Первая страница
Наша команда
Контакты
О нас

    Головна сторінка



Пояснювальна записка до магістерської кваліфікаційної роботи магістра

Пояснювальна записка до магістерської кваліфікаційної роботи магістра




Сторінка7/9
Дата конвертації13.03.2017
Розмір1.59 Mb.
ТипПояснювальна записка
1   2   3   4   5   6   7   8   9

4.3 Прогнозування комерційних ефектів від реалізації результатів розробки
У даному підрозділі ми спрогнозуємо який прибуток можна отримати у майбутньому від впровадження результатів виконаної наукової роботи.

Передбачається, що виконання наукової роботи та впровадження результатів по розробці програмного забезпечення триватиме один місяць.

Основні позитивні результати від впровадження розробки очікуються протягом 3 років після її впровадження.

Саме зростання чистого прибутку забезпечить підприємству (організації) надходження додаткових коштів, які дозволять покращити фінансові результати діяльності.

де – покращення основного якісного показника від впровадження результатів розробки у даному році;



– основний кількісний показник, який визначає діяльність підприємства у даному році до впровадження результатів наукової розробки;

– покращення основного кількісного показника діяльності підприємства від впровадження результатів розробки;

– основний якісний показник, який визначає діяльність підприємства у даному році після впровадження результатів наукової розробки;

– кількість років, протягом яких очікується отримання позитивних результатів від впровадження розробки.

В результаті впровадження результатів наукової розробки покращується якість програмного продукту, що дозволяє підвищити ціну його реалізації на 20 грн., а кількість потенційних користувачів ресурсу збільшиться: протягом першого року – на 800 шт., протягом другого року – ще на 500 шт., протягом третього року – ще на 300 шт.

Орієнтовно: реалізація продукції до впровадження результатів наукової розробки складала 3000 шт., а прибуток, що його отримувало підприємство на одиницю продукції до впровадження результатів наукової розробки – 200 грн.

Спрогнозуємо збільшення чистого прибутку підприємства від впровадження результатів наукової розробки у кожному році відносно базового.

Збільшення чистого прибутку підприємства протягом наступних трьох років складе:

Збільшення чистого прибутку підприємства протягом першого року складе:



(грн.)

Збільшення чистого прибутку підприємства  протягом другого року (відносно базового року, тобто року до впровадження результатів наукової розробки) складе:

(грн.)

Збільшення чистого прибутку підприємствапротягом третього року (відносно базового року, тобто року до впровадження результатів наукової розробки) складе:

(грн.)

4.4 Розрахунок ефективності вкладених інвестицій та періоду їх окупності
Розрахований у попередньому пункті комерційний ефект від можливого впровадження розробки, ще не означає, що ця розробка реально буде впроваджена. Якщо збільшення прогнозованого прибутку від впровадження результатів наукової розробки є вигідним для підприємства (організації), то це ще не означає, що інвестор погодиться фінансувати дану розробку. Інвестор погодиться вкладати кошти у реалізацію даної наукової розробки тільки за певних умов.

Основними показниками, які визначають доцільність фінансування наукової розробки певним інвестором, є абсолютна і відносна ефективність вкладених інвестицій та термін їх окупності.

Розрахунок ефективності вкладених інвестицій передбачає проведення таких робіт:

1-й крок. Розрахуємо теперішню вартість інвестицій PV, що вкладаються в наукову розробку. Такою вартістю, можна вважати прогнозовану величину загальних витрат ЗВ на виконання та впровадження результатів НДДКР, розраховану нами раніше за формулою (4.9), тобто будемо вважати, що ЗВ = PV=.

2-й крок. Розрахуємо очікуване збільшення прибутку , що його отримає підприємство (організація) від впровадження результатів наукової розробки, для кожного із років, починаючи з першого року впровадження. Таке збільшення прибутку, також було розраховане раніше за формулою 4.10. Сумарне значення = 41,2 тис. грн.

3-й крок. Для спрощення подальших розрахунків побудуємо вісь часу, на яку нанесемо всі платежі (інвестиції та прибутки), що мають місце під час виконання науково-дослідної роботи та впровадження її результатів.

Платежі показуються у ті терміни, коли вони здійснюються. Рисунок, що характеризує рух платежів (інвестицій та додаткових прибутків) буде мати вигляд, наведений на рис. 4.2.

Базовий рік

PV

0

1



2

3

4



5

роки


11

23

11



6

Період отримання прибутків

Життєвий цикл наукової розробки




Рисунок 4.2 – Вісь часу з фіксацією платежів, що мають місце під час розробки та впровадження результатів НДДКР
4-й крок. Розрахуємо абсолютну ефективність вкладених інвестицій .

Для цього користуються формулою:



(4.11)

де – приведена вартість всіх чистих прибутків, що їх отримає підприємство (організація) від реалізації результатів наукової розробки, грн;



– теперішня вартість інвестицій PV = ЗВ=грн.

У свою чергу, приведена вартість всіх чистих прибутків ПП розраховується за формулою:



(4.12)

де – збільшення чистого прибутку у кожному із років, протягом яких виявляються результати виконаної та впровадженої НДДКР, грн;



– період часу, протягом якого виявляються результати впровадженої НДДКР, роки;

– ставка дисконтування, за яку можна взяти щорічний прогнозований рівень інфляції в країні; для України цей показник знаходиться на рівні 0,1;

– період часу (в роках) від моменту отримання чистого прибутку до точки „0”.

Отримаємо:



Тоді

Оскільки Еабс> 0, то результат від проведення наукових досліджень та їх впровадження може принести прибуток, але це також ще не свідчить про те, що інвестор буде зацікавлений у фінансуванні даного проекту (роботи).

5-й крок. Розраховують відносну (щорічну) ефективність вкладених в наукову розробку інвестицій . Для цього користуються формулою:



(4.13)

де – абсолютна ефективність вкладених інвестицій, грн;



–      теперішня вартість інвестицій PV = ЗВ, грн;

– життєвий цикл наукової розробки, роки.

Далі, розрахована величина Ев порівнюється з мінімальною (бар'єрною) ставкою дисконтування мін, яка визначає ту мінімальну дохідність, нижче за яку інвестиції вкладатися не будуть. У загальному вигляді мінімальна (бар'єрна) ставка дисконтування мін визначається за формулою:



де – середньозважена ставка за депозитними операціями в комерційних банках; в 2015 році в Україні d = (0,19...0,26);



– показник, що характеризує ризикованість вкладень; зазвичай, величина f = (0,05...0,1), але може бути і значно більше.

Величина Ев>мін, інвестор може бути зацікавлений у фінансуванні даної наукової розробки.

Розрахуємо термін окупності вкладених коштів у реалізацію наукового проекту інвестицій за формулою:



Оскільки термін окупності то фінансування розробки є доцільним.


Висновки
В результаті проведених розрахунків були отримані такі показники економічної ефективності запропонованого рішення:

Витрати на розробку 10940 (грн.);

Прибуток від реалізації продукту – 31 (тис. грн.);

Період окупності вкладеного капіталу – ;



Результати розрахунків дозволяють зробити висновок, що розробка програмного продукту є економічно доцільною. Впровадження даного рішення є корисним як для розробника, так і для споживача.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ


  1. Шапиро Л., Штокман Дж. Компьютерное зрение. - M.: Бином, 2009. - 763с.

  2. Форсайт Д. А., Понс Дж. Компьютерное зрение. Современный подход. - M.: Вильямс, 2004.- 928 с.- ISBN 5-8459-0542-7.

  3. Лукьяница А. А., Шишкин А. Г. Цифровая обработка видеоизображений – Москва: «Ай-Эс-Эс Пресс».-2009. –145с.

  4. Базанов П., Джосан О. Выделение информативных признаков на изображении лица в задаче идентификации человека // Сибирский журнал вычислительной математики. — 2006. — Т. 9, № 3. — С. 207–214..

  5. M. H. Yang, D. J. Kriegman, N. Ahuja. Detecting faces in images: A survey. // IEEE Trans. Pattern Analysis and Machine Intelligence, Jan. 2002. vol. 24, no. 1, pp. 34-58.

  6. Viola P., Jones M.J. Rapid object detection using a boosted cascade of simple features // IEEE Conf. on Computer Vision and Pattern Recognition. - Kauai, Hawaii, USA, 2001. - V. 1. - P 511-518.

  7. Sochman J., Matas J. AdaBoost with totally corrective updates for fast face detection // Center for Machine Perception, Czech Technical University, Prague. 2004. URL: http://cmp.felk.cvut.cz/ ~sochmj1/.

  8. Местецкий Л.М. Математические методы распознавания образов. - М.: МГУ, ВМиК. - 2004. - С. 42-44.

  9. Вежневец В.П. Алгоритмы анализа изображения лица человека для построения интерфейса человек – компьютер: диссертация канд. физ.-мат. наук – М. 2004. – 138 с.

  10. Друки А.А. Cистема поиска, выделения и распознавания лиц на изображениях // Известия Томского политехнического университета.- 2011. - т.318.- №5.- С. 64-70.

  11. Тохтунов А. О. Виділення об’єктів зображень шляхом сегментації на основі методу об’єднання областей. // XLIV регіональна науково-технічна конференція професорсько-викладацького складу, співробітників та студентів університету з участю працівників науково-дослідних організацій та інженерно-технічних працівників підприємств м. Вінниці та області. - http://conf.vntu.edu.ua/allvntu/2015/initki/ki.php.

  12. Р. Гонсалес, Р. Вудс. Цифровая обработка изображений. - Москва: Техносфера, 2005. – 1072с.

  13. У. Прэтт . Цифровая обработка изображений. В 2-х книгах. Под ред. Д.С. Лебедева. – М.: Мир. 1982. – 620 с.

  14. E. Hjelmas and B.K. Low. Face detection: A survey.// Journal of Computer vision and image understanding, vol.83, pp. 236-274, 2001.

  15. G. Yang and T.S. Huang. Human face detection in complex background. // Pattern recognition, vol.27, no.1, pp.53-63, 1994.

  16. Методы компьютерной обработки изображений. / Под ред. В. А. Сойфера. – М. Физматлит, 2003.- 784 с. – ISBN 5-9221-0270-2.

  17. Потапов А. А., Пахомов А. А., Никитин С. А., Гуляев Ю. В. Новейшие методы обработки изображений.- M.: Физматлит, 2008.- 496 с.

  18. Фисенко В. Т., Фисенко Т. Ю. Компьютерная обработка и распознавание изображений - Санкт-Петербург: «ИТМО», 2008. – 437с.

  19. Самаль Д. И. Построение систем идентификации личности на основе антропометрических точек лица - Минск: ИТК, 1998.- С.72-79.

  20. Canny, J. A. Computational Approach to Edge Detection. Електронний ресурс. Режим доступу http://www.limsi.fr/Individu/vezien/ PAPIERS_ ACS/canny1986.pdf.

  21. Вежневец В., Дягтерева А. Обнаружение и локализация лица на изображении. CGM Journal, 2003.

  22. K. Sobottka and I. Pitas. A novel method for automatic face segmentation, facial feature extraction and tracking. // Signal processing: Image communication, Vol. 12, №3, pp. 263-281, June, 1998.

  23. F. Smeraldi, O. Cormona, and J.Big.un. Saccadic search with Gabor features applied to eye detection and real-time head tracking. // Image Vision Comput. 18, pp. 323-329, 2008.

  24. Гомозов А.А., Крюков А.Ф. Анализ эмпирических и математических алгоритмов распознавания человеческого лица. // Network-journal. Московский энергетический институт (Технический университет). №1 (18), 2011

  25. М. П. Волченков Об автоматическом распознавании лиц / М. П. Волченков, И. Ю. Самоненко. // Интеллектуальные системы, 2005, № 9 . — С. 135-156.

  26. Федоров Д. М. Метод забезпечення інваріантності зображення обличчя щодо афінних спотворень. // Наукоємні технології. 2013, том 19, № 3.  - с.294-298.

  27. http://Google Picasa

  28. Шерстобитов А. И., Федосов В. П., Приходченко В. А., Тимофеев М. В.Распознавание лиц на групповых фотографиях с использованием алгоритмов сегментации.// Известия Южного федерального университета. Технические науки. № 11 (148) / 2013 стр.66- 72.

  29. G. J. Edwards, T. F. Cootes, C. J. Taylor. Face recognition using active appearance models. // Computer Vision . Volume 1407 of the series Lecture Notes in Computer Science, 2006,  pp. 581-595.

  30. Самаль Д. И. Алгоритмы идентификации человека по фотопортрету на основе геометрических преобразований Диссертация на соискание ученой степени кандидата технических наук. Специальность: 05.13.01 - Системный анализ, управление и обработка информации Год: 2002 Город: Минск.

  31. Lawrence, S.; Giles, C.L. ; Ah Chung Tsoi ; Back, A.D. Face Recognition A Convolutional Neural Network Approach // Neural Networks, IEEE Transactions on  (Volume:8 ,  Issue: 1 ) 1997: р. 98 – 113.

  32. Face Recognition A Convolutional Neural Network Approach

  33. Буй Тхи Тху Чанг, Фан Нгок Хоанг, Спицын В.Г. Алгоритмическое и программное обеспечение для классификации цифровых изображений с помощью вейвлет-преобразования Хаара и нейронных сетей // Известия Томского политехнического университета. - 2011. - Т. 319. - № 5. - С. 103-106. 

  34. Nefian A.V., Hayes M.H. Face Detection and Recognition Using Hidden Markovs Models. Image Processing. ICIP 98. International Conference. 1998, p. 141-145.

  35. Гультяева Т. А. Применение скрытых марковских моделей для распознавания лиц // Информатика и проблема телекоммуникаций. Новосибирск: СибГУТИ,2005. Том I, с. 130-132.

  36. Болотова Ю.А., Федотова Л.C., Спицын В.Г. Алгоритм детектирования областей лиц и рук на изображении на основе метода Виолы – Джонса и алгоритма цветовой сегментации // Фундаментальные исследования. – 2014. – № 11–10. – С. 2130-2134. 

  37. Ю.С. Корнев, Н.А. Филиппов, А.А. Юдашкин. Aдaптивный алгоритм локализации лиц на цветных фотографиях // Вестник Самарского гос. техн. ун-та, Серия «Texничecкиe нayки», Вып. N° 32, 2005

  38. http://www.findpatent.ru/patent/238/2382408.html

  39. Патент РФ №9912798, «Способ идентификации человека по геометрическим параметрам поверхности его лица», кл. G06K 9/00 от 27.09.2001.

  40. Патент РФ №2304307, «Способ идентификации человека по изображению его лица», кл. G06K 9/80, заявл. 29.03.2006.

  41. Патент РФ №2295152. Способ распознавания лица человека по видеоизображению, кл. G06K 9/00, заявл. 15.09.2005.

  42. Патент № RU 2250499 C1, 17.11.2003 «Cпocoб компьютерного распознавания oбъeктoв».

  43. US Patent № 6563959 B1, 13.05. 2003. "Реrсерtuаl similагitу imаgе rеtriеvаl mеthоd".

  44. Патент № WO 2006/122164 A2, 16.11. 2006 "Sуstеm апd mеthоd fоr епаbliпg thе usе оf сарturеd imаgеs thrоugh rесоgпitiоп"

  45. Патент №  WO 2005/033885 A2, 14.04.2005. "Сопtепt оriепtеd iпdех апd sеаrсh mеthоd апd sуstеm"

  46. Патент № WO 2006/122164 A2, 16.11.2006. "Sуstеm апd mеthоd fоr епаbliпg thе usе оf сарturеd imаgеs thrоugh rесоgпitiоп".

  47. L. Lucchese and S.K. Mitra. Color Image Segmentation: A State-of-the-Art Survey. 2001. - pp. 1007-1019.

  48. Швец В. А. Выделение характерных фрагментов на изображении лица человека / В. А. Швец, Т. В. Нимченко, В. В. Васянович // Захист інформації. - 2015. - Т. 17, № 1. - С. 27-31.

  49. Zahra, Rahmat, Nur and Kheirkhah.  A Hybrid Face Detection Systemusing combination of Appearance-based and Feature-based methods. // IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.5,May 2009.

  50. B. Cramariuc, M. Gabbouj, and J. Astola. Clustering Based Region Growing Algorithm for Color Image Segmentation // Int. Conf. on Digital signal Processing, 1997.

  51. David Martin, Charless Fowlkes, Doron Tal, Jitendra Malik. A Database of Human Segmented Natural Images and its Application to Evaluating Segmentation Algorithms and Measuring Ecological Statistics. // Department of Electrical Engineering and Computer Sciences. - Pattern Recognition, Vol. 23, No 8, 2003.

  52. M. Jacob, M. Unser. Design of Steerable Filters for Feature Detection Using Canny-Like Criteria. // IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 26, no. 8, pp. 1007-1019.

  53. Левашкина А. О. Сравнительный анализ супервизорных критериев оценки качества сегментации изображений / А. О. Левашкина, С. В. Поршнев // Информационные технологии - 2009. - № 5. - С. 52-57. - ISSN 1684-6400.

  54. Патана Е.И. Текстурная сегментация изображений на основе их моделирования // Донецк: Известия ДонНТУ-ТТИ ЮФУ, №8, 2008 - С. 141-145.

  55. Хомяков М.Ю. Классификация цвета кожи человека на цветных изображениях // Компьютерная оптика. – 2011. – Т. 35, № 3. – С. 373–379.

  56. Dawod A.Y., Abdul ah, J., and Alam M.J. Adaptive skin color model for hand segmentation // Int. Conf. on Computer Applications and Industrial Electronics. – 2010. – Р. 486–489,

  57. Hsu R.-L., Abdel-Mottaleb M., Jain A. Face Detection in Color Images // IEEE Trans. Pattern Analysis and Machine Intelligence. – 2002. – Vol. 29(5). – P. 696–706.

  58. Steinberg I, London T.M., Di Castro D. Hand Gesture Recognition in Images and Video // CCIT Report. – 2010. – № 763, March.

  59. Kakumanu, P., Makrogiannis S., Bourbakis N. A survey of skin-color modeling and detection methods // Pattern Recognition. – 2007. – Vol. 40(3). – P. 1106–1122.

  60. Martinkauppi B., Soriano M., Pietikainen M. Detection of Skin Color under Changing Illumination: A Comparative Study // Proc. of the 12th International Conference on Image Analysis and Processing (ICIAP’03), September 17–19. – Mantova, Italy: IEEE Computer Society, 2003. – P. 652–657.

  61. Rafael B., Miguel S.D., and Miguel S. Skin color profile capture for scale and rotation invariant hand gesture recognition:. // Lectures Notes in Computer Science. 5085. – 2009. – Р. 81–92.

  62. Лопатина А. Д. Выделение области лица с помощью комбинации методов цветовой и яркостной сегментации // Вестник УГАТУ. Управление, ВТ и И. 2009. Т. 13. № 2 (35) , С. 180-187.

  63. Kamarul Hawari Bin Ghazali, Jie Ma, Rui Xiao, Solly Aryza lubis. AnInnovative Face Detection Based on YCgCr Color Space. // International Conference on Solid State Devices and Materials Science, Physics Procedia 25 (2012 ) 2116 – 2124.

  64. S. Chitra. Comparative Study for Two Color Spaces HSCbCr and YCbCr in Skin Color Detection. // Applied Mathematical Sciences, Vol. 6, 2012.

  65. Nuengruethai, Sirapat and Khamron. A novel rule for face regiondetection based on RGB-HSV-YCbCr skin color model. // The 3rd International Conference on Science and Technology, 2011.

  66. N. A. Abdul Rahman, W. Kit Chong, S. John. RGB-HCbCr Skin ColorModel for Human Face Detection. //  MMU International Symposium on Information & Communications Technologies (MMUSIC 2006), PJ, 2006.

  67. Iyad A, M. Hassan. Human Face Detection System Using HSV // Тhe 9 WSEAS international conference on Circuits, systems, electronics, control &signal processing, 2010, Pages 13-16.

  68. Трей Нэш. C# 2010. Ускоренный курс для профессионалов, M.: Вильямс, 2008. - 576 с.

  69. Шилдт Г. C# 2011. Учебный курс. M.: Вильямс, 2011. - 1012 с.

  70. http://www.itv.ru/products/intellect/faceintellect/recognition.php

  71. http://lenovo-veriface-pro.software.informer.com

  72. http://controlchaostech.com/?menuid=20&prodid=44

  73. http://cv-foundation.org/openaccess/content_cvpr_2015/app/1A_089_ext.pdf

  74. http://support.lenovo.com/ua/uk/videolist/ht051305

  75. Рейсиг Д. Инструменты отладки и тестирования.— СПб.: Питер, 2008.  76 с.— ISBN 978-5-91180-904-1.

  76. Козловський В.О. Техніко-економічні обгрунтування та економічні розрахунки в дипломних проектах та роботах. Навчальний посібник. -  Вінниця: ВДТУ, 2003. - 75с.

  77. Адлер О. О., Причепа І. В. Методичні вказівки для підготовки та написання курсової роботи з дисципліни «Економічне обґрунтування інноваційних рішень» для студентів, що навчаються за напрямами підготовки: 050101 Комп’ютерні науки, 050102 Комп’ютерна інженерія, 050103 Програмна інженерія, 170101 Безпека інформаційних і комунікаційних систем, 170103 Управління інформаційною безпекою // О.О.Адлер, І.В. Причепа. – ВНТУ, 2013. – 35 с.

  78. Кавецький В. В., Козловський В. О. Причепа І. В. Економічне обґрунтування інноваційних рішень: Практикум. В.В.Кавецький, В.О.Козловський, І.В.Причепа. – ВНТУ, 2013. – 110 с.

ДОДАТКИ


Додаток А – Технічне завдання
Міністерство освіти і науки України

Вінницький національний технічний університет

Факультет інформаційних технологій та комп'ютерної інженерії

Кафедра обчислювальної техніки


ЗАТВЕРДЖУЮ

Завідувач кафедри ОТ

______доц., к.т.н. О. І. Гороховський

«___»__________2015 р.


1   2   3   4   5   6   7   8   9



  • 4.4 Розрахунок ефективності вкладених інвестицій та періоду їх окупності
  • СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ