CC BY
24
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №11-2/2016 ISSN 2410-6070 УДК 69.051
В.В. Власов
магистрант 1 курса кафедры "Информационные системы"
ОГУ им. И.С.Тургенева г. Орел, Российская Федерация
РАЗРАБОТКА МЕТОДА КЛАССИФИКАЦИИ ПРОСТРАНСТВЕННЫХ ДАННЫХ, ОСНОВАННОГО НА АППАРАТЕ МАТЕМАТИЧЕСКОЙ МОРФОЛОГИИ
Аннотация
В данной работе рассматривается возможность применения аппарата математической морфологии и машинного обучения для задачи классификации изображений земной поверхности по характеру рельефа. Рассматривается актуальность применения данного подхода и разработка соответствующего метода для задачи управления строительными территориями посредством оперативного мониторинга и поддержания в актуальном состоянии электронных карт местности.
Ключевые слова
Морфологический профиль, ЖКХ, строительство, классификация, машинное обучение,
цифровая модель рельефа.
В настоящее время в жилищно-коммунальной сфере Российской Федерации существуют серьезные проблемы, требующие новых подходов при реформировании. Значительная доля жилищного фонда состоит из жилых домов, построенных в прошлом веке. Его состояние таково, что до 30% строений требуют вмешательства соответствующих служб для проведения ремонтных работ крыш зданий. [1] При проектировании, строительстве и эксплуатации современных зданий и сооружений также не в полной мере реализуется комплексный подход к энергосбережению. По данным статистики фактические теплопотери в жилых домах из-за несвоевременного ремонта крыш на 20-30% превышают проектные значения. Из сказанного следует, что кроме политики модернизации ЖКХ необходимо создание жесткой системы учета и контроля потребления энергоресурсов. В этих целях необходима разработка новых методик и технических средств учета и контроля. [3, 4]
Оперативный контроль за счет использования фотоснимков, полученных в ходе проведения аэрофотосъемки с помощью беспилотного летательного аппарата (БПЛА) может внести качественные изменения в мониторинг территорий, поможет предотвратить несвоевременное принятие решений в виду недостаточной информационной базы или несвоевременного получения данных для экспертного анализа. Разрабатываемый подход должен учитывать многообразие объектов, которые должны быть классифицированы лицом, принимающим решения, на результирующем ортофотоплане местности. Также стоит отметить, что БПЛА применяются при мониторинге линий электропередач для решения задач определения зарастания, провисания проводов, деформации опор, повреждений изоляторов и проводов, а также трубопроводов, выявляя врезки, незаконные постройки, зарастания, дорожную ситуацию, выявление деформации насыпи, дефектов дорожного полотна, несанкционированные свалки твердых бытовых отходов. [2]
В данной работе рассматривается проблема классификации земной поверхности, используя цифровую модель рельефа. По сравнению с задачей классификации данных высокого разрешения (VHR), данные ультравысокого разрешения (UHR) более изменчивы, что приводит к большим вычислительным затратам при классификации, основанной на пикселях, а также в данной ситуации появляется двусмысленность спектральных данных городской среды. Для решения данной проблемы предлагается двойной морфологический профиль DMTHP, позволяющий извлекать пространственные особенности из ортофотопланов и цифровых моделей рельефов (ЦМР). Рассматривая многомерное пространство признаков обычных морфологических профилей, размеры структурных элементов оцениваются через обучающий набор данных, что позволяет избежать сложных вычислений морфологии за счёт уменьшения пространства признаков методом главных компонент PCA. [5]
Математическая морфология является мощным инструментом для обработки изображений. Изначально данный раздел математики применялся для работы с бинарными изображениями, а затем сфера
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №11-2/2016 ISSN 2410-6070
его применения расширилась до изображений, представленных в градации серого. С помощью морфологий возможно описывать пространственные отношения между объектами изображения, а также выделять контекстную информацию. Для решения поставленной задачи является перспективным использование морфологической реконструкции, где изображение J может быть получено как Bj,i из изображения-маркера I путём нахождения его максимумов. Изображение М обычно получается в результате применения операции эрозии к изображению I с использованием структурного элемента е. По своей сути процесс восстановления представляет собой итеративное применение операций морфологического наращивания или эрозия. Итеративное применение операции эрозии обозначается как B/,B(j,e), где s(J,e) операция морфологической эрозии. [6]
£(J, e)(i, j)=min{J(p - a, q - b)\,e(a, b) = 1} Аналогичным образом можно представить операцию морфологического наращивания.
d(J, e)(i, j) = max{J(p - a, q - b)\,e(a, b) = 1} Успешное применение цилиндрических профилей для детектирования сооружений вдохновило на создание цилиндрических морфологических профилей, чтобы было возможным иметь дело со зданиями разного масштаба. В данной работе рассматриваются два типа морфологических цилиндров, цилиндрическая реконструкция THR и цилиндрическая эрозия THE, которые могут быть представлены следующим образом.[7]
THR(J,e) = J-BJ,e(J,e) THE(J,e) =J- s(J,e)
THR является эффективным в качестве детектора пиков изображения. Однако, недостатком данного типа является то, что THR не может выделять объекты переднего плана, расположенные на наклонной поверхности (например, провода, мосты). Данную проблему можно решить, использовав построенный индекс NDVI. Напротив, THE легко детектирует такие объекты.
На рисунке 1 показан пример, где THR и THE посчитаны с использованием структурного элемента типа "диск". THR эффективно детектирует объекты, находящиеся выше земной поверхности, различая такие классы объектов как дороги и земля. ТНЕ способен выделять локальные максимумы внутри области структурного элемента, но это приводит к ошибкам в классификации объектов местности (например, дороги). На данном рисунке в красном круге отмечено строение, которое соединено с примыкающей дорогой, имеющими одинаковую высоту. THR пропускает часть строений, в то время как ТНЕ успешно детектирует их часть. Данные преобразования могут компенсировать друг друга. Предлагается многомасштабный подход, т.к. объекты городской застройки отличаются между собой по размерам. Множество структурных элементов {ei} с различными масштабами используются для построения DMTHP: DMTHP(J)N={THR(J,e1),THR(J,e2)THR(J,eN),THE(J,e1), THE(J,e2),THE(J,eN)}
(с) (d)
Рисунок 1 - Результаты цилиндрического наращивания и эрозии на цифровой модели рельефа. (a)
Ортофотоплан; (b) DSM; (с) THR; (d) THE
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №11-2/2016 ISSN 2410-6070
Многомасштабные структурные элементы эффективны при описании пространственных различий объектов с различными размерами. Однако, как обозначено Бенедиктссоном и др. [5], главный недостаток такой стратегии - высокая вычислительная стоимость для классификации с особенностями высокой размерности. Чтобы уменьшить многомерность, они только используют два наиболее важных элемента (ярко выраженные) для обучения и классификации, но вычисление морфологической реконструкции все еще должно быть сделано в полном масштабе, который является значительно трудоемким. Кроме того, морфологические цилиндрические преобразования могут содержать избыточность, так как результаты тесно связаны с масштабом объектов. [8]
Рисунок 2 показывает пример вычисления THR и THE профилей для различных классов. Можно заметить, что профили для различных структурных элементов показывают различные результаты, однако, большая избыточность может наблюдаться в профилях THR и THE в последних трёх столбцах гистограммы, т.к. значения THR и THE остаются подобными.
Г S ю Г ■ 40 Г » 70 г ■ 100 Г « 130 Г» 160 г=190
Рисунок 2 - THE и THR значения на различных масштабах для различных городских
классов UHD изображений
В представленном рисунке для автомобиля значения остаются подобными в независимости от изменения масштаба структурного элемента. Результат эксперимента классификации по сравнению с данными, полученными методом экспертных оценок, путем усреднения оценок 40 экспертов, представлены в таблице 1.
Таблица 1
Результат метода классификации - Р, средний результат оценки экспертов - U
Строение Дорога Дерево Автомобиль Трава Земля Тень
P 94,77 95,97 96,22 83,04 99,33 72,20 99,23
U 98,66 75,87 98,37 98,88 96,90 93,15 85,51
В результате, за счет предложенного алгоритма классификации изображений по характеру рельефа местности методом морфологических профилей, достигнута более чем 94% точность классификации. Более чем 96% зданий и дорог определены верно и 83% автомобилей правильно распознаны, что даёт в перспективе возможность для применение данного метода классификации в управлении инфраструктурой и анализом строительной местности.
Список использованной литературы: 1. Бугаевский Л. М. Геоинформационные системы / Бугаевский Л. М., Цветков В. Я. М: 2000. 156 с.
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №11-2/2016 ISSN 2410-6070
2. Власов В.В. Возможности применения мультироторных беспилотных летательных аппаратов при неуверенном приеме сигналов ГНСС / Бизин И.В., Василенко Ю.В., Власов В.В., Демидов А.В., Канатников Н.В., Смоляков М.В // Информационные систе-мы и технологии. (6 (86)), сс. 148-153.
3. Пичугин И. Л. Применение ГИС-технологий - эффективный метод мониторинга объектов ЖКХ/ И. Л. Пичугин // Вестник Орловского государственного аграрного университета. 2011. - №4. С. 76-79.
4. Чернышов Л. Н. Обоснование концепции энергосбережения в жилищно-коммунальном хозяйстве/ Л.Н. Чернышов, И.Л. Пичугин // Строительство и реконструкция. - 2010. - № 6 (32). С. 51-56.
5. Chaabouni-Chouayakh, H.; Reinartz, P. Towards automatic 3D change detection inside urban areas by combining height and shape information. Photogram. Fernerkund. Geoinf. 2011, 2011, 205-217.
6. Huang, X.; Zhang, L.; Gong, W. Information fusion of aerial images and LIDAR data in urban areas: Vector-stacking, re-classification and post-processing approaches. Int. J. Remote Sens. 2011, 32, 69-84.
7. Qin, R. Change detection on LOD 2 building models with very high resolution spaceborne stereo imagery. ISPRS J. Photogramm. Remote Sens. 2014, 96, 179-192.
8. Walter, V. Object-based classification of remote sensing data for change detection. ISPRS J. Photogramm. Remote Sens. 2004, 58, 225-238.
© Власов В В., 2016
УДК 621.822.17
Л.А. Дмитриева
старший преподаватель, Московский политехнический университет, г. Москва, Российская Федерация
ОЦЕНКА СВОЙСТВ АНТИФРИКЦИОННЫХ МАТЕРИАЛОВ В ПОДШИПНИКАХ
СКОЛЬЖЕНИЯ
Аннотация
В данной статье рассмотрены требования предъявляемые к сопряженным материалам подшипников скольжения и их свойства
Ключевые слова
Подшипники скольжения, антифрикционные материалы
Подшипник скольжения (ПС) - опора или направляющая, в которой имеет место трение скольжения. Узел подшипников скольжения - вид трибологической системы, включающей подшипник скольжения. По виду смазки различают подшипники: газодинамический, предназначенный для работы в режиме газодинамической смазки; газостатический, предназначенный для работы в режиме газостатической смазки; гидродинамический, предназначенный для работы в режиме гидродинамической смазки; гидростатический, предназначенный для работы в режиме гидростатической смазки. Подшипник с твердой смазкой используется для работы с твердым смазочным материалом. Подшипник без смазки, в котором части, находящиеся в относительном движении, скользят без предварительного введения смазочного материала.
Антифрикционный материал - материал, обладающий комплексом специальных свойств, обеспечивающих возможность его применения для подшипников скольжения. Важную роль при подборе антифрикционных материалов для ПС играют условия работы. ПС предназначенные для непрерывной работы и передающие большие нагрузки и ПС, работающие периодически и передающие небольшие или умеренные нагрузки.
Фрикционную пару в радиальном ПС образуют втулка и шейка вала. Шейка является частью вала и выполнена из материала вала, как правило из стали или чугуна. Для осевых подшипников роль втулки
