CC BY
14
УДК 621.316.97
М. А. Леденёв
ПРОГРАММНЫЙ МОДУЛЬ ПОВЫШЕНИЯ КАЧЕСТВА ИЗОБРАЖЕНИЙ
В ЗАДАЧАХ РАСПОЗНАВАНИЯ
В статье рассмотрен программный модуль обработки изображений, позволяющий повысить качество контурного анализа изображения, распознавания и оценки графических образов, неоднородностей различного вида. Применение программного модуля позволит повысить достоверность оценки состояния внутренней поверхности замкнутых емкостей в условиях отсутствия доступа для контроля.
В технологическом процессе ремонта подвижного состава и вагонного парка, а также при организации перевозочного процесса нередко приходится сталкиваться с задачей диаг -ностики внутренней поверхности металлических емкостей высокого давления. Как правило, это замкнутые емкости, и работы по выявлению дефектов внутренней поверхности приходится выполнять в условиях отсутствия доступа для контроля.
При качественной диагностике повышается безопасность перевозочного процесса. В свою очередь обоснованная отбраковка только тех узлов, которые действительно исчерпали свой ресурс, повышает эффективность эксплуатационной деятельности. Поэтому вопросы повышения эффективности перевозочного процесса являются первоочередными.
Для определения коррозионного состояния замкнутых емкостей существует множество методов, отличающихся друг от друга точностью получаемых результатов и трудоемкостью проведения исследований [1].
Визуальное освидетельствование является одним из наиболее достоверных методов определения коррозионного состояния внутренней поверхности замкнутых емкостей. Автоматизация этого процесса путем использования интеллектуальной системы распознавания образов позволит, с одной стороны, снизить трудоемкость диагностики, а с другой - повысить точность оценки за счет выявления дефектов на более ранних этапах их образования.
Способность «распознавать» считается основным свойством высокоразвитых биологических существ [2]. Образ представляет собой изложение объекта. Мы опознаем окружающие нас объекты и в соответствии с этим перемещаемся и делаем определенные действия. Мы можем заметить в толпе друга и понять, что он говорит, можем узнать голос приятеля, прочесть рукопись и идентифицировать отпечатки пальцев, можем отличить улыбку от злобной гримасы. Человеческое существо представляет собой очень сложную информационную систему, в определенной степени это определяется исключительно развитыми у человека способностями распознавать образы.
В соответствии с нравом распознаваемых образов акты распознавания можно поделить на два основных типа: идентификация определенных объектов и идентификация абстрактных объектов. Мы распознаем символы, рисунки, музыку и предметы, нас окружающие. Процесс, включающий в себя распознавание зрительных и слуховых образов, можно определить как «сенсорное» распознавание. Процессы этого типа обеспечивают идентификацию и систематизацию пространственных и временных образов. Примерами пространственных образов служат символы, отпечатки пальцев, синоптические карты, физические объекты и рисунки. С другой стороны, мы в состоянии с закрытыми ушами и глазами опознать старый аргумент либо обнаружить решение задачи. Подобные процессы обеспечивают идентификацию абстрактных объектов, и их можно определить как «понятийное» идентификация в отличие от зрительного либо слухового распознавания.
Использование системы распознавания образов и соответствующая автоматизация визуального анализа позволяют исследовать состояние поверхностей в местах затрудненного доступа (например, вследствие ограниченного объема) и повысить эффективность выполняемых работ и достоверность результатов анализа.
110 ИЗВЕСТИЯ Транссиба № 2(22) 2015
= 2У1 5
Для автоматизации визуального метода разработан программный модуль обработки изображения, позволяющий выполнить контурный анализ изображения. Основными задачами разрабатываемого модуля являются распознавание, сравнение и поиск графических образов, например, различных дефектов поверхности: трещин, сколов, коррозионных повреждений.
Множество непроизвольных элементов, которые используются для описания границ и остовов, получаются по схеме цепного кодирования, предложенной Фрименом [3]. На двумерное изображение накладывается прямоугольная сетка, и узлы сетки, которые наиболее близки к точкам изображения, соединяют отрезками прямых. Каждому такому отрезку в соответствии с наклоном присваивают восьмеричное число. Таким образом, изображение представляется цепью (последовательностью) или цепями восьмеричных чисел, кодов.
На рисунке 1 показаны множество начальных элементов и кодовая цепочка, описывающая кривую. Эта схема характеризуется рядом полезных свойств.
а б в
Рисунок 1 - Цепной код Фримена (а), непроизводные элементы (б) и кодовая цепочка кривой 66001344 (б)
Скажем, поворот изображения на угол, кратный 45°, сводится к прибавлению восьмеричного числа (сложение по модулю 8) к всем числам цепочки. Безусловно, при этом изображение может исказиться. Только поворот на угол, кратный 90°, никогда не приводит к искажениям изображения. Изменяя шаг сетки, накладываемой на изображение, можно получить любое желаемое разрешение. Метод цепного кода Фримена не лимитирован изображениями с односвязными замкнутыми границами. Его можно использовать для описания произвольных двумерных фигур, составленных из прямых и кривых линий и отрезков. Ключевым моментом для удачного распознавания образов является информативность анализируемых изображений.
Одним из особенно распространенных недостатков изображений является слабый контраст [2, 3]. Дефект во многом обусловлен ограниченностью диапазона воспроизводимых яркостей. Под контрастом воспринимается разность максимального и минимального значений яркости. Контрастность изображения можно повысить за счет регулируемого изменения яркости каждого элемента изображения и увеличения диапазона яркостей. Существует несколько способов повышения качества изображения, основанных на вычислении и анализе гистограммы.
Гистограмма - это график статистического распределения элементов цифрового изображения с разной яркостью, в котором по горизонтальной оси представлена яркость, а по вертикали - относительное число точек с определенным значением яркости.
Изучив гистограмму, можно получить общее представление о правильности экспозиции, контрасте и цветовом насыщении снимка, оценить требуемую коррекцию, разрешающую повысить качество контурного анализа изображения. На рисунке 2 приведен пример гистограммы.
В каждой точке изображения содержится цвет, который образован некоторой комбинацией первичных цветов: красного (К), зеленого и синего (В). При разрядности цифрового изображения 8 бит любая точка каждого канала принимает значения яркости в диапазоне от
а до Ь, где а > 0 и Ь < 255. RGB-гистограмма формируется отдельно по каждому каналу путем подсчета количества точек с каждым из значений яркости. В этом случае для каждого канала гистограмма яркости будет представлять собой одномерный целочисленный массив из 256 элементов:
Hist = Array(nj), i = 0..255, где n - количество точек изображения, яркость которых равна значению i.
(1)
m
8 S
I *
й s R raj c
Ё § о ь
II ° 1
R
£
Wl И I II МЫ i t^i
Уровень яркости 0-255
Рисунок 2 - Пример гистограммы изображения
Визуально гистограмма традиционно отображается как обыкновенный график одномерной функции. Гистограмма позволяет оценить яркость изображения, его контрастность, площадь изображения, которую занимают светлые, темные и другие яркостные элементы, и, наконец, помогает определить, где на плоскости изображения находятся отдельные области (объекты), соответствующие тем или другим диапазонам значений яркости.
Яркостными преобразованиями изображения называются преобразования двумерных функций яркости Дху) - это яркость точки с координатами (х;у).
Функция отображения яркости ДТ) никак не зависит от расположения точки. Простейшим случаем яркостных преобразований изображения являются линейные преобразования яркости [4], в которых функция отображения яркости имеет вид:
Ж) = аТ + Ь, (2)
где а - показатель, определяющий изменение контраста изображения;
Ь - показатель, определяющий изменение средней яркости изображения;
I - яркость текущей точки изображения.
На практике гистограммы применяются, чтобы получить статистическую картину о распределении каких-либо данных (пикселей, векторов признаков, направлений градиента во всех точках изображения и т. п.).
Например, гистограмма недоэкспонированного изображения будет иметь максимальные значения в темной области и минимальные значения (или полное отсутствие точек) в светлой области. При переэкспонированном изображении ситуация будет диаметрально противоположной. Гистограмма изображения с недостаточным динамическим диапазоном будет иметь большие значения в узкой области яркостей и нулевые в остальной части графика.
Классическое представление идеальной формы гистограммы изображения - пологая гауссиана, в которой мало темных и ярких участков, а по мере приближения к средним значениям яркости количество точек увеличивается.
Рисунок 3 показывает гистограмму темного изображения, без деталей в тенях, практически черного. Гистограмма прижата к левому краю графика, что говорит о существенной потере в тенях.
На рисунке 4 изображена гистограмма светлого изображения. Большинство тонов слишком светлые, фактически темных тонов на изображении нет. Большая часть изображения
полностью белая, без деталей в этих областях. Гистограмма, смещена вправо и касается правого края графика, что только подтверждает переэкспонированность кадра.
Рисунок 3 - Пример недоэкспонированного изображения и его гистограммы
— • ' ' п'^тг ] . -•«'.
ЙЩ* ! ; /:
/' * ■ ■ /•' " / '..-'. V ' • У
7 ✓■-""Ч . ,''"* '
✓ / 4 > • »> ' у -- 1
Рисунок 4 - Пример переэкспонированного изображения и его гистограммы
Пере- и недоэкспонированные изображения (см. рисунки 3 и 4) могут быть обработаны с целью повышения информативности, однако часть информации восстановлению не подлежит. В таких случаях предпочтительнее повторить процесс получения изображения, например, с отличными условиями освещенности.
На рисунке 5 гистограмма изображения достаточно широкая и сосредоточена в центральной области, что говорит об отсутствии потерь информации. При этом изображение выглядит правильно, корректно отображая реальные цвета и полутона. Несущественными недостатками приведенного изображения являются небольшое касание в левой части и удаление от правого края гистограммы.
Рисунок 5 - Пример изображения с нормальной экспозицией и его гистограммы
№ 2(22) ИЗВЕСТИЯ Транссиба 113
ито
Рисунок 6 - Блок-схема программного модуля определения качества изображений
С целью автоматизации процесса анализа изображений разработан программный модуль определения качества изображений, полученных с web-камеры. Блок-схема программного модуля представлена на рисунке 6.
Программный модуль реализован на C/C++ с подключением библиотеки компьютерного зрения OpenCV, которая содержит алгоритмы компьютерного зрения, обработки изображений и численных алгоритмов общего назначения с открытым кодом.
При создании программного модуля применялись встроенные функции библиотеки OpenCV [5]. С помощью функции split() изображение разделяется на три канала - R, G, B. Расчет гистограммы для каждого канала осуществляется с применением функции callHist(). Нормализация массивов гистограмм выполняется с применением функции normalize(). В результате выполнения программы в новом окне совершается вывод гистограмм трех каналов -R, G, B.
В настоящее время анализ гистограммы является наиболее эффективным способом достижения лучшей экспозиции.
Применение программно-аппаратного модуля позволяет повысить достоверность оценки коррозионного состояния замкнутых емкостей на наличие трещин и выхода продуктов коррозии арматуры, а именно повысить точность и уменьшить трудоемкость при определении коррозионного состояния подземной части железобетонной опоры контактной сети без ее откопки.
Список литературы
1. Котельников, А. В. Блуждающие токи и эксплуатационный контроль коррозионного состояния подземных сооружений систем электроснабжения железнодорожного транспорта [Текст] / А. В. Котельников, В. А. Кандаев / Учебно-методический центр по образованию на ж.-д. трансп. - М., 2013. - 552 с.
2. Кручинин, А. В. Распознавание образов с использованием OpenCV [Текст] / А. В. Кру-чинин. - М.: Феникс, 2011. - 171 с.
3. Фу, К. Структурные методы в распознавании образов [Текст] / К. Фу. - М.: Мир, 1977. - 319 с.
4. Обработка и анализ изображений в задачах машинного зрения [Текст] / Ю. В. Визиль-тер, С. Ю. Желтов и др. - М.: Физматкнига, 2010. - 672 с.
5. Леденёв, М. А. Программный модуль первичной обработки изображений, полученных в условиях ограниченного объема [Текст] / М. А. Леденёв, А. В. Пономарев // Повышение энергетической эффективности наземных транспортных систем: Материалы междунар. науч.-практ. конф. / Омский гос. ун-т путей сообщения. - Омск, 2014.- C. 223 - 228.
References
1. Kotelnikov A. V., Kandaev V. A. Bluzhdajushhie toki i jekspluatacionnyj kontrol kor-rozionnogo sostojanija podzemnyh sooruzhenij sistem jelektrosnabzhenija zheleznodorozhnogo transporta (Stray currents and operational control of corrosion of underground structures of power supply systems of railway transport). Moscow, 2013, 552 p.
2. Kruchinin A. V. Raspoznavanie obrazov s ispolzovaniem OpenCV (Pattern recognition with OpenCV). Moscow, 2011, 171 p.
3. Fu K. Strukturnye metody v raspoznavanii obrazov (Structural methods in recognition of images). Moscow, 1977, 319 p.
№ 2(22) 2015
4. Vizilter Ju. V., Zheltov S. Ju., Bondarenko A. V. Obrabotka i analiz izobrazhenij v zadachah mashinnogo zrenija (Image processing and analysis tasks in machine vision). Moscow, 2010, 672 p.
5. Ledenev M. A., Ponomarev A. V. Programmnyj modul pervichnoj obrabotki izobrazhenij, poluchennyh v uslovijah ogranichennogo obema (A software module initial processing of images obtained under conditions in a limited volume). Omsk, 2014, pp. 223 -228.
УДК 625.144.5:625.173.2/5
С. В. Базилевич, А. В. Зайцев, С. М. Кузнецов
ОРГАНИЗАЦИОННО-ТЕХНОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ ЭКСПЛУАТАЦИИ ВЫПРАВОЧНО-ПОДБИВОЧНО-РИХТОВОЧНЫХ МАШИН ЦИКЛИЧЕСКОГО ДЕЙСТВИЯ
Разработаны модели комплексных организационно-технологических показателей эксплуатации выпра-вочно-подбивочно-рихтовочных машин циклического действия на примере ВПР-02 и ВПРС-02 с использованием вероятностной оценки надежности их работы. Для ее обоснования проводились два этапа проверки: логическая и математическая. После формирования выборки в соответствии с ГОСТ 8.207-76 проверялась ее принадлежность закону нормального распределения с помощью критерия согласия Пирсона. Далее рассчитывались надежность и риск незавершения запланированного объема работ машинными системами, комплексами, комплектами и отдельными машинами в планируемый промежуток времени.
Модели созданы на основе баз фактических натурных испытаний, технических и экономических показателей машин, комплектов и систем в реальных условиях работы. Данные модели способствует оптимизации путевых работ с заданной надежностью при строительстве, всех видах ремонта и текущем содержании железнодорожного пути, а также дают возможность определения более рациональных режимов эксплуатации путевых машин для выправки, подбивки и рихтовки железнодорожного пути, что способствует повышению годовых выработок данных машин. Они дают возможность организациям, эксплуатирующим данные машины, более обоснованно рассчитывать требуемое количество машин, энергоемкость технологических процессов путевых работ, их стоимость и трудоемкость.
Предложенные модели метода количественной оценки технической надежности работы выправочно-подбивочно-рихтовочных машин позволяют прогнозировать основные комплексные организационно-технологические показатели работы конкретной машины еще на стадии проектирования технологических процессов путевых работ. Этот метод является универсальным и его можно использовать для оценки технической надежности любых машинных систем, комплектов и отдельных машин.
В современных условиях становятся востребованными новые методы, технологии и модели, которые могут способствовать снижению себестоимости строительной продукции и повышению рентабельности работы организаций. Одним из основных факторов повышения эффективности при строительстве, ремонте и текущем содержании пути является формирование технологических комплексов машин.
Целью любой организации является разработка мероприятий, обеспечивающих сооружение объектов и сдачу их в эксплуатацию в проектные сроки с высоким качеством и адекватными денежными, трудовыми и материальными затратами. При строительстве, ремонте и текущем содержании пути необходимо перемещать средства механизации и ресурсы через определенный промежуток времени на новые участки пути. Это вызывает дополнительные затраты, связанные с уточнением организации и технологии производства работ, составов специализированных комплектов и комплексов машин, дальности и времени доставки путевых машин, материалов, полуфабрикатов и готовых изделий.
Создание информационных баз фактических натурных испытаний, технических и экономических показателей машин, комплектов и систем в реальных условиях эксплуатации способствует оптимизации путевых работ с заданной надежностью при строительстве, ремонте и текущем содержании железнодорожного пути [1 - 4].
