CC BY
42
заготовок / С.В. Лукин, В.В. Мухин // Известия вузов. Черная металлургия. - 2008. - № 5. - С. 31 - 35.
2. Лукин, С.В. Переходные процессы в кристаллизаторе машины непрерывного литья заготовок / С.В. Лукин, А.В. Гофман // Известия вузов. Черная металлургия. - 2010. -№ 9. - С. 17 - 20 .
3. Калягин, Ю.А. Исследование теплообмена в кристаллизаторе МНЛЗ с круглыми щелевыми каналами / Ю.А. Калягин, Н.И. Шестаков, О.В. Манько, С.В. Лукин // Заготовительные производства в машиностроении. - 2004. -№ 12. - С. 29 - 31.
УДК 669.147: 004.042
Л.Л. Малыгин, А.Н. Ульянов
ИСПОЛЬЗОВАНИЕ ВЕЙВЛЕТ-ПРЕБРАЗОВАНИЯ ДЛЯ КЛАССИФИКАЦИИ ПОВЕРХНОСТНЫХ ДЕФЕКТОВ ЛИСТОВОГО МЕТАЛЛОПРОКАТА В СИСТЕМАХ ТЕХНИЧЕСКОГО ЗРЕНИЯ
результаты математического моделирования теплопередачи от сляба к охлаждающей воде кристаллизатора машины непрерывного литья заготовок при нестационарных режимах разливки, связанных с изменением скорости разливки и уровня мениска жидкого металла в кристаллизаторе.
Литература
1. Лукин, С.В. Исследование теплообмена слитка с кристаллизатором сортовой машины непрерывного литья
В статье рассматриваются основные этапы обработки изображений в системах технического зрения (СТЗ), направленных на контроль качества поверхности листового металлопроката. Отмечается, что центральной проблемой при классификации является выбор наиболее информативных признаков. Описывается метод поиска наиболее информативных подсистем-признаков, основанный на определении оптимальной структуры дерева вейвлет-декомпозиции, содержащего наиболее информативные диапазоны вейвлет-коэффициентов.
Листовой металлопрокат, дефект поверхности, вейвлет-преобразование, классификация, поиск признаков, системы технического зрения.
The article considers the main stages of image processing in vision systems, designed to control the surface quality of sheet metal-roll. The central problem of classification is considered to be the selection of the most informative features. The paper describes the method of finding the most informative subsystem-features based on the determination of the optimal tree structure of wavelet decomposition, containing the most informative ranges of wavelet coefficients.
Sheet metal-roll, surface defect, wavelet transformation, classification, search of features, vision systems.
Одним из основных продуктов металлургического производства является металлопрокат. Качество отделки поверхности определяется различными технологическими характеристиками и аттестуется с учетом дефектов, образующихся на различных переделах металлургического производства.
Разработка систем технического зрения, направленных на контроль качества поверхности листового металлопроката, осложняется рядом факторов. Перечислим основные из них:
- дефекты даже в пределах одного класса могут широко варьироваться как по внешнему виду, так и по структуре, более того, члены одного класса могут иметь значительное сходство с дефектами другого класса;
- динамическое изменение классов дефектов, связанное с изменениями в технологическом процессе, приводит как к появлению новых классов дефектов, так и изменению существующего классового деления. В связи с этим разрабатываемые средства контроля качества поверхности должны быть способны адаптироваться к изменяющимся условиям эксплуатации.
Последовательность основных этапов обработки изображений в большинстве систем [4] оптоэлектронного контроля качества поверхности представлена на рис. 1.
Рис. І. Основные этапы обработки изображений
Процесс выявления дефектов рассматривается в них как последовательное выполнение следующих основных этапов: предварительная обработка изображения, поиск дефектных областей на изображении, расчет классификационных признаков по найденным областям, классификация дефекта. Таким
образом, для проведения классификации требуется предварительное решение задачи поиска дефектных областей. Обеспечение же необходимой точности процедуры поиска часто не представляется возможным по следующим причинам:
- зашумленность и неоднородность изображений поверхности металлопроката и, как следствие, средняя яркость полосы может меняться в достаточно широких пределах;
- высокая скорость движения полосы накладывает жесткие временные ограничения на работу алгоритмов;
- необходимость обеспечения высокой разрешающей способности СТЗ.
Повышение эффективности классификации представляется возможным путем исключения сложного этапа поиска дефектных областей на изображении и переходом непосредственно к расчету признаков и последующей классификации дефектов.
Центральным проблемой при классификации является проблема выбора наиболее информативной подсистемы признаков. Перевод изображений в частотную область позволяет получить компактный набор спектральных характеристик, представляющих изображение в частотном виде. Такое преобразование изображений осуществляется с использованием методов частотного анализа. Классический представитель этой группы методов - оконное преобразования Фурье (ОПФ) [4]. Решающим вопросом при выполнении ОПФ является выбор размера окна. При большом размере окна дефекты небольшого размера подавляются фоном, если размер окна мал, то начинает заметно проявляться шум, который затрудняет обнаружение и повышает вероятность ложной тревоги. Отсюда следует, что основной недостаток ОПФ связан с шириной используемой оконной функции, которая остается постоянной и поэтому не может адаптироваться к локальным свойствам сигнала.
Альтернативной методикой, получившей развитие в последние десятилетия и позволившей преодолеть главные недостатки классических методов частотного анализа, является многомасштабная схема декомпозиции, основанная на вейвлет-преобразовании [6].
Проведенные исследования [1, с. 58] показали, что метод частотно-временного анализа на основе вейвлет-преобразования обладает высокой потенциальной возможностью для выявления как больших, так и небольших, слабоконтрастных дефектов. При этом может быть опущен сложный этап поиска дефектных областей, что позволит уменьшить время, необходимое на обработку одного кадра.
Первым предпринял попытку применить метод слияния-разделения для решения задачи классификации Сайто [5], он назвал свой метод методом локального дискриминантного базиса. Экспериментальные исследования, проведенные в работе [1, с. 69] показали недостаточно высокую эффективность применения метода Сайто для решения задачи классификации поверхностных дефектов листового металлопроката. Поэтому возникает необходимость разработки нового метода, позволяющего определять более информативные диапазоны вейвлет-
коэффициентов (информативные признаки) и таким образом повысить эффективность классификации.
При разработке метода поиска наиболее информативных подсистем признаков важной задачей является выбор дискриминантного критерия (целевой функции), который должен максимизировать (минимизировать) результирующее вейвлет-дерево.
В качестве такого критерия предлагается использовать критерий Фишера вида:
F Dint er
D
(1)
где Амга = X^га () - характеризует среднюю
2=1
изменчивость внутри классов (внутриклассовую раз-
C-1 C
ность); Цп1 ег q-mter (i, j) - характеризует
i=1 j=i+1
среднюю изменчивость между классами (межклассовую разность), здесь C - количество классов; q-ntra (i) - расстояние внутри класса i; gmt er (i, j) -расстояние между классами i и j. Чем больше F, тем лучшей разделяющей способностью обладает вектор признаков в качестве анализа внутри и между классовой изменчивости - расстояний средний связи:
1 N -1 Nt qint ra (i) _ — X 2 d(x(i)k , x(i)l )
i k_1 l_k+1
1 Ni Nj
qinter(i,j) _ -n d (xk (0, xl (j)), (2)
j k_1 l_1
где Ni - количество объектов в классе /'; х(Г)к, х(/)
- вектор признаков, характеризующий объект к и I из
класса i
jk
к=1 |хгк + х]к\
стояние между объектами, т - размерность вектора признаков.
Исходные данные метода:
1. Обучающее множество образцов изображений металлопроката, содержащих все типы дефектов, подлежащих обнаружению и бездефектную поверхность: х = {х(с)}, I = 1,..., Ыс, с = 1,..., С, где Ыс
- количество образцов, относящихся к классу С, С -количество классов. Размерность этого множества N = N +... + ЫС .
2. Выбор вида порождающего вейвлета (соответствующих высокочастотному и низкочастотному фильтру ).
3. Задание максимальной глубины вейвлет-преобразования Ь.
4. Формирование рабочего словаря признаков. Обозначим через Б1 = {Б}- к},у = 1,..., Ь,к = 0, ...,
4Ь - 1 множество диапазонов, полученных после выполнения полного вейвлет-преобразования, глу-
дивергенция, рас-
биной L, образцов обучающей выборки i = 1,...,N . Для каждого диапазона Bi рассчитывается вектор признаков Pbj = {Pbj к1,..., Pbj kR }, где R - размерность рабочего словаря признаков.
Целью является поиск такого подмножества диапазонов A = Д- = {Aj к } с B, а также соответствующего ему вектора признаков Pa с Pb , для которых выбранная целевая функция принимала бы максимальное (минимальное) значение. Множество иерархически связанных диапазонов Ai будем называть дискриминантным деревом вейвлет-преобразования или дискриминантным вейвлет-деревом. Далее для сокращения записи будем считать, что необходимо максимизировать целевую функцию.
Этап восходящего анализа
Шаг 1. Выполнение полного вейвлет-преобразования, глубиной L , всех образцов обучающей выборки.
Формирование множества диапазонов B = = Bt = [Bj к}, j = 0,..., L, к = 0,..., 4l-1. каждого диапазона Bi расчет вектора признаков Pbi = [Pbj к 1, ., Pbj к R }, где R - размерность рабочего словаря признаков. Каждому диапазону из множества B ставится в соответствие два числа djk = 0 и pj к = 0, таких, что:
Г1, если Bj к е A, Г1, если Pbj к е Pa,
dj,k |0, если Bj к t A Р],к |0, если Pbj к t Pa.
Шаг 2. j = L .
Шаг 3. Если j = L, то переход к шагу 4, иначе - к шагу 5.
Шаг 4. Для каждой четверки узлов, находящихся на уровне j, имеющей одного родителя по всему набору образцов методом полного перебора, определение такой комбинации диапазонов
Bmaxс [B^,jBj,2k^Bj,2k+з} и соответствующего ей подмножества признаков Pbmax , , для
j,k
которых целевая функция принимает максимальное значение.
Шаг 5. Для каждого узла Bj к на уровне j вектор признаков строится по следующим трем вариантам:
1) Pbj-к = P(Bj, к^
2) Pbj ,к2 = P (Bj, к) и Pb max j+1,к ,
3) Pbj,k = Pb maxj+u .
Расчет целевой функции по каждому из трех векторов и определение ее максимального значения Fmax= MAXiFiPbj-k), F(Pbj/), FiPbJ)).
Если F maxuk = F(Pbj к1), то dj к = 0, pj^ = 1, Р1,к = 0, l = j +1,...,L , Pbj-к = P(Bj k).
Иначе, если F max jк = F (Pbjk 2), то dj,к = 1, Р],к =1 Pj+1,k = 1, если Bj+1,k е Bmaxj+1,k,k = 0, ...,3 , Pbj,k = P(Bj, к) U Pb maxj+1,k .
Иначе, если F max j k = F (Pbj k 3), то dj k = 1,
Pj, к = a Pj+1,k = 1 если Bj+1,k е B maxj+1,k,
k = O^..^ Pbj к = Pb max j +1Д .
Шаг б”. Если j > 0 , то j = j -1 переход к шагу 5,
иначе - остановка.
Этап нисходящего анализа
Шаг 1. j = 0 .
Шаг 2. Формирование множества наиболее информативных диапазонов A = Aj k с Bj к и соответствующего ему вектора признаков Pa . Если djk = 0, то дальнейший анализ поддерева, корнем которого является узел Bj к , не выполняется. Если Pj к = 1 , то A = A и Bj к и Pa = Pa и Pbj k .
Шаг 3. Если j < L , то j = j + 1, переход к шагу 2, иначе - остановка.
К достоинствам представленного метода можно отнести значительно меньшее количество проверяемых комбинаций, нежели при использовании метода полного перебора:
L 4 4! L
N=L«I+3)Ч'-,)=I<18",j'-I)- (3)
Т ак при L = 2 N = 90, в отличие от N > 2000000, при использовании полного перебора.
К недостаткам можно отнести то, что метод не позволяет получить строго оптимальное решение, которое возможно при использовании метода полного перебора.
Экспериментальные исследования предложенного метода показали, что он позволяет решать задачу выявления поверхностных дефектов с заданными показателями эффективности и быстродействия за счет отказа от выполнения предварительного этапа поиска дефектных областей.
Литература
1. Ульянов, А.Н. Метод и средства оптоэлектронного контроля качества поверхности листового металлопроката: дис. ... канд. техн. наук / А.Н. Ульянов. - СПб., 2006.
2. European Experiences in Cold Strip Surface Inspection, Marco Vascotto, International Automated Surface Inspection Technology, Conf. - Lake Buena Vista, Fla., 1999. - February.
3. Fabric defect detection by Fourier analysis, Chi-ho Chan, Grantham Pang, Proceedings of the 1999 IEEE Industry Applications Society Conference Phoenix. - Arizona, USA, 1999. - 3 - 7 October.
4. Fabric defect detection by Fourier analysis, Chi-ho Chan, Grantham Pang, Proceedings of the 1999 IEEE Industry
Applications Society Conference Phoenix. - Arizona, USA, 1999. - 3 - 7 October.
5. Saito, N. Local discriminant bases / N. Saito, R.R. Coifman // A.F. Laine and M.A. Unser, editors, Mathematical Imaging: Wavelet Applications in Signal and Image Processing
II. - 1994. - V. 2303.
6. Mallat, S.G. A theory for multiresolution signal decomposition: the wavelet representation, IEEE Trans / S.G. Mallat. - Pattern Anal. Mach. Intell. - 1989. - № 11.
7. Surface defect inspection of cold Rolled Strips with Features Based on Adaptive Wavelets Packets, Chang Su Lee, Chong-Ho Choi, Jin Young Choi, Se Ho Choi, IEICE TRANS. INF. & SYST. - 1997. - V. E80-D. - № 5.
УДК 004.932.2
А.В. Цветков, Л.Л. Малыгин
РЕШЕНИЕ ЗАДАЧИ ОПРЕДЕЛЕНИЯ ЧИСЛА ОБЪЕКТОВ ОДНОГО КЛАССА НА ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ СО СЛОЖНЫМ ФОНОМ ПРИ ПОМОЩИ ОБУЧАЕМОГО АЛГОРИТМА, РЕАЛИЗОВАННОГО НА ОСНОВЕ МНОГОМЕРНОЙ ИНТЕРПОЛЯЦИОННОЙ МОДЕЛИ
В работе дается краткое описание существующих методик определения числа объектов одного класса на изображениях. Рассматриваются их достоинства и недостатки. Предлагается решение задачи подсчета объектов одного класса на цифровых изображениях при помощи обучаемого алгоритма, основанного на многомерной интерполяционной модели. Определен критерий оптимальности алгоритма, представлены результаты тестирования алгоритма при анализе снимков мембран.
Цифровая обработка, анализ изображений, интерполяция, аппроксимация, машинное обучение, случайные функции.
The paper gives a brief description of the existing methods of determining the number of objects of the same class on the images, considers their advantages and disadvantages. The article proposes the solution to the problem of counting of objects of one class on digital images with the help of training algorithm based on a multi-dimensional interpolation model. The optimality criterion of algorithm is defined and the results of testing the algorithm in the analysis of pictures of membranes are presented in the paper.
Digital processing, image analysis, interpolation, approximation, machine learning, random functions.
В данной работе предлагается описание решения задачи подсчета объектов одного класса на видеоизображениях. Задачи контроля на производстве, в медицине и других отраслях зачастую сводятся к решению, при котором необходимо производить подсчет однородных объектов (например: общий анализ крови выполняется как подсчет кровяных телец на изображении; определение параметров мембран выполняется на основе подсчета отверстий (пор) на мембранах и т. д.). Зачастую такие задачи решаются вручную. Другим распространенным решением является использование алгоритмов сегментации и локализации объектов с последующей оценкой их числа.
В данной работе для решения описанной задачи предлагается алгоритм, который сводится к решению задачи регрессии. Предложенный алгоритм по заданному небольшому набору обучающих данных вычисляет функцию плотности для изображения. Далее вычисляется интеграл от этой функции, который и дает оценку числа объектов. Решение подходит как для полутоновых, так и цветных изображений. Элементом новизны является метод решения задачи регрессии с использованием многомерной интерполяционной модели.
Предметная область работы
Предлагаемое решение может применяться в областях, в которых существует задача подсчета объек-
тов одного класса. В качестве тестовых данных используются выборки изображений микрофильтраци-онных мембран [5] (см. рис. 1).
Объект исследования
Объектом исследования являются цифровые изображения с неоднородным, сложным фоном, содержащие набор объектов одного класса.
При анализе подобных снимков основной характеристикой является число одиночных объектов, которые обладают следующими особенностями:
1. Объекты на изображении не обладают абсолютным визуальным подобием между собой.
2. Изображения имеют неоднородный, сложный фон, что исключает решения использующие оценки фона и текстуры фона.
3. Объекты на изображении могут частично перекрывать друг друга. Это создает трудность подсчета одиночных объектов (рис. 2).
Существующие методики для подсчета объектов
Все основные методики подсчета объектов по цифровым изображениям можно разделить на основные группы:
- подсчет с использованием сегментации;
- подсчет с использованием детектирования объектов;
- подсчет с использованием методов регрессии.
