CC BY
20
ЛИТЕРАТУРА
1. Зайцев С.Ю., Коношенко В.П., Макаров А.В., Соколов В.Г., Верхотуров В.И., Графодатский О.С., Севастьянов Н.Н., Новиков Л.С., Бабкин Г.В. Методы обеспечения стойкости отечественных телекоммуникационных космических аппаратов нового поколения в негерметичном исполнении (типа «Ямал») к факторам электризации // Космонавтика и ракетостроение. Научно-технический журнал ЦНИИМАШ. - 2003.
- №1(30). - С. 36-42.
2. Соколов А.Б. Обеспечение стойкости бортовой аппаратуры космических аппаратов к воздействию электростатических разрядов. Диссертации на соискание учёной степени доктора технических наук. -Москва: МИЭМ, 2009. - 236 с. ил.
3. Костин А.В., Пиганов М.Н. Влияние перегородок внутри электромагнитных экранов на эффективность экранирования бортовой аппаратуры космических аппаратов от электромагнитного поля, вызванного электростатическим разрядом //Сборник научных трудов Sworld. - Одесса: Куприенко С В. 2014. Вып.1. Т.9.
- С.66-72.
4. Костин А.В., Пиганов М.Н. Расчет помех в цепях бортовой аппаратуры космических аппаратов, вызванных электростатическими разрядами // Известия Самарского научного центра РАН. 2012. Т.14,
№4(5). - С.1376-1379.
5. Костин А.В., Пиганов М.Н. Рекомендации по проведению испытаний бортовой аппаратуры космических аппаратов на устойчивость к факторам электростатического разряда // Сборник научных трудов SWorld. Материалы международной научно-практической конференции «Перспективные инновации в науке, образовании, производстве и транспорте 2012». - Выпуск 2. Том 5. - Одесса: КУПРИЕНКО , 2012. - С.74-78.
6. Костин А.В., Пиганов М.Н. Методика измерение помех в цепях бортовой аппаратуры космических аппаратов, вызванных электромагнитным полем электростатического разряда// Известия Самарского научного центра РАН.2015. Т.17, №2 (4). - С. 804-809.
7. Костин А.В. Экспериментальное исследование защитных свойств корпусов бортовой аппаратуры космических аппаратов от электромагнитного поля, вызванного электростатическим разрядом // Технологии электромагнитной совместимости, 2015.- №2(53). - С. 47-52.
8. Белоцерковский Г.Б. Основы радиотехники и антенны. Часть I, Антенны. М., Советское радио, 1969. - 432 с. ил.
УДК 004.93
Садыков С.С., Кульков Я.Ю,
Муромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых», Муром, Россия
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ РАСПОЗНАВАНИЯ ПЛОСКИХ ОБЪЕКТОВ, ИСПОЛЬЗУЯ БЕЗРАЗМЕРНЫЕ ПРИЗНАКИ ВЫПУКЛЫХ ОБОЛОЧЕК ИХ ДВУХГРАДАЦИОННЫХ ИЗОБРАЖЕНИЙ
В статье приведены результаты экспериментального исследования по распознаванию отдельных плоских объектов с использованием безразмерных признаков, вычисляемых по выпуклым оболочкам, построенным по их двухградационным изображениям. Для проведения исследования были использованы изображения плоских объектов и деталей. Приведено описание процесса генерации тестовой выборки для каждого объекта. На основе первичных коэффициентов, полученных по выпуклой оболочке, формируется вектор признаков. Создается набор эталонов для каждой группы изображений реальных плоских объектов.
Следующим шагом является этап обучения системы. Среди сформированных векторов признаков отдельно для каждого класса исходного изображения с использованием среднеквадратичного отклонения отбирается набор эталонов. Формируется база эталонных векторов. Распознавание класса неизвестного объекта заключается в получении его выпуклой оболочки, вычислении первичных параметров и формировании вектора безразмерных признаков. Далее вычисляются среднеквадратичные отклонения его вектора безразмерных признаков от всех эталонных. Минимальное значение отклонения будет указывать на вероятную принадлежность к соответствующему классу
Приведены результаты распознавания, а также число эталонов для каждого исходного изображения, обеспечивающее полное распознавания всей сгенерированной выборки Ключевые слова:
изображение, распознавание, безразмерный коэффициент, признак, плоский объект, выпуклая оболочка
Введение
Одним из путей повышения эффективности производства является автоматизация технологического процесса, в том числе с помощью роботизированных комплексов.
Кроме технологического оборудования, в состав подобных комплексов, входят системы технического зрения (СТЗ), предназначенные для получения информации об изделиях. При разработке алгоритмов обработки данных для СТЗ, например, сортировка деталей формулируется как задача распознавания образов, регистрируемых аппаратными средствами СТЗ, путем обработки и анализа изображений этих деталей и изделий [1-4].
Для выполнения операции сортировки деталей на конвейере возможно достаточно использовать в СТЗ алгоритм распознавания на основе анализа контуров — границ, изображений объектов [5-7].
Применение единственного признака для распознавания плоских деталей и изделий создает значительные трудности при выборе эталонов и настройке видео датчика, поскольку кривизна дискретной кривой не является инвариантной изменению масштаба объектов в поле зрения системы [14, 8-9]
Целью данной статьи является экспериментальное исследование алгоритма распознавания отдельных реальных плоских объектов (ОРПО) с использованием безразмерных признаков. Способ форми-
рования признаков, получаемых по выпуклым оболочкам бинарных изображений этих объектов, описан в [7].
Технология проведения эксперимента.
Распознаванию подлежат детали, располагающиеся на ленте транспортёра и имеют произвольные ориентации. Фон, на котором регистрируются изображения деталей, можно считать равномерным, а условия освещения - безтеневыми.
Технология распознавания состоит из двух этапов - обучения и распознавания.
Этап обучения по тестовым объектам включает следующую основную последовательность процедур:
1) получение контура бинарного изображения объекта;
2) построение выпуклой оболочки этого изображения;
3) вычисление безразмерных признаков;
4) формирование эталонных векторов признаков объектов.
При анализе изображений реальных объектов к вышеперечисленным процедурам добавляется предварительная обработка, связанная с подавлением помех на полутоновых изображениях, устранение фона и их бинаризация.
Этап распознавания состоит в вычислении расстояния между вектором признаков неизвестного входного объекта и множеством эталонных векторов признаков. Номер эталонного вектора, давшего минимальное расстояние будет указывать на класс,
к которому будет отнесен неизвестный объект [11].
Формирование изображений для проведения эксперимента.
Экспериментальные исследования предложенного алгоритма проводились на двух типах изображений - бинарных и полутоновых.
Исходные изображения плоских объектов, участвующие в экспериментальных исследованиях, приведены на рис. 1.
Рисунок 1 - Изображения исходных объектов
Эксперимент проводится на презентабельной выборке изображений каждого из представленных объектов. Для этого выполняется генерация множества повернутых изображений [11].
Путем поворота каждого из ОРПО вокруг центра тяжести с шагом 1 градус формируется массив повернутых изображений каждого объекта. Всего 3600 изображений [11].
Следующий шаг реализует имитацию случайного появления объекта в поле зрения распознающей системы. С помощью генераторов случайных чисел (ГСЧ) с нормальным распределением, из повернутых изображений каждого из ОРПО формируются массивы изображений по 2000 для каждого из них. Получается 20 000 изображений.
Сформированные полутоновые изображения бинаризуются с использованием алгоритма сегментации Отсу [6,10].
По бинарным изображениям рассчитывается количество точек в каждом из 2000 реализаций каждого из 10 ОРПО, то есть вычисляется площадь объекта So.
Вычисление параметров по контурам бинарных изображений.
Формируются одноточечные контуры бинарных изображений объектов по алгоритму в [7]. В полученных контурах рассчитывается количество точек Ро, образующих контур каждого из 2000 реализаций каждого из 10 ОРПО.
Определяется метрическая длина Ьконт контура каждого из 2000 реализаций каждого из 10 ОРПО [5].
Построение выпуклой формы бинарных изображений.
Из каждого бинарного изображения строится его выпуклая форма. Выпуклой формой бинарного изображения плоского объекта назовем такую его форму, в которой отсутствуют точки, образующие вогнутые участки [7].
Бинарное изображение объекта сканируется маской размером 3х3 и на каждом шаге сравниваются с набором эталонных масок, позволяющих обнаруживать точки изображения, лежащие в вогнутой области [6]. При нахождении такой точки ее значение меняется, например, с 0 на 1, т.е. происходит наращивание(дилатация) вогнутой части изображения.
По полученным выпуклым формам рассчитывается количество точек в каждой из 2000 реализации каждого из 10 ОРПО, то есть определяется площадь построенной выпуклой формы Звып.
Определяется разность площадей объекта So и выпуклой формы Звып по формуле (1).
Бр
Бв
- Бо.
(1)
Формирование выпуклой оболочки.
Используя алгоритм, предложенный в [10,11], выделяются выпуклые оболочки, представляющие собой контур выпуклой формы.
По полученному контуру определяем количество точек образующих выпуклую оболочку Рвып.
Далее вычисляем метрическая длина выпуклой оболочки Ьвып.
На следующем шаге определяется кривизна в точках выпуклой оболочки каждого из 2000 реализаций каждого из 10 ОРПО.
На выпуклой оболочке отсутствуют вогнутые участки. Она формируются из точек, имеющих значения 1 и 135, из которых образуются линейные и выпуклые участки оболочки.
Для определения значений кривизны в точках одноэлементной дискретной линии необходимо логически установить величину кривизны в каждой точке линии [6].
После определения кривизны точек, вычисляем количество опорных точек со значениями 135 и сохраняется в параметре М2.
Определяется суммарная метрическая длина выпуклых участков в контуре построенной выпуклой формы.
Поскольку выпуклый участок контура с опорной точкой 135 образуется тремя точками, из которых одна точка — опорная, одна точка является 4-связной, другая - Б-связной, то длина Ь^ выпуклого участка в данной опорной точке определяется по формуле (2).
Ь = а + Ь, (2)
где: а - расстояние между двумя 4-связными точками; Ь - расстояние между двумя D-связными точками.
Отсюда получаем, что общая длина выпуклых участков с опорными точками 135 может быть вычислена по формуле (3).
Ьобщ.вып. = М2 (а + Ь). (3)
Поскольку линейные участки контура образуются только единичными 4-х или D-связными точками, то следует определять эти длины этих участков отдельно.
Длина линейного участка, состоящего из трех точек, центральная из которых является 4-х связной определяется как Ьлин4 = 2а. Длина линейного участка, также состоящего из трех точек, центральная из которых является D-х связной определяется как LлинD = 2Ь.
Метрическая длина линейных участков с опорными 4-х связными и D-связными точками определяется по формуле (4).
Ьобщ.лин. = 1/2(К2а + Т2Ь), (4)
где К - количество 4-х связных опорных точек; Т - количество D-связных опорных точек.
Формирование базы данных признаков
1
По полученным первичным параметрам осуществляется расчет векторов безразмерных признаков каждого из 2000 реализаций всех 10 ОРПО по формулам (5)-(24) [7].
z'=^т 5к -
K)
К1 = So / Sвып. (5
К2= Po / S вып. (6
Кз — Sразн / Sвып • (7
К4 — Рвып / Sвып • (8
К5= М2 / Sвып. (9
Кб=К / Sвып • (io
К7= Т / Sвып • (11
К8= Po / So. (12
К9—Рвып / So. (13
К10= М2 / So. (14
К11= К / So. (15
К12= Т / So. (16
К13=М2 / Рвып. (17
К14 = К / Рвып. (18
К15 = Т / Рвып. (19
К16= Ьвып / Lo • (2o
К17 — Lобщ.вып. / Lвып • (21
К18= Lобщ.лин. / Lвып. (22
Kl9=Lобщ.вып. / Lo. (23
^o= Lобщ.лин. / Lo. (24
Обучение системы распознаванию
Далее в диалоговом режиме осуществляется выбор эталонов для распознавания каждой из 2000 реализаций каждого из 10 ОРПО. По гистограммам, полученным на этапе генерации, выбирается вектор признаков самой часто использованной из 360 повернутых вариантов, например, 1-го ОРПО, при формировании 2000 реализаций. Для данного вектора коэффициентов по методу среднеквадратичного отклонения (25) вычисляется Zi с каждой из 2000 реализаций.
Количество эталонов для распознавания ОРПО
e )
j=1 , (25)
где: n - число признаков; l - номер распознаваемого объекта (1 = 1, 2, ..., 2000); Kej - значение j-го признака вектора коэффициентов К выбранного эталона; Kij - значение j-го признака вектора коэффициентов К выбранной реализации.
Вычисляются 2000 СКО Zi. Среди них ищутся
Zmin = min{ Zi }. (26)
Найденные значения Zmin указывают номера реализаций среди 2000 изображений, вектора-признаки которых совпадают с вектором-признаком выбранной как эталон реализации. Очевидно, что с одним эталоном распознать все 2000 реализации какого-либо объекта не возможно.
На втором шаге на основе гистограммы, выбирается как эталон вектор-признак следующей часто использованной из 360 повернутых вариантов, например, 1-го ОРПО, при формировании 2000 реализаций. Вычисляются 2000 СКО Zi. Среди них ищутся Zmin по формуле (26).
Найденные значения Zmin указывают номера реализаций среди 2000 изображений, вектора-признаки которых совпадают с вектором-признаком выбранной как эталон реализации и т.д. Выбор эталонов для реализаций 1-го ОРПО проводится до тех пор, пока не будут распознаны все 2000 реализации.
Аналогично, выбор эталонов проводится для всех реализаций остальных 9 ОРПО.
Результаты выбора эталонов для 2000 реализаций каждого из 10 ОРПО приведены в табл. 1.
Таблица 1
№ ОРПО 1 2 3 4 5 6 7 8 9 1o
Кол-во эталонов 1o 11 3 18 21 11 19 4 7 19
Экзамен обученной системы распознавания.
Следующим шагом является экзамен обученной системы на 20 000 реализаций ОРПО на основе формул (25) и (26). Экзамен заключается в сравнении векторов признаков всех 20 000 реализаций всех 10 ОРПО с выбранными эталонами.
Производится выбор некоторого случайного объекта. Для него выполняются все описанные процедуры получения безразмерных признаков контура.
Результаты правильной идентифи объектов при количестве этало
Полученный вектор признаков неизвестного ОРПО сравнивается со всеми эталонными векторами-признаками из табл. 1. Определяется тип ОРПО в соответствии с
Процедура экзамена повторяется для 2-го неизвестного объекта, и далее для всех оставшихся реализаций 10 ОРПО, после чего строится таблица правильного распознавания (Табл. 2). ации на экзамене всех реальных Таблица 2
нов от 1 до 21 на каждый объект
№ объекта Кол-во испытаний Количество эталонов
1 1o 21
кол-во % расп. кол-во % расп. кол-во % расп.
1 2ooo 1o5o 52,5 2ooo 1oo 2ooo 1oo
2 2ooo 728 36,4 19o3 95,1 2ooo 1oo
3 2ooo 561 2 8,o 1165 58,2 2ooo 1oo
4 2ooo 57o 28,5 1411 7o,5 2ooo 1oo
5 2ooo 6o2 3o,1 12o8 6o,4 2ooo 1oo
6 2ooo 868 43,4 1911 95,5 2ooo 1oo
7 2ooo 1827 91,3 2ooo 1oo 2ooo 1oo
8 2ooo 1799 0'\ 9 8 2ooo 1oo 2ooo 1oo
9 2ooo 6o8 3o,4 2ooo 1oo 2ooo 1oo
10 2ooo 472 23,6 12o1 6o,o 2ooo 1oo
На рис. 2 представлен график изменения вероятности правильного распознавания объектов в зависимости от количества эталонов.
Заключение
Экспериментальные исследования подтвердили возможность распознавания отдельных плоских объектов с использованием безразмерных признаков, полученных на основе их контуров и, в основном, выпуклых оболочек.
Наибольшее количество эталонов понадобилось для распознавания всех реализаций объекта под номером 3. Это обусловлено тем, что при генерации повернутых экземпляров образуются изображения, имеющие несимметричную форму. Поэтому формируемые выпуклые оболочки сильно отличаются между собой. Те же рассуждения справедливы и для объектов с номерами 1 и 5. При вращении изображения получаем различное соотношения линейных
участков выпуклой оболочки, и параметров контура.
Объект с номером 10 имеет достаточно сложный контур. Но в следствии симметричности изображения, выпуклые оболочки различных повернутых реализаций практически не отличаются между собой. Также стабильным остаются первичные коэффициенты, получаемые по контуру исходного изображения до заполнения вогнутых участков.
Наибольшее время затрачивается на итерационный алгоритм формирования выпуклой формы. Сканирование масками можно оптимизировать, используя точки, принадлежащие только по контуру изображения объекта. Таким образом можно существенно уменьшить время работы всего алгоритма формирования безразмерных признаков по выпуклой оболочке изображения.
Труды Международного симпозиума «Надежность и качество», 2017, том 2 1.2
Рисунок 2 - График изменения вероятности правильного распознавания отдельных реальных объектов
при разном количестве эталонов
ЛИТЕРАТУРА
1. Садыков С.С., Захарова Е.А., Буланова Ю.А. Технология выделения области кисты на маммограмме // Вестник Рязанского государственного радиотехнического университета. 2013. № 1 (43). С. 7-12.
2. Садыков, С. С. Оценка возможности распознавания отдельных реальных плоских объектов на основе их безразмерных контурных признаков / С. С. Садыков, Я. Ю. Кульков // Надежность и качество сложных систем. - 2015. - No 4 (12). - С. 101-109.
3. Садыков, С.С. Распознавание отдельных плоских объектов по безразмерным признакам выпуклых оболочек их бинарных изображений методом линейного дискриминантного анализа / С.С. Садыков, Я.Ю. Кульков // Труды международного симпозиума «Надежность и качество». 2016. С.135-137
4. Садыков, С.С. Распознавание отдельных тестовых и реальных плоских объектов на основе безразмерных признаков выпуклых оболочек их бинарных изображений методом дискриминантного анализа Фишера / С.С. Садыков, Я.Ю. Кульков // Труды международного симпозиума «Надежность и качество». 2016. С.137-140
5. Садыков С.С. Формирование безразмерных коэффициентов формы замкнутого дискретного контура // Алгоритмы, методы и системы обработки данных. 2014. №4(29). С.91-98.
6. Садыков С.С. Алгоритм логического определения кривизны точек дискретной линии // Алгоритмы, методы и системы обработки данных. 2015. №1(30). С.52-59.
7. Садыков С.С. Алгоритм построения выпуклой оболочки бинарного изображения и формирование его безразмерных признаков // Алгоритмы, методы и системы обработки данных. 2015. № 2 (31). С.77-85.
8. Садыков С.С., Буланова Ю.А., Романов А.Г. Алгоритм текстурной сегментации для выявления областей кисты на маммограммах // Алгоритмы, методы и системы обработки данных. 2013. № 1 (23). С. 50-55.
9. Садыков С.С., Сафиулова И.А., Белякова А.С. Автоматическая объективная оценка и выбор наиболее значимых параметров для диагностики сердечно-сосудистых заболеваний // Автоматизация и современные технологии. 2012. № 3. С. 27-33.
10. Садыков С.С. Алгоритм формирования вероятностных признаков точек контура бинарного изображения // Алгоритмы, методы и системы обработки данных. 2015. № 3 (32). С.69-75.
11. Садыков С.С., Кульков Я.Ю. Экспериментальное исследование алгоритма распознавания отдельных тестовых плоских объектов на основе их безразмерных контурных признаков // Алгоритмы, методы и системы обработки данных. 2015. № 3 (32). С.76-90.
УДК 681.2
Стрыгина М.В., Соловьев В.А,
ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
СИСТЕМА ИЗМЕРЕНИЯ ДЕФОРМАЦИОННЫХ ПОЛЕЙ ОБЪЕКТА
В работе рассматривается волоконно-оптическая система измерения деформационных полей объекта, с датчиками на решетках Брэгга. Спектральный анализатор, построен на основе электрически перестраиваемых оптических фильтров и амплитудного детектирования электрического сигнала. Проведено моделирование волоконно-оптической системы измерения деформационных полей в программном пакете OtpiSystem 7.0 Ключевые слова:
волоконно-оптическая система, деформация, перестраиваемый оптический фильтр
В настоящее время волоконно-оптические системы мониторинга с датчиками на решетках Брэгга активно используются для анализа напряженно-деформированного состояния объектов. На современном рынке измерительных систем представлено большое многообразие оптоволоконных датчиков на решетках Брэгга как отечественного, так и зарубежного производства, позволяющих измерять деформацию в диапазоне от -2500 до +2500 мг (мкм/м) с чувствительностью не хуже 1,4 пм/мг [1-5]. Последовательно соединяя датчики деформации оптическим волокном можно измерять деформационные
поля объектов достаточно сложной конфигурации. Как следует из значений чувствительности датчиков Брэгга, основной проблемой является разработка достаточно простого оборудования позволяющего с высокой точностью измерять малые изменения положений максимума отражения брэгговских решеток.
На рис. 1 представлена функциональная волоконно-оптическая измерительная система мониторинга деформационных полей объекта со спектральным анализатором на основе электрически пере-
