CC BY
26
Для сокращения времени идентификации вектор признаков, как и эталоны, выставляются в определенном порядке.
V = {{хь •••, х} {Х+ъ •••, Хп}}
где {хь • .., х} - множество основных классифицирующих признаков (пропорции объекта, размеры, масштабный коэффициент и другие);
{х,+ь •.., хп} - множество дополнительных идентифицирующих признаков.
Основные признаки отвечают за принадлежность объекта к классам (рис. 4). Каждый из них разбивается на классы.
Схема сортировки эталонов представлена на рис. 4.
При идентификации не известного объекта, основные признаки анализируются в первую очередь для определения классов по каждому из них (на рис. 4 этот процесс изображен обведенными окружностями). После чего вычисляется Б-функция только для фигур из выделенных классов.
Данная сортировка позволяет сократить время вычислений при большом количестве рассматриваемых фигур.
Предложенный метод может быть применен в СТЗ для идентификации проекций трехмерных объектов на конвейере. При этом в базе данных нужно будет хранить только значения вектора признаков и информацию о классах.
Список литературы:
1. Хорн Б.К П. Зрение роботов: gер. с англ. - М.: Мир, 1989. - 487 с.: ил.
2. Охоцимский Д.Е. Роботизация сборочных процессов - М.: Наука, 1985. - 251 с.: ил.
3. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М.: Техносфера, 2005. - 1072 с.
4. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин. - М.: Мир, 1972. - 232 с.: ил.
ТЕХНОЛОГИЯ КЛАССИФИКАЦИИ ПЛОСКИХ ГЕОМЕТРИЧЕСКИХ ФИГУР С ИСПОЛЬЗОВАНИЕМ ДИАГОНАЛЬНЫХ ПРИЗНАКОВ ФОРМЫ
© Терехин А.В.*
Муромский институт (филиал)
Владимирского государственного университета, г. Муром
Предложена технология классификации плоских геометрических фигур по диагональным признакам формы.
* Ассистент кафедры «Информационные системы», аспирант.
В настоящее системы технического зрения широко применяются в промышленности - сборочные автоматы, покрасочные цеха, сортирующие конвейеры [1]. С увеличением объемов производства возрастает и необходимость в разработке новых алгоритмов и технологий, позволяющих осуществлять более точное распознавание и идентификацию отдельных объектов.
В данной статье представлена технология классификации плоских геометрических фигур, которая может быть применена для распознавания реальных объектов.
Наиболее часто используемыми признаками при распознавании являются контурные и линейные геометрические признаки, такие как длина, ширина, площадь, периметр и другие [2, 3]. Признаки, основанные на анализе точек линии контура, являются довольно громоздкими и сложными для реализации. Кроме того, практически невозможно составить классификационную модель по формам объектов с использованием лишь признаков контура.
При идентификации фигур, необходимо учитывать, что они могут:
- быть одинаковой формы и пропорции, но разного размера;
- иметь одинаковые пропорции и размеры, но различаться по форме;
- иметь одинаковую форму и размеры, но различаться по пропорциям.
В связи с этим возникла необходимость в формировании особого вектора признаков, позволяющего различить по перечисленным выше параметрам геометрические фигуры. Для проведения дальнейших вычислений, рассматриваемые фигуры необходимо вписать в прямоугольник минимально возможной площади.
Первым этапом классификации по описываемой технологии является проверка пропорций объекта. Для этого применяется стандартный коэффициент формы (далее ПКФ - прямоугольный коэффициент формы):
а
КР=ь
где а, Ь - соответственно ширина и длина описываемого вокруг фигуры прямоугольника, к е (0,1].
Ь Ь Ь
1 2 3
Рис. 1. Пример фигур, различающихся по форме и ПКФ
а
Далее первый этап разбивается на два направления (рис. 1):
- Если к = 1, то фигура вписывается в квадрат (треугольники, квадрат круг) - второй этап классификации (рис. 1.1, 1.2).
- Если 0 < к <1 то фигура вписывается в прямоугольник (прямоугольник, эллипс, параллелограмм, треугольники) - третий этапы классификации (рис. 1.3).
Вторым этапом классификации является анализ фигур, вписанных в квадрат. Вводятся понятия диагональных коэффициентов и максимального отрезка фигуры.
Максимальный отрезок фигуры - отрезок, соединяющий две максимально удаленные точки контура фигуры.
Диагональный коэффициент - отношение длины максимального отрезка к длине одной из диагоналей описанного вокруг объекта прямоугольника. Различают первый и второй диагональные коэффициенты. При вычислении первого используется диагональ описанного прямоугольника, выходящая из его левой верхней вершины. Соответственно второй использует оставшуюся диагональ.
При тестировании алгоритма было вычислено, что для квадрата, кд = 1,
л/2 2
На третьем этапе происходит проверка формы фигур, вписанных в прямоугольник. Вводятся понятия диагональных отрезков и коэффициентов диагональных отрезков. Диагональные отрезки описанного прямоугольника соединяют его вершины с серединой максимального отрезка фигуры (рис. 2 -ИЫ, БЫ, HD, БЕ). Диагональные отрезки фигур лежат на диагональных отрезках описанного прямоугольника и соединяют середину максимального отрезка фигуры с точкой пересечения ее контура (рис. 2 - Бв, ББ, ББ', Бв'). Для большинства фигур середина максимального отрезка совпадает с точкой пересечения диагоналей описанного вокруг него прямоугольника.
а для круга кПр = —.
М ^____________N
I
^ £- ><-) Е'
I. _
О " Е
Рис. 2. Диагональные отрезки фигуры «Эллипс»
Коэффициенты диагональных отрезков - отношения длин соответствующих диагональных отрезков фигуры, к диагональным отрезкам описанного вокруг нее прямоугольника. Для фигуры, изображенной на рис. 3, диагональными отрезками будут эллипса: Бв, ББ, ББ', Бв; описанного прямо-
угольника: ИМ, НМ, ИБ, НЕ. Их длины можно условно обозначить как I с индексом соответствующего отрезка:
к _ 1НО . и _ 1НР . и и _ 1НО'
к ДО 1 , ; к ДО 2 — , ; к ДО 3 — , ; к ДО 4 — ,
1т 1НМ 1НМ 1 НЕ
где ЬдО1, кДО2, £дОЗ, кДО4 - коэффициенты диагональных отрезков фигуры.
На последнем, четвертом этапе, решается задача классификации одинаковых по форме и пропорциям фигур, но различающихся по размерам. Вводится понятие масштабного коэффициента формы:
к - ^ кт - „
где - площадь сцены; - площадь фигуры
В процессе тестирования предложенной технологии классификации были выявлены стандартные значения предложенных признаков, позволяющие поставить четкую границу между фигурами, представленными в табл. 1.
Таблица 1
Стандартные значения признаков формы для плоских геометрических фигур
Название фигуры к кпр кд1 кд2 кДО1 кДО2 кДОз кДО4
Круг 1 72 л/2 72 72 72 72
2 2 2 2 2 2
Квадрат 1 1 1 1 1 1 1
Прямоугольник (0;1) 1 1 1 1 1 1
Равнобедренный треугольник - - - 1 2 1 2 1 1
Равносторонний треугольник 7з 277 2 V? 1 2 1 2 1 1
Полукруг 1 273 2л/3 л/2 72 1 1
2 3 3 2 2
Остальные плоские геометрические фигуры могут иметь различные значения признаков формы, в зависимости от их размеров и пропорций.
Масштабный коэффициент кт так же зависит от размера рассматриваемой сцены и самой фигуры.
Предложенная технология может применяться в системах технического зрения на конвейерах с роботами-манипуляторами, занимающимися сборкой деталей, сортировкой, извлечением нужных объектов при распознавании проекций трехмерных объектов.
Список литературы:
1. Хорн Б.К.П. Зрение роботов: пер. с англ. - М.: Мир, 1989. - 487 с.: ил.
2. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М.: Техносфера, 2005. - 1072 с.
3. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин. - М.: Мир, 1972. - 232 с.: ил.
АССОЦИАТИВНО-ПРИОРИТЕТНАЯ МУЛЬТИАГЕНТНАЯ СИСТЕМА
© Топчий А.В.*
Институт сферы обслуживания и предпринимательства (филиал)
Донского государственного технического университета, г. Шахты
В данной работе рассматривается ассоциативно-приоритетная муль-тиагентная система, предназначенная для работы со слабоструктурированными данными. Главной особенностью рассматриваемой системы является, то, что агенты, из которых она состоит, взаимодействуют по ассоциативно-приоритетным связям, автоматически генерируемым ими. Основная часть работы посвящена описанию этих ассоциативно-приоритетных связей.
Введение
Практически во всех сферах нашей жизни накопление опыта довольно необходимый и важный процесс. В интеллектуальных отраслях оно особо актуально, что обусловлено постоянным усложнением нашего общества и ростом количества информации. Это в свою очередь приводит к необходимости разрабатывать программы, позволяющие эффективно работать с опытом.
При разработке программ для хранения опыта возможны различные сложности, одной из которых является выбор структуры для хранения. Например, при разработке программы для работы с событиями, необходимо учесть, что они могут значительно отличаться между собой. Конечно в данной ситуации можно попробовать оптимизировать данные, приведя их к оп-ределённому(-ным) формату(-там). Но при этом, скорей всего, будет потерян некоторый объём данных, и довольно сложно сказать, на сколько, такая потеря оправдана.
Для решения подобных проблем существует много различных способов, например можно воспользоваться ХМЬ-ем. Он позволяет сохранять информацию в виде разнообразных объектов [1]. Что позволяет сохранять
* Аспирант.
