CC BY
22
РАСИОЗНАВАНИЬ СЛДЬЛЬНЫХ ПЛОСКИХ ОЬЬЬКЮВ НА ОСНОВЕ БЕЗРАЗМЕРНЫХ ПРИЗНАКОВ ИХ ВЫПУКЛЫХ ОБОЛОЧЕК
С. С. Садькгк. Я Ю Кульком
MypoitCKiiii институт Владимирского государства¡иосо университета, г. Муром. Россия
Липотация В статье предложен новый подход к решению известной задачи распознавания плоских объектов, основанный на алгоритмах предварительной обработки изображении н формирования безразмерных признаков реальных плоскпх объектов на базе параметров площади, контура, выпуклей формы п выпуклой оболочки их бинарных изображен int. а также па методе распознавания по принципу ели жайшего соседа, когда близость эталона и входного объекта определяется путем вычисления СКО между нх векторами-прнзнакамн. Даны результаты экспериментов. Определены штн дальнейших нсследова-
Кяючееыг слом: изображение, распознавание, безразмерный признак, плоский объект, выпуклая оболочка, контур, система технического зрения.
I. ВВЕДЕНИЕ
Разработка и практическое применение систем технического (СТЗ) зрения актуально особенно для промышленности. так как роботизированные комплексы.оснатценные СТЗ позволяют автоматизировать многие технологические онерацшь повысить производительность - важный фактор для конкурентоспособности выпускае
МОИ ЩХ^ДуКЦИИ И IX-KOUII^'I'h чглонгкл ш ругинных И НАГЛЫХ [IHOIII [1]
Хотя к настоящему зремеш: накоплена облпгргзая литература, посвященная различным теоретическим и прикладным вопросам машинной обработки, анализу н распознаванию полутоновых и бинарных изображений и объектов на них в различные областях [2-6]. При разработке СТЗ конкретного назначения приходится адаптировать слтцествугошне или создавать новые подходы, метода и алгоритмы обработки, анализа и распознала НИИ mttiipHАГНИЙ И обык'ШК ни них [" .3,7]
Подавляющее большинство существующих СТЗ осуществляют анализ н распознавание бинарных изображении L1J.VJ.
Ф\н.чямгнI-1.1кным прукгурным -»лпигнгом ».rib iKMiyiiiHOKMX. гак и Оинярныч н<иГ|]млгник як. ич)1:'х r«jh-туриые лшнш [51- Поэтому характеристики контура обьектов на нзображешш во многих случаях используются как основной признак для классификации объектов по их изображениям .1.3 i>J н. надо отмстить, успешно решаются практические вопросы распознавания плоских объектов [1]. Наряду с хара:члеристиками контура можно использовать параметры линейчатых структур, формируемых вокруг бинарных изображений объектов, такие как линии описанного прямоугольника [2] илк выпуклой оболочки.
И. ПОСТАНОВКА ЗАДАЧИ
В данной работе для распознавания разных реальных плоских объектов предлагается использовать признаки. созданные в основном на базе характеристик выпуклых оболочек, построенных вокруг бинарного изображения как некоторого точечного множества на плоскости.
Цель данной работы - это моделирование на компьютере технологии работ СТЗ при сортировке плоских деталей и определение возможности использования предлагаемых безразмерных признаков, сформированных в основном нх характеристик выпуклых оболочек бинарных изображений, для классификации различных реальных плоских объектов с высокой точностью за заданное время.
ИТ TFCPHR
Распознаванию подлежат детали, которые располагаются на лепте транспортера п имеют произвольные ориентации. Фон. на котором регистрируются изображения деталей, можно считать равномерным, а условия эевешення - безтеневым
Технология распознавания состоит из двух этапов - обучения и расиознаваш1я. Экспериментальные оссле дования проводились на полутоновых изображениях реальных объектов (детали и изделия). Примеры изображений и ¿дельные, реальных плоских обьекюи 'ОПРО) криьедены на рис. 1.
Объект 1
Объект 6
Выделение одноточечного безразрьшпогс контура бинарного изображения осущестляется алгоритмом направленного перебора |
Псм-]К1гниг выпуклой формы и milpa .■кг ним иГгчпия 11]нжодик:1 с нппи^шшниги алгоритма i юо it-доки! r.i к-ного устранения вогнутых участков изображения объекта [10].
Для 10 заданных объектов формируется 36ЭС1 повернутых вариантов изображений.
Путем случайного Еысора.папримеэ. понормальному оахопу. нзЗбО вариантов nooepnvnix нзобралсешш каждого заданного ооьскта формируется презентабельная экспериментальная выборка объемом 20U0 нзэбра-женкн объекта, ,Цля 1С задгшных объектов формируется массив из 20 С00 вариантов изебражений. Строится
1И( Г1>1]МММЙ ЧИГИТГМ И( 11М1кЧО№1НИМ S60 I 1«Ж:"|!Ну Ihl К И«>1 АГН ИИ КИАД1Н11 ollhPk lil .'Ц1И lj] t »]»V И1Х1КИНИИ ?.fl00
изображений
Для каждого бинарного изображения строится его выпуклая форма [10]. Используя алгоритм в [9]. выделяются выпуклые оболочки, представляющие собой кошур выпуклой формы.
всех изображений вычислхклся первичные илрг_нпры на основе дширшлм. иривеяеннию в [1Э]. По полученным первичным napaveTpaw огущ?тигяется рягч?т ютгорпк безразмерных признаков каждого из 7.000 реализаций всех 10 ОРПО пс формулам приведенным в [10]
Далее в диалоговом режиме осуществляется выбор эталонов дтя распознавания каждой из 2000 реализаций каждого из ÜP110. Но гнетогроммем. полученным на этапе генерации, выбирается вектор признаков ссмой часто использованной из 360 повернутых вариантов при формировании 2X0 реализаций. Лля данного вектора KlV-il[l(]lHI .ИГН UtK 11(1 UrilVD (^ГДНСИИ^ШИЧНШИ ШК.1МНГНИИ КЫЧИСЛХПШ 7л Г кПХ-.ДО« ИЧ 9.000 ['ГИЛ ИХ»! НИИ Срг-дк них ищутся Ztrun. Найденные значения Zmin указывают номера реализаций среди 2000 изображений, векто-ра-прнзкгкн которых совпадают с вектором-признаком выбранной как эталон реализации Аналогично, выбор эталонов проводится для всех остальных реализаций ОРПО.
EV. Результаты wttfphmfhtor
Результаты выбора эталонов для 2000 реализаций каждого из 10 ОРПО приведены в табл. 1.
ТАБЛИЦА 1
КОЛИЧЕСТВО ЭТАЛОНОВ ДЛЯ РАСПОЗНАВАНИЯ ОРПО
N« о^то 1 7 3 4 1 6 7 Я 9 10
Ko.t-rd эталонов 10 11 3 1R 71 11 19 4 7 19
Следующим шагом осуществляется экзамен обученное системы на 20000 реализациях ОРПО. Экзамен заключается в сравнении векторов признаков всех реализации всех 10 Ol'llO с выбранным*: эталонами. D табл.2 приведены результаты правильного распознавания.
Объект 2
Объект 7
Объект 3 Объект 4
Объект 5
Объект 8 Объект 9
Объект 10
Риг 1 Полутпновые изображения реальных объектов
ТАБЛИЦА 2
РЕЗУЛЬТАТЫ ПРАВИЛЬНОЙ ИДЕНТИФИКАЦИИ НА ЭКЗАМЕНЕ ВСЕХ РЕАЛЬНЫХ ОБЪЕКТОВ ПРИ КОЛИЧЕСТВЕ ЭТАЛОНОВ ОТ 1 ДО 21 НА КАЖДЫЙ ОБЪЕКТ
N2 объек- Кол-во
та испытаний Количество эталонов
1 10 21
кол-во % расп. кол-во % расп. кол-во % расп.
1 2000 1050 52,5 2000 100 2000 100
2 2000 728 36,4 1903 95.1 2000 100
3 2000 1827 91.3 2000 100 2000 100
4 2000 570 28,5 1411 70,5 2000 100
5 2000 602 30,1 1208 60,4 2000 100
6 2000 868 43,4 1911 95,5 2000 100
7 2000 561 28,0 1165 58,2 2000 100
8 2000 1799 89,9 2000 100 2000 100
9 2000 608 30,4 2000 100 2000 100
10 2000 472 23,6 1201 60,0 2000 100
V. Обсуждение результатов
Установлена принципиальная возможность использования безразмерных признаков, полученных на основе параметров площади, контура и выпуклой оболочки бинарного изображения, для распознавания с требуемой точностью реальных плоских деталей и изделий.
VI. ВЫВОДЫ И ЗАКЛЮЧЕНИЕ
Наибольшее количество эталонов понадобилось для распознавания всех реализаций реального объекта под номером 5. 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 также для реальных объектов с номерами 7 и 10. При врашении изображения получаем различное соотношения .пшенных участков выпуклой оболочки, а также параметров контура.
Используемая для проведения экспериментов программа не подвергалась оптимизации. При вычислении исходных параметров дважды выделяется контур, сначала по исходному изображению, потом по выпуклой форме. При этом используемый алгоритм направленного перебора требует программной оптимизации для уменьшения затрат времени. Для минимизации времени распознавания одного планируется проведение дополнительных экспериментов.
СПИСОК ЛИТЕРАТУРЫ
1. Техническое зрение роботов'Под ред. А Пью. Пер. с акгл. Под ред Г П. Катыса М.: Машиностроение. 1987. 300 с.
2. Прегг У. Цифровая обработка изображений: Пер. с англ. / У Претт М Мир. 1982. Кн.1. 347с. Кн.2. 480 с.
3. Путятин Е. П Обработка изображений в робототехнике / Е. П. Путятин. С В.
Аверин — М.: Машиностроение. 1990. - 320с.
4 Бутаков Е. А. Обработка изображении ЭВМ 1 Е. А. Бутаков. В И. Островский. И. Л. Фадеев. М : Радио и связь, 1987. 240с.
5 .Фурман Я А Цифровые методы обработки и распознавания бинарных изображений. Красноярск: Изд-во Краснояр ун-та: 1992. 248 с.
6. Обработка цифровых аэрокосмических изображений для геоинформпцнонных систем: монография / С. Г. Емельянов. С. Ю. Мирошниченко. В. С. Паншцев [ндр ]. Старый Оскол: ТНТ, 2011.176с.
7.Техннческое зрение роботов / В. И. Мошкин. А. А. Петров. В. С. Титов. Ю. Г. Якушенков : Под общ. ред. Ю Г Якушеккова. М_: Машиностроение. 1990. 272с.
В.Грндин В. Н Адаптивные системы технического зрения / В. Н. Гридни. В. С. Титов [и др.]: Центр ннформ. технологий в проектировании РАН. М.: Наука. 2009 441с.
9. Фурман Я. А. Цифровые методы обработки и распознавания бинарных изображений. Красноярск: Изд-во Красноярского ун-та, 1992. 248 с
10. Садыков С. С. Алгоритм построения выпуклой оболочки бинарного изображения и формирование его безразмерных признаков / С.С. Садыков И Алгоритмы, методы н системы обработки данных. 2015. № 2 (31). С.77-85.
