Современные подходы к переводу технической документации с бумажных носителей в электронный вид Текст научной статьи по специальности «Компьютерные и информационные науки»

70

Электронный документооборот технической документации

УДК 004.896

Современные подходы к переводу технической документации с бумажных носителей в электронный вид

А. А. Матушев, Ф. Н. Лобанов

Кафедра «Автоматика и телемеханика на железных дорогах»

Аннотация. Рассмотрена проблема хранения и использования старой бумажной документации. Проанализированы возможные методы перевода технической документации в электронный вид. Дано описание разрабатываемого модуля АРМ-РМД на основе применения искусственной нейронной сети.

Ключевые слова: техническая документация; искусственные нейронные сети; АРМ-РМД.

1 Введение

На данный момент во всех дистанциях сигнализации, централизации и блокировки (СЦБ) всех железных дорог внедрены автоматизированные рабочие места для ведения технической документации (АРМ-ВТД). С их помощью организован электронный документооборот технической документации. Техническая документация в электронном виде имеет ряд преимуществ по сравнению с документацией, представленной на бумажных носителях:

■ быстрый поиск нужного документа;

■ экспертиза принципиальных схем;

■ обеспечение целостности документации (электронный документ не подвержен сожжению, намоканию и прочим воздействиям);

■ отсутствие потери качества.

В связи с преимуществами ведения технической документации с использованием ПК вся новая документация выполняется в электронном виде. Однако на железных дорогах, помимо новой, имеются и большие объемы старой технической документации на бумажных носителях. При модернизации систем или установке новых приходится использовать существующую бумажную документацию, в том числе и плохого качества, что осложняет работу как проектных организаций, так и эксплуатирующих подразделений, поэтому в НТЦ-САПР ПГУПС осуществляется перевод бумажной документации в электронный вид. Этот процесс происходит медленно, так как объемы техниче-

ской документации велики. На примере Балтийской дистанции СЦБ (ШЧ-14) видно, что количество документации, переведенной в электронный вид, мало (рис. 1).

Монтажная документация 16290

32867

Ы Новые схемы н Переведенные схемы 5145 В Старые схемы

Рис. 1 Объем монтажных схем в ШЧ-14

В настоящее время перевод документации осуществляется вручную и имеет ряд недостатков, таких как:

1) низкая скорость перевода (на перевод одного листа формата А4 технической документации в среднем уходит один час работы);

2) человеческий фактор (при переводе документации человек может допускать ошибки);

3) высокая стоимость.

В связи с перечисленными недостатками и колоссальными объемами подлежащей переводу документации возникает потребность в привлечении принципиально иных, более эффективных методов перевода технической документации в электронный вид. Один из таких методов заключается в применении теории распознавания образов.

На данный момент не существует системы распознавания, которая смогла бы хоть сколько-нибудь эффективно распознать железнодорожную техническую документацию. Программа Fine Reader фирмы ABBYY распознает в среднем 5 % документа. Для успешного решения задачи необходимо, чтобы система распознавания удовлетворяла таким требованиям как:

■ инвариантность относительно классифицируемых образов.

Электронный документооборот технической документации

71

Данное требование необходимо для реализации возможности распознавания всех типов технической документации.

■ минимальность предобработки образов.

Часто техническая документация является ветхой. По этой причине необходимо, чтобы обработка документации осуществлялась при минимальном постороннем на нее влиянии;

■ инвариантность относительно «небольших» сдвигов, поворотов, масштабирования образов.

Некоторые графические элементы на документах представляют собой несвязные графические компоненты. Большая часть методов распознавания на этапе предобработки данных требует центрирования образов, что в рассматриваемом случае представляется затруднительным.

2 Существующие методы распознавания образов

Чтобы любой способ распознавания работал, необходимо передать ему базу элементов, которые он должен распознавать. Данную базу мы будем называть обучающей выборкой.

Основными методами к распознаванию образов в настоящее время являются следующие.

1. Метод сравнения с шаблоном [1], когда распознаваемый объект сравнивается с эталонными вариантами под разными углами и с разным масштабом. Достоинством данного метода является возможность распознавать с высокой точностью известные печатные символы. Недостатком метода является увеличение обучающей выборки при наличии рукописных символов. Это приводит к существенной потере скорости в работе. Кроме того, необходимо учитывать повороты и смещения распознаваемого образа.

2. Метод опорных векторов [2]. Основная идея этого метода для решения задачи распознавания образов состоит в том, что, подвергая образ кодированию с помощью некоторого алгоритма, получают набор n чисел. Этот набор интерпретируют как точку некоторого пространства размерности n, при этом вся обучающая выборка рассматривает-

ся как набор точек, которые по признаку принадлежности к классам ассоциированы со своими классами. Далее с помощью методов квадратичного программирования находят такую n + 1-мерную гиперплоскость или поверхность, которая разделяет заданные классы. Данный метод стабильно работает только с небольшим количеством классов. При увеличении количества классов сильно падает скорость работы. Необходимо подбирать такой способ кодирования, чтобы была возможность построения разделяющей гиперплоскости.

3. Метод, использующий искусственные нейронные сети. Рассмотрим вопрос о применении нейронных сетей для решения задачи распознавания образов.

Пусть W - вектор пространства Rn, f -фиксированная нелинейная функция. Под нейроном [3] понимается функционал

F: Rn ^ I ^ R, определяемый соотношением F ( X) = f (< X, W >). Модель нейрона представлена на рис. 2.

Рис. 2 Схематическое представление нейрона

Вектор W называют вектором весовых коэффициентов нейрона; функцию f - активационной, или передаточной; вектор X -входом нейрона; значение f (< X, W >) является выходом нейрона. Связывая между собой нейроны таким образом, что выходы одних нейронов являются входами других, получаем новый объект - нейронную сеть [3].

С математической точки зрения нейронная сеть является отображением F: Rm ^ Rn. Представленная на рис. 3 нейронная сеть является персептроном, в котором каждый нейрон текущего слоя связан со всеми нейронами следующего слоя. Решение задачи распознавания образов с помощью пер-септрона (см. рис. 3) формулируется следующим образом.

Пусть дана обучающая выборка (Xi, Yi), (X2, Y2),(Xk, Yk) Здесь X, e Rm

72

Электронный документооборот технической документации

представляет собой закодированный некоторым способом образ; Yi е Rn определяет принадлежность образа Xi к одному из n классов. Компонента с номером i вектора Yi

равна единице, остальные - нулю. Требуется построить такую нейронную сеть

F: Rm ^ Rn, чтобы для всей обучающей выборки F ( Xi) = Yi.

Рис. 3 Графическое изображение нейронной сети

Решение любой задачи нейросетевым способом состоит из трех основных этапов: выбора конфигурации сети, обучения сети (настройки сети), получения результатов [4]. Выбор конфигурации сети определяет нейроны и связи между ними. Обучение сети заключается в настройке векторов весовых коэффициентов нейронов сети на основе имеющихся исходных данных. Исходные данные называются обучающей выборкой. Как правило, для настройки сети выбирается некоторый функционал E (W), и происходит его минимизация по весам сети. Однако пер-септрон имеет ряд недостатков, таких как:

■ неинвариантность относительно сдвигов и поворотов;

■ существенное время, затрачиваемое на обучение;

■ зависимость результатов распознавания от способа кодирования.

Существуют специальные архитектуры нейронных сетей, направленные на решение задачи распознавания образов. Одной из наиболее эффективных архитектур является архитектура сверточной нейронной сети (рис. 4) [5].

Представленная на рис. 4 сеть состоит из слоев, которые включают несколько карт нейронов и делятся на слои свертки и слои подвыборки. Слои свертки необходимы для извлечения локальных признаков изображения, таких как углы, завороты, переходы и т. п. Задача слоев подвыборки состоит в усреднении информации слоев свертки предыдущего слоя. В рамках одной карты поддерживается технология «общих весов». Согласно этой технологии, наборы весов синапсов, входящих в нейроны одной карты, являются идентичными.

Достоинство сверточной нейронной сети состоит в том, что здесь не требуется предобработка образов; возможна инвариантность к небольшим сдвигам, поворотам и растяжениям образов; скорость классификации не зависит от размера обучающей выборки.

Для распознавания документов железнодорожной автоматики наиболее эффективными, благодаря своей универсальности, являются сверточные нейронные сети, так как они соответствуют поставленным требованиям.

Рис. 4 Структурная схема сверточной нейронной сети Lenet-5, предложенной Яном Лекуном

Электронный документооборот технической документации

73

3 Модуль АРМ-РМД

В настоящее время разрабатывается универсальный программный модуль по распознаванию монтажной технической документации АРМ-РМД на основе сверточной нейронной сети. Он позволит распознавать рукописные монтажные карточки с высокой точностью. Модуль состоит из программы выделения ячеек таблицы монтажной карточки, непосредственно нейронной сети и программы перевода полученных результатов в отраслевой формат. Однако распознавание не всегда дает точный результат, особенно на очень старых, грязных, рваных документах или на документах со множеством исправлений.

В таких документах порой даже человек не может точно определить, что написано. В данном случае целесообразно применять логический анализатор. В случае неоднозначного распознавания он будет проверять распознанные данные и корректировать их, если они не удовлетворяют определенным параметрам и правилам. Например, если в результате распознавания на выходе нейронной сети получено два варианта текста:

«НМЩ» и «НМТТТ» то, скорее всего, имелось в виду реле марки «НМТТТ». Следовательно, в итоговом документе надо использовать текст «НМТТТ». Применение анализатора повышает процент распознавания документов плохого качества.

Сейчас также ведутся работы по расширению возможностей АРМ-РМД, в частности для решения задачи распознавания принципиальных схем.

Процесс распознавания с помощью данного модуля, состоит из 4-х этапов (рис. 5):

1. Сканирования.

2. Распознавания.

3. Предварительной обработки (устранение шумов, центрирование таблицы, перевод изображения в градации серого):

■ сегментация таблицы на ячейки;

■ применение нейронной сети для распознавания информации в ячейках;

■ применение логического анализатора для анализа полученной информации и исправления ошибки;

■ вывод информации (перевод полученных данных в отраслевой формат).

4. Печати.

Рис. 5 Процесс распознавания схем с помощью модуля АРМ-РМД

4 Заключение

Применение АРМ-РМД существенно ускорит перевод бумажной документации в электронный вид. В качестве примера на Октябрьской железной дороге в ШЧ-14 за последний год было переведено в электронный вид 5145 листов формата А4. Разрабатывае-

мый модуль будет тратить в среднем 5 с для перевода одного листа и около одной минуты для того, чтобы человек исправил ошибки. Следовательно, при восьмичасовом рабочем дне, данный модуль справится с таким же объемом листов А4 всего за две недели. Таким образом, модуль существенно увели-

74

Электронный документооборот технической документации

чит производительность труда отделов технической документации на железных дорогах и ускорит переход на электронную безбумажную технологию ведения технической документации.

Библиографический список

1. Бурсиан, Е. Ю. Алгоритмы распознавания чертежных рукописных символов / Е. Ю. Бурсиан // Приборостроение. Известия вузов. - 2008.-№ 7. - С. 8.

2. Platt, J. C. Fast training support vector machines using sequential minimal optimization /

J. Platt // Advances in Kernel Methods / Ed. by B. Scholkopf, C. C. Burges, A. J. Smola. - MIT Press, 1999. - Pp. 185-208.

3. Каллан, Р. Основные концепции нейронных сетей / Р. Каллан - Москва : Вильямс, 2001. -288 c.

4. Круглов, В. В. Искусственные нейронные сети / В. В. Круглов, В. В. Борисов. - Москва : Горячая линия-Телеком, 2001. - 382 c.

5. Yann, LeCun, Leon, Bottou, Yoshua, Bengio, Patrick, Haffner Gradient-Based Learning Applied to Document Recognition // Proc. IEEE. 1998. -Pp. 6-9.