CC BY
7
Чуканов Антон Александрович, бакалавр, оператор, [email protected], Россия, Анапа, ФГАУ «ВИТ «ЭРА»,
Лутфулин Марат Данисович, специалист, оператор, Россия, Анапа, ФГАУ «ВИТ «ЭРА»,
Игнатенко Илья Евгеньевич, магистр, оператор, Россия, Анапа, ФГАУ «ВИТ «ЭРА»,
Фетисов Максим Григорьевич, специалист, старший оператор, Россия, Анапа, ФГАУ «ВИТ «ЭРА»
UTILIZATION OF INDUSTRIAL WASTE
A.A. Chukanov, M.D. Lutfulin, I.E. Ignatenko, M.G. Fetisov
Different types of industrial waste and their impact on the environment are reviewed in this article. Examined on a specific examples the origin and means of minimizing the impact, cleaning, recycling or erasing the industrial waste.
Key words: Industrial waste, environment, impact of the industrial waste on the environment, utilization of the industrial waste, ecology.
Chukanov Anton Alexandrovich, bachelor, operator, [email protected], Russia, Anapa, FGAU «MIT «ERA», Lutfulin Marat Danisovich, specialist, operator, Russia, Anapa, FGAU «MIT «ERA», Ignatenko Ilya Evgenievich, magister, operator, Russia, Anapa, FGAU «MIT «ERA», Fetisov Maksim Grigorievich, specialist, operator, Russia, Anapa, FGAU «MIT «ERA»
УДК 004.932
DOI: 10.24412/2071-6168-2024-8-411-412
ИССЛЕДОВАНИЕ МЕТОДОВ ОБНАРУЖЕНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ БЕЗ ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
Г.А. Митряев, Д.К. Мельников
В работе исследуется возможность распознавания объектов интереса на изображениях без применения технологий нейронных сетей. Представлены методы обнаружения с использованием различных алгоритмов расчёта схожести или различия объектов с исходными шаблонами и заданными заранее коэффициентами. На примере задачи обнаружения кораблей на радиолокационных снимках рассматриваются алгоритмы, сравнивающие объект на изображении с заранее заготовленными шаблонами объекта, частями этого объекта, находящие перепады контраста, углы и контуры, по форме напоминающие искомый объект.
Ключевые слова: обнаружение объекта, схожесть с шаблоном, перепады яркости, ключевые точки, нахождение контуров.
В современном мире широко применяются технологии компьютерного зрения, которые играют ключевую роль в различных сферах, таких как автономные транспортные средства, системы безопасности, медицинская диагностика и другие. Одной из его основных задач является обнаружение объектов на изображениях и видео. Для решения этой задачи используются алгоритмы машинного обучения, свёрточные нейронные сети. Однако в некоторых случаях использование машинного обучения нежелательно, например когда требуется высокая надёжность определения, нет возможности собрать большой набор данных, достаточный для достижения нейронной сетью хороших результатов или вычислительный комплекс не может обеспечивать заданную мощность. Кроме того для решения некоторого рода задач использование машинного обучения будет слишком громоздким и перегруженным [1].
Особенностями задачи обнаружения кораблей на радиолокационных снимках являются четко определённая форма объекта, угол под которым объект будет наблюдаться на изображении, высокая контрастность объекта относительно фона и малое количество мешающих факторов. В этой статье рассматриваются различные методы обнаружения объектов на изображениях без использования алгоритмов машинного обучения, которые при правильной реализации могут значительно превзойти результаты работы нейронных сетей.
1. Метод Template Matching. Метод Template Matching (сопоставления шаблонов) является наиболее простым для решения задач обнаружения объекта на изображении. Его несомненными преимуществами является быстродействие и простота реализации [2].
Для работы этого алгоритма нам необходимо два изображения:
1) исходное изображение: на нем будем искать объект;
2) изображение шаблона: это изображение мы будем искать на исходном (рис. 1).
Чтобы обнаружить объект, изображение шаблона скользит по исходному слева направо сверху вниз. В каждой точке (x, y) высчитывается показатель, который отражает насколько хорошим или плохим является совпадение. Обычно, для определения «схожести» пикселей двух участков используется нормализованный коэффицент корреляции:
Zx' V ' (T'(x', y ') х I'(x + x', y + y '))
R( x, y) = . x ,y 2
yzx ',y '(T(x ',y ')2 xZx,y 'I'(x + x ',y + y '))2
Для каждой позиции T (шаблон) над I (исходное изображение), высчитывается результат показателя и сохраняется в некоторую матрицу R. Каждая координата (x, y) в исходном изображении (которая также имеет допустимые ширину и высоту для шаблонного изображения) содержит запись в результирующей матрице R. Хотя Template Matching это крайне простой и эффективный метод, у него есть ряд ограничений. Если объект на исходном изображении был увеличен (уменьшен), повернут, показан под другим углом, то этот метод покажет неудовлетворительный результат. Даже небольшое изменение искомого объекта вызывает трудности в его обнаружении, значительно уменьшая точность результата[3].
Результат работы метода показан на рисунке 2.
Рис. 1. Схема перемещения шаблона по исходному изображению
Рис. 2. Пример обнаружения методом Template Matching
Достоинства:
- простота реализации;
- высокая точность;
- отлично справляется с мультидетекцией.
Недостатки:
- необходимость большого количества правильно заготовленных шаблонов;
- низкое быстродействие;
- высокие требования к вычислительным мощностям;
- ухудшение точности в случаях если объект перевернут, наклонён, увеличен (уменьшен) в размере, отражен или как-то ещё изменен.
2. Метод Brightness Method. Работа метода Brightness Method (метода яркости) состоит в том, чтобы найти все множество вертикальных или горизонтальных «полосок» на изображении, которые пересекают корабль поперёк. Если рассматривать более подробно, то задачу можно разбить на следующие шаги [4]:
1) перевод изображения в оттенки серого;
2) выбор небольшой толщины «полоски» (рис. 3);
3) выбор горизонтальных и вертикальных «полос» поочередно сверху вниз, а после слева направо;
4) яркость для каждой «полосы» отдельно усредняется по ширине, таким образом края корабля тоже будут фиксироваться;
5) необходимо также подобрать правильную ширину, которая будет отделять корабли (по вертикали и по горизонтали отдельно) от других объектов (островов, портов и т.д.).
Рис. 3. «Полоса» для обнаружения
6) после нахождения всех «полосок» необходимо найти крайние и взять точки их пересечения для отри-совки ограничивающей рамки (рис. 4).
Рис. 4. Пример работы метода яркости
Достоинства:
- высокая точность;
- высокая скорость работы;
- малые затраты вычислительных мощностей;
- хорошо справляется с изменением размеров объекта.
Недостатки:
- не справляется с мультидетекцией;
- большое количество ложных срабатываний.
3. Метод Keypoint Detection. Принцип работы алгоритма Keypoint Detection (обнаружения общих точек) схож с методом Template Matching, основное отличие заключается в том, что задача не найти объект целиком, а лишь отдельные его части (рис. 5). После чего из их совокупности определить положение самого объекта. Например, при решении задачи нахождения корабля на изображении можно выделить следующие «ключевые точки»: нос, корма, правый и левый борта. А после обнаружения всех «ключевых точек» нужно алгоритмически определить их взаиморасположение и сделать вывод, являются ли несколько соседних точек частями одного объекта [3].
Ш
-------
Т у
Ф Ш' ! it
Рис. 5. Пример обнаружения нескольких частей объекта при помощи метода Keypoint Detection
По взаимному расположению ограничивающих рамок можно сделать вывод о направлении корабля и его точном местоположении на изображении (рис. 6).
Рис. 6. Результат работы1 алгоритма Keypoint Detection
Достоинства: - высокая точность;
- хорошо справляется с изменением размеров объекта;
- хорошо справляется с мультидетекцией;
- справляется с частичным перекрытием.
Недостатки:
- необходимость большого количества правильно заготовленных шаблонов (в несколько раз больше алгоритма Template Matching);
- низкое быстродействие (требует большого числа проходов «шаблонов» по изображению);
- отсутствие возможности работы в режиме реального времени.
4. Метод Harris Corner Detection. Алгоритм Харриса является одним из множества способов обнаружения «особых точек» на исходном изображении. Его особенность заключается в том, что он является наиболее оптимальным детектором L-связных углов [3]. Реализация этого алгоритма для задачи поиска кораблей состоит из двух частей:
1) детектор - это метод, обеспечивающий гарантированное обнаружение одних и тех же углов (здесь и далее вместо «углов» используется словосочетания «особых точек») независимо от преобразований исходного изображения (рис. 7).
2) дескриптор - это метод, который находит соответствия между углами, его работа не зависит от преобразований исходного изображения.
%
Рис. 7. Пример детектора Харриса
В задачу дескриптора входит отбросить ложные срабатывания детектора Харриса и выделить из них целые объекты по заданному заранее шаблону примерного взаимного расположения углов (рис. 8) [3].
t
Plie. S. Так выглядит работа самого простого дескриптора
Достоинства:
- крайне высокая (почти попиксельная) точность определения местоположения объекта на изображении;
- отлично справляется с изменением размеров и поворотом объекта;
- отлично справляется с мультидетекцией;
- малые затраты вычислительных мощностей;
- высокое быстродействие;
- не требует большого числа заготовленных шаблонов;
- справляется с частичными перекрытиями.
Недостатки:
- высокая чувствительность к шуму на изображении.
5. Метод Contour Detection. В отличии от предыдущего метода, метод Contour Détection (обнаружения контуров) обращает внимание не только на углы, но и на грани [5]. Необходимо выделить зоны перепада контраста на изображении, и среди них найти те, очертания которых похожи на контур искомого объекта. В состав метода входят следующие алгоритмы:
1) Canny Edge Detection (обнаружение границ): работа алгоритма похожа на метод Keypoint Detection, однако интерес представляет не только ключевые точки-углы, но и рёбра. Работа алгоритма состоит из следующих этапов: сглаживание изображения Гауссовым фильтром, вычисление силы градиента, выбор только тех пикселей, которые являются локальными максимумами, используя non-maximum suppression (рис. 9). Необычный выбор пикселей вызван тем, что необходимо избежать разрывов в границах.
414
N
Рис 9. Пример работы алгоритма Edge Detection
Далее применяется фильтрация, ребра выше порога «High» назначим «сильными ребрами», а те у которых значение находится между «Low» и «High» назовём «слабыми ребрами» [6]. Далее все «слабые ребра», которые не соединены с «сильными» исключаются (рис. 10)
Рис. 10. Пример работы фильтра
Светло-синим отмечены «слабые ребра», тёмно-синим — сильные. Ребра в нижней части отсеиваются, так как они не соединены ни с одним сильным ребром.
Метод Canny Edge Detector, широко применяется в качестве простой и быстрой процедуры для нахождения контуров объекта.
2) Border Tracking. Следующее необходимое действие - выделение контуров из карты найденных граней. Проверим насколько каждый из найденных контуров похож на корабль, опираясь на имеющийся шаблон. После применения алгоритма Canny толщина ребёр гарантировано равна одному пикселю. Для каждого пикселя, отнесённого грани, мы находим соседний пиксель и перемещаемся по нему далее пока не вернемся в исходный, минуя тупиковые ветви (рис. 11).
Ш И
Рис. 13. Пример работы алгоритма Border Tracking
I
Рис 14. Обнаружение корабля на изображении при помощи метода Contour Detection
3) Contour Filtration. Наконец необходимо убедиться, что полученный нами контур является кораблём. Для этого можно применить метод Contour Matching для фигур, имеющих сложную геометрию. Достоинства:
- учитывает только форму объекта, игнорируя цвет и содержимое;
415
- отлично справляется с изменением размеров и поворотом объекта;
- отлично справляется с мультидетекцией;
- малые затраты вычислительных мощностей;
- высокое быстродействие;
- необходима только форма объекта для его обнаружения;
- не чувствителен к шуму на изображении. Недостатки:
- плохо справляется с частичными перекрытиями объекта;
- не способен находить объекты по цвету и содержимому.
Ниже в таблице 1 приведены общие характеристики описанных методов.
Таблица 1
Сравнение методов нахождения объектов на изображении без использования машинного обучения на примере _решения задачи обнаружения кораблей на спутниковых снимках_
№ п/п Сравнительные характеристики Название метода
Template Matching Brightness Method Keypoint Detection Harris Corner Detection Contour Detection
1. Характер обнаружения Ограничивающая рамка Ограничиваю-щая рамка Ограничиваю-щая рамка Контур объекта Контур объекта
2. Необходимость в заготовлении шаблонов Требуется большое число шаблонов кораблей Не требуется Требуется большое число шаблонов частей кораблей Не требуется Требуется пример формы корабля
3. Необходимость ручного подбора констант, необходимых для обнаружения Не требуется Требуется подобрать отношения между шириной и длинной корабля, а также среднее изменения яркости по этим направлениям Не требуется Требуется подобрать средние углы между обнаруженными точками, не зависящие от изменений изображения Требуется подобрать границы чувствитель-ности градиента
4. Чувствитель-ность к преобразованиям объекта на изображении Чувствите-лен (для покрытия большего числа случаев, необходимо подготовить большее число шаблонов) Не чувствителен Чувствителен (для покрытия большего числа случаев, необходимо подготовить большее число шаблонов) Не чувствителен Не чувствителен
5. Чувствитель-ность к частичным перекрытиям Есть Нет Есть Есть Есть
6. Ухудшение точности обнаружения при искажении формы объекта Значитель-ное Нет Нет Незначитель-ное Незначитель-ное
7. Возможность мульти-детекции Есть Нет Есть Есть Есть
8. Скорость работы Медленный Быстрый Медленный Быстрый Быстрый
9. Затраты вычислительных мощностей Высокие Маленькие Высокие Маленькие Маленькие
10. Чувствитель-ность к шуму Нет Нет Нет Есть Есть
Задача обнаружения корабля на РЛИ обладает рядом особенностей:
- объекты ярко выражены на фоне воды;
- на прибрежной территории присутствует множество помех (порты, прибрежные огни, негативно влияющих на обнаружение);
- присутствие более одного объекта на РЛИ;
- корабли имеют схожую форму, однако освещение, расположенное на кораблях, может заметно исказить форму объекта и помешать обнаружению с помощью простых шаблонов;
- на снимках присутствует большое количество шумов;
- отсутствуют перекрытия.
Заключение. Для решения задачи обнаружения корабля на радиолокационных снимках подходит каждый из рассмотренных методов, однако наиболее эффективным из них, учитывая особенности задачи, является Harris Corner Detection. Благодаря тому, что данный метод способен эффективно выделять точки интереса на изображении, он успешно находит границы объекта, создавая замкнутый контур, к которому уже можно применить фильтратор контуров, и сделать заключение о наличии корабля на изображении.
Обнаружение объектов на изображении без использования машинного обучения имеет следующие преимущества:
1. Скорость и масштабируемость: особенно полезно при работе с большими объемами данных или работы в режиме реального времени;
2. Гибкость и адаптивность: простота внесения изменений в алгоритмы обнаружения объектов и быстрое применение их к новым данным (нет необходимости обучать модель заново каждый раз, когда требуется добавить новый тип объекта или улучшить производительность);
3. Независимость от размеченных данных: отсутствие необходимости наличия и большого количества качественно размеченных изображений;
4. Простота и понятность: существует возможность увидеть, какие шаги алгоритма приводят к обнаружению объекта на изображении и какие признаки используются для этого. Это может быть полезно при отладке и оптимизации алгоритма.
Таким образом методы обнаружения объектов на изображении без использования алгоритмов машинного обучения востребованы и имеют преимущества при решении определенного типа задач.
Список литературы
1. Грузман И.С., Киричук В.С., Косых В.П., Перетягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах: учебное пособие. 2000. 167 с.
2. Обнаружение объектов без использования машинного обучения. [Электронный ресурс] URL: https://vc.ru/newtechaudit/426061-obnaruzhenie-obektov-bez-ispolzovaniya-mashinnogo-obucheniya (дата обращения: 02.10.2023).
3. Нахождение объектов на картинках. [Электронный ресурс] URL: https://habr.com/ru/companies/joom/articles/445354/:Глава:Template Matching (дата обращения: 02.10.2023).
4. Определение этажности дома по его фотографии без машинного обучения [Электронный ресурс] URL: https://habr.com/ru/articles/422867 (дата обращения: 03.10.2023).
5. Edge detection vs. contour detection in computer vision [Электронный ресурс] URL: https://www.educative.io/answers/edge-detection-vs-contour-detection-in-computer-vision (дата обращения: 04.10.2023).
6. Contour Detection using JpenCV (Python/C++) [Электронный ресурс] URL: https://learnopencv.com/contour-detection-using-opencv-python-c (дата обращения: 04.10.2023).
Митряев Геннадий Андреевич, канд. техн. наук, начальник лаборатории, [email protected], Россия, Санкт-Петербург, Военно-космическая академия имени А.Ф. Можайского,
Мельников Даниил Константинович, курсант, Россия, Санкт-Петербург, Военно-космическая академия имени А.Ф. Можайского
INVESTIGATION OF METHODS FOR DETECTING OBJECTS IN AN IMAGE WITHOUT USING MACHINE LEARNING
ALGORITHMS
G.A. Mitryaev, D.K. Melnikov
The paper investigates the possibility of recognizing objects of interest in images without the use of neural network technologies. Methods of detection using various algorithms for calculating the similarity or difference of objects with the original templates and pre-set coefficients are presented. Using the example of the problem of detecting ships on radar images, algorithms are considered that compare the object in the image with pre-prepared object templates, parts of this object, finding contrast differences, angles and contours that resemble the desired object in shape.
Key words: object detection, similarity to the template, brightness differences, key points, finding contours.
Mitryaev Gennadiy Andreevich, candidate of technical sciences, head of the laboratory, [email protected], Russia, Seint-Petersberg, Military Space Academy named after A.F. Mozhaisky,
Melnikov Daniil Konstantinovich, cadet, Russia, Seint-Petersberg, Military Space Academy named after A.F.
Mozhaisky
УДК 691
Б01: 10.24412/2071-6168-2024-8-417-418
ТЕПЛОИЗОЛЯЦИОННЫЕ МАТЕРИАЛЫ, ПРИМЕНЯЕМЫЕ В СОВРЕМЕННОМ ЭНЕРГОЭФФЕКТИВНОМ СТРОИТЕЛЬСТВЕ
Р.Р. Абдулов, К.В. Хайлов, М.А. Исаев
В статье рассматривается обзор современных теплоизоляционных материалов, исследования и инновации в данной области, а также их применение в современном строительстве. Также разнообразные классы теплоизоляционных материалов, такие как экологически чистые изоляторы, супертеплоизоляторы и интегрированные системы управления теплопотерями. Особое внимание уделяется их техническим характеристикам, стоимости и устойчивости к различным климатическим условиям.
Ключевые слова: энергоэффективность, строительство, теплоизоляционные материалы, утеплитель.
Введение. С развитием экономических и политических программ нашей страны в области энергообеспечения за последние 10 лет, назрел ряд вопросов, требующих материальных и технических вложений для соответ-ствования необходимым нормам в будущем. Одним из таких вопросов является повышение энергоэффективности и внедрение повсеместного энергосбережения для экономии и рационального использования энергоресурсов. Для этого в 2009 году был принят закон «Об энергосбережении и повышении энергетической эффективности и внесении изменений в отдельные законодательные акты Российской Федерации», согласно которому развитие системы энергосбережения требует определенных денежных затрат, инвестиций. В случае массового домостроения (жилые многоквартирные здания, общественные здания, здания бытового и производственного назначения) требования устанавливаются в национальных нормативных документах, посвященных теме энергосбережения. В Российской Федерации его роль выполняет свод правил «Тепловая защита зданий» СП 50.13330 [1, (1)].
417
