CC BY
26
РАСПОЗНАВАНИЕ НЕУПОРЯДОЧЕННЫХ ДЕТАЛЕЙ НА ВИДЕОРЯДЕ С ПОМОЩЬЮ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ
ТЕХНИЧЕСКОГО ЗРЕНИЯ
Леонов Сергей Николаевич
АО «ИСС» им. академика М.Ф. Решетнёва, г. Железногорск,
инженер-конструктор 3 кат.
Головков Владимир Владимирович
АО «ИСС» им. академика М.Ф. Решетнёва, г. Железногорск,
инженер 1 кат.
Яковлев Иван Игоревич
АО «ИСС» им. академика М.Ф. Решетнёва, г. Железногорск,
инженер-конструктор 2 кат.
АННОТАЦИЯ
В статье проводится обзор систем технического зрения, различных методов позиционирования деталей и распознавания образов. Анализируются различные классы нейронных сетей, а так же ставятся цель и задачи для дальнейших экспериментальных исследований.
ABSTRACT
In this article describing machine vision sy^ems, different part positioning and image recognition methods. Analysis different classis of neural network, and making aims for further experimental research.
Ключевые слова: системы технического зрения, методы выделения детали на видеоряде, нейронные сети, нейросете-вые алгоритмы распознования образов.
Keywords: machine vision sy^ems, image recognition in video portion methods, neural network, connection^ algoritms of image recognition.
Целью работы является исследование процесса идентификации (распознавания) положения неупорядоченных деталей с видеоряда при помощи интеллектуальных систем (искусственных нейронных сетей).
Основные задачи проведённых исследований:
1. Проанализировать методы идентификации деталей в видеоряде;
2. Построить модель сцены распознавания деталей, регистрируемых системой технического зрения;
3. Построить экспериментальный программный модуль, реализующий распознавание ориентации деталей с помощью механизма искусственных нейронных сетей;
4. Исследовать конфигурации соответствующих нейронных сетей на оптимальную архитектуру сети и время сходимости алгоритма распознавания.
В результате исследования был сформулирован ряд рекомендаций, позволяющих повысить эффективность внедрения методов распознавания положения деталей на конвейере с помощью искусственных нейронных сетей в составе систем технического зрения роботизированных производственных линий.
Для автоматизированного определения положения и обработки деталей на конвейере требуется эффективное решение задачи их позиционирования.
Ориентированная деталь со станка без потери ориентации либо подается на транспортную систему разгрузочным устройством, либо непосредственно переносится на сборочную позицию.
Большая часть современных роботов может брать деталь или заготовку только в предварительно ориентированном виде и в заданном месте пространства, что требует применения кассет, магазинов или бункеров с ориентирующими устройствами. Поэтому для динамического позиционирова-
ния деталей требуется применять возможности систем технического зрения [2].
Системами технического зрения (СТЗ) называются системы, реализующие процессы приема и автоматической обработки изображений с целью повышения их качества, распознавания и оценки положения различных объектов наблюдения, анализа наблюдаемых сцен [2].
В СТЗ происходит преобразование входной информации, принимаемой приёмниками первичной информации - визирными устройствами (в частности, оптическими, радиолокационными) в выходную. Выходная информация СТЗ представляет собой описания принятых изображений. Описания формируются с учётом решаемых задач. В широком смысле, описания могут содержать информацию о классах наблюдаемых объектов, их расположении, траекториях движения объектов, энергетических и/или информационных связях между ними. Процессы преобразования информации могут быть реализованы специальными аппаратными средствами или с помощью соответствующего программного обеспечения на ЭВМ, соединенной с приёмниками первичной информации [4].
Задача распознавания детали на видеоряде может быть сформулирована следующим образом. Имеется некоторая совокупность объектов различных форм, произвольным образом расположенных в пространстве. Известна также начальная форма каждого из возможных объектов в сцене. Требуется распознать объекты и для каждого определить параметры положения в пространстве.
Первым этапом является этап построения исходной модели сцены. Для построения поверхностной модели объектов может быть использована дальномерная система, определяющая расстояние до точек поверхности объектов. Для полного обзора должен многократно меняться угол зрения
либо сцена должна смещаться и поворачиваться в пространстве. При сложной геометрии объектов может потребоваться аппроксимация изображений. На втором этапе должно быть проведено разделение модели сцены на модели отдельных объектов. Для проведения этого этапа может быть использовано свойство целостности объекта (связности изображения объектов в модели) [1].
Распознающая система значительно упрощается, если обеспечена компактность образов в выбранном пространстве признаков и информативность этих признаков. Построение характеристик, инвариантных к движениям в пространстве и преобразованиям формы объектов, приводит к вычислительным трудностям. Понижение размерности пространства задания модели и упрощение группы преобразований составляет существо третьего этапа. На четвертом этапе вычисляются характеристики, инвариантные к преобразованиям изображений объектов в рабочей модели. На пятом этапе обеспечивается отбор наиболее информативных признаков с помощью методов оптимальных покрытий. На шестом этапе проводится идентификация объектов по вычисленным признакам. Как правило, статистические методы теории принятия решений в промышленных робо-тотехнических системах используются редко из-за вычислительной сложности и непостоянства времени решения. Седьмой этап состоит в определении параметров положения объектов, и, если это необходимо, то и некоторых параметров преобразования [1].
Для выделения детали на изображении могут применяться различные методы распознавания образов: метод сравнения с прототипом; метод дробящихся эталонов; лингвистические (синтаксические или структурные) методы; логические методы; метод ^ближайших соседей; алгоритмы вычисления оценок (голосования); нейросетевые методы
[5].
Нейросетевые методы — это методы, базирующиеся на применении различных типов нейронных сетей. Основные направления применения различных нейронных сетей для распознавания образов и изображений: применение для извлечения ключевых характеристик или признаков заданных образов, классификация самих образов или уже извлечённых из них характеристик (в первом случае извлечение ключевых характеристик происходит неявно внутри сети), решение оптимизационных задач.
Используя способность обучения на множестве примеров, нейронная сеть способна решать задачи, в которых явно не определены (априори неизвестны) зависимости между входными и выходными данными. Также методы на основе нейронных сетей имеют такие преимущества как устойчивость к шумам во входных данных, адаптирование к изменениям окружающей среды и потенциальное высокое быстродействие за счет использования массового параллелизма обработки информации. Эти достоинства делают использование искусственных нейронных сетей целесообразным при решении поставленной в работе задачи.
Архитектура искусственных нейронных сетей (НС) имеет некоторое сходство с естественными нейронными сетями. НС состоит из элементов, называемых формальными нейронами, которые сами по себе очень просты и связаны с другими нейронами. Каждый нейрон преобразует набор сигналов, поступающих к нему на вход, в выходной сигнал. Именно связи между нейронами, кодируемые весами, играют ключевую роль. Одно из преимуществ нейронных сетей
(а также недостаток при реализации их на последовательной архитектуре) это то, что все элементы могут функционировать параллельно, тем самым существенно повышая эффективность решения задачи, особенно при обработке изображений. Кроме того, НС позволяют эффективно решать многие задачи, они предоставляют мощные, гибкие и универсальные механизмы обучения, что является их главным преимуществом перед другими методами классификации объектов. Обучение сети избавляет от необходимости выбирать ключевые признаки, их значимость и отношения между признаками. Но, тем не менее, выбор исходного представления входных данных (вектор в ^мерном пространстве, частотные характеристики, вейвлеты и т.п.), существенно влияет на качество решения. НС обладают хорошей обобщающей способностью (лучше, чем у решающих деревьев), т.е. могут успешно распространять опыт, полученный на конечном обучающем наборе, на всё множество образов (обобщать) [3].
Искусственная нейронная сеть представляет собой набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы — как внешние выходы нейронной сети. Работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети. Поэтому искусственная нейронная сеть — это совокупность нейронных элементов и связей между ними.
Выбор архитектуры искусственной нейронной сети определяется поставленной задачей. Для некоторых классов задач уже существуют оптимальные конфигурации. Если же задача не может быть сведена ни к одному из известных классов, разработчику приходится решать задачу синтеза новой конфигурации. Проблема синтеза искусственной нейронной сети сильно зависит от задачи. В большинстве случаев оптимальный вариант искусственной нейронной сети получается опытным путем.
Существуют следующие архитектуры искусственных нейронных сетей: многослойные нейронные сети; свёрточ-ные нейронные сети; нейронные сети высокого порядка; нейронные сети Хопфилда; нейронная сеть Коско; нейронные сети Хемминга; самоорганизующиеся нейронные сети Кохонена; вероятностная нейронная сеть; обобщённо-регрессионная нейронная сеть; линейная сеть [6].
Применение искусственных нейронных сетей для распознавания образов деталей в видеоряде при решении задач промышленной автоматизации признаётся наиболее перспективным направлением.
Совместный анализ систем технического зрения и алгоритмов распознования образов в видеоряде позволил сделать следующие выводы:
1. Сочетание системы технического зрения с программным анализом кадра конвейера требует применение специальных алгоритмов.
2. Из всех методов работы с репозиционированными деталями наиболее перспективными являются методы искусственного интеллекта, в основе которых лежат искусственные нейронные сети.
3. Для данного класса задач рационально применять многослойные искусственные нейронные сети с обратным распространением ошибки.
4. Гибкость программных решений может быть достигнута не стандартными имитаторами искусственных нейронных сетей, а программными модулями, сопряжёнными с системой технического зрения и средствами промышленной роботизации на уровне конкретных проектов, т.е. требуется программный компонент.
В ходе дальнейших исследовательских работ планируется рассмотреть методологический подход к решению поставленной задачи на базе искусственных нейронных сетей, а так же создать модель сцены позиционирования деталей на конвейере, алгоритмы обучения нейронной сети и распознавания для задачи выделения образа детали на изображении.
Список литературы:
1. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии).
Томск: Издательство научно-технической литературы, 2006. - 128 с.
2. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. - 176 с.
3. Головко В.А. Нейроинтеллект: Теорияипримене-ния. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями. Брест: БПИ, 1999. - 260 с.
4. Ким Н.В. Обработка и анализ изображений в системах технического зрения. М.: МАИ, 2001. - 160 с.
5. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2002. - 382 с.
6. Сойфер В.А. Методы компьютерной оптики. М.: Физматгиз, 2000.
АВТОМАТИЗИРОВАННЫЙ ПОДХОД К ПРИНЯТИЮ МЕДИЦИНСКОГО РЕШЕНИЯ ДЛЯ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА ПРИ ДЛИТЕЛЬНОМ КОСМИЧЕСКОМ ПОЛЕТЕ К
ДРУГИМ ПЛАНЕТАМ
Литвина Дарья Владимировна
Стажер, Московский авиационный институт (Национальный исследовательский университет), аэрокосмический
факультет, кафедра системы жизнеобеспечения, Москва
АННОТАЦИЯ
Для своевременного предупреждения чрезвычайной ситуации на борту космического аппарата в условиях воздействия дополнительных негативных факторов длительного космического полета к другим планетам, в том числе на сердечно-сосудистую систему, требуется усовершенствование диагностических мероприятий. Этого возможно достичь при разработке и внедрении автоматизированной системы поддержки принятия медицинского решения.
ABSTRACT
To warn of an emergency on board the spacecraft under the impact of additional negative factors of prolonged space flight to other planets, including on the cardiovascular sy&em, requires improvement of diagno^ic measures. This can be achieved in the development and implementation of an automated sy^em to support medical decisions.
Ключевые слова: теория принятия решения, чрезвычайная ситуация, теорема Байеса.
Keywords: theory of decision support, emergency, Bayes' theorem.
Введение. Важную роль в обеспечении безопасности экипажа при длительных космических полетах (ДКП) к другим планетам занимает медицинский контроль (МК). В условиях ДКП при недостаточном уровне эффективности МК возможно развитие ряда заболеваний, что может негативно сказаться на безопасности экипажа в ДКП и успешном завершении миссии в целом [1]. Следует заметить, что многие методы МК разрабатываемые и используемые в космической медицине, нашли свое применение в общей медицинской практике, а сами научные исследования в области МК принесли новые знания об особенностях функционирования организма человека и его возможностей в экстремальной ситуации ДКП.
Целью исследования является своевременная и корректная диагностика опасных состояний космонавтов на борту космического аппарата в условиях ДКП для предупреждения чрезвычайных медицинских ситуаций. Этого возможно достичь при помощи, разработки алгоритма на базе системы поддержки принятия медицинского решения
для наиболее опасных состояний, таких как острый коронарный синдром (ОКС) и инфаркт миокарда (ИМ) с целью предотвращения чрезвычайных ситуаций на борту.
Исследовательская часть. Особое место в обеспечении медицинского контроля пилотируемых полетов занимает предупреждение развития сердечно-сосудистых заболеваний среди прочих.
Безусловно, космонавты проходят тщательный медицинский отбор, прежде чем отправиться в космическую миссию, однако воздействие негативных факторов ДКП и автономность экипажа создают повышенную вероятность возникновения опасных состояний здоровья, в том числе по кардиологическому профилю. Одним из самых опасных сердечно-сосудистых заболеваний является инфаркт миокарда, проявления которого может поставить под вопрос безопасность всей миссии и как следствие привести к чрезвычайной ситуации на борту. Для предупреждения подобных ситуаций необходимо осуществлять как можно более раннюю диагностику.
