CC BY
20
Наука А Образование
МГТУ им. Н.Э. Баумана
Сетевое научное издание
Наука и Образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2016. № 07. С. 1-7.
Представлена в редакцию: 07.08.2016 Исправлена:
© МГТУ им. Н.Э. Баумана
УДК 378; 621.3.049.77
Целевая подготовка специалистов по системам технического зрения для предприятий авиационной промышленности
Дубков М. В.1, Костров Б. В.1, Логинов А. А.1, *шшьГОу.т.ъ@еут.игец.п1
Муратов Е. Р.1, доцент Никифоров М. Б.1*, Новиков А. И.1
1 Рязанский государственный радиотехнический университет,
Рязань, Россия
В рамках международного научного конгресса "Наука и инженерное образование. 8ЕЕ-2016", II международная научно-методическая конференция «Управление качеством инженерного образования. Возможности вузов и потребности промышленности» (23-25 июня 2016 г., МГТУ им. Н.Э. Баумана, Москва, Россия).
Многолетняя практика трудоустройства выпускников вузов на промышленные предприятия показывает, что в течение первого года, а порой и двух, ему приходится осваивать новые специфические области знаний. Преподавание этих дисциплин в вузе в рамках основной образовательной программы ограничено допустимой нагрузкой на студента и вряд ли целесообразно из-за узкой специфики. Более детальная подготовка возможна для студентов, обучающихся по целевому направлению предприятий, когда известна их будущая специализация. По программе детальной подготовки в РГРТУ обучаются 73 человека по проектам совместно с Акционерным обществом «Государственный Рязанский приборный завод» (АО «ГРПЗ», г. Рязань) и с Акционерным обществом «Плазма» (АО «Плазма», г. Рязань). В статье в качестве примера детально рассматривается целевая подготовка специалистов по системам технического зрения для предприятий авиационной промышленности в рамках образовательного модуля «Многоспектральные системы технического зрения авиационного применения».
Ключевые слова: системы технического зрения, оборонно-промышленный комплекс, целевая подготовка, авиационная промышленность, структура и содержание программ целевой подготовки
Введение
Многолетняя практика трудоустройства выпускников вузов на промышленные предприятия и анализ процесса «вживания» молодого специалиста в производственный процесс показывает, что в течение первого года, а порой и двух, ему приходится осваивать новые специфические области знаний. Преподавание этих дисциплин в вузе в рамках основной образовательной программы ограничено допустимой нагрузкой на студента и вряд ли целесообразно из-за узкой специализации. Более детальная подготовка возможна для студентов, обучающихся по целевому направлению предприятий, когда известна их будущая специализация.
Рязанский государственный радиотехнический университет вошел в число победителей конкурса на предоставление поддержки программ развития системы подготовки кадров для оборонно-промышленного комплекса в образовательных организациях высшего образования, подведомственных Министерству образования и науки Российской Федерации. В соответствии с приказом Министерства образования и науки Российской Федерации от 29 июля 2015 года №787 по этой программе в РГРТУ обучаются 73 человека.
На конкурс было заявлено 14 проектов, в том числе 13 проектов совместно с Акционерным обществом «Государственный Рязанский приборный завод» (АО «ГРПЗ», г. Рязань) и 1 проект совместно с Акционерным обществом «Плазма» (АО «Плазма», г. Рязань).
Задачи и методы решения
Рассмотрим структуру и основные компоненты целевой подготовки специалистов по одному из 14 проектов - «Подготовка высококвалифицированных специалистов в области разработки многоспектральных систем технического зрения авиационного применения» в рамках образовательного модуля «Многоспектральные системы технического зрения авиационного применения». Он включает в себя следующие дисциплины:
- Органы технического зрения летательных аппаратов;
- Аппаратно-программные методы улучшения изображений;
- Методы визуализации изображений на бортовых мониторах пилота;
- Алгоритмические основы совмещения изображений различной физической природы;
- Корреляционно-экстремальные навигационные системы;
- Методы обнаружения и распознавания подвижных и стационарных объектов;
- Нашлемные системы отображения закабинной информации и знакографики;
- Проектирование аппаратных систем обработки изображений в реальном времени;
- Производственная практика.
Для каждого направления по всем дисциплинам образовательных модулей разработаны комплекты учебной документации (учебные планы, рабочие программы и графики учебного процесса), а также комплекты методического обеспечения (учебные пособия, методические указания к лабораторным работам).
Подготовка специалистов в рамках дополнительного целевого образования проводится на 3 и 4 курсах. К этому моменту студентами названных выше направлений и специальностей изучены все общенаучные дисциплины базового естественнонаучного цикла (математика, физика, информатика и др.). Студенты имеют опыт выполнения курсовых работ, написания программ. Все это позволяет планировать и реализовывать учебный процесс в рамках дополнительной подготовки с высоким уровнем интенсивности изучения нового материала и при активной самостоятельной работе студентов. Отметим, что лекции и лабораторные занятия ведут преподаватели и научные работники, занимающиеся непосредственно разработкой интеллектуальных систем технического зрения (СТЗ) для
авиационной промышленности. Поэтому на всех видах занятий изучаются самые современные методы решения многочисленных задач, входящих в состав авиационных СТЗ.
Продолжим более детальное рассмотрение целевой подготовки специалистов по системам технического зрения для предприятий авиационной промышленности в рамках образовательного модуля «Многоспектральные системы технического зрения авиационного применения». В результате изучения всех дисциплин данного модуля студент должен иметь четкое представление о структуре и задачах, решаемых в многоспектральных СТЗ, знать и уметь самостоятельно работать с известными математическими моделями и их программными реализациями, а также уметь создавать свои оригинальные программные средства по новым алгоритмам.
В качестве типовой модели образовательного процесса по всем дисциплинам этого модуля выбрана схема с двумя компонентами: лекции и лабораторные работы. Завершается изучение дисциплины зачетом и (или) экзаменом. В базовом варианте на изучение каждой из 8 дисциплин модуля отводится 16 часов на лекции и 20 часов на лабораторные работы. Лекции проводятся еженедельно по 2 академических часа, а лабораторные работы -5 раз в семестре, каждая по 4 часа.
Приведем в качестве примера перечень и основное содержание лекций и лабораторных работ по дисциплине «Алгоритмические основы совмещения изображений различной физической природы». Одним из наиболее сложных этапов полета воздушного судна является этап посадки, особенно в неблагоприятных погодных условиях. Об этом свидетельствуют, в частности, неоднократные авиационные катастрофы последних лет. Совмещение реального изображения (плохо видимого) с виртуальным изображением, сформированным по цифровой карте местности, позволяет повысить осведомленность пилотов воздушного судна о закабинной обстановке и, как следствие, повышает вероятность безаварийного полета.
Перечень и содержание лекций:
ЛК1- Задачи цифровой обработки изображений (Классификация изображений, задачи цифровой обработки, фильтрация изображений) - 2 часа;
Основой для этой лекции служит материал коллективной монографии [1].
ЛК2 - Методы выделения границ перепада яркости (классификация методов, градиентные методы - теоретические основы и основные масочные операторы) - 2 часа;
Реальные изображения, получаемые от сенсоров технического зрения, устанавливаемых на борту летательного аппарата, в общем случае содержит множество особенностей на подстилающей поверхности. Это и складки земной поверхности, компактные, четко очерченные лесные насаждения, водные объекты, элементы инфраструктуры и т.д. Однако для последующей обработки и совмещения изображений интерес представляют только объекты постоянного присутствия на поверхности Земли, такие как линия горизонта, гидро- и дорожная сети и др. Контуры остальных малозначимых объектов требуется исключить из рассмотрения.
Основу второй лекции составляют классические методы выделения границ перепада яркости. Но одновременно рассматривается технология удаления малозначимых и одновременно подчеркивания объектов интереса. Эта технология позволяет повысить качество получаемого контурного препарата. На рис. 1б-в приведены результаты практического применения этой технологии к изображению, представленному на рис. 1а. Для сравнения качества выделения контуров значимых объектов на рис. 1г представлено виртуальное изображение. Оно построено по цифровой карте местности на основании навигационных данных, зафиксированных датчиками в момент съемки рассматриваемого реального изображения. Очевидно, что совмещение этого виртуального изображения с отвечающим ему изображением, приведенным на рис. 1в, существенно проще, чем с изображением на рис. 1б.
В г
Рис. 1. Изображения на разных стадиях выполнения технологической цепочки: а - исходное ТВ изображение; б - границы, выделенные с использованием детектора Кенни; в - итоговый результат в случае применения усредняющего фильтра; г - виртуальное изображение, построенное цифровой карте местности
ЛК3 - Основы контурного анализа (векторное представление контуров, скалярное произведение контуров, автокорреляционная и взаимная корреляционная функции контуров, идентификация и совмещение контуров) - 2 часа;
В рамках этой лекции изучаются основы контурного анализа, разработанные научным коллективом под руководством Я. А. Фурмана [2], а также оригинальные методы и алгоритмы авторов настоящей работы [3].
ЛК4 - Аффинные и проективные преобразования плоскости (виды аффинных преобразований, однородные координаты точки, дробно-линейные преобразования, матрица гомографии, ключевые точки, дескрипторы ключевых точек) - 4 часа;
Материал данной лекции является наиболее важным в рамках рассматриваемой дисциплины «Алгоритмические основы совмещения изображений различной физической природы». Поэтому изучению материала этой лекции и отработке практических навыков на лабораторных работах уделяется особое внимание.
Для учета проективных искажений используются дробно-линейные преобразования, которые в однородных координатах и в матричной форме имеют следующий вид
(1)
Лх\ /Кц К12 К13
Лу) = ( К21 К22 К23
л) \Кз1 Кз2 1
1
Для каждой пары ключевых точек Х^ = (х^у^)7 и Х[ = (х\,у'{)т, I = 1, к в соответствии с формулой (1) можно составить пару уравнений
(Х1Х[кз1 + Х1у[Кз2 +х{= х[Кц + у[Ъ.12 + Км, \ytX-h3i + У1У[К32 +У1= х[Ъ.21 + У[К-22 + ^
(2)
В итоге получим систему 2к линейных алгебраических уравнений АСН = В относительно 8 неизвестных элементов Сн = (К11 К12 К13 К21 К22 К23 К31 К32)т матрицы гомографии. В соответствии с формулами (2) основная матрица системы А имеет следующий вид
А =
у1 1 0 0 0 —х1х[ -*1У1\ -Ъу2
у2 1 0 0 0 -Х2Х'2
х'з у' 1 0 0 0 -Х'Х' -Х'У3
Х4 у4 1 0 0 у1 0 1 Х4 Х4 -Х4У4
0 0 0 х1 -У1*1 -у1уХ
0 0 0 х2 у2 1 -У2*2 -У2У2
0 0 0 х'з у' 1 -Уз*3 -УзУ'з
( 0 0 0 Х4 у4 1 -У4Х4 -У4У4)
а вектор-столбец В = (■Х2 Х3 х4 у1 у2 Уз у4)т.
При большом числе пар ключевых точек (к » 4) целесообразно перейти от СЛАУ Айн = В к нормальной СЛАУ (АТА)СН = АТВ с симметричной основной матрицей.
Естественным является желание использовать все множество пар ключевых точек для поиска матрицы гомографии. Однако в этом множестве могут быть пары либо с ложным соответствием, либо пары, в составе которых координаты одной точки в паре определены недостаточно точно. В этом случае предложено [4] использовать процедуру поэтапного уточнения матрицы гомографии. Для этого на каждом шаге находится матрица гомогра-фии, выполняется совмещение изображений и оценивается качество совмещения. Если качество совмещения не ниже заданного порога, то найдена искомая матрица гомографии. В противном случае находятся и затем удаляются пары точек, расстояние между одной из них и образом другой в паре является наибольшим. Процесс сокращения множества пар продолжается до тех пор, пока не будет достигнуто требуемое качество совмещения.
На рис. 2 в качестве примера применения описанного алгоритма приведены исходные изображения одного участка подстилающей поверхности, полученные с тепловизионной и
телевизионной камер в некоторый момент времени, а также результат их совмещения с помощью найденной матрицы гомографии.
Рис. 2. Совмещение изображений подстилающей поверхности
ЛК5 - Численные методы решения систем линейных алгебраических уравнений с симметричной и положительно определенной матрицей - 2 часа;
Материал данной лекции изучается в объеме 9-й главы учебного пособия [5].
ЛК6 - Постановка и методы решения задачи совмещения изображений (цифровая карта местности, виртуальное изображение, получение контуров основных объектов на реальном изображении, методы совмещения изображений) - 4 часа;
Лекция является завершающей в рассматриваемом курсе. Материалом для нее являются монографии [1, 6] и оригинальные работы представителей различных научных школ. Параллельно с лекцией слушатели выполняют последнюю лабораторную работу и сдают зачет.
Лабораторные работы:
- Предварительная обработка изображений;
- Выделение границ перепада яркости;
- Морфологические операции;
- Аффинные преобразования плоскости;
- Проективные преобразования плоскости;
- Совмещение реальных изображений.
Заключение
Опыт первого года работа в рамках названных целевых программ подтвердил предварительные предположения о высокой эффективности такого вида подготовки специалистов по профессионально ориентированным программам. Отмечено повышение заинтересованности студентов в изучении современных систем технического зрения и методов обработки информации, получаемой в таких системах. Этому способствовало и то обстоятельство, что лекции и лабораторные работы по перечисленным выше курсам, ведут преподаватели, принимающие активное участие в проведении научных работ по соответствующей тематике. Отдельные студенты включились в научный процесс и уже в конце первого года обучения выступали на научных конференциях с собственными научными результатами.
Список литературы
[1]. Гуров В.С., Колодько Г.Н., Костяшкин Л.Н. Логинов А.А., Муратов Е.Р., Никифоров М.Б., Новиков А.И., Павлов О.В., Романов Ю.Н., Саблина В.А., Юкин С.А. Обработка изображений в авиационных системах технического зрения. / под ред. Л.Н. Ко-стяшкина, М.Б. Никифорова. М.: Физматлит. 2016. 240 с.
[2]. Фурман Я.А., Кревецкий А.В., Передреев А.К., Роженцов А.А., Хафазов Р.Г., Его-шина И.Л., Леухин А.Н. Введение в контурный анализ. Приложения к обработке изображений и сигналов / под ред. Я.А. Фурмана. Изд. 2-е, испр. М.: Физматлит. 2003. 592 с.
[3]. Novikov A.I., Sablina V.A., Nikiforov M.B., Loginov A.A. The Contour Analysis and Image-Superimposition Problem in Computer Vision Systems // Pattern Recognition and Image Analysis. 2015. Vol. 25. Is. 1. P. 73-80. DOI: 10.1134/S1054661815010149.
[4]. Ефимов А.И., Новиков А.И. Алгоритм поэтапного уточнения проективного преобразования для совмещения изображений // Компьютерная оптика. 2016. Т. 40. № 2. С. 258-265. DOI: 18287/2412-6179-2016-40-2-258-265.
[5]. Новиков А.И. Начала линейной алгебры и аналитическая геометрия. М.: Физматлит. 2015. 376 с.
[6]. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера. 2006. 616 с.
