CC BY
24
УДК 004.414.23
СИСТЕМАТИЗАЦИЯ И ВЫБОР МЕТОДОВ РАСПОЗНАВАНИЯ ПОВЕРХНОСТИ ДЛЯ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ МОНИТОРИНГА ЗЕРНОХРАНИЛИЩА
Кайрат Темирбаевич Кошеков
Северо-Казахстанский государственный университет имени М. Козыбаева, 150000, Республика Казахстан, г. Петропавловск, ул. Пушкина, 86, доктор технических наук, профессор кафедры энергетики и радиоэлектроники, тел. (7152)49-34-67, e-mail: [email protected]
Наталья Владимировна Астапенко
Северо-Казахстанский государственный университет имени М. Козыбаева, 150000, Республика Казахстан, г. Петропавловск, ул. Пушкина, 86, докторант специальности 6D075100 «Информатика, вычислительная техника и управление», тел. (705)652-96-52, e-mail: [email protected]
В процессе автоматизации работы зернохранилища возникает задача вычисления объема зерна, для обеспечения его контроля и сохранности. Данная статья рассматривает существующие методы получения исходных данных, и причины по которым получение цифровой модели силоса с помощью рассмотренных методов является затруднительным. Предлагается алгоритм расчет объема зерна на основе карты глубин, полученных после сканирования поверхности. Особенность алгоритма заключается в его независимости от упорядоченности исходных данных.
Ключевые слова: облако точек, цифровая модель, цифровая модель высот, триангуляционная модель, алгоритмы, фотограмметрия.
CLASSIFICATION AND SELECTION OF METHODS OF RECOGNITION OF THE AUTOMATED INFORMATION MONITORING SYSTEM OF GRANARY
Kairat T. Koshekov
North Kazakhstan state University named after M. Kozybayev 150000, Republika Kazakhstan, Pe-tropavlovsk, Pushkin, St., 86, doctor of technical Sciences, Professor of the Department of energy and radio electronics, tel. (7152)49-34-67, e-mail: [email protected]
Natalia V. Astapenko
North Kazakhstan state University named after M. Kozybayev, 150000, Republika Kazakhstan, Pe-tropavlovsk, Pushkin, St., 86, doctoral specialty 6D075100 «Informatics, computer facilities and management», tel. (705)652-96-52, e-mail: [email protected]
When the process of automation of the granary there is the problem of calculating the volume of the grain for control and safety. This article describes the existing methods of obtaining baseline data, and why they are not suitable for obtaining a digital model of the surface of grains. Here the algorithm of calculation of grain volume, based on the depth map obtained after the scanning surface. The peculiarity of the algorithm lies in its independence from the ordering of raw data.
Key words: point cloud, digital model, digital elevation model, triangulated irregular network, algorithms, photogrammetry.
Во главе современных тенденций развития информационных систем стоят задачи по автоматизации управления и контроля технологических процессов. Решение подобных задач позволяет снизить влияние так называемого человеческого фактора и, соответственно, повысить качество продукции и увеличить оптимизацию в хранении сырья. В области сельского хозяйства также ведутся работы по автоматизации технологических процессов, и в частности процессов управления зернохранилищами. Использование автоматики позволяет минимизировать количество обслуживающего персонала, снизить требования, предъявляемые к опыту персонала и его квалификации, в тоже время обеспечить качественную сохранность зерна при общем снижении затрат на эксплуатацию зернохранилища. В лаборатории Северо-Казахстанского государственного университета имени М.Козыбаева разрабатывается автоматизированная информационная система для мониторинга, контроля и управления работы зернохранилища. В данной статье рассматривается процесс разработки подсистемы мониторинга объема зерна в силосе.
Разрабатывая систему мониторинга наполненности зернохранилища, необходимо учитывать некоторые особенности работы с сыпучими продуктами, такие как наличие сложной формы поверхности продукта: наличие горки, воронки, кусковые слипнувшиеся комки. В результате использования метода мы должны получить трехмерную модель объекта на компьютере.
На первых этапах исследования предполагалось построить модель и провести необходимые расчеты с помощью фотограмметрии, но в результате проведенных опытов пришлось отказаться от нее по ряду причин. Для решения задачи рассматривались методы фотограмметрии, представленные в таблице. В таблице дается краткое описание метода и указываются причины, по которым метод был отклонен для построения цифровой модели поверхности силоса.
Все фотометрические подходы, так или иначе, используют свойства проективного преобразования, выполняемого камерой. Как было замечено, многие из приведенных выше способов будут неэффективны, если распознаваемый объект не имеет четкой формы и выраженных границ или сегментов. Условия задачи исключают возможность использования подобных методов.
В процессе исключения потенциально возможных для решения поставленной задачи методов фотограмметрии, было приято решение о моделировании поверхности заполняемого зернохранилища посредством уровнемеров или лазерных сканеров. Лазерные сканеры - замечательное решение для распознавания поверхности в зернохранилище, однако крайне высокая цена подобных готовых решений не подходит для сельскохозяйственных организаций. Наиболее подходящим методом для моделирования поверхности образованной в зернохранилище можно считать метод использования уровнемеров, но в этом случае необходимо рассчитать минимально эффективное количество точек замеров, для моделирования трехмерной поверхности.
Таблица
Краткое описание метода Причина невозможности использования для получения цифровой модели зернохранилища
1. Использование данных о фокусировке для оценки расстояний
Для каждой точки на одном изображении выполняется поиск парной ей точки на другом изображении. Затем по паре соответствующих точек выполняется триангуляция и определяются координаты их прообраза в трехмерном пространстве. глубина вычисляется, как расстояние до плоскости камеры. Поверхность зерна на фотоизображении представлена текстурно и поэтому велика вероятность искажения информации при определении парной точки, поэтому данный метод не подходит для решения представленной задачи.
2. Фотометрический метод
Для распознавания объекта используется множество его изображений под разными углами и при разном освещении. Этот способ распознавания довольно точен и, несмотря на большое количество изображений, работает быстро. Данный метод также не подходит для решения поставленной задачи, так как зернохранилище представляет собой замкнутое помещение. Расположение камер возможно под углами от 0 до 90 градусов, а позиция объекта (поверхность зерна) динамично изменяется.
3. Оценка формы по освещенности
Данный метод близок к фотометрическому стерео, основан на том, зрение человека устроено так, что он склонен считать плавно затененные поверхности удаляющимися от направления взгляда. С помощью формулы отражения по закону Ламберта можно связать интенсивность элемента поверхности и направление нормали к поверхности в этом месте. Недостатком данного метода является возможность использования только в лабораторных условиях, а так же необходимость использования сложной процедуры предварительной калибровки.
4. Метод структурированного света
Метод структурированного света идейно близок к реконструкции по стереопаре, но вместо двух камер используется одна камера и один проектор. Поверхности объектов освещаются через шаблон в виде сетки. Камера при формировании изображений передает результат искажения сетки за счет формы и ориентации поверхности. Недостаток данного метода - зависимость точности от расстояния, а так же невозможность работы в условиях сильной внешней засветки или плохо отражающих свет поверхностей.
5. Использование теней для оценки формы объектов
Этот метод позволяет получать информацию о форме поверхности по тени на изображениях, полученных с различных ракурсов или при различных условиях освещения. Основная проблема здесь кроется в отделении границ объектов от фона изображения - то есть определении к чему принадлежат точки изображения - к границе объекта или к фону. В нашей задаче можно определить только контур всей поверхности по стенкам зернохранилища, но в этом случае для моделирования центральной части необходимо сделать слишком грубые допущения.
Окончание табл.
Краткое описание метода Причина невозможности использования для получения цифровой модели зернохранилища
6. Использование поляризации для оценки формы объектов
Используя состояние поляризации света, отраженного от поверхности, а не его интенсивность при определенных обстоятельствах позволяет более точного определения ориентации поверхности. Обычные системы получения изображений могут быть использованы только для записи интенсивности света, отраженного от объекта наблюдения. Таким образом, при использовании данного метода для распознавания поверхность зерна, будет выглядеть однородной, даже если она имеют какую-то внутреннюю структуру.
В целом, процесс реконструкции трехмерной модели можно разделить на три основных этапа:
- сбор трехмерных (дальнометрических) данных;
- построение поверхности;
- оптимизация.
На этапе сбора данных требуется получить данные о дальности для некоторого набора различных фрагментов, которые в совокупности содержат всю поверхность объекта. Далее происходит регистрация или совмещение карт глубин каждого фрагмента. В зависимости от метода сбора, исходные данные представляются либо в виде модели TIN, либо в виде модели DEN.
Модель TIN (Triangulated Irregular Network), или модель па триангуляционной нерегулярной сетке, или свободная модель. Построение цифровой модели рельефа с использованием модели данных TIN сводится к созданию оптимальной сети треугольников, элементы которой стремятся быть как можно ближе к равносторонним. При этом любая точка двумерного пространства обладает только одной высотной координатой.
Модель DEM (Digital Elevation Model) более популярна и удобна для практического использования, так как представлена на регулярной сетке со сторонами, параллельными координатным осям X и Y системы местности.
Эксперименты докажут какая модель позволяет получить более точные значения и является более предпочтительной. В настоящее время мы определили общий алгоритм вычисления объема зерна в силосе вне зависимости от того, будут ли исходные данные представлены регулярно или в виде облака точек. Алгоритм представлен на рис.
Исходные данные хранятся в текстовых файлах в виде значений точек в трехмерной системе координат. В том случае, когда исходное облако точек является нерегулярным осуществляется их упорядочивание в соответствии с заданной координатной сеткой с помощью существующих методов триангуляции. В поставленной задаче точность расчетов играет немаловажную роль, поэтому решено вычислять объем поверхности самым ресурсозатратным способом, путем суммирования объемов косоусеченных призм. Для уменьшения погрешности вычисления используем методы интерполяции в случае разреженности облака исходных точек.
Рис. Общий алгоритм расчета объема зерна
В данной статье рассмотрен процесс решения задачи по получению цифровой модели поверхности силоса. Автоматизация данной задачи позволит осуществить непрерывное наблюдение за процессом работы автоматизированного зернохранилища и осуществлять контроль объема зерна, таким образом можно будет обеспечивать сохранность зерна от хищения и неправильного хранения.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Заборов В.В., Меженин А.В., Тозик В.Т., Использование прототипов в задачах распознавания трехмерных объектов // XVI Всероссийская научно-методическая конференция «Телематика 2009»: сб. материалов в 2 т. (Санкт-Петербург, 22-25 июня 2009 г.) - Санкт-Петербург: СПб государственный университет информационных технологий, механики и оптики, 2009. Т. 2. - С.358-359.
2. Базовая картографическая модель местности. Руководство по созданию. - Минск, 2002. - 85 с.
3. Научно-образовательный курс «Задача сопоставления локальных точек в 3D реконструкции» [Электронный ресурс]. - Режим доступа: http://mm-dsp.com/files/.
4. Sansoni G., Trebeschi M., Docchio F., State-of-The-Art and Applications of 3D Imaging Sensors in Industry, Cultural Heritage, Medicine, and Criminal Investigation // Sensors 2009, 9, C.568-601. [Electronic resource] - Англ. - Режим доступа: www.mdpi.com/journal/sensors
© К. Т. Кошеков, Н. В. Астапенко, 2016
