CC BY
36УДК 664-405
Использование системы компьютерного зрения
для автоматизированного определения органолептических
показателей качества семян подсолнечника
Л. А. КРЫЛОВА, доцент; А. Н. ПЕТРЯКОВ, канд. техн. наук Московский государственный университет пищевых производств
П. М. ШКАПОВ, д-р техн. наук, профессор; И. Г. БЛАГОВЕЩЕНСКИЙ, д-р техн. наук, профессор Московский государственный технический университет им. Н. Э. Баумана
При анализе технологического процесса очистки семян подсолнечника определены наиболее информативные органолептические показатели качества семян (гранул): геометрическая форма, длина, ширина, цвет, которые необходимо непрерывно устанавливать при производстве [1—2].
Органолептические показатели семян подсолнечника (гранул) определяли с помощью автоматизированной системы компьютерного зрения. Для ее реализации использовали следующее оборудование: видеокамера SONY PS3EYE Camera B4.09.24.1, осветительные приборы — светодиодная панель JAI 1000LM, штатив Rekam Ecopod E-106, персональный компьютер с характеристиками, влияющими на производительность работы приложения: процессор Intel Core i5-2400@3.10 GHz, оперативная память 8 GB.
C(x3, У3)
O(x0, У ) J
/В(Хг
D(x„ У4)
Рис. 1. Получение вершин многогранника методом
Рис. 2. Блок-схема последовательности работы блоков программы
Видеокамера имеет следующие характеристики: максимальное разрешение матрицы 640x480 пикселей; максимальное количество кадров, производящееся в секунду, 187. Тестирование работы алгоритмов системы компьютерного зрения проводили при помощи специального программного обеспечения, написанного на языке программирования Action Script 3.0 в среде разработки Flash Develop [3].
Для дальнейшего анализа изображения и самих гранул семян подсолнечника необходимо выделить каждую гранулу, как самостоятельный геометрический объект. Последний представляет собой выпуклый многогранник, вершины которого лежат на контуре гранулы (рис. 1).
В ходе разработки программно-алгоритмического обеспечения был введен класс Rectangle, который при помощи алгоритмов определения границ и размеров гранулы позволяет хранить информацию о каждой идентифицированной грануле. Данный класс — объект программы, и при идентификации новой гранулы происходит создание нового объекта в оперативной памяти системы. На рис. 2 представлена блок-схема алгоритма программы по формированию объектов класса Rectangle.
Из имеющихся в описании класса Rectangle необходимо отметить следующие методы и функции:
♦ contains (i, j): Boolean — проверка на принадлежность точки с координатами i, j многоугольнику. Функция возвращает результат типа boolean — значения true либо false;
♦ Set (point, i, j): void — применение нового значения пиксела, имеющего координаты i, j. В качестве аргументов функции передается экземпляр класса point и соответствующие данному пикселу координаты. Функция имеет тип void, данная запись означает, что она не возвращает никаких значений;
♦ getWidth (): Integer — получение значения в пикселях ширины гранулы, проходящей через центроид O(i, j). Функция возвращает целочисленный тип данных;
♦ getHeight (): Integer — получение значения в пикселях длины гранулы, проходящей через центроид O (i, j). Функция возвращает целочисленный тип данных;
♦ setHeigth (Integer h): void — применение нового значения в пикселях длины гранулы, проходящей через центроид O (i, j);
Рис. 3. Многогранники с разным числом вершин: а - 14; б-30
• setWidth (Integer w): void — применение нового значения в пикселях ширины гранулы, проходящей через центроид O (i, j). Вызов методов setHeight (h) и setWidth (w) происходит только при расчете геометрических размеров гранулы. В качестве аргументов в методы передаются целочисленные значения;
• equals (Rectangle r): Boolean — функция сравнения двух различных экземпляров класса Rectangle, в качестве аргумента передается второй экземпляр класса, сравнение с которым необходимо произвести. Функция возвращает результат типа boolean — значения true либо false.
Класс содержит также информацию о точке-центроиде O ( i, j), после расчетов алгоритмов определения центроида экземпляру класса передаются координаты
I, у центроида. С увеличением числа вершин многогранника возрастает точность дальнейших операций по определению геометрических размеров гранул [4]. Графическое изображение двух полученных многогранников с разным числом вершин представлено на рис. 3.
Чтобы повысить точность измерений, целесообразно увеличить число вершин многогранника. Для этого следует соблюдать заданную точность е, которая может быть представлена как заданное количество итераций по поиску вершин; общее количество найденных вершин; минимальное расстояние между вершинами. Введение такой переменной необходимо в качестве семафора для выхода из циклов алгоритма поиска вершин [5].
Использование данного шаблона проектирования позволяет представить каждую идентифицированную гранулу на цифровом изображении как объект в оперативной памяти или базе данных либо во временном хранилище данных. Данный подход дает возможность проводить достаточно точные измерения органолеп-тических показателей качества семян подсолнечника. С повышением разрешения камеры рекомендуется также увеличивать число вершин многогранника, что, в свою очередь, приведет к более точным результатам измерения [6—8].
Литература
1. Благовещенская, М. М. Информационные технологии систем управления технологическими процессами / М. М. Благовещенская, Л. А. Злобин. — М.: Высшая школа, 2005. — 768 с.
2. Благовещенская, М. М. Идентификационный аспект в методологии создания систем управления технологическими объектами с нестационарными параметрами/ М. М. Благовещенская, В. В. Макаров // Вестник Воронежского государственного университета инженерных технологий. — 2014. — № 1. — С. 85-90.
3. Благовещенская, М. М. Основы стабилизации процессов приготовления многокомпонентных пищевых масс. Монография /М. М. Благовещенская. — М.: ООО «Фран-тера», 2009. — 281 с.
4. Данилова, М. А. Автоматизированная система учета сыпучих пищевых продуктов / М. А. Данилова [и др.]// Хранение и переработка сельхозсырья. — 2012. — № 6. — С. 63-66.
5. Благовещенская, М. М. Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического регулирования процесса формования гранулированных комбикормов. / М. М. Благовещенская [и др.] //Вестник Воронежского государственного университета инженерных технологий. — 2014. — № 2. — С. 48-55.
6. Благовещенский, И. Г. Экспертная интеллектуальная система мониторинга процесса формования помадных конфет с использованием системы технического зрения. / И. Г. Благовещенский// Пищевая промышленность. — 2015. — № 6. — С. 32-36.
7. Аитов, В. Г. О создании автоматизированной экспертной системы органолептической оценки качества пищевых продуктов. / В. Г. Аитов [и др.] // Хранение и переработка сельхозсырья. — 2015. — № 4. — С. 53-57.
8. Благовещенский, И. Г. Использование системы компьютерного зрения для контроля в режиме онлайн качества сырья и готовой продукции пищевой промышленности / И. Г. Благовещенский // Пищевая промышленность — 2015. — № 6. — С. 9-14.
References
1. Blagoveshchenskaya M. M., Zlobin L. A. Informatsionnye tekhnologii sistem upravleniya tekhnologicheskimi protsessami [Information technologies of process control systems]. Moscow, Vysshaya shkola Publ., 2005. 768 p.
2. Blagoveshchenskaya M. M., Makarov V. V. [Identification aspect in the methodology of creating control systems for technological objects with non-stationary parameters]. Vestnik Voronezhskogo gosudarstvennogo universiteta inzhenernykh tekhnologii, 2014, no. 1, pp. 85—90. (In Russ.)
3. Blagoveshchenskaya M. M. Osnovy stabilizatsii protsessov prigotovleniya mnogokomponentnykh pishchevykh mass. Monografiya [Fundamentals of stabilization of the processes of multicomponent food masses preparation]. Moscow, Frantera Publ., 2009. 281 p.
4. Danilova M. A. et al. [Automated system of accounting for strewing food products]. Khranenie ipererabotkasel'khozsyr'ya, 2012, no. 6, pp. 63-66. (In Russ.)
5. Blagoveshchenskaya M. M. et al. [Using a digital video camera as an intelligent sensor for automatic control of the process of forming granulated mixed fodders]. Vestnik Voronezhskogo gosudarstvennogo universiteta inzhenernykh tekhnologii, 2014, no. 2, pp. 48-55. (In Russ.)
6. Blagoveshchenskii I. G. [Expert intellectual system for monitoring the process of molding fondant sweets using a system of technical vision]. Pishchevayapromyshlennost', 2015, no. 6, pp. 32-36. (In Russ.)
7. Aitov V. G. et al. [On the creation of an automated expert system of organoleptic evaluation of food quality]. Khranenie i pererabotka sel'khozsyr'ya, 2015, no. 4, pp. 53-57. (In Russ.)
8. Blagoveshchenskii I. G. [Using a computer vision system to control the online quality of raw materials and finished products of the food industry]. Pishchevaya promyshlennost', 2015, no. 6, pp. 9-14. (In Russ.)
Использование системы компьютерного зрения для автоматизированного определения органолептических показателей качества семян подсолнечника
Ключевые слова
автоматизация; объектно-ориентированное программирование; органолептические показатели качества; семена подсолнечника; системы компьютерного зрения.
Реферат
Показано применение методов определения центроида гранулированных пищевых продуктов на примере семян подсолнечника для контроля их органолептических показателей качества по цифровому изображению. Рассмотрены наиболее информа-
The Use of Computer Vision Systems
for Automated Determination of Organoleptic Indicators
of the Quality of Sunflower Seeds
Key words
automation; object-oriented programming; organoleptic indicators of quality; of sunflower seeds; computer vision systems.
Аbstract
This article describes the application of methods for the determination of the centroid of granular food products on the example of sunflower seeds to control their organoleptic indicators of the quality of digital image. Considered the most informative sensory quality
тивные органолептические показатели качества семян подсолнечника: геометрическая форма, длина, ширина, цвет, которые необходимо непрерывно определять в процессе очистки семян для дальнейшего производства, например, подсолнечного масла. Органолептические показатели семян подсолнечника (гранул) устанавливали с помощью автоматизированной системы компьютерного зрения. Для ее реализации использовали следующее оборудование: видеокамера SONY PS3EYE Camera B4.09.24.1, осветительные приборы — светодиодная панель JAI 1000LM, штатив Rekam Ecopod E-106, персональный компьютер с характеристиками, влияющими на производительность работы приложения: процессор IntelCore i5-2400@3.10 GHz, оперативная память 8 GB. Описаны анализ и обработка поступающего видеоряда с видеокамеры и их обработка в автоматизированной системе, реализованной на языках программирования Java 1.8, ActionScript 3.0. Тестирование работы алгоритмов системы компьютерного зрения проводили при помощи специального программного обеспечения, написанного на языке программирования ActionScript 3.0 в среде разработки Flash Develop. Для дальнейшего анализа изображения и самих гранул семян подсолнечника необходимо было выделить каждую гранулу как самостоятельный геометрический объект. Последний представляет собой выпуклый многогранник, вершины которого лежат на контуре гранулы. В ходе разработки программно-алгоритмического обеспечения был введен класс Rectangle, который при помощи алгоритмов определения границ и размеров гранулы позволяет хранить информацию о каждой идентифицированной грануле. Данный класс — объект программы, и при идентификации новой гранулы происходит создание нового объекта в оперативной памяти системы. Разработана блок-схема алгоритма программы по формированию объектов класса Rectangle. Создан и приведен шаблон проектирования, позволяющий представить каждую идентифицированную гранулу на цифровом изображении как объект в оперативной памяти или базе данных либо во временном хранилище данных. Данный подход дает возможность проводить достаточно точные измерения органолептических показателей качества семян подсолнечника. С повышением разрешения камеры рекомендуется также увеличивать число вершин многогранника, что, в свою очередь, приведет к более точным результатам измерения.
parameters of sunflower seeds: geometric shape, length, width, color, which you need to continuously determine the cleaning process of seeds for further production, such as sunflower oil. To determine the organoleptic characteristics of sunflower seeds (pellets) used an automated computer vision system. As the implementation of the system the following equipment was used: video camera SONY PS3EYE Camera B4.09.24.1, lighting — led panel light 1000LM JAI, tripod Rekam Ecopod E-106, a personal computer having the following characteristics that affect application performance: Intel Core i5-2400 @ 3.10 GHz, RAM 8 GB. Describes the analysis and processing of incoming video from cameras and their processing in the automated system implemented in Java 1.8, ActionScript 3.0. Testing of the algorithms of computer vision systems has been performed using a special software written in the programming language ActionScript 3.0 in the development environment in Flash Develop. For further image analysis and the pellets of sunflower seeds it was necessary to allocate each pellet as a separate geometric object which represents a convex polyhedron whose vertices lie on the contour of the pellets. During the development of software and algorithmic support was introduced for the Rectangle class, which is using algorithms to determine the boundaries and size of the pellets allows you to store information about each identified granule. This class is the object program, and the identification of new granules creates a new object in memory system. Has been developed a block diagram of the algorithm of the program for formation of objects of the class Rectangle. Developed and presented in the paper design pattern, which allows to represent each granule is identified in a digital image as an object in memory or a database, or in a temporary data store. This approach allows for sufficiently accurate measurement of the organoleptic quality indicators of sunflower seeds. It should be noted that with increasing resolution of camera is recommended to increase the number of vertices of a polyhedron, which, in turn, will lead to more accurate measurement results.
Авторы
Крылова Лариса Александровна, доцент; Петряков Александр Николаевич, канд. техн. наук Московский государственный университет пищевых производств,
125080, Москва, Волоколамское шоссе, д. 11, A.PETR2@yandex.ru
Шкапов Павел Михайлович, д-р техн. наук, профессор; Благовещенский Иван Германович, д-р техн. наук, профессор Московский государственный технический университет им. Н. Э. Баумана,
105005, Москва, 2-ая Бауманская ул., д. 5, стр. 1, fn3@bmstu.ru
Authors
Krylova Larisa Alexandrovna, Associate Professor;
PetryakovAlexander Nikolaevich, Candidate of Technical Science;
Moscow state University of Food Production,
11 Volokolamskoye shosse, Moscow, 125080, Russia,
A.PETR2@yandex.ru
Shkapov Pavel Mikhailovich,
Doctor of Technical Science, Professor;
Blagoveshenskii Ivan Germanovich,
Doctor of Technical Science, Professor
Bauman Moscow State Technical University,
5 p.1, 2-ya Baumanskaya, Moscow, 105005, Russia,
fn3@bmstu.ru
