CC BY
32Проблема опреснения воды заключается в том, чтобы проводить опреснение необходимо с минимальной затратой энергии и минимальными расходами на оборудование. Это требование важно потому, что государство, которое вынуждено в большей мере полагаться на опресненную воду, должно выдерживать экономическую конкуренцию с другими государствами, располагающими более обильными и дешевыми источниками пресной воды. Различают следующие методы опреснения вод:
- химическое опреснение;
- опреснение путем дистилляции;
- опреснение воды ионным методом;
- обратный осмос;
- электродиализ;
- замораживание.
Вопросы концентрирования солей минеральных вод и опреснения воды - две стороны одной проблемы разделения жидких смесей на отличающиеся по составу фракции. В частности, в процессе дистилляции жидкость разделяется на достаточно чистую от примесей воду и концентрат солей. При опреснении воды концентрация растворенных солей снижается до степени (обычно до 1 г/л), при которой вода становится пригодной для питьевых и хозяйственных целей.
В соответствии со способами очистки воды существуют различные типы опреснительные установки (ОУ). Дистилляционные ОУ (однокорпусные и многокорпусные, по способу опреснения-парокомпрессионные и солнечные) при-меняются при опреснении морской и солёных вод вообще. Опреснение воды электродиализом и гиперфильтрацией (обратным осмосом) экономично при солесодержании 2,5-10 г/л, ионным обменом - менее 2,5 г/л.
Транспортировка пресной воды по трубопроводам или каналам из районов, в которых она находится в избытке, к районам, где имеется ее недостаток, не всегда рентабельна, в сравнении с опреснением соленой воды на месте. Поэтому строительство опреснительных установок (ОУ) выгоднее, чем транспортировка на расстояние более 200 км. Также надо иметь в виду, что ОУ на морских судах и удаленных нефтяных разработках выгоднее, чем хранение пресной воды или транспортировка ее по трубопроводам [4].
Список литературы
1. Норкулова К.Т., Умартаев A.M., Маматкулов М.М. Многокаскадные опреснители и их экономическая эффективность. Сб. науч. труд. Международной научно-технической конференции «Современное состояние и перспективы развития энергетики». Т.: ТашГТУ, 2006. С. 315-316.
2. Дистилляционные опреснительные установки Д0У-10 и Д0У-700. [Электронный ресурс]. Режим доступа: http://www.sverd.ru/rus/prodl-l 1 .php/ (дата обращения: 06.06.2018).
3. Опреснительная дистилляционная судовая установка. [Электронный ресурс]. Режим доступа:http://www.tdhpress.ttn.ru/product/sudo stroenie/opresnitel.html/ (дата обращения: 06.06.2018).
4. Опреснение воды. [Электронный ресурс]. Режим доступа: http://www.armatech.ru/pdf/39.pdf/ (дата обращения: 06.06.2018).
РЕАЛИЗАЦИЯ АЛГОРИТМА ВИОЛЫ-ДЖОНСА НА МИКРОКОНТРОЛЛЕРЕ С ОГРАНИЧЕННЫМИ РЕСУРСАМИ Завалов Р.А.1, Гараев Р.А.2
1 Завалов Роман Александрович — магистрант; 2Гараев Рашит Аюпович — кандидат физико-математических наук, доцент, кафедра вычислительной техники и защиты информации, Уфимский государственный авиационный технический университет, г. Уфа
Аннотация: биометрическая идентификация личности по лицу, хотя и не обеспечивает абсолютно надежного результата, весьма привлекательна, главным образом, благодаря бесконтактности. Подобная технология может оказаться достаточно требовательной к вычислительным ресурсам и неэффективной при попытке реализации на маломощных вычислителях. Приводятся результаты экспериментальных исследований, направленных на получение реальных оценок затрат вычислительных ресурсов микроконтроллеров при выполнении алгоритма обнаружения лиц на изображении. Ключевые слова: биометрическая аутентификация, локализация объектов на изображении, алгоритм Виолы-Джонса, микроконтроллеры, ограниченные вычислительные ресурсы.
Достаточно важным с практической точки зрения вариантом биометрической аутентификации является технология, основанная на распознавании человеческих лиц по фото или видеоизображениям. Хотя эта технология, в отличие от анализа отпечатков пальцев или радужной оболочки глаз, не обеспечивает должной надежности распознавания и может рассматриваться лишь как предварительная или вспомогательная, она обладает огромным преимуществом перед указанными технологиями в том, что не требует близкого контакта аппаратуры (камеры) и проверяемого (разыскиваемого) человека. В настоящее время в этом направлении достигнуты значительные результаты, что делает актуальным широкое внедрение соответствующих технологий, в том числе, в системы на базе микроконтроллеров (МК), вплоть до такой области, как Интернет вещей (IoT). Одной из отличительных черт вычислителей, применяемых в таких сферах, является сравнительно скромные вычислительные ресурсы в сравнении с современными компьютерами общего применения. Данное обстоятельство, с одной стороны, может рассматриваться как преходящий фактор, который будет постепенно преодолеваться по мере эволюционного развития аппаратных средств, с другой стороны, как повод развивать подходы, позволяющие реализовывать соответствующие алгоритмы с учетом ограничений, характерных для МК средней и малой мощности.
Системы биометрической идентификации и аутентификации на базе анализа изображений лиц могут, в принципе, основываться на таких конструктивных решениях, которые за счет взаимного расположения камеры и головы человека не требуют решения задачи детектирования или иначе локализации области, в которой располагается исследуемое лицо, однако наиболее привлекательным является подход, при котором этапу распознавания, т.е. идентификации личности предшествует автоматический поиск лица или лиц в пределах кадра. Успех операции локализации зависит от целого ряда изменяющихся факторов, в том числе, освещенности, наличия и смены теней и текстур, изменения масштаба при удалении или приближении субъекта к камере, от возможного изменения наклона головы и т.п. Тем не менее, во многих случаях с хорошей точностью операция локализации может быть выполнена на базе такого популярного метода, как алгоритм Виолы-Джонса [1].
В классическом варианте поиск объектов интереса на матрице изображения (в данном случае человеческих лиц) по алгоритму Виолы-Джонса основывается на следующих основных принципах [2]:
- представление исходного изображения в интегральном виде для ускорения процесса вычисления функций;
- применение простых прямоугольных функций, называемых признаками Хаара (Признаки Хаара организованы в каскадный классификатор);
- обучение системы распознавания объектов на основе метода «машинного обучения AdaBo о st»;
- организация алгоритма распознавания объектов в виде «каскадного классификатора».
В интегральном представлении яркость каждого элемента изображения является суммой яркостей пикселей выше и левее данного включительно.
Признаки Хаара состоят из смежных прямоугольных областей. Они позиционируются на изображении, суммируются интенсивности пикселей в областях, затем вычисляется разность между суммами. Типичным для всех изображений лиц является то, что область в районе глаз темнее, чем область в районе щек, т.е. общим признаком Хаара для них является два смежных прямоугольных региона, лежащих на глазах и щеках.
Для выбора конкретных используемых функций Хаара и установления пороговых уровней, в методе Виолы-Джонса используется метод машинного обучения AdaB t. Он комбинирует много «слабых» классификаторов с целью создания одного «сильного».
ОСОБЕННОСТИ ИСПОЛЬЗОВАННОГО ПОДХОДА
Исходя из необходимости достижения высокой скорости локализации лиц при помощи вычислителя с ограниченнной производительностью реально был выбран иной подход для описания областей изображения, основанный на применении локальных бинарных шаблонов [3]. Локальные бинарные шаблоны (Local Binary Patterns, LBP) — простой оператор, используемый для классификации текстур, представляющий собой описание окрестности пикселя изображения в двоичной форме. Таким образом, каждому пикселю исходного изображения соответствует 8-битное число, каждый бит которого является результатом сравнения яркости рассматриваемого пикселя с окружающими его восемью пикселями по часовой стрелке, начиная с верхнего левого.
Классификатор LBP представляет собой набор признаков, полученных в ходе обучения набором эталонных изображений. Каждый прямоугольный признак хранится в виде координат его верхнего левого угла, а также ширины и высоты прямоугольника.
Решение использовать классификатор LBP основано на результатах сравнения производительности методов [4], показавшем незначительную разницу в точности обнаружения при значительно меньшем времени исполнения.
В процессе выполнения работы предпринята попытка реализации алгоритма Виолы-Джонса в вычислителе на базе МК с ограниченными ресурсами для локализации значительного числа лиц (более 15-и) на изображении. Предполагается, что данная система должна применяться для биометрической идентификации / аутентификации в реальном времени по изображениям, получаемым при помощи видеокамеры. В качестве фоточувствительного элемента камеры предполагалась фотоматрица с разрешением 640x480. Примером подобной фотоматрицы является изделие LUPA-300 [5], пиксели которой устроены по принципу APS (active pixel sensors), выполненная в 48- пиновом корпусе по технологии (CMOS). Матрица снабжена встроенным 10-разрядным АЦП и позволяет регистрировать до 250 кадров в секунду. Однако с точки зрения рассматриваемой работы важна не предельная скорость работы данной или аналогичных матрицы, а возможность использования режима выборочного считывания яркости пикселей в заданной области интереса ( sampling and windowed Region Of Interest readout) [5]. Это дает возможность периодически считывать в ограниченную оперативную память МК лишь заданное количество строк и столбцов, постепенно сканируя всю матрицу в темпе возможностей обрабатывающего алгоритма. Поскольку большинство современных МК позволяют использовать для обмена с устройствами ввода/вывода метод прямого доступа в память, затраты процессорного времени на собственно считывание фрагментов кадра оказывается минимальным.
В качестве аппаратной базы для реализации системы использовалась отладочная плата NUCLEO-F429ZI, содержащая микроконтроллер STM32F429ZI с частотой ядра 180 МГц, модулем вычислений с плавающей запятой (FPU), 2 МБ ПЗУ и 256 КБ ОЗУ. ОЗУ содержит 64 КБ памяти Core Coupled Memory (CCM), имеющую шину, связанную только с ядром МК, что ускоряет процесс считывания данных.
Отладочная плата не была физически подключена к фотоматрице и в качестве источника графической информации при проведении экспериментов использовался файл формата BMP, записанный на SD-карту.
Хотя классический алгоритм Виолы-Джонса считается довольно быстрым инструментом для решения задачи локализации объектов на изображении, его реализация во встраиваемых системах порождает ряд проблем, требующих отдельного рассмотрения.
Во-первых, объём ОЗУ МК весьма ограничен, поэтому нет возможности загружать в неё качественную картинку целиком. Если один пиксель изображения в градациях серого занимает 1 байт памяти, то размер картинки разрешением 640х480 составит 300 килобайт, что ничтожно для современного компьютера, но абсолютно неприемлемо для среднего МК, а так как в методе Виолы-Джонса применяется интегральное представление изображения, в ОЗУ надо хранить и массив значений типа double, что увеличивает занимаемый объём памяти в 8 раз относительно исходного.
Как указывалось выше, для успешной реализации алгоритма локализации в столь стеснённых условиях было принято решение загружать в ОЗУ не всё изображение целиком, а лишь фрагмент, подлежащий текущей обработке алгоритмом, причём фрагмент этот должен быть представлен непосредственно в интегральной форме. Каждый пиксель при этом приводился к типу float, что вдвое уменьшает объём фрагмента и ускоряет процесс обработки, незначительно снижая точность. Смещение сканирующего окна на один шаг требует загрузки в память фрагмента размером, соответствующим размеру шага. Загрузка производится в область буфера, хранящую уже не обрабатываемые сканером фрагменты.
Во-вторых, потребовалось решить проблему обнаружения объекта, размер которого на входном изображении превышает размер сканирующего окна, заданного классификатором. Для применения сканирующего окна на разных масштабах возможны два подхода: пошаговое уменьшение разрешения входного изображения или пошаговое увеличение размеров сканирующего окна. Поскольку качественное уменьшение изображения требует применения фильтров во избежание ступенчатости картинки, этот подход требует ощутимых затрат вычислительных ресурсов и частого обращения к памяти. Подход с масштабированием сканирующего окна в свою очередь требует лишь умножения значения множителя на размеры стороны окна и размеры элементов классификатора, что оказывает значительно меньшее воздействие на скорость выполнения.
Введение операций умножения чисел с плавающей запятой разумеется, даже при использовании блока FPU, оказывает влияние на производительность алгоритма. С целью оптимизаций вычислений, значения множителя в представлении чисел с плавающей запятой были преобразованы в набор
целочисленных компонентов двоично-рационального числа (dyadic) i ■ ^/2 т. Значение x в
масштабе при этом вычисляется по формуле X * i + И * (X » ш), где «>>» - оператор побитового сдвига влево. Таким образом, масштабирование сканирующего окна осуществляется без
применения FPU, что позволяет заменить одну операцию умножения с привлечением FPU четырьмя целочисленными операциями в пределах стандартного набора регистров.
РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ
В реализованном алгоритме были успешно решены проблемы, описанные выше. Так, буфер имеет размер, достаточный для хранения фрагмента с оригинальной шириной и высотой, равной высоте сканирующего окна с максимальным множителем. При сканировании движение осуществляется с учётом дробного шага окна, арифметически округляемое значение которого служит индексом текущей строки буфера. При прохождении окном всего каскада классификаторов, координаты и размер окна записываются в буфер для дальнейшего вывода. По завершению обработки всего изображения в терминальный порт выводилась информация о времени выполнения алгоритма, количестве проходов через слабые классификаторы и среднее время, затраченное на проход одного слабого классификатора.
Ниже приведены результаты измерения скорости выполнения алгоритма на двух разных аппаратных платформах и с различными значениями параметров с целью оценки реальной производительности рассматриваемых платформ. Для достижения объективности оценки учитывалось только чистое время работы алгоритма, т.е. без учёта длительности операций чтения изображения и вывода отладочной информации. На рассматриваемых платформах применялся идентичный код алгоритма, адаптированный к имеющейся в каждой платформе периферии.
Использовались следующие входные параметры: размер изображения - 640x480, множитель размера окна - 2. Параметры классификатора: размер сканирующего окна - 24х24, глубина каскада -20, количество слабых классификаторов - 100, количество признаков - 256. В качестве каскада классификаторов используется предобученный набор классификаторов и признаков lbpcascade_frontalface.xml из пакета OpenCV. С целью снижения объёма занимаемой памяти и упрощения обработки параметров классификатора, данные были предварительно переведены в двоичный формат.
Программа для МК реализована в среде разработки Keil uVision 5. Для взаимодействия с периферией использована библиотека STM32 Hardware Abstraction Library (HAL). Ввод и вывод данных осуществлялся по четырёхбитному интерфейсу SDIO с частотой 24 МГц в режиме обработки прерываний. Работа с файлами реализована с помощью библиотеки FatF s.
Программа компилировалась так, чтобы буфер изображения располагался в основном ОЗУ размером 192 Кб, а стек и переменные (в том числе и файл классификатора) - в области Core Coupled Memory для уменьшения латентности при регулярном обращении к памяти. Компиляция осуществлялась с флагом -О3 (полная оптимизация кода).
Время выполнения контролировалось при помощи аппаратного таймера TIM2, обладающего 32-х разрядным регистром счётчика и сконфигурированным на инкрементирование счётчика раз в микросекунду. Таймер работает независимо от ядра микроконтроллера и не влияет на выполнение алгоритма. В целях вычисления чистого времени выполнения алгоритма, таймер приостанавливался перед выполнением подгрузки данных в буфер и перед отправкой отладочных сообщений.
В ходе оценки алгоритма рассматривались пять наборов аргументов с различным шагом сканирующего окна: 2, 1,75, 1,5, 1,25, 1. Объём выполняемой работы при этом составляет соответственно 50%, 62,5%, 75%, 87,5% и 100% от полного.
Для оценки производительности выбранной МК платформы, измерения также проводились и на персональном компьютере (ПК), оснащенном четырёхъядерным микропроцессором Intel i5-3570 с фиксированной тактовой частотой 3,4 ГГц в среде ОС Windows 10 (многопоточность в программе не использовалась). Компиляция приложения осуществлялась в среде разработки Microsoft Visual Studio Community 2017 в режиме максимальной оптимизации.
Для оценки времени выполнения алгоритма на ПК применялась функция таймера с высоким разрешением QueryPerformanceC ounter, определенная в файле windows.h. Как и в случае с МК, таймер приостанавливался перед выполнением подгрузки данных в буфер и перед отправкой отладочных сообщений. Так как в обеих рассматриваемых платформах применялся идентичный алгоритм с одинаковыми входными данными, каждому набору аргументов соответствует одинаковое количество проходов слабых классификаторов, и также равны наборы окон, прошедших каскад сильных классификаторов.
На рис. 1 показан вывод результата работы алгоритма с шагом окна 1, т.е. проход сканирующего окна выполнен без исключений по всем строкам и столбцам пикселей. Из 17 полностью видимых лиц на входном изображении, алгоритм корректно выявил 15 (88%). При этом только 8 окон из 170 прошедших каскад полностью или целиком не содержат искомого объекта, что показало устойчивость к ложноположительным срабатываниям в 95,3%.
Рис. 1. Локализация лиц в результате работы алгоритма
В таблице 1 приводятся значения среднего времени, затраченного на прохождение слабого классификатора, полученные в каждом из тестов.
Таблица 1. Результаты измерения временных затрат
STM32F429, float, мкс STM32F429, dyadic, мкс Intel i5-3570, dyadic, мкс
2 5,329581 4,216022 0.080935
1,75 5,329401 4,215845 0,086607
1,5 5,329089 4,215536 0,087037
1,25 5,329351 4,215799 0,082387
1 5,389260 4,212711 0,087489
Среднее 5,341336 4,215183 0,08588
Полученный результат показывает значительную эффективность замены вычислений с плавающей запятой на целочисленные - обработка осуществляется быстрее на 22%. Также заметно, что ПК выполняет описанный алгоритм в 49 раз быстрее.
Поскольку минимальным блоком фиксированной длины в алгоритме является код прохождения слабого классификатора, то оценкой производительности алгоритма Ралг может служить количество таких проходов за единицу времени. Также возможно оценить производительность аппаратной архитектуры Рап путём приведения значения производительности алгоритма к частоте вычислительного ядра. В таблице 2 приводятся вышеперечисленные показатели для рассматриваемых платформ.
Таблица 2. Результаты оценки производительности
Архитектура t^K., мкс Ралг, с.кл./с Гядра, МГц Рап, с.кл./с/МГц
STM32F429 4,215183 237 238 180 1 318
Intel i5-3570 0,08588 11 644 154 3 400 3 425
Исходя из полученных данных, можно сделать вывод, что МК выполняет алгоритм примерно в 2,6 раза менее эффективно, чем процессор ПК. На результат оказывает влияние множество факторов программного и аппаратного характера: применяемые компилятором методы оптимизации кода, используемый конечный набор инструкций, скорость обмена данными с ОЗУ и кэшем, наличие или отсутствие кэша процессора, применение иных технологий оптимизации вычислений.
Таким образом, определено, что производительность алгоритма на МК STM32F429ZI в 49 раз ниже, чем на компьютере с процессором Intel i5-3570. Удельная же производительность МК при этом оказалась лишь в 2,6 раза ниже производительности настольного ПК. С другой стороны, систему, базирующуюся на микроконтроллере, характеризует сверхнизкое потребление электроэнергии - при выполнении вычислений оно составило всего 0,18 Вт, что является значительным преимуществом при реализации автономных решений, реализующих распознавание объектов.
Список литературы
1. Viola. P. Robust Real-Time Object Detection: tech. report / P. Viola, M. Jones. (city: Cambridge) Cambridge, 2001. 320 p.
2. Великий Я.О. Анализ принципа распознавания объектов на изображении методом Виолы-Джонса / Открытые информационные и компьютерные интегрированные технологии, 2015. № 68. С. 162-166.
3. Chang-yeon Jo. Face Detection using LBP features. / CS 229 Machine Learning Final Projects, Stanford, 2008. [Электронный ресурс]. Режим доступа: http://cs229.stanford.edu/proj2008/Jo-FaceDetectionUsingLBP features.pdf/ (дата обращения: 06.06.2018).
4. Juliano E.C. Cruz. A comparison of Haar-like, LBP and HOG approaches to concrete and asphalt runway detection in high resolution imagery. / Juliano E.C. Cruz, Elcio H. Shiguemori, Lamartine N.F. Guimaraes. J. Comp. Int. Sci., 2015. 6 (3):121-136.
5. LUPA300 CMOS Image Sensor. [Электронный ресурс]. Режим доступа: https://www.onsemi.com/pub/Collateral/NOIL1SM0300A-D. PDF/ (дата обращения: 06.06.2018).
ЭФФЕКТИВНОСТЬ ТЕПЛООБМЕНА ПРИ НАГРЕВЕ РАСТВОРА АММОНИЯ ХЛОРИДА В КАНАЛАХ СО СПИРАЛЬНЫМИ ТУРБУЛИЗАТОРАМИ Нурыллаева А.А.1, Кудиярова К.К.2
1Нурыллаева Айнагул Абдиуалиевна - ассистент, кафедра химической технологии, Каракалпакский государственный университет им. Бердаха, г. Нукус; 2Кудиярова Кутлыгул Караматдиновна - ассистент, кафедра фундаментальных предметов, Ташкентский химико-технологический институт, г. Ташкент, Республика Узбекистан
Аннотация: изучены процессы исследования по интенсивности теплообмена при нагреве маточного раствора аммония хлорида в трубе со спиральной накаткой. Анализ показывает, что с ростом величины Re перенос тепла повышается на всех исследованных трубах, т.е. как на гладкой, так и в трубе со спиральными выступами.
Ключевые слова: теплообменные аппараты, интенсификаций, трубе со спиральными, накатка, кожухотрубчатое, теплообменные аппараты, процесс.
Теплообменные устройства являются одними из важнейших аппаратов химических и нефтегазоперерабатывающих предприятий, а также энергетических установок. С ростом энергетических мощностей и объема производства все более увеличивается масса и габариты теплообменных аппаратов.
Для снижения габаритов и массы аппаратов необходимо интенсифицировать теплообмен при одинаковой мощности и мощности на прокачку теплоносителя [1].
К числу компактных и эффективных теплообменников, созданных за последнее время, относятся разные конструкции теплообменных аппаратов с оребренными поверхностями. Применение оребрения со стороны теплоносителя, отличающегося низкими значениями коэффициентов теплоотдачи (газы, сильно вязкие жидкости), позволяет значительно повысить тепловые нагрузки аппаратов [2].
В настоящее время вопросы интенсификации теплообмена в круглых каналах (трубах) достигли предельно возможных значений.
Известны работы, в которых интенсификация теплообмена предлагается путем турбулизации потока теплоносителя внутри и на наружной поверхности труб [3].
