космических снимков Sentinel-2 нейронной сетью ResNet-50. Компьютерная оптика. 2023;47(3):474–481. EDN: KSJOVZ. DOI: 10.18287/2412-6179-CO-1216.
19. Салех Л. О. А., Хлопин С. В. Методы распознавания лиц на основе анализа видеоизображений. Системный анализ в проектировании и управлении. Сборник научных трудов XXVI Международной научно-практической конференции. Санкт-Петербург: ПОЛИТЕХ-ПРЕСС; 2023;2:132–140. EDN: RZCZGE. DOI: 10.18720/SPBPU/2/id23-89.
20. Балашов Н. А., Балашова М. В., Книгин С. Р., Кутовский Н. А. Применение стека технологий ELK для сбора и анализа системных журналов событий. Современные информационные технологии и ИТ-образование. 2021;17(1):61–68. EDN: PSZFBI. DOI: 10.25559/SITITO.17.202101.731.
21. Лазарева Н. Б. Оптимальный подход к разработке программного обеспечения с использованием современных методологий и технических средств. Инженерный вестник Дона. 2020;(10(70)):54–63. EDN: QBMAPA.
Рецензия
Для цитирования:
Барабаш Д.А., Панов П.М. Создание программного прототипа системы распознавания лиц для образовательных учреждений на платформе «1С:Предприятие». Информатика и образование. 2023;38(6):52-58. https://doi.org/10.32517/0234-0453-2023-38-6-52-58
For citation:
Barabash D.A., Panov P.M. Creating a software prototype of the face recognition system for educational institutions on the "1C:Enterprise" platform. Informatics and education. 2023;38(6):52-58. (In Russ.) https://doi.org/10.32517/0234-0453-2023-38-6-52-58