CC BY
15
УДК 004.896
DOI: 10.24412/2071-6168-2022-9-177-182
РАЗРАБОТКА БЕСКОНТАКТНОЙ СИСТЕМЫ ИЗМЕРЕНИЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ
С.В. Онищенко, А.В. Козловский, Э.В. Мельник
В данной работе рассмотрены аспекты разработки системы для бесконтактного определения геометрических параметров объектов, расположенных на изображении. Для реализации системы использован нейросетевой подход на основе сверточной нейронной сети YOLOv5, которая хорошо подходит для решения задач определения объектов на обрабатываемых изображениях. Описанная система позволяет производить подсчет количества объектов на изображении, находить площадь торцевых сечений объектов и при известной длине объекта вычислить его объем. В результате проведенной процедуры тестирования было установлено, что предложенная система обладает высокой точностью измерений, превосходящей некоторые существующие подходы, применяемые для решения подобных задач, при показателях точности определения объемов складированных лесоматериалов достигающей 9095%.
Ключевые слова: нейронные сети, YOLOv5, круглые лесоматериалы, бесконтактное измерение, геометрические параметры объектов.
В современном мире находят все более широкое применение системы автоматизации, позволяющие в значительной степени облегчить организацию производственных процессов, а также повысить общую производительность и эффективность процесса. Одним из таких примеров может послужить область, связанная с измерением различных геометрических характеристик объектов и осуществлением учета их количества, что является необходимым условием для оптимальной организации транспортно-логистических задач и устранения экономических издержек.
Примером может послужить задача, связанная с определением геометрических характеристик партий круглых лесоматериалов, что было рассмотрено в работах [1, 2, 3]. Для решений данной задачи применяются различные методы [4], большинство из которых является трудоемкими и дорогостоящими при своей реализации. Наиболее оптимальным и наименее затратным является бесконтактный подход к измерению параметров объектов, позволяющий с большой точность производить измерения.
Среди бесконтактных способов выделяют различные подходы, такие как применение сте-реозрения, использование активных источников и приемников сигнала, алгоритмы обработки размытий на изображении, использование фото и видеоизображений. Большинство из них требуют наличия специализированного оборудования или реализации сложных алгоритмов обработки исходных изображений, в связи с чем наиболее оптимальным и наименее затратным является использование изображений объектов полученных с помощью фото и видео регистрирующих устройств, имеющих широкое распространение и невысокую стоимость.
В связи с этим предлагается произвести реализацию системы бесконтактного измерения параметров круглых лесоматериалов, складированных в штабели, позволяющую определять их общее количество и вычислять суммарный объем измеряемой партии лесоматериала.
Нейросетевой подход для определения геометрических параметров объектов. Существует несколько возможных подходов, которые можно применить для реализации бесконтактной системы измерения геометрических параметров, наиболее оптимальным из которых будет применение метода на основе нейронных сетей [5]. В качестве архитектуры нейронной сети предлагается использовать последнюю версию архитектуры сверточной нейронной сети YOLOv5, позволяющей решать множество задач, связанных с обработкой изображений, в том числе имеется возможность организовывать работу с видеопотоком в режиме реального времени [6, 7].
Поскольку в качестве объектов измерения выбраны круглые лесоматериалы, расположенные в штабелях, задача определения площади может быть сведена к нахождению радиуса каждого из бревен, после чего будет необходимо вычислить площадь каждого из сечений торцов бревен.
Используемый метод измерения позволяет произвести расчет объема партии круглых лесоматериалов, уложенных в штабели при условии, что нам известен радиус самого большого из бревен. Данное условие позволяет нам организовать некоторое подобие метки, благодаря чему устанавливается зависимость между пикселом на изображении и линейным размером объектов, в следствии чего появляется возможность произвести определение радиуса всех идентифицированных объектов и дальнейшее нахождение площади их торцевых сечений и объемов каждого из измеряемых бревен.
На рис. 1 представлена блок схема нейросетевого метода определения геометрических параметров объектов.
Реализация системы для бесконтактного измерения геометрических параметров. На основе вышеописанного метода реализуем систему для бесконтактных измерений параметров объектов на изображении. Реализуемая система должна соответствовать требованиям и последовательности определенных действий, что представлено на рис. 2.
Исходное изображение
Поиск самого большого объекта
Ввод значения радиуса торца самого большого бревна и длины бревен в штабеле лесоматериалов
Определение метрики зависимости пиксела от числового значения радиуса
Нахождение объемов каждого из бревен
Нахождение числовых значений радиусов бревен с использование метрики
Нахождение площади торцов бревен
Нахождение радиусов остальных бревен
Определение общего объема
Рис. 1. Блок схема алгоритма для нейросетевого метода по определению геометрических
параметров объектов на изображении
Рис. 2. Блок схема алгоритма работы системы
В первую очередь должно быть получено фото необходимых объектов при помощи фотореги-стрирующих устройств в качестве, которого может использоваться камера мобильного телефона пользователя, характеристики которой не являются критичными в связи с достаточно большим приемлемым диапазоном качества изображения. Для достижения наилучшего результата фото необходимо делать с перпендикулярного к объектам.
Полученное фото объекта посредством использования частного виртуального сервера Amazon Lightsail может быть отправлено в директорию устройства, на котором будет производиться обработка данного изображения, поскольку процедура обработки изображения с использованием нейронной сети не может быть реализована на мобильном устройстве [8, 9, 10]
178
Устройством обработки и дальнейшего взаимодействия в нашем случае является ноутбук или персональный компьютер. На данных устройствах производится обучение сверточной нейронной сети при помощи сервиса Google Collabotory на основе заранее подготовленной выборки заготовленных изображений лесоматериалов (рис. 3).
Рис. 3. Процесс создания меток объектов в обучающей выборке
В результате обучения нейронная сеть будет готова к обработке поступающих изображений. Таким образом, в заранее обученную сверточную нейросеть будет необходимо загрузить полученное фото с камеры смартфона. Для данной операции необходимо обеспечить возможность взаимодействия пользователя с данной системой. В связи с этим требуется реализация графического интерфейса, в котором пользователь сможет использовать весь функционал программы.
Графический интерфейс должен включать в себя: поле для ввода названия изображения и его формата, поле ввода точности определения предмета, поля ввода радиуса наибольшего торца и длины брусков, кнопки для распознания и сохранения результатов, а также поле для вывода обработанного изображения и необходимых полученных данных об объекте.
В результате реализации графического интерфейса пользователь имеет возможность выбирать необходимое изображение для обработки и получения информации об объектах на нем, а также задавать необходимые параметры в виде наибольшего радиуса объекта на изображении, длины брусьев и порога точности, что представлено на рис. 4.
О Wood ' Q; X
Введите путь для изображения, на котором * распознать объекты;
woocUest3.jpg 10.70 160 180
Распознать Сохрани* гь результат
Рис. 4. Поля ввода необходимых параметров для работы с изображением
После выбора фото загружается в обученную нейронную сеть, где на основе изученных данных она определяет количество предметов на фото, площадь и объем каждого из них, а также объем всех объектов в целом. Обработанная и полученная информация выводится в поле вывода графического интерфейса для ознакомления и использования ее пользователем.
Также система выдает в поле вывода обработанное фото элементов, расположенных на изображении с их разметкой для наглядности и точности процесса (рис. 5).
Рис. 5. Результат выполнения процедуры подсчета количества бревен на изображении
и вычисления их суммарного объема 179
При необходимости пользователь может сохранить данное фото, указав в поле новое название, с которым изображение сохранится в папке системы, и нажать кнопку для его сохранения.
Для осуществления процедуры определения точности работы предлагаемой системы были проведены измерения изготовленных моделей на 3D принтере с заданными параметрами, которые были вручную измерены линейкой, благодаря чему имелись точные данные их метрических характеристик. На рис. 6 представлен результат вычисления объема измеряемых объектов.
Количество брёвен: 10 Суммарный объем: 33 см"3
Рис. 6. Результат подсчета количества объектов и определения их объема на примере изображения, полученного с помощью специально подготовленных брусков
В результате проведенных экспериментальных исследований, в том числе и на примере специально подготовленных моделях брусков, распечатанных на 3d-принтере установлено, что погрешность при вычислении радиуса измеряемого объекта с использованием заранее известного значения радиуса самого большого объекта не превышает значения 5%, которое теоретически может быть улучшено за счет использования различных коэффициентов, учитывающих такие особенности как пустоты между бревнами. Еще одним решением, направленным на повышение точности может стать увеличение объема обучающей выборки, для предоставления большего числа исходных данных нейронной сети.
Касательно значений определяемого объема, то погрешность при его измерении оказалась больше, и составила 9,5% для отдельных случаев, что может вытекает из погрешности определения радиуса, а так же того факта, что реальное бревно не имеет форму идеального цилиндра, и может интерпретироваться как усеченный конус, что повысит точность, но усложнить процесс обучения нейронной сети и алгоритм нахождения параметров объектов. Данный показатель точность определения параметра объема бревна превосходит результаты, полученные в исследовании [11, 12], что продемонстрировано в таблице.
Сравнение точности различных подходов
Метод Погрешность
Предлагаемая система на основе нейросетевого подхода 9,5%
Круговое преобразование Хаафа (CHT) 29,06%
Меры локальных окружностей (LCM) 21,42%
CHT+LCM 14,22%
Заключение. В результате данной работы была описана система для осуществления бесконтактных измерений объектов с использование изображения применительно к задаче подсчета количества круглых лесоматериалов и определения их суммарного объема. В качестве метода использовался нейросетевой подход, позволяющий на основе известного значения радиуса наибольшего из объектов, расположенных на изображении найти значения площадей торцов остальных бревен и произвести дальнейшее вычисление объемов измеряемых партий лесоматериалов.
При реализации системы был организован пользовательский интерфейс, позволяющий пользователю загружать необходимое изображение, производить процедуру распознавания и подсчета с указанием необходимых параметров и сохранять полученный результат в удобное для пользователя место.
Результаты по определению точности предложенной системы показали хорошие результаты, превосходящие по показателю точности системы и комплексы, использующие в своей основе метод локальных окружностей, метод кругового преобразования Хаафа и комбинацию из этих методов, что говорит о целесообразности использования данной системы для решения поставленной задачи.
Список литературы
1. Козловский А. В., Онищенко С.В., Авдеев В.Е. Исследование методов измерения круглых лесоматериалов / А. В. Козловский, С. В. Онищенко, В. Е. Авдеев // Сб. статей науч.-техн. конф. «Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности». 0511 апреля 2021 года / Таганрог: Южный федеральный университет, 2021. С. 357-360.
2. Онищенко С.В. Козловский А.В. Исследование метода определения геометрических параметров объектов по предварительно обработанным цифровым изображениям // Сб. тр. научн. конф. молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление»: в 3 т. Таганрог: Южный федеральный университет, 2020. Т. 1. С. 59-62.
3. Мельник Э.В., Онищенко С.В., Козловский А.В. Исследование возможности реализации мобильных комплексов для бесконтактного измерения геометрических параметров объектов // Сб. статей науч.-техн. конф. «Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности». 4-9 апреля 2022 / Таганрог: Южный федеральный университет, 2022. С. 156-159.
4. Локтев Д.А. Определение геометрических параметров объекта с помощью анализа серии его изображений // T-comm: телекоммуникации и транспорт. 2015. Т.9. № 5. С. 47-53.
5. You only look once: Unified, real-time object detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. Las Vegas, NV, USA. Р. 779-788.
6. Y0L09000: better, faster, stronger / J. Redmon, A. Farhadi // Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. Honolulu, HI, USA. P. 6517-6525.
7. Redmon J., Farhadi A. YOLOv3: An incremental improvement // ArXiv. 2018. V. abs/1804.02767.
8. Самойлов А.Н. Фотометрический метод формирования и обработки данных, торцов круглых лесоматериалов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2007. № 26. С. 54-73.
9. Самойлов А.Н., Бородянский Ю.М. Метод построения фотограмметрических измерительных систем на основе мобильных облачных вычислений // Известия ЮФУ. Технические науки. 2021. №4 (221). C. 166-172.
10. Самойлов А.Н., Сергеев Н.Е., Волошин А.В., Козловский А.В. Метод фотограмметрического измерения геометрических параметров объектов, инвариантный к фоторегистрирующим устройствам // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2021. №4 (291). C. 58-68.
11. Herbon C., Tunnies K., Stock B. Detection and segmentation of clustered objects by using iterative classification, segmentation, and Gaussian mixture models and application to wood log detection // Pattern Recognition. Springer International Publishing. 2014. P. 354-364.
12. Circular Hough Transform and Local Circularity Measure for Weight Estimation of a Graph-Cut Based Wood Stack Measurement / B. Galsgaard, D.H. Lundtoft, I. Nikolov, K. Nasrollahi, T.B. Moeslund // IEEE Winter Conference on Applications of Computer Vision. 2015. Waikoloa. HI. P. 686-693.
Онищенко Стефан Владимирович, магистрант, stefan.onishchenko@mail.ru, Россия, Таганрог, Институт компьютерных технологий и информационной безопасности, ЮФУ,
Козловский Александр Вячеславович, аспирант, kozlovskiy@sfedu.ru, Россия, Таганрог, Институт компьютерных технологий и информационной безопасности, ЮФУ,
Мельник Эдуард Всеволодович, д-р техн. наук, главный научный сотрудник, evm17@mail.ru, Россия, Ростов-на-Дону, Федеральный исследовательский центр Южный научный центр Российской академии наук
DEVELOPMENT OF A CONTACTLESS SYSTEM FOR MEASURING GEOMETRIC PARAMETERS OF
OBJECTS IN THE IMAGE
S.V. Onishchenko, A.V. Kozlovsky, E.V. Melnik
In this paper, the development of a system for non-contact determination of geometric parameters of objects located in the image is considered. To implement the system, a neural network approach was used, based on the application of the YOLOv5 convolutional neural network architecture, which is well suited for solving problems of determining objects in processed images. The described system allows you to count the number of objects in the image, find the area of the end sections of objects and, with a known length of the object, calculate its volume. As a result of the conducted testing procedure, it was found that the proposed system has a high measurement accuracy that exceeds some existing approaches used to solve such problems, with accuracy indicators for determining the volumes of stored timber reaching 90-95%.
Key words: neural networks, YOLOv5, round timber, contactless measurement, geometric parameters
of objects.
Onishchenko Stefan Vladimirovich, master, stefan.onishchenko@mail.ru, Russia, Taganrog, Institute of Computer Technologies and Information Security, Southern Federal University,
Kozlovsky Alexander Vyacheslavovich, postgraduate, kozlovskiy@sfedu.ru, Russia, Taganrog, Institute of Computer Technologies and Information Security, Southern Federal University,
Melnik Eduard Vsevolodovich, doctor of technical sciences, chief researcher, evm17@mail.ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences
УДК 658.5
DOI: 10.24412/2071-6168-2022-9-182-191
МЕТОДЫ ПРОЕКТНОГО МЕНЕДЖМЕНТА. ПРОЕКТНЫЙ МЕНЕДЖМЕНТ
В КРИЗИСНОЕ ВРЕМЯ
Е.Е. Пелевин, М.Б. Цудиков
Выполнен исследовательско-аналитический обзор методов проектного менеджмента, которые могут применяться предприятиями в условиях кризиса. Значение данных методов обусловлено увеличением значения эффективности управления проектами при стратегическом развитии бизнеса, функционирующего в производственном секторе. Рассмотрены теоретические основы понятия «проектное управление» и признаки эффективного проекта. Описаны актуальные методики проектного менеджмента в мировой экономике и их ключевые отличия. Рассмотрены практические примеры применения основных методик проектного управления компаниями машиностроительной, пищевой, строительной отраслей и сферой IT-технологий.
Ключевые слова: проектный менеджмент, проектное управление, проекты, принципы Agile, Scrum, PRINCE2, Kanban, Lean, Sixsigma.
Современные условия ведения хозяйственной деятельности предприятиями производственного сектораосложняются негативным влиянием рыночно - экономической конъюнктуры и возникшей пандемией коронавируса COVID-19. Это обусловливает поиск способов, позволяющих обеспечивать конкурентоспособность и финансовую устойчивость бизнеса. Среди эффективных методов решения данной проблемы - проектное управление, суть которого заключается в реализации и управлении проектами, результатом которых выступает масштабирование деятельности, создание новой технологии, выпуск новой продукции и т.д.
Актуальность научного исследования на тематику «методы проектного менеджмента в период кризисного времени» обусловлена двумя факторами:
во-первых, увеличением значения эффективности управления проектами при стратегическом развитии бизнеса, функционирующего в производственном секторе мировой экономики;
во-вторых, распространением пандемии коронавируса COVID-19, из-за чего существует риск формирования нового мирового экономического и финансового кризиса в течение 2020-2021 годов, наподобие коллапса 2008 года;
в-третьих, различными санкционными ограничениями, наложенными на нашу страну.
По этой причине целью исследования является проведение исследовательско-аналитического обзора методов современного проектного менеджмента, которые могут применяться предприятиями в условиях кризиса.
Для этого в рамках исследования необходимо решить следующие задачи:
рассмотреть теоретические основы понятия «проектное управление» и признаки эффективного
проекта;
описать актуальные методики проектного менеджмента в мировой экономике и их важнейшие различия между собой;
рассмотреть практические примеры применения основных методик проектного управления компаниями машиностроительной, пищевой, строительной отраслей и сферой IT-технологий.
1. Теоретические основы понятия «проектное управление» и признаки эффективного проекта. Практическое применение проектного управления предприятиями в производственных отраслях российской и международной экономики становится все актуальнее по причине конкурентной среды, где растет число триггеров для совершенствования управленческой деятельности. Все большее число организаций формирует инновационные подходы к проектному управлению, вследствие чего появляются новые стандарты и методы его проведения.
