ДЕТЕКТИРОВАНИЕ ТЕХНОЛОГИЧЕСКИХ ОТВЕРСТИЙ СИГНАТУРНЫМ АНАЛИЗОМ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.93

ДЕТЕКТИРОВАНИЕ ТЕХНОЛОГИЧЕСКИХ ОТВЕРСТИЙ СИГНАТУРНЫМ АНАЛИЗОМ

Е. В. Гребенюк, И. Л. Новик, Д. В. Тараканов

Сургутский государственный университет, pev_86@mail.ru, i-n-n-a-7@yandex.ru, sprtdv@mail.ru

В представленной работе рассматривается задача определения формы и технологических параметров отверстий (форма, местоположение (координаты), размеры и проч.) с использованием метода сигнатурного анализа изображения. Данная тема является особенно актуальной в машиностроительной отрасли, где необходимо осуществлять контроль качества технологических отверстий в режиме реального времени. В качестве классификатора используется искусственная нейронная сеть прямого распространения. Применение вышеуказанного подхода позволяет на основе обучающей выборки получить приемлемое качество классификации образов (отверстий). Представленный подход позволяет эффективно решать задачу детектирования отверстий в условиях помех. Проектирование искусственной нейронной сети, обучение и тестирование осуществлялось в среде Matlab. Для достижения помехоустойчивости классификатора осуществлялась фильтрация, как изображения, так и полученных сигнатур. В результате компьютерного эксперимента в среде Matlab представленная система показала возможности идентификации технологических отверстий с приемлемой точностью.

Ключевые слова: искусственные нейронные сети, распознавание образов, сигнатурный анализ.

DETECTION OF FABRICATION HOLES WITH SIGNATURE ANALYSIS

E. V. Grebenyuk, I. L. Novik, D. V. Tarakanov

Surgut State University, pev_86@mail.ru, i-n-n-a-7@yandex.ru, sprtdv@mail.ru

The article deals with the problem of determining the shape and parameters of holes (shape, location (coordinates), size, etc.) with the method of image signature analysis. This subject is particularly relevant to the mechanical engineering, where it is necessary to control the quality of fabrication holes in real-time. The feedforward artificial neural network is used as the classifier. The application of the said approach allows of obtaining an acceptable quality of the image classification (holes) on the basis of the training samples and solving the problem of detecting holes under noise conditions. The design of artificial neural network, training and testing were carried out in Matlab. The filtering of images and obtained signatures was conducted to achieve the noise immunity of the classifier. As a result of computer experiment in the Matlab environment the given system showed the possibility of identification of fabricaion holes with acceptable accuracy.

Keywords: artificial neural networks, pattern recognition, signature analysis.

В представленной работе рассматривается задача детектирования формы и параметров отверстия на технологических заготовках. Вышеуказанная задача используется в самых разных областях, например, для обеспечения выпуска продукции в области машиностроения, электроники и других отраслей с требуемыми показателями качества

необходимо использовать методы дистанционного оптического контроля технологических отверстий [1-4]. Системы автоматического оптического контроля позволяют обеспечить:

1. Постоянно высокие коэффициенты выхода готовой продукции.

2. Снижение производственных затрат и ускорение производственного цикла.

3. Более экономичный расход всех используемых материалов.

4. Повышение производительности и эффективности работы, по сравнению с контролем, осуществляемым оператором.

На рис. 1. представлено схематичное изображение идеи дистанционного контроля отверстий.

Рис. 1. Методика контроля технологических отверстий

На деталь, содержащую технологическое отверстие, поступает световой поток, который фиксируется детектором. По полученному цифровому изображению можно сформировать заключение о наличии, местоположении и качестве обработки сквозного отверстия.

В данной работе предлагается использовать структурный подход детектирования и анализа характеристик отверстий - метод сигнатурного анализа.

Сигнатура [5, с. 934] - это описание границы объекта с помощью одномерной функции. Генерируются 360 векторов (с шагом в а = 10) таким образом, что начало у каждого вектора в начале координат (в качестве начала координат определяется центроид, т. е. некоторая средняя точка объекта, например, центр тяжести), а концом каждого вектора служит граница объекта. Друг от друга векторы отстоят на угол а. Зависимость длины вектора от угла называется сигнатурой.

На рис. 2 изображена сигнатура тестовой фигуры (окружности), которая характеризуется присутствием помех.

Рис. 2. Сигнатура контура мгс^

Графики сигнатур окружностей для разных диаметров представлены на рис. 3. Как видно из графика, все сигнатуры стремятся к прямой линии и имеют сравнительно малый разброс значений, что позволяет эффективно детектировать окружность. Небольшой разброс может быть устранен фильтром скользящего среднего или ИНС. Для получения инвариантной сигнатуры относительно (размера) радиуса отверстия необходимо отфильтровать постоянную составляющую.

Рис. 3. Сигнатуры контуров отверстий круглой формы разного диаметра

В качестве исходного объекта исследования была взята линейка, имеющая множество отверстий различного диаметра и формы. Объект исследования представлен на рис. 4.

Рис. 4. Исходное изображение для обработки

На начальном этапе детектирования объектов необходимо подготовить изображение для дальнейшего поиска контуров. Для этого переводим палитру изображения в оттенки серого через функцию grayimg = rgb2gray(img) и изменим контрастность изображения при помощи следующей функции с помощью функции grayimg = imadjust(grayimg).

Изображение подготовлено к поиску контуров. Воспользуемся функцией edge:

bw = edge(grayimg,'canny', 0.15, 2);

Функция осуществляет поиск контуров изображения, основываясь на интенсивность каждого пикселя. В качестве параметров указываются пороги чувствительности и отклонение для фильтра Гаусса. Результаты работы функции представлены на рис. 5.

Рис. 5. Результат работы функции edge (с заданными параметрами порога и отклонения)

Используя функцию boundaries [6], осуществляем поиск и обработку всех контуров на изображении. Программный код функции представлен ниже function [sign, signPr, result] = boundaries(img, getdata)

Функция отображает на исходном изображении номер найденного контура и окружность, построенную на основе центра масс и диаметра. Как видно из рис. 6, для всех отверстий круглой формы окружность построена верно.

Рис. 6. Результат работы функции boundaries

Также функция осуществляет вывод всех графиков сигнатур на одной плоскости (рис. 7). Как можно заметить, каждая форма исследуемых объектов имеет характерную форму:

- окружность с достаточно малым радиусом - график стремится к прямой;

- окружность с большим радиусом - график стремится к синусоиде с малым значением амплитуды (это вызвано тем, что полученный контур отверстия имеет отклонения от идеальной окружности, т. е. окружность стремится к овалу);

- овал - синусоида с большим значением амплитуды;

- квадрат и шестиугольник - синусоида, взятая по модулю и отраженная относительно оси абсцисс. Количество витков зависит от количества сторон фигуры.

Рис. 7. Графики сигнатур объектов различной формы

После того, как все сигнатуры были найдены их необходимо привести к общему виду для того, чтобы обучить ИНС распознавать каждый вид отверстия. Для проверки изменения графика сигнатуры была применена медианная фильтрация ко всем сигнатурам с окном, равным 9. Для этого использовалась стандартная функция medfilt2: for k = 1:length(B)

medfilt(k,:) = medfilt2(sign(k,:), [1 9]); end

Рис. 8. Медианная фильтрация, примененная на сигнатуры

Как видно из рис. 8 графики стали более сглаженными. Также была проверен фильтр скользящего среднего на графиках сигнатур.

В качестве решающего правила (классификатора) предлагается использовать ИНС прямого распространения, которая на основании экспериментальных данных (обучающей выборки) позволяет корректно решать задачи классификации входных объектов (не попавших в обучающую выборку).

С математической точки зрения нейрон - это нелинейный преобразователь, функция, на вход которой подано некоторое значение (возбуждающий сигнал), а с выхода снято другое значение (величина возбуждения), связанное с входами сложной зависимостью или даже вероятностно. Искусственный нейрон - это типовой элемент, состоящий из сумматора и функции активации (преобразующей функции) [7].

Модель искусственного нейрона с одним вектором входа р с R элементами p1, p2, ..., pR представлена на рис. 9. Здесь каждый элемент входа умножается на веса wn, w2, • •• , wR соответственно, и взвешенные значения передаются на сумматор. Полученная сумма равна скалярному произведению вектора W на вектор входа р.

Вход

a=f (W*p+b)

Рис. 9. Модель искусственного нейрона

Нейрон имеет смещение Ь, которое суммируется со взвешенной суммой входов. Результирующая сумма п равна:

п = м>11 • Р1 + ^12 ■ Р2 +... + ■ Рк + ь.

Значение п, вычисленное сумматором, подается на вход активационной функции, которая и вычисляет выходное значение (возбуждение) нейрона.

Архитектура ИНС, выполняющая задачу распознавания одного типа отверстия (окружности), представлена на рис. 10. Компьютерный эксперимент осуществлялся в пакете Matlab/Simulink.

Рис. 10. Архитектура ИНС прямого распространения для классификации одного объекта Массив сигнатуры объекта поступает в параллельном коде (с шагом 1 градус) на вход

ИНС.

Информационные признаки транспонируются в столбец. Причем размер данного столбца определяет количество входных воздействий на искусственную нейронную сеть и соответствует размеру матрицы изображения. Используя трехслойную сеть прямого распространения, можно спроектировать универсальный классификатор.

Этапы преобразования данных для решения задачи сигнатурного анализа изображений представлены на рис. 11.

Рис. 11. Этапы процедуры сигнатурного анализа Результат работы ИНС изображен на рис. 12.

Рис. 12. Объект помеха формы

Как видно из рис. 12, все исследуемые объекты были распознаны верно. Буквы на рис. 12 обозначают вид отверстия: "C" - circle, "O" - oval, "R" - rectangle, "H" - hexagonal, если объект не распознан искусственной нейронной сетью, то этот объект маркируется буквой "U" - undefined. Объект № 9 был распознан системой как овальное отверстие, что не является корректным.

На рис. 13, 14 отражается степень уверенности ИНС, что объект является кругом. Проверка работы искусственной нейронной сети на идеальных фигурах представлена на рис. 13.

>> test_net('source1.png', recognizer, 0.999);

Рис. 13. Результат классификации нейросетевой классификации объектов на изображении

Результат работы распознавания кругового отверстия в условиях помех представлено на рис. 14.

Рис. 14. Результат классификации нейросетевой классификации объектов на изображении с помехами

Из рис. 13, 14 видно, что в большинстве случаев сеть искусственная нейронная корректно выполнила задачу корректно.

Система детектирования технологических отверстий включает две основные компоненты: блок сигнатурного анализа и нейросетевой классификатор, для которого необходимо определить весовые коэффициенты ю, смещения Ь с использованием машинного обучения. Обученная ИНС выполняет задачу классификации входного изображения (дескрипторов). В результате чего формируется ответ: принадлежат ли входные характеристики отверстия (изображения) заданным параметрам или нет.

В результате компьютерного эксперимента в среде МайаЬ представленная система показала возможности идентификации технологических отверстий с приемлемой (инженерной) точностью.

Метод сигнатурного анализа позволяет эффективно подсчитывать число и определять вид отверстий, определять технологические параметры. Вышеуказанный метод позволяет оценить качество отверстий в условиях помех и является эффективным методом для решения задач отбраковки деталей.

Литература

1. Абакумов И. И. Компенсация погрешностей оптико-электронной системы автоматизированного контроля геометрических параметров объектов : дис. ... канд. тех. наук. СПб., 2014. 133 с.

2. Махов В. Е. Оптический метод и средства контроля деформаций и линейных размеров в машиностроении : дис. ... д-ра тех. наук. СПб., 2015. 381 с.

3. Местецкий Л. М. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры. М. : Физматлит, 2009. 288 с.

4. Потапов А. С. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания. СПб. : Политехника, 2007. 547 с.

5. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Изд. 3-е, испр. и доп. М. : Техносфера, 2012. 1104 с.

6. Гонсалес Р. Цифровая обработка изображений : моногр. ; под ред. П. А. Чочиа. М. : Техносфера, 2005. 1070 с.

7. Хайкин С. Neural Networks: A Comprehensive Foundation. М. : Вильямс, 2016, 1104 с.

8. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6. М. : Диалог МИФИ, 2002. 496 с.