CC BY
57
УДК 004.932.2
Е.О. Егорушкин, аспирант
ГОУ ВПО «Нижегородский государственный технический университет имени Р.Е. Алексеева»
НЕИРОСЕТЕВОИ МЕТОД НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ качества материалов ячеистой структуры
В настоящее время сохраняется потребность в разработке новых и совершенствовании существующих методов и средств контроля качества при производстве различных материалов сложной, ячеистой структуры. Это обусловлено необходимостью повышения эффективности контроля, решения задач его автоматизации с целью увеличения конкурентоспособности производимого продукта в условиях современного рынка. Применяемые в настоящее время ручные методы контроля в условиях серийного производства являются неэффективными, поэтому задача автоматизации контроля качества входит в список узких мест производственных предприятий.
Целью данной работы является исследование геометрических параметров качества ячеистых материалов, разработка методики их определения по изображению. Наибольшие трудности возникают при попытках автоматизации контроля важнейшего параметра качества материалов — среднего размера ячеек и его однородности, что и послужило основой для проведения исследований.
В ходе исследования изображений контролируемого материала была установлена их периодическая структура и сделан вывод о сильной зашумленности информационного сигнала — изображения находящихся на поверхности материала ячеек просвечивающими фрагментами нижележащих слоев. Особенно это характерно для эластичных пенополиуретанов (рис. 1).
Этим объясняются ошибки, большие затраты времени и вычислительных ресурсов при определении размеров ячеек с помощью частотных методов (корреляционного или Фурье-анализа).
Для получения метода, обеспечивающего большую скорость и необходимую помехозащищенность процесса обработки, требуется вывод более точной зависимости размеров ячеек от видов изображений, подаваемых на вход измерительной системы. Для решения подобных задач часто прибегают к математическому аппарату искусственных нейронных сетей.
Искусственные нейронные сети (ИНС) — вид математических моделей, которые строятся по принципу организации и функционирования их биологических аналогов — сетей нервных клеток (нейронов) мозга.
Выбор ИНС обоснован тем, что они обладают возможностью самостоятельно обобщать (интерполировать и экстраполировать) полученный навык решения задачи и выдавать прогноз для новых значений входных сигналов, ранее не включенных в набор данных для обучения. Нейросеть также способна выделять наиболее информативные для задачи входные сигналы, отбрасывать неинформативные, шумовые сигналы и в итоге повышать надежность решения. Для построения автоматизированной системы важно, что алгоритмы, используемые при обучении нейронной сети, универсальны для различных объектов анализа. Это позволяет создавать системы, обладающие такими важными свойствами, как гибкость и масштабируемость.
Для решения задачи по определению размера ячеек материала была создана трехслойная сеть обратного распространения (рис. 2) [1], включающая 30 нейронов во входном слое с передаточной функцией вида логарифмический сигмоид
/ (х ) =------------------------1-, (1)
'' ’ 1 + e-га
Рис. 1. Изображение поверхности пенополиуретана
—► М1,1}
b{1}
25
30 30
Рис. 2. Структура нейронной сети
30 нейронов во втором слое с той же передаточной функцией и 1 нейрон в выходном слое (по числу компонентов выходного вектора) с линейной передаточной функцией.
В качестве обучающего алгоритма выбран алгоритм Левенберга-Маркара (Levenberg-Marquardt): jj = jX jX; je = jX E; dX = -(jj + I mu) / je, (2)
где E — все ошибки, а I — матрица идентичности.
С его помощью можно обучать любую сеть, если ее весовые, входные и активационные функции дифференцируемы. Для вычисления Якобиана jX эффективности функционирования относительно весовых переменных X используется алгоритм обратного распространения [2].
Для повышения помехоустойчивости работы алгоритма анализа в процессе обучения на вход сети подается массив из средних значений секторов исходных изображений размерами 50х50 пикселей. В серии для обучения включаются изображения, полученные вращением и сдвигом исходного, а также изображения с разной степенью освещенности. Обучение производилось с помощью серии из 150 изображений поверхности материала в течение 30 мин.
Полученные результаты по определению размеров ячейки при работе сети на изображениях, принадлежащих серии для обучения, соответствуют заданным в качестве целей, что указывает на успешную завершенность процесса обучения.
Сравнение результатов работы нейронной сети по измерению среднего размера ячеек реальных изображений с данными, полученными в результате ручного измерения, показало, что ошибка определения размера ячейки находится в пределах 10 %. Время отработки одного цикла измерения 1,2 с. Изменения освещенности, особенности структуры материала и его ориентация, предусмотренные при обучении ИНС, на результат измерения влияют незначительно. Остальные отклонения в условиях эксперимента снижают точность измерения на 5.. .10 %.
Нейросетевой метод измерения среднего размера ячейки может быть рекомендован для использования в автоматизированных системах неразрушающего контроля качества широкого круга материалов ячеистой структуры в различных областях промышленности и сельского хозяйства.
Список литературы
1. Уоссермен, Ф. Нейрокомпьютерная техника. Теория и практика: пер. с англ. / Ф. Уоссермен. — М.: Мир, 1992.
2. Уидроу, Б. Адаптивная обработка сигналов / Б. Уид-роу, С. Стирнз. — М.: Радио и связь, 1989.
УДК 631.171 + [621.37 / 39:631.145]
И.А. Соколов, инженер
ГНУ «Всероссийский научно-исследовательский институт электрификации сельского хозяйства»
регистрация биоморфологических признаков растений фотоцифровым устройством
Объект исследования — агрокультура томатов в посадках — представляет собой множество растений с взаимоподобно (фрактально) организованной анатомо-морфологической структурой, расположенных в пространстве по определенной схеме посадки, с изменяющейся во время роста и развития анатомо-морфологической структурой. Растения в посадках размещены по определенной координатной сетке с заданными расстояниями друг от друга (в пределах точности посадки) и оптимальной густотой (плотностью), обеспечивающей индивидуальное пространственно-локализованное место роста и развития. Анато-мо-морфологический облик растения изменяется в период роста и развития. Он приобретает отличительные биоморфологические признаки и пара-
26
метры в определенных фазах периода роста и развития.
На рис. 1 приведена обобщенная схема реализации процесса регистрации параметров агрокультуры и управления растениями, возделываемыми в условиях защищенного грунта.
В общем случае, все регистрируемые данные могут быть разделены на несколько групп: параметры растений; наружный климат; внутренний климат; ирригация; урожай.
Для описания роста и развития агрокультуры необходимо определение биоморфологических признаков элементов, составляющих анатомическое строение растений, основными параметрами которых являются геометрические размеры, форма, окраска.
