CC BY
1023 — Constant 1
Рис.2. Модель системы автоматического поддержания температуры с использованием ПИД-регулятора в MATLAB Simulink
Для преобразования системы управления в программный PLC-код для Beckhoff Twin CAT 2.11 из построенной модели системы автоматического поддержания температуры формируется единый блок и с использованием пакета Simulink PLC Coder генерируется оптимизированная программа для сформированного блока на языке Structured Text.
Сформированный функциональный блок в полной мере может быть использован в системе программирования Beckhoff Twin CAT 2.11 с целью создания программного обеспечения для ПЛК фирмы Beckhoff, а также аппаратно-программной модели системы управления с применением контроллеров и модулей.
Описанный подход позволяет построить близкую к реальной системе управления аппаратно-программную модель автоматического управления, наглядно представить систему в действии, измерить и оценить все параметры и возможности их изменения и регулирования.
Литература
1. Ротач В.Я. Теория автоматического управления: учебник для вузов. - 5-е изд., перераб. и доп. - М.: Издательский дом МЭИ, 2008. - 396 с.
2. Бороденко В.А. Исследование систем управления в среде MATLAB: монография. - Павлодар: Кереку, 2011. - 318 с.
Поступило 12 февраля 2014 г.
Щагин Анатолий Васильевич - доктор технических наук, профессор, заведующий кафедрой систем автоматического управления и контроля в микроэлектронике (САУиК) МИЭТ. Область научных интересов: разработка и исследование микропроцессорных устройств, специализированных микро-ЭВМ, информационных сетей и телекоммуникаций, измерительных систем и систем управления.
Шедяков Дмитрий Юрьевич - аспирант кафедры САУиК МИЭТ. Область научных интересов: разработка и исследование систем автоматического управления; микроконтроллерные устройства управления; силовая электроника; системы управления двигателями. E-mail: [email protected]
УДК 681.31
Сегментация изображений по слоям графовыми методами
Н.А. Иванова1'2, Д.А. Иванова2
Л
1 Национальный исследовательский университет «МЭИ» 2Институт нанотехнологий микроэлектроники РАН (г. Москва)
Для иерархического разделения изображения используется метод минимального остовного дерева (МОД), с помощью которого можно сегментировать изображение в разных масштабах [1-3]. Метод основан на принципе: наиболее похожие пиксели должны быть сгруппированы вместе, а непохожие - разделены. При отделении от МОД ребер с самым большим весом формируются подграфы с максимальной разницей. С целью улучшения алгоритмов, основанных на МОД, используется рекурсия. В каждой итерации формируется сегмент путем выделения одного подграфа. Применение такого алгоритма приводит к конечной сегментации на заданное количество подграфов, что снижает его эффективность.
Предлагается алгоритм, который позволяет учитывать одновременно разницу внутри одного и между двумя подграфами. Сегментация выполняется в сочетании с процессом объединения областей, что дает результаты, удовлетворяющие некоторым глобальным свойствам. Основа алгоритма - адаптивный порог. В отличие от кластеризации методом ближайшего соседа, в котором используется константа К для задания пороговой величины, в описываемом методе применяется переменная для задания границы, значение которой зависит от размера кластера. Таким образом, две компоненты будет объединены, если вес связи между ними меньше, чем сумма веса максимального ребра МОД и коэффициента К пороговой величины. Объединяющий критерий определяется по формуле
где K - константа; |Ci| и |С2| - размеры компонент C1 и C2 соответственно; Int(C) - ребро компоненты C МОД с самым большим весом; - ребро с наименьшим весом, соединяющее C1 и C2. Из уравнения (1) видно, что алгоритм более чувствителен к плавным областям изображения и менее - к областям с высокой нелинейностью.
На рис.1 представлен результат сегментации, выполненной по описываемому алгоритму. На изображении на рис.1,а представлены области с большой нелинейностью или различной степенью детализации, несмотря на это в результате сегментации (рис.1,б) сохранилось большинство визуально важных структур изображений. Слои неоднородны по цвету, и в некоторых местах цвет одного слоя близок к цвету другого слоя, однако восприятие этого изображения в целом позволяет отделить элементы друг от друга и даже сделать выводы об очередности расположения слоев по вертикали.
Для разной степени детализации можно использовать разную минимальную площадь сегмента. Повышая порог сращивания, имеем больше разрозненных областей и тем самым получаем больше мелких деталей.
После предварительной обработки изображения каждый объект изображения выделяется в отдельный слой. Далее необходимо объединить объекты в слои. Для этого удобно использовать такие параметры, как цвет. В других случаях объекты могут объединиться в слои не только по цвету, но и по текстуре, пройдя для этого другую предварительную обработку. Пример объединения объектов по слоям показан на рис.2.
© Н.А. Иванова, Д.А. Иванова, 2014
(1)
Рис.1. Обработанное изображение (а) и сегментирование по алгоритму МОД (б)
Рис.2. Разделение объектов по общим слоям
Компоненты, принадлежащие одному слою, можно объединить по общим характеристикам цвета или текстуры не только после сегментации, но и в процессе разделения на схожие области. В этом случае дальнейшее разделение или объединение сегментов проводится по следующему критерию:
( V Л
< к
min
Int(Cb C2) +
K
Ci+C2
,1п<Сз, C4)
+
K
Сз + C4
(2)
где С\, С2 - компоненты одного слоя; С3, С4 - принадлежат другому слою.
Алгоритмы, основанные на методе МОД, определяют структуры кластеров. Пиксели, имеющие низкие уровни характеристик, таких как интенсивность, цвет и текстура, могут быть интуитивно организованы данными алгоритмами. Однако они основаны на предположении, что маркировка пикселей в одном сегменте происходит последовательно. Не всегда такие пиксели относятся к разным объектам. Поэтому необходимо задавать дополнительные условия принадлежности объекта к определенному слою. Это позволяет при различных характеристиках изображения или конкретного слоя распределить объекты изображения по соответствующим слоям.
e
Литература
1. Juan O., Boykov Y. Active graph cuts // IEEE Conference of Computer Vision and Pattern Recognition. - 2006. - № 1. - Р. 1023-1029.
2. Boykov Y., Kolmogorov V. An experimental comparison of min-cut/max flow algorithms for energy minimization in vision // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2004. - Vol. 26, № 9. - Р. 1124-1137.
3. Freedman D., Zhang T. Interactive graph cut based segmentation with shape priors // Computer Vision and Pattern Recognition. - 2005. - № 1. - Р. 75-762.
Поступило 8 апреля 2014 г.
Иванова Наталья Андреевна - младший научный сотрудник Института нанотехнологий микроэлектроники (ИНМЭ) РАН, аспирант МЭИ. Область научных интересов: анализ изображений, САПР, теория графов, КМОП СБИС. E-mail: [email protected]
Иванова Дарья Андреевна - лаборант-исследователь ИНМЭ РАН. Область научных интересов: анализ изображений, теория графов.
