XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

В условиях цифровой трансформации государственных организаций особое внимание уделяется повышению эффективности работы служб обеспечения информационной деятельности. Пресс-служба Волгоградского государственного аграрного университета (ВолГАУ) регулярно обрабатывает значительные объёмы фото- и видеоматериалов, создаваемых в ходе официальных мероприятий, конференций и публичных акций. При этом ручная сортировка фотографий по персонам (руководству, спикерам, участникам) остаётся трудоёмкой и времязатратной операцией, что снижает оперативность подготовки медиаконтента для публикации [1].

Современные методы компьютерного зрения, в частности технологии распознавания и кластеризации лиц, позволяют автоматизировать этап сортировки и индексации медиафайлов. Интеграция таких решений в рабочие процессы пресс-службы позволяет сократить время подготовки материалов, снизить нагрузку на редакторов и минимизировать человеческие ошибки при отборе фотографий [2].

Создание специализированного приложения для сортировки фотографий по лицам является актуальной задачей, направленной на оптимизацию внутренних бизнес-процессов. Это особенно важно в условиях роста объёмов медиафайлов и требований к оперативности размещения новостей на официальных ресурсах университета.

Автоматическая сортировка фотографий позволит редакторам и фотографам пресс-службы значительно сократить время на подготовку фотоотчётов — с нескольких часов до 30 минут на мероприятие. Это, в свою очередь, повысит качество и своевременность информационного сопровождения университетских событий.

Кроме того, грамотная организация цифрового архива фотографий и стандартизация процессов обработки медиа способствуют повышению прозрачности и управляемости информационной деятельности университета.

Будем описывать исследуемую деятельность, применяя архитектурный подход, основанный на едином языке ArchiMate. Этот язык охватывает элементы мотивационного, бизнес- и ИТ-слоёв.

На рисунке 1 показана диаграмма, разработанная в ArchiMate, которая иллюстрирует мотивационный слой архитектуры, связанной с автоматизацией сортировки фотографий в пресс-службе ВолГАУ.

Рисунок 1 – Диаграмма ArchiMate мотивационного слоя архитектуры сортировки фотографий по лицам в пресс-службе ВолГАУ

На рисунке 1 изображена структура мотивационной архитектуры, ориентированной на повышение эффективности медиапроизводства.

Рисунок 2 иллюстрирует текущую архитектурную модель «Как есть», связанную с обработкой и публикацией фотографий в пресс-службе ВОЛГАУ, разработанную в ArchiMate.

п п

Рисунок 2 – Модель архитектуры «Как есть» обработки фотографий для публикации в пресс-службе ВолГАУ

Диаграмма на рисунке 2 представляет собой архитектурную модель текущей работы с фотографиями в пресс-службе ВолГАУ. Ключевыми акторами являются Фотограф, Редактор и Руководитель пресс-службы.

Работа начинается с события «Проведения мероприятия», после чего фотограф создаёт фото (процесс «Создание фото»). Далее редактор выполняет процесс «Обработка фото» (с помощью пакета редактирования медиа, напр.: Adobe Photoshop), затем вручную проводит сортировку фото по персонам и тематикам — наиболее трудоёмкий этап. По завершении — следует процесс «Публикация фото» через «Сервис публикации контента» (CMS и инструменты социальных сетей).

Используемые инструменты:

• «Сервис обработки фото» пакета редактирования медиа;

• артефакт «Репозиторий фотографий» (централизованное хранилище);

• «Сервис публикации контента» инструмента социальных сетей.

Программные компоненты включают «Пакет редактирования медиа», «Инструменты социальных сетей, CMS».

Инфраструктурные сервисы: «Доступ к данным», «Сервис языкового обеспечения», «Интернет-сервис».

Физическая инфраструктура: рабочие станции (ОС Windows 10), локальная сеть (LAN), брандмауэр, подключение к интернету и внешним платформам (соцсети).

Однако данная архитектура имеет ряд недостатков:

• зависимость качества и сроков сортировки от субъективного фактора (опыт, внимательность, загруженность редактора);

• отсутствие системной индексации по персонам, что затрудняет повторный поиск фото конкретного сотрудника или гостя;

• высокая трудоёмкость при обработке мероприятий с участием 50+ человек.

Рисунок 3 иллюстрирует целевую архитектурную модель «Как будет», связанную с автоматической сортировкой фотографий по лицам в пресс-службе ВОЛГАУ, разработанную в ArchiMate.

Рисунок 3 – Модель архитектуры «Как будет» автоматической сортировки фотографий по лицам в пресс-службе ВолГАУ

Диаграмма демонстрирует модернизированную архитектуру, в которой ключевым нововведением стало реализация сервиса «Сервис сортировки» компонентом приложения «Приложение для сортировки» как самостоятельных элементов архитектуры.

Процесс «Сортировка фото» теперь формализован и поддерживается программно: после загрузки фотографий в репозиторий запускается «Приложение для сортировки», использующее алгоритмы распознавания лиц. Оно кластеризует изображения по уникальным лицам, формируя папки/группы «Персона А», «Персона Б» и т.д., что позволяет редактору мгновенно отбирать нужные фото.

Редактор сохраняет контроль над финальным отбором и публикацией, но освобождается от рутинной сортировки — его роль переходит от исполнителя к контролёру и куратору.

Инфраструктурные сервисы расширены сервисом «Кластеризации изображений», а также усилены сервисами безопасности.

Такая архитектура позволяет:

• сократить время сортировки до 30 минут даже при большом количестве фото;

• обеспечить устойчивую и повторяемую индексацию по персонам;

• создать основу для будущей интеграции с корпоративным справочником сотрудников (с автоматической привязкой имён к кластерам лиц).

Представленная архитектура автоматической сортировки фотографий по лицам в пресс-службе ВолГАУ не является изолированным решением — она органично встраивается в существующую ИТ-среду пресс-службы, сохраняя совместимость с текущими приложениями и ИТ-инфраструктурой, но при этом трансформируя ключевой бизнес-процесс из ручного в автоматический.

Список используемых источников

1. Кузнецов А.В., Петров С.И. Применение технологий компьютерного зрения в медиаиндустрии // Вестник цифровой экономики. 2024. № 2. С. 45–52.

2. Zhang Y. et al. Deep Learning for Face Clustering in Large-Scale Photo Collections // IEEE Transactions on Multimedia. 2023. Vol. 25. P. 1128–1141. DOI:10.1109/TMM.2022.3208745

3. Руководство по цифровой трансформации вузов. М.: Минобрнауки России, 2023. 128 с.

4. OpenCV Documentation — Face Recognition and Clustering. [Электронный ресурс]. URL: https://docs.opencv.org/4.x/d5/de7/tutorial_dnn_face.html (дата обращения: 20.12.2025).