CC BY
37
С целью обеспечения качества магистерских проектов, инновационности и практико-ориентиро-ванности при выполнении магистрантами выпускных работ, а также для дальнейшего развития процессов интеграции науки с производственным в ЕНУ им. Л.Н.Гумилева проведен II Республиканский научно-практический воркшоп «Энергия молодых для индустриально-инновационного развития Казахстана», на определение лучшего инновационного проекта магистрантов, обучающихся по ГПИИР. Были презентованы проекты 75 кандидатов из 5 казахстанских вузов(Рис.2) по секциям «Химия и металлургия», «Биотехнология, пищевая инженерия и производство продуктов питания», «Технологическое оборудование, машиностроение, строительство», «Автоматизация и информационные технологии» .
Рисунок 2 -«Рабочая мастерская» семинара
Выводы и рекомендации. Можно уверенно утверждать, что международное сотрудничество с ведущими зарубежными университетами по передовым образовательным направлениям достаточно эффективно влияет на качество подготовки современных бакалавров и магистров, которые будут востребованы не только в Казахстане, но и на международном рынке труда.
Необходимо внедрение всего спектра инструментов сотрудничества, в том числе инструментов мониторинга, национальных программ поддержки мобильности, укрепление сети национальных информационных и координационных структур, их интеграция в европейскую сеть для обеспечения информационной и методической поддержки межуниверситетского сотрудничества и академической мобильности, а также адекватного представления о казахстанской системе высшего образования в Европе. Все это, в свою очередь, предполагает выделение ресурсной поддержки.
Создание организационно-управленческих условий и информационно-методического обеспечения для реализации проекта - освещение вопросов содействия профессиональной занятости студентов и адаптации выпускников к послевузовской среде в социальных сетях и др. информационных ресурсах, истории успеха выпускников и студентов;
Создание лаборатории компетенций softskils, содействующей занятости студентов и адаптации выпускников университета к послевузовской среде, включающей создание 2 0 тренинговых программ, направленных на развитие социально-психологических навыков и навыков адаптации к рынку труда с привлечением партнеров к их разработке и реализации.
Осуществление социального партнерства в сфере труда, совершенствование системы мер для вторичной занятости студентов университета - проведение стратегических сессий, круглых столов по вопросам трудоустройства выпускников и практик студентов. Организация мероприятий, направленных на формирование у студентов целостного представления о рынке труда, содействие профессиональной занятости студентов и трудоустройству выпускников;
Выбор инструментов и форм интеграции должен осуществляться с учетом современных темпов и особенностей развития национальных и региональных социально-экономических процессов, науки, технологий, международного содружества.
ЛИТЕРАТУРА
1. www.strategy2 05 0■kz
2. Кельчевская Н.Р., Срогович М.И. Разработка механизма взаимосвязи вуза и предприятия - объективная необходимость XXI века // Екатеринбург: Уральский государственный технический университет, 2002 .
3. Ицковиц, Г. Тройная спираль. Университеты - предприятия - государство. Инновации в действии. Томск: Издательство Томского государственного университета систем управления и радиоэлектроники, 2010г.
4. http://institutiones■com/strategies/107 0-strategiya-integracionnih-processov-v-sfere-nauki-i-obrazovaniya■html
5. Есина Ю.Л., Степаненкова Н.М., Агафонова Е.Е. Формы и механизмы интеграции науки, образования и бизнес-сообщества в условиях инновационного обновления региональной экономики // Креативная экономика. - 2015. - Том 9. - № 12. - С. 1491-1508.
6. Коптев А.Н. Ергалиев Д.С., Саханов К.Ж. Основы интерпретации результатов диагностического тестирования бортовых комплексов оборудования. Надежность и качество-2008: Международный симпозиум. Пенза, - 2008. том 1- С.446-448.
7. Ергалиев Д.С., Саханов К.Ж. Выбор параметров при различных типах распознаваемых объектов контроля. Надежность и качество-2 00 9: Международный симпозиум.- Пенза, 2009., том 2.- С.7-10.
УДК 004.93
Садыков С.С., Кульков Я.Ю.
Муромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых», Муром, Россия
АЛГОРИТМ РАСПОЗНАВАНИЯ ОТДЕЛЬНЫХ ПЛОСКИХ ОБЪЕКТОВ В СОСТАВЕ НАЛОЖЕННОГО НА ОСНОВЕ ЦЕПНЫХ КОДОВ ИХ КОНТУРОВ
В работе приведены результаты исследования алгоритма распознавания отдельных объектов в составе наложенного. Распознавание осуществляется с использованием цепных кодов, вычисляемых по контурам бинарных изображения плоских объектов. Из цепного кода эталона наложенного объекта вычитается цепной код эталона отдельного, результат сохраняется в памяти машины, далее происходит сдвиг на одно значение цепного кода эталона и алгоритм повторяется. Те же шаги выполняются со всеми цепными кодами эталонов отдельных объектов. После чего выбирается единственный эталон, дающий минимальное значение отклонения, данный эталон сохраняется в список эталонов, отобранных для распознавания. На следующем этапе на каждом контуре наложенного объекта отмечается его часть, принадлежащая одному из входящих в него объектов, путем вычисления минимальной разницы между цепными кодами эталонов, при этом эталоны берутся из массива цепных кодов, отобранных на этапе обучения
Ключевые слова:
ИЗОБРАЖЕНИЕ, РАСПОЗНАВАНИЕ, ЦЕПНОЙ КОД, ПРИЗНАК, ПЛОСКИЙ ОБЪЕКТ
Введение. Распознавание объектов по их изоб- лью отнесение объекта к одному из заранее пред-ражениям - традиционная область цифровой обра- определенных типов. Для решения данной задачи ботки изображений. Распознавание имеет своей це- необходимо получение вектора цепного кода объ-
екта по его изображению, который позволит идентифицировать его с минимальной ошибкой. Для установления связи между значениями цепного кода объекта и решения о принадлежности его к определенному классу необходимо использование обучающей совокупности известных объектов [1-7].
Технология проведения экспериментов состоит из следующих основных шагов: обработка изображения, получение контура изображения объекта; вычисления цепного кода; обучение системы распознавания .
Технология проведения эксперимента.
Технология проведения экспериментов состоит из следующих основных шагов: обработка изображения, получение контура изображения объекта;
вычисления цепного кода; обучение системы распознавания.
Предварительно изображения проходят подготовку к дальнейшей работе с ним, в обработку входит фильтрация изображения методом Гаусса, бинаризация методом Оцу, удаление фона производится умножением текущего изображения на изображение полученное в результате бинаризации методом Оцу. Примеры исходных изображений, используемых в исследовании, представлены на рисунке 1. Первый эксперимент проводится на тестовых изображениях.
Объект 1
Объект 2
Объект 3
Объект 4
Объект 5
О
Объект 6
Объект 7
Объект 8
Объект 9
Объект 10
Рисунок 1 - Изображения исходных объектов
В эксперименте участвую наложенные изображения. Они формируются из отдельных объектов. Для формирования НТПО необходимо выбрать два случайных эталона, допускаются что эталоны могут принадлежать как одному, так и двум разным объектам. Выбранные эталоны необходимо повернуть на случайный градус, после чего наложить их на одно изображение, таким образом, чтобы они формировали один непрерывный объект. Точка, в которую будет вставлено изображение проверяется случайным образом. Два наложенных эталона образуют класс НТПО, таким образом, название класса НТПО зависит от того из каких ОТПО он состоит, например, класс 1-5 получен наложением эталонов первого и пятого объектов. Примеры наложенного НТПО представлено на рис. 3. В общей сложности мы имеем 55 комбинаций (классов), стоит учесть, что комбинации должны быть уникальными, к примеру, комбинация 2-6 и 6-2 не являются уникальными, поэтому класс 6-2 не генерируется.
Далее формируются одноточечные контуры бинарных изображений объектов алгоритмом метода направленного перебора[4-7].
Для получения одноточечных безразрывных контуров бинарных изображений плоских объектов используется алгоритм направленного перебора, формирующий дискретную контурную линию из 4-х и d-связных точек.
Одним из методов описания контуров изображений является представление с помощью цепных кодов (chain code) при использовании которых вектор, соединяющий две соседние точки, кодируется одним символом, принадлежащим конеч-ному множеству, по методу Фримена [4]. Обычно при пользовании цепным кодом рассматривается окрестность точки размером 3^3 и 8 возможных направлений кодирования. В основе этого представления лежит 8-связная решётка.
Начиная с первой точки, производится обход контура по часовой стрелке, при этом каждая последующая точка кодируется числом 1-8, в зависимости от своего расположения относительно центральной точки окрестности. Результатом кодирования является последовательность, состоящая из цифр 1-8.
Полученные значения цепного кода нормируются (Кн= Кк / 8).
Распознавание класса объекта
На следующем шаге происходит распознавание класса объекта методом Ближайших соседей[1,4-7] .
После установления класса НТПО, необходимо определить месторасположение каждого ОТПО образующих данный сложный объект.
Для этого функция цепного кода НТПО, класс которого установлен, сравнивается со всеми эталонными Кэ-функциями двух ОТПО, образующих данный НТПО, в нашем случае это будут эталонные аэ-функции ОТПО 1 и ОТПО 2, по формулам:
1 к1 1 к1+1 А1 = — £1 ~аслг 1 , Д2 = Т" £1 аэ] ~асм 1,
к1 1=2
1 ¿1+т — £ 1 «] ~аст 1 к1 г=т
значения элементов Кэ-функции эталонного ОТПО С=1, 2, ..., Ю; Ксл1 - значения элементов Кэ-функции эталонного сложного объекта НТПО 01 (1=1, 2, ..., Р); т - число смещений аэ-функции эталонного ОТПО Кэ: для полного обхода контура сложного объекта НТПО 01;
Значение т определяется как:
т = 2 (Р - N (2)
где N - число точек контура эталонного ОТПО; Р - число точек контура сложного объекта НТПО 01, Кэ-функция эталонного ОТПО сравнивается с удвоенной Кэ-функцией эталонного сложного объекта НТПО.
k1 i=1
Д m =
(1)
где Кэ: -
Решение об идентификации принимается на основе следующего выражения
ттй = тт{К[}, (3)
где q - число эталонов.
Аналогичное сравнение всех а-функций ОТПО 2 выполняется с Кэ-функцией найденного НТПО.
Отобранные эталоны хранятся в памяти системы технического зрения.
Маркировка отдельных объектов. На следующем этапе приложение выделяет цветом границы двух ОТПО. Процесс протекает следующим образом, по формулам 1, 2 и 3 мы выбираем два минимальных
значения Л и запоминаем цепные коды и сдвиги, которые позволили получить минимальную Л. Затем мы производим сдвиг сохраненного цепного кода на указанное значение и вычитаем это значение из цепного кода НТПО. Участки, давшие значение 0 окрашиваем в цвет соответствующего ОТПО. Соответствующие действия проводим для второго цепного кода.
Данный метод позволяет маркировать положение всех ОТПО в НТПО, поступивших в программу изображений. Результат маркировки представлен на рисунке 2.
класс 1-2
класс 3-4
класс 5-6
класс 7-8
класс 9-10
Рисунок 2 - результат раскраски объекта
Для раскраски одного объекта, без учета распознавания класса и загрузки отобранных эталонов в память программы, в зависимости от количества эталонов программой затрачивается время в соответствии с рисунком 3.
500
450 400 35С 300 250 200 150
График зависимости времени распознавания от числа эталонов на _объект (мс)
1 эталон 100 200 300
эталонов эталонов эталонов
Рисунок 3 - График зависимости времени распознавания от числа эталонов на объект
Заключение. Эксперимент показал, что наиболее удачными при распознавании являются либо классы, состоящие из двух эталонов одного ОТПО или два ОТПО имеющих наиболее отличную друг от друга
форму. В частности объекты, для наилучшего распознавания, не должны иметь длинные прямые участки и большие скругления.
В процессе проведения работы было установлено, в наложенных объектах, у изображений которых одна из деталей делит вторую на две части, алгоритм позволяет маркировать лишь большую часть отдельного объекта, находящуюся по одну сторону от пересекаемой детали, меньшая же часть остается без маркировки.
Большое влияние на распознавание оказывает способы обработки. Таким образом порог бинаризации и фильтрация должны быть одинаковыми у ОТПО и НТПО, так как в ином случае появляются неточности в виде добавления дополнительных пикселей изображения за счет разного порога бинаризации, что вносит значительные изменения в цепной код изображения.
В процессе проведения эксперимента, по определению класса при помощи цепных кодов, было выявлено, что такое распознавание дает очень плохие результаты, из чего можно сделать вывод, что цепные коды можно применить только в том случае если нам уже известен класс наложенного объекта.
Большое влияние на распознавание объекта оказывает процент наложения, чем выше процент тем меньше вероятность распознавания, так как высокий процент наложения делает невозможным сохранение последовательности цепного кода ОТПО из которых состоит объект.
ЛИТЕРАТУРА
1. Sadykov S.S., Kulkov Y.Yu. Research of recognition of the imposed flat objects on dimension-less marks of their contours // Pattern Recognition and Information Processing: Proc. of 13th Intern. Conf. (3-6 Oct. 2016, Minsk, Belarus) / ed.: S. Ablameyko, V. Krasnoproshin. - Minsk: Publ. Center of BSU, 2016, pp.205-208
2. Садыков С.С. Формирование безразмерных коэффициентов формы замкнутого дискретного контура // Алгоритмы, методы и системы обработки данных. 2014. №4(29). С.91-98.
3. Садыков С.С. Алгоритм формирования вероятностных признаков точек контура бинарного изображения // Алгоритмы, методы и системы обработки данных. 2015. № 3 (32). С.69-75.
4. Садыков, С. С. Оценка возможности распознавания отдельных реальных плоских объектов на основе их безразмерных контурных признаков / С. С. Садыков, Я. Ю. Кульков // Надежность и качество сложных систем. - 2015. - No 4 (12). - С. 101-109.
5. Садыков, С.С. Распознавание отдельных плоских объектов по безразмерным признакам выпуклых оболочек их бинарных изображений методом линейного дискриминантного анализа / С.С. Садыков, Я.Ю. Кульков // Труды международного симпозиума «Надежность и качество». 2016. С.135-137
6. Садыков, С.С. Распознавание отдельных тестовых и реальных плоских объектов на основе безразмерных признаков выпуклых оболочек их бинарных изображений методом дискриминантного анализа Фишера / С.С. Садыков, Я.Ю. Кульков // Труды международного симпозиума «Надежность и качество». 2016. С.137-140
7. Садыков С.С., Кульков Я.Ю. Экспериментальное исследование алгоритма распознавания отдельных тестовых плоских объектов на основе их безразмерных контурных признаков // Алгоритмы, методы и системы обработки данных. 2015. № 3 (32). С.76-90.
