Методы построения классификаторов в цветовых схемах Текст научной статьи по специальности «Компьютерные и информационные науки»

2. Не было привязки к структуре изделия - обозначения изделий/ ДСЕ/ СТО вводились операторами вручную, что порождало вероятность ошибочного заполнения атрибутов компонентов изделия. Кроме того, отсутствие связи с системой управления информацией о составе изделия (PDM) препятствует созданию единого информационного пространства предприятия.

Ввиду обозначенных проблем было принято решение вывести ИПС КЗ из эксплуатации, защитить БД от любых изменений, а информацию по всем введенным ранее карточкам реплицировать в систему Lotsia PDM.

После проведения вышеназванных мероприятий у технологов появилась возможность устанавливать связь между карточками заказа и соответствующими им изделиям либо ДСЕ. Также стали возможным администрирование в контексте учета КЗ и формирования КГ, кастомизация форм ввода и отчетов.

Тем не менее согласование карточек заказа до сих пор остается неавтоматизированным, поскольку в системе Lotsia PDM компонент WorkFlow не отвечает требованиям, предъявляемым данным процессом; кроме того, использование Lotsia PDM для выгрузки календарных графиков фактически стало довольно трудоемкой задачей ввиду огромного количества имеющихся КЗ (более 80 000) и неэффективной реализации обработки структур подобного масштаба в данной системе.

В настоящее время на ОАО «Красмаш» вместо системы управления данными об изделии Lotsia PDM (Product Data Management) производится внедрение системы управления жизненным циклом изделия Windchill (Product Lifecycle Management, PLM). В контексте рассматриваемой проблемы в системе Windchill будет возможно автоматизировать процесс согласования карточек заказа оснастки, что позволит существенно сэкономить временные ресурсы при формировании и утверждении КЗ, проектировании СТО и, следовательно, сократить фактическое время изготовления изделия в целом.

Для достижения максимального эффекта от внедрения Windchill в контексте управления жизненным циклом карточек заказа оснастки необходимо решить следующие задачи:

- для каждой КЗ установить однозначное соответствие какой-либо ДСЕ;

- перенести в Windchill структуру изделий и карточки заказа;

- установить требуемые взаимосвязи между загруженными ДСЕ и КЗ;

- закрыть для изменения архив КЗ в системе Lotsia PDM;

- реализовать / настроить отчеты по КЗ, выгрузку календарных графиков.

При сопоставлении реквизитов карточек заказа наиболее достоверным и полным источником информации признан справочник номенклатуры АСУТПП. В ходе анализа имеющихся данных было выявлено, что у довольно большой части карточек (на данный момент - не менее 10 %) неверно заполнена графа «Обозначение ДСЕ», следовательно, для решения поставленных задач необходимо актуализировать реквизиты КЗ. Списки ошибочно заполненных карточек заказа сформированы, соответствующее задание отправлено цехам-заказчикам СТО.

Таким образом, ожидается, что при сведении несоответствий между реквизитами КЗ и ДСЕ к нулю дальнейшее решение поставленных задач приведет к повышению эффективности управления жизненным циклом КЗ, а значит, ускорит производство изделий, для которых изготавливается оснастка.

Библиографические ссылки

1. ГОСТ 3.1102-81. ЕСТД. Стадии разработки и виды документов.

2. Требования к заполнению бланков карточек заказа специальной оснастки (СТО) и календарных графиков подготовки производства. Технологическая инструкция № 102-09-2004 / ОАО «Красмаш».

References

1. GOST 3.1102-81 ESTD. Stadii razrabotki i vidy dokumentov.

2. Trebovaniya k zapolneniyu blankov kartochek zakaza specialnoy osnastki (STO) i kalendarnyh grafikov podgotovki proizvodstva. Tehnologicheskaya instrukciya № 102-09-2004, OAO "Krasmash".

© Побирский Е. Ю., 2014

УДК 004.75

МЕТОДЫ ПОСТРОЕНИЯ КЛАССИФИКАТОРОВ В ЦВЕТОВЫХ СХЕМАХ

А. С. Савельев, А. И. Томилина

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-шаЛ: alxsave@gmail.com, nastomila@gmail.com

Задача сегментации различных участков на изображении ставит проблему составления классификаторов различных текстур. Рассмотрено использование формулы Байеса для построения параметрических и частотных таблиц классификаторов.

Ключевые слова: сегментация изображений, формула Байеса.

Информационно-управляющие системы

CREATION METHODS OF QUALIFIERS IN COLOR SPACES

A. S. Savelev, A. I. Tomilina

Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: alxsave@gmail.com, nastomila@gmail.com

Problem of segmentation of various sites on the image presents a problem of drawing up qualifiers of various textures. There is a formula of Bayes to design frequency tables of qualifiers considered.

Keywords: image segmentation, Bayes equation.

С появлением задач, требующих автоматической сегментации изображения по тоновому либо текстурному признаку, появилось несколько методов решения данной задачи. Одним из популярных методов является применение цветовых классификаторов.

Методом построения классификаторов является априорный метод [1]. К группе априорных относятся методы, которые в качестве модели цвета кожи используют явно заданный многогранник в заданном цветовом пространстве, т. е. заранее задается некоторый жесткий набор правил.

В схеме (R, G, B) пиксель причисляется к коже, если выполнены следующие соотношения: R> 95 and G> 40 and B< 20 and max{R, G, B} - min{ R, G, B }> 15 and |R - G| > 15 and R>G and R>B. (1) or

R> 220 and G > 210 andB> 170 and |R - G| < 15 and R>BandG>B [2].

К преимуществам априорных методов можно отнести простоту реализации и отсутствие необходимости обучения. К недостаткам - необходимость подбирать удобное цветовое пространство и адекватный набор правил эмпирически, а также низкий уровень обнаружения.

Другим видом построения классификаторов является непараметрический метод [3]. Основная идея таких методов состоит в том, что при оценке распределения цвета кожи на основе тренировочных данных не используется явная модель цвета кожи. В результате конструируется вероятностная карта кожи: каждому значению цвета в дискретизированном цветовом пространстве ставится в соответствие вероятность принадлежности этого цвета коже.

Нормализованная таблица частот - этот метод распознавания кожи строит нормализованную таблицу частот по обучающим данным, и на этом основании вероятность принадлежности цвета кожи с выглядит следующим образом:

skin(c)

Pskin (c) = "

k

(2)

использующии моделирование цвета кожи с помощью двух таблиц частот. Вероятность принадлежности цвета с коже определяется по формуле

P(c\skin) = P(skin |c)P(skin)

P(skin |c)P(skin) + P(nonskin |c) P(nonskin)

(3)

где skin(с) - значение счетчика цвета с; К - нормализующий коэффициент [4].

В качестве коэффициента К может использоваться сумма всех значений счетчиков или только их максимальное значение. Далее вероятность принадлежности цвета кожи с сравнивается с заданным порогом. Классификатор Байеса - более совершенный метод [5],

Вероятности P(skin\c), P(nonskin\c) вычисляются на основе гистограмм кожи и некожи. Вероятности P(skin), P(nonskin) вычисляются как отношение количества пикселов цвета соответственно кожи и некожи на обучающих изображениях к общему количеству пикселов.

Преимущества непараметрических методов:

1. Простота реализации.

2. Высокая скорость обучения.

3. Модель не зависит от формы распределения цвета кожи в отличие от остальных методов.

4. Высокий уровень правильного распознавания, особенно у классификатора Байеса.

Недостатки:

1) требуют больших обучающих наборов;

2) хранение таблицы частот требует много памяти [6].

Рассмотренные методы имеют свои достоинства и недостатки. Так, например, процесс сегментации требует изображения с хорошим качеством цветопередачи, которое в свою очередь может очень сильно пострадать от качества освещения. В связи с этим рассматриваются варианты комбинирования метода с вариантами распознавания монохромного изображения [7].

Рассмотренные методы были применены при разработке программного модуля анализа состояния глаз водителя. С помощью цветовых классификаторов была произведена сегментация кожных покровов, а полученная в результате бинарная маска - использована для локализации характерных черт лица. Испытания тестовыминаборами данных показали высокий процент удовлетворительных результатов.

Библиографические ссылки

1. Yang M. H., Kriegman D. J., Ahuja N. Detecting faces in images: A survey // IEEE Trans. Pattern Analysis and Machine Intelligence. 2002. Vol. 24, № 1. P. 34-58.

2. Hjelmas, Low B. K. Face detection: A survey // Journal of Computer Vision and Image Understanding. 2001. Vol. 83. P. 236-274.

3. Smeraldi O. Carmona, Big J. Saccadic search with Gabor features applied to eye detection and real-time head tracking // Image Vision Comput. 2000. Vol. 18. P. 323-329.

4. Burl C., Perona P. Recognition of planar object classes // IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition. 1996. № 6.

5. Метод главных компонент // Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ. URL: http ://library.graphicon.ru/catalog/19.

6. Moghaddam, Pentland A. Probabilistic visual learning for object representation // IEEE Trans. Pattern Anal. Mach. Intell. 1997. Vol. 19(1). P. 696-710.

7. Линейный дискриминантный анализ // Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ. URL: http://library.graphicon.ru/catalog/184.

References

1. Yang M. H., Kriegman D. J., Ahuja N. Detecting faces in images: A survey // IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1, pp. 34-58, Jan. 2002.Hjelmas and B. K. Low Face detection: A survey //

Journal of Computer Vision and Image Understanding, 2001, vol. 83, p. 236-274.

2. Smeraldi, O. Carmona, and J. Big.un, Saccadic search with Gabor features applied to eye detection and real-time head tracking // Image Vision Comput. 2000, 18, p. 323-329.

3. Burl C., Perona P. Recognition of planar object classes // in IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition, 6, 1996.

4. Method main a component. Digital library of laboratory of computer graphics and multimedia at VMIK Moscow State University faculty. URL: http ://library.graphicon.ru/catalog/19.

5. Moghaddam and A. Pentland Probabilistic visual learning for object representation // IEEE Trans. Pattern Anal. Mach. Intell. 1997. 19(1), p. 696-710.

6. The linear discriminant analysis, Digital library of laboratory of computer graphics and multimedia at faculty of VMIK MSU. URL: http ://library.graphicon.ru/catalog/184.

© Савельев А. С., Томилина А. И., 2014

УДК 004.051

ИНТЕЛЛЕКТУАЛЬНЫЕ АЛГОРИТМЫ, ПРИМЕНЯЕМЫЕ В ПРОЦЕССЕ МЕХАНИЧЕСКОЙ ОБРАБОТКИ ДЕТАЛЕЙ

А. С. Свиридова, О. А. Эмилова, А. С. Галаев

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Е-mail: mayckova@mail.ru

Рассматриваются возможности применения интеллектуальных алгоритмов и базовых подходов в процессе механической обработки деталей. Формулируются основные понятия интеллектуальных систем. Особое внимание уделяется ассоциативному способу доступа к информации, строятся модели. Описываются этапы их функционирования и взаимодействия.

Ключевые слова: интеллектуальная система, искусственный интеллект, ассоциативный способ доступа, нейронная сеть, информация, обратная связь.

INTELLEKTUAL ALGORITHMS USED IN THE PROCESS OF PART MACHINING

A. S. Sviridova, O. A. Emilova, A. S. Galaev

Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: aaa@sibsau.ru

The possibility of using intellectual algorithms and the basic approaches in the process of machining parts are considered. The basic concept of intellectual systems is developed. The associative method of access to information is focused, the models are constructed. The stages of their operation and interaction are described.

Keywords: intellectual systems, artificial intelligence, associative access method, neural network, information systems, feedback.

Создание искусственного интеллекта - раздел науки, связанный с разработкой и изучением компьютерных систем, работающих по моделям процессов, аналогичным тем, что происходят в мозге человека.

В биологических системах, обладающих памятью, изменение нервной активности системы под влиянием внешних раздражителей зависит от воздействия предшествующих событий и от информации, храня-