автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности

На правах рукописи

ПЕТЕШОВ АНДРЕЙ ВИКТОРОВиТ^^;

МЕТОДЫ И АЛГОРИТМЫ ОБРАБОТКИ ИЗОБРАЖЕНИИ ДЛЯ АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ С НЕОДНОРОДНОЙ СТРУКТУРОЙ ПОВЕРХНОСТИ

Специальность 05.11.16-икформационно-измерительные и управляющие системы (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Тула-2006

Работа выполнена на кафедре «Электронно-вычислительных машин и автоматизированных систем управления» в Тульском артиллерийском инженерном институте

Научный руководитель:

-кандидат технических наук, доцент Вялых Борис Иванович

Официальные оппоненты:

-доктор технических наук, доцент Есиков Олег Витальевич -кандидат технических наук, доцент Минаков Евгений Иванович

Ведущая организация: -ОАО «АК Центральный научно-

исследовательский институт систем управления», г.Тула

09

Защита состоится ЧЖ/ 2006 г. в УI/ часов на заседании дис-

сертационного совета Д 212.271.07 при ГОУ ВПО «Тульский государственный университет» (300600, г. Тула, пр.Ленина, 92, корпус 9, ауд. 101).

М УХ 2006 г. в ^^часов

С диссертацией можно ознакомиться в библиотеке Тульского государственного университета.

Автореферат разослан //

2006 г.

--

Ученый секретарь диссертационного совета Ф.А.Данилкин

1Аг\1

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Современные требования к качеству выпускаемой древесной продукции обуславливают необходимость ее контроля' практически на всех технологических этапах производства. К числу контролируемых величин следует отнести геометрические параметры (ширина, длина), а также распознавание дефектов (сколы, вмятины, риски, выкрашивание углов, обзол, выступ и т.д.), измерение и определение которых в мировой практике все шире осуществляется с помощью оптико-электронных методов.

В случае применения оптико-электронных систем контроля (ОЭСК) геометрических размеров движущейся древесной продукции, основной целью процесса обработки изображения является точное выделение контуров объекта контроля на фоне рабочей сцены. Анализ отечественной и зарубежной литературы показывает, что большинство известных алгоритмов обработки изображений, используемых в подобных системах, ориентировано на работу либо с контрастным изображением, либо с изображением, полученным при условиях однородного или структурированного освещения рабочей сцены, что требует, как правило, наличия в составе системы специализированных осветителей.

Если условия производства не позволяют создать необходимые условия освещения рабочей сцены (запыленность воздуха, внешние условия освещения, цвет объекта контроля, неоднородная структура поверхности продукции и т.д.), то применение стандартных алгоритмов обработки изображений не дает желаемых результатов.

Использование современных сложных алгоритмов обработки изображений часто затруднено из-за необходимости использования специализированной дорогостоящей аппаратной поддержки. Кроме того, известные публикации носят в основном лишь рекламный характер и не раскрывают путей решения проблемы.

В этой связи научно-техническая задача разработки методик и алгоритмов обработки изображений в оптико-электронных системах контроля качества геометрических параметров движущихся объектов с неоднородной структурой поверхности представляется весьма актуальной.

Целью работы является повышение качества контроля геометрических параметров объектов с неоднородной структурой поверхности, обеспечивающего обнаружение и классификацию ее дефектов при неоднородном освещении рабочей сцены.

Объектом исследования диссертационной работы является информационно-измерительная система автоматизированного контроля качества поверхности движущихся объектов.

Предметом исследования диссертационной работы являются методики и алгоритмы обработки изображения в ОЭ системах контроля геометрических параметров объектов. "

РОС. НАЦИОНАЛЬНАЯ

БИБЛИОТЕК V С.-Пегер5ург ОЭ 200€Р!(Т^ (А-

В соответствии с этим в работе решаются следующие основные задачи:

1. Анализ современного состояния проблемы автоматизированного контроля геометрических параметров объектов, а также известных методов и алгоритмов обработки информации в оптико-электронных системах контроля (ОЭСК) геометрических параметров объектов;

2. Разработка адаптивного алгоритма выбора операций предварительной обработки изображения в зависимости от условий в поле контроля;

3. Разработка методики, обеспечивающей эффективное повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности;

4. Разработка и исследование экспериментальной автоматизированной установки оптико-электронного контроля качества кромки древесностружечной плиты.

Методы исследований. Для решения поставленных в работе задач использован аппарат генетических алгоритмов, теории вероятности, математической статистики, обработки и анализа растровых полутоновых изображений, сигуеЫ-преобразования, а также теория нейронных сетей.

Научная новизна результатов работы состоит в следующем:

1. Предложен адаптивный алгоритм выбора операций предварительной обработки изображения в зависимости от условий в поле контроля на основе эволюционного подхода;

2. Разработана методика определения оптимальных параметров генетического алгоритма, использующая эвристический метод;

3. Предложена методика повышения качества изображений, имеющих высокие помехи и низкую контрастность с использованием сигуе1е^преобразования;

4. Разработан алгоритм сегментации границ дефектных областей, основанный на использовании нейросетевого классификатора и обеспечивающий эффективное нахождение границ дефектов в условиях существенной неоднородности динамического фона, характерного для изображений древесностружечной плиты (ДСП).

Практическая ценность работы заключается в следующем:

1. Разработано программное обеспечение обработки полутоновых изображений автоматизированной системы контроля геометрических параметров древесностружечной плиты, имеющая неоднородную структуру поверхности;

2. Реализован адаптивный генетический алгоритм обработки изображений в зависимости от условий в поле контроля;

3. Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма и классификации дефектов кромки древесностружечной плиты на основе нейронной

сети, что позволяет производить дефектацию ДСП в режиме реального времени; Положения, выносимые на защиту:

Адаптивный алгоритм предварительной обработки изображения на основе эволюционного подхода;

Методика определения оптимальных параметров генетического алгоритма использующая эвристический метод;

Методика повышения качества низкоконтрастных изображений с использованием curvelet-преобразования;

Алгоритм сегментации границ дефектных областей основанный на использовании нейросетевого классификатора.

Реализация результатов работы.

Результаты исследований используют в учебном процессе в Череповецком государственном университете, а также в Череповецком военном инженерном институте радиоэлектроники по следующим дисциплинам: "Автоматизированные системы управления и обработки информации", "Основы теории управления", "Компьютерная графика".

Экспериментальная установка по контролю параметров ДСП применяется в ЗАО "Череповецкий фанерно-мебельный комбинат" - в цехе по производству древесностружечной плиты.

Апробация работы. Основные положения диссертационной работы докладывались и получили положительные отзывы на XIV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2001), региональной студенческой научной конференции Вологодского государственного технического университета (г. Вологда, 2001), межвузовской научно-методической конференции Санкт-Петербургского государственного технического университета "Образование, наука, бизнес. Особенности регионального развития и интеграции" (г. Череповец, 2002,2003), III международной научно-технической конференции "Информационные технологии в производственных, социальных и экономических процессах" (г. Череповец, 2002), XV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2002), IV межвузовской конференции молодых ученых Череповецкого государственного университета (г. Череповец, 2003), международной научной конференции "Компьютерное моделирование и информационные технологии в науке, инженерии и образовании" (г.Пенза, 2003), ежегодных научно-технических конференциях Тульского АИИ (2003-2005) XVI, межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2005), а также на научно-технических семинарах, проводимых на базе Череповецкого государственного университета, Череповецкого научного центра РАН и Тульского государственного университета.

Публикации. По материалам диссертации опубликовано 14 печатных работ.

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, изложенных на страницах машинописного текста и включает рисунков, таблиц, приложения на страницах и

списка использованной литературы из 106 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность исследуемой в диссертационной работе задачи разработки алгоритмов и методик для контроля геометрических параметров объектов с неоднородной структурой поверхности при неоднородном освещении рабочей сцены, определены цель работы, объект и предмет исследования. Сформулированы научные результаты, выносимые на защиту, определены их научная новизна и практическая ценность, приведены сведения об апробации и внедрении работы. Дано краткое изложение содержания по главам.

В первой главе проведен анализ современного состояния задачи автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности. Отмечено, что имеющие место на настоящий момент публикации в области обнаружения и классификации дефектов контролируемых объектов касаются, как правило, контроля при высокой контрастности и специальном освещении в то время как деревообрабатывающая промышленность имеет специфику производства (вибрация оборудования, запыленность, электрические помехи, неоднородность поверхности продукции, движение объекта контроля и др.).

Показано, что одним из наиболее перспективных путей решения рассмотренной научно-технической задачи является построение ОЭСК качества кромки на базе ПЗС (прибор с зарядовой связью) датчиков.

Проверка качества с использованием полученных изображений относится к неразрушающим методам контроля и условно разделяется на контроль геометрических размеров, формы профиля изделий и контроль качества поверхности.

К преимуществам систем автоматизированного контроля геометрических параметров, построенных на основе оптических методов следует отнести:

-отсутствие механического контакта поверхностей объекта и системы контроля, а следовательно, долговечность приборов измерения;

-независимость результатов измерения от материала объекта контроля;

-высокое быстродействие измерения за счёт отсутствия массивных измерительных частей;

-возможность работы устройств в более благоприятных условиях за счёт выбора их местонахождения;

-отсутствие влияния средств измерения на объект.

Дан анализ особенностей технологического цикла производства продукции деревообрабатывающей промышленности. Проведены классификация и описание дефектов продукции деревообрабатывающей промышленности, представленные в табл. 1.

Таблица I

Дефекты обработки пиломатериалов

Дефекты обработки

Пиломатериалы сортов

отборного

1-го

2-го

3-го

4-го

Обзол (в обрезных пиломатериалах)

Допускается только тупой при условии, что пропиленная часть стороны пиломатериала в долях ширины стороны без ограничения по длине составляет не менее

5/6 5/6 5/6 2/3

и местный на кромках при условии пропила не ме-

нее

2/3 2/3 2/3 1/3

на протяжении не более

1/6 1/6 1/6 1/4

длины пиломатериала

Допускается тупой и острый при условии, что пласты пропилены не менее, чем на '/2 ширины, а кромки не менее, чем на 3/4 длины

Кривизна, поко-робленность продольная и крыловатость

Допускается стрела прогиба в долах длины пиломатериалов в %, не более:

0,5

0,2

0,2

0,2

Поперечная по-коробленность

Допускается стрела прогиба в долях длины пиломатериалов в %, не более

1

1

1

Непараллельность пластей и кромок

Отклонения от взаимной параллельности пластей и кромок в обрезных, а также пластей в необрезных пиломатериалах допускаются в пределах норм допускаемых отклонений по толщине и _ширине_

Опиловка торцов

В пиломатериалах один торец должен быть опилен перпендикулярно к продольной оси пиломатериалов. Отклонения от прямолинейности торца допускаются до 5% толщины и ширины пиломатериалов соответственно.

Таблица 2

Объем партии Контролируемые показатели по пунктам:

Размер, прямолинейность, Качество поверхности

перпендикулярность и шероховатости

Объем Приемочное Объем Приемоч-

выборки число выборки ное число

До 500 8 1 13 2

От 501 до 1200 13 2 20 3

От 12001 до 13 2 32 5

Для контроля размеров, прямолинейности, перпендикулярности, качества поверхности и шероховатости от каждой партии, в зависимости от ее объема, отбирают плиты в количестве, указанном в табл. 2.

Выдвинуты требования, предъявляемые к ОЭСК параметров движущихся объектов:

- адаптивная система должна проводить измерение геометрических параметров объектов, размеры и форма которых изменяются в широких пределах, и удовлетворять требованиям работы в масштабе реального времени а также быть инвариантной к условиям освещения (ОЭСК без специализированной осветительной системы) и обеспечивать автоматический выбор алгоритма предварительной обработки в зависимости от условий в поле измерения;

- простота в настройке и эксплуатации, устойчивость к неблагоприятным условиям воздействия реального производства (определение и классификация дефектов продукции деревообрабатывающей промышленности, имеющей неоднородную поверхность, при неоднородном освещении).

Представлено математическое описание процесса сегментации изображений, который включает в себя этапы, отображенные на рисунке 1:

Рис. 1 Схема сегментации изображений методом выделения границ областей

Структура алгоритмов обработки и анализа изображений зависит от множества факторов: решаемых задач, объемов и состава априорной информации, условий наблюдения, имеющихся аппаратных средств и т.д.

Выбор оптимальной структуры алгоритмов является сложной задачей, которая решается на основе сравнительной оценки альтернативных вариантов. Во многих случаях, в частности, при стабильных условиях наблюдения, высокой контрастности объектов наблюдения и фона наиболее выгодными могут оказаться простые алгоритмы, использующие некоторый набор процедур, выполняемых в строго определенном порядке.

Более сложными являются адаптивные (самонастраивающиеся) алгоритмы обработки информации.

В частности рассмотрены линейные и нелинейные методы контрастирования изображений. Применительно к нелинейным методам дан анализ процедур обнаружения перепадов яркости изображения (Уолша и Розен-фельда). Дана классификация методов формирования границ областей и пороговой обработки с постоянным и переменным порогами предназначенных для сегментации замкнутых однородных по яркости областей. Для

улучшения качества обнаружения границ областей предложен алгоритм метода релаксации границ. Несмотря на множество существующих методов обработки, основной задачей является обеспечение выбора способа обработки изображения в режиме реального времени, при соблюдении выбранных критериев качества.

Во второй главе рассмотрены вопросы разработки технологии построения инструментальных средств для формирования и обучения нейронных сетей на основе адаптивных генетических алгоритмов обработки изображений в зависимости от условий в поле контроля. При генетическом подходе процесс настройки нейронной сети рассматривается как адаптивный процесс, связанный с максимизацией эффективности функционирования нейронной сети, то есть с минимизацией функции ошибки.

Для реализации концепции отбора вводится способ сопоставления (сравнения) различных хромосом в соответствии с их возможностями решения поставленных задач. Для нейронных сетей с последовательными связями это может быть стандартная мера - сумма квадратов разностей компонент действительного и желаемого сигналов. При таком рассмотрении генетического алгоритма сравнение хромосом происходит без ориентации на понимание причин, которые привели к конечному результату формирования нейронной сети в соответствии с заданными требованиями.

В целом, разработка генетического алгоритма включает три основных компоненты:

- разработка принципов кодирования и декодирования хромосомы;

- разработка основных генетических операторов;

- разработка общей структуры и процесса генетического поиска.

Предложены системные принципы построения инструментальных ■

средств формирования и обучения нейронных сетей в рамках эволюционной парадигмы, которые включают следующую последовательность операций:

1. Инструментальные средства используют генетические алгоритмы для поиска решений относительно заданных требований в пространстве возможных архитектур нейронных сетей.

2. Система начинает работу с популяции случайно сгенерированных сетей, либо с некоторых базовых фрагментов сети.

3. Структура каждой нейронной сети представляется в виде хромосомы, состоящей из множества генов, представляющих анатомические свойства сетевой структуры и параметрические значения обучающих алгоритмов. Хромосомы популяции данного поколения дают потомство согласно репродуктивному плану, который учитывает относительный фитнесс каждой сети.

4. Используя выбранный метод обучения, система обучает сети для решения конкретной задачи. Процесс обучения сети, определение значения критерия и применение генетических операторов для получения новой популяции повторяются многократно. Инструментальные средства обладают свойством изменения и наращиваемости относительно генети-

ческих операторов.

6. На основе существующего аппарата генетического программирования определяются новые свойства генетических операторов, в связи с перспективностью эволюционного направления в рамках «искусственного интеллекта».

7. Инструментальные средства выбираются таким образом, чтобы реагировать на ситуацию, связанную с возникновение и устранением ненужных образцов сети.

8. Обучение нейронной сети может быть прервано по одной из четырех причин, определяемых ограничениями:

• необходимо изменить критерий анализа результатов формирования и обучения нейронной сети;

• количество периодов обучения соответствует максимальному (предельному) значению;

• количество изменений весов соединений соответствует числу, которое является ограничением дальнейших преобразований сети;

• время обучения сети исчерпано.

9. Для каждой нейронной сети в популяции производится оценка целевой функции. Фитнессом является обобщенная оценка решения проблемы, которая может учитывать такие параметры, как скорость и точность обучения, оценку таких факторов, как размер и сложность сети и т.д.

10. Инструментальные средства, - это программно-аппаратная система поддержки принятия решений, обеспечивающая автоматизацию процесса решения задач формирования и обучения архитектур нейронных сетей, а также тестирование нейронных сетей с целью определения функционального качества отобранного варианта сети.

В работе рассматриваются генетический алгоритм синтеза архитектуры многослойной сети прямого распространения, т.е. определенной числом слоев и числом нейронов в слое. В качестве значения целевой

функции используется формула: * (у',гУч) где к - количество

с = тах-\, *ют и уц

примеров; уу' - значение выхода нейронной сети для ] - того примера. Целевая функция представляет собой максимальное для набора примеров относительное отклонение от эталонного значения, выраженное в процентах. Цель применения эволюционной парадигмы - минимизация функции С.

Генетический алгоритм формирования минимально допустимой обучающей выборки представлен на рис.2.

Условие выполнено Рис.2. Генетический алгоритм формирования обучающей выборки

В третьей главе приведены экспериментальные исследования алгоритмов обработки изображения автоматизированной системы оптико-электронного контроля геометрических параметров древесностружечной плиты с неоднородной структурой поверхности

Для проверки предложенных методики и адаптивного алгоритма обработки растрового полутонового изображения, а также алгоритма обнаружения и классификации дефектов кромки ДСП была создана экспериментальная установка, включающая в свой состав ТУ- камеру, блок видеоввода, устройство отображения, персональный компьютер на базе Реп-^ит-1У, пульт оператора, а также программное обеспечение: программа ввода изображения, база данных операций обработки изображения, программа адаптивной обработки изображения, программа определения и классификации дефектов. Разработанный комплекс позволяет получать изображения размером 768x288 пикселов 256-ти градаций серого цвета и производить его дальнейшую обработку.

Предложен комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического подхода.

Адаптивные алгоритмы должны иметь в своем составе блоки (модули) управления вычислительным процессом. На рисунке 3 представлена

блок-схема комплексного алгоритма обработки и анализа изображений, работающего в сложных и изменяемых условиях наблюдения.

Рис. 3 Блок-схема комплексного алгоритма обработки и анализа изображений

При выполнении каждого этапа полученная информация поступает в блок управления, в котором формируется план выполнения последующих процедур. Например, для успешной реализации процесса поиска может потребоваться проведение нескольких циклов улучшения изображения и т.д.

Кроме блока управления, в памяти вычислительной системы хранится база данных (БД), содержащая необходимые данные и различные процедуры обработки информации. В соответствии с принимаемыми решениями из исходной БД формируется рабочая БД, непосредственно используемая при обработке и анализе изображений.

При реализации модуля управления вычислительным процессом использован вариант на основе эволюционного подхода.

Генетический алгоритм генерирует начальную популяцию струк-тур-"особей", каждая из которых представляет возможное решение задачи. Все особи оцениваются мерой "приспособленности" или фитнесс-функцией (целевой функцией), показывающей насколько "хорошо" соответствует данное решение поставленной задачи. Работа генетического алгоритма представляет собой итерационный процесс, который продолжается до тех пор, пока не выполнится заданное число поколений.

На каждом поколении алгоритма реализуется триада операторов: «кроссовер-мутация-инверсия».

В таблице 3 приведено соответствие основных терминов генетического алгоритма и задачи нахождения оптимального пути решения эффективной обработки полутоновых изображений объектов контроля с неод-

нородной структурой поверхности.

Таблица 3

Соответствие основных терминов генетического алгоритма и задачи нахождения оптимального пути решения обработки изображений

Популяция Множество потенциально возможных решений (хромосом) преобразования изображени-яХ=(х1 ,х2,,.. ,хп)-пространство поиска

Индивидуум Вариант решения задачи нахождения оптимального пути обработки изображения (х1, х2,,..,хп)

Хромосома Закодированный вариант решения в виде бинарной строки, состоящей из генов

Генерация Один цикл работы генетического алгоритма

Ген Элемент хромосомы, задающий некоторое преобразование изображения определенного этапа

Генотип Генетическая схема кодирования последовательности выполнения операций преобразования изображения

Фенотип Последовательность операций преобразования изображения

Фитнесс-функция Функция, показывающая приспособленность каждого решения в задаче нахождения оптимального пути преобразования изображения.

На рисунке 4 представлена кодировка этапов адаптивной обработки растровых изображений в виде генотипа используемого в работе.

I этап

- 2 этап -> f- 3 этап--■

П7ТЦ7^1|^7^71ыТ|71)^о| i 7"од-

1 1

a i

0 1

1 О I

0 0

1 ten 2гсн 4 книц Зюн _л._

1ШЩШШ0Ш

•Iren S man Si c« __

бгеи

7гсн

Stcii

9гсн

Юге»

Рис.4. Генотип последовательности операций обработки изображения Из рисунка видно, что нахождение приемлемой операции на каждом этапе обработки изображения представлено в виде 2 ген. Первый ген каждого этапа отвечает за выбор операции обработки изображения из базы данных, а второй ген каждого этапа отвечает за выбор параметров соответствующей операции. При этом 1этап представляет собой сглаживание, 2 этап - подчеркивание перепадов яркости, 3 этап - выделение потенциальных граничных точек, 4 этап - утончение границ, 5 этап - удаление разрывов.

Ниже приведены основные этапы разработанного генетического алгоритма:

1. Случайным образом сформировать начальную популяцию, состоящую из к особей. В0={А],А2,...,А11)

2. Вычислить приспособленность каждой особи Ра.= Ги(А0 , М...к и

популяции в целом ^^(ВО-

3. Выбрать особь Ас из популяции. А-= ве^В^

4. С определенной вероятностью (вероятностью кроссовера Рс) выбрать вторую особь из популяции А^ОеКВ,) и произвести оператор кроссовера Ае=Сгоззт§(Ас,АС1).

5. С определенной вероятностью (вероятностью мутации Рщ) выполнить оператор мутации. Ае=тШ!:юп(Ас).

6. С определенной вероятностью (вероятностью инверсии Р;) выполнить оператор инверсии Ас=туегзюп(Ас).

7. Поместить полученную хромосому в новую популяцию тзег1(В(+1,Ае).

8. Выполнить операции, начиная с пункта 3, к раз.

9. Увеличить номер текущей эпохи 1=4+1.

10. Если выполнилось условие останова, то завершить работу, иначе переход на шаг 2.

Поскольку генетический алгоритм есть метод, требующий уточнений, применительно к каждой частной задаче, то для спецификации эволюционного алгоритма в работе определялись: способ кодирования вариантов, представление варианта в виде битовой строки; критерии останова и выживаемости; вариант операции селекции; вариант операции скрещивания; операция'мутации.

Функция отбора представляет собой комбинацию значений критериев оценки растрового изображения и является критерием останова.

При создании данной функции отбора используется интегральный критерий вычисления визуального качества. Функционал представляет собой вектор Б {а, Ь, с, <!}:

£-1

• а- ш^-энергия: Ъм = [?(&)] 2 , (1)

¿=о £-1

• с - епй* — энтропия: ЪЕ = Рф) \о%2 [Р(Ь)], (2)

¿>=0

где 0 2 Ь ^ Ь-1 — уровни квантования. Распределение частот первого порядка, оценивающее Р (Ь), описывается выражением:

Р(Ь)=ЩЬ)/М, (3)

где М — полное число элементов изображения в окне с центром 0, к), а N (Ь) — число элементов в окне, имеющих уровень Ь.

Ь - впг - отношение сигнал/шум:

' м n } м n г „ 12 '\

/(х,у)-/(х,у)

(4)

Шд^)] /Ц

^.1=1 у=1 дг=1 >'=1

с! - пк - нормированная корреляция:

и n л и n

4=1 >=1 к-1 >'=1

Наилучшим значением функционала (фитнес-функции) считается максимальное его значение.

Разработанный алгоритм реализован в виде программного модуля и протестирован на широком спектре входных параметров.

В результате статистического исследования алгоритма удалось эмпирически определить некоторые значения параметров, приводящих к лучшим результатам, а именно определены: вероятность мутации, вероятность скрещивания, размер популяции, число итераций.

В процессе создания моделирующего комплекса использован модульный принцип, то есть каждый отдельный блок оформлен в виде программы. Программное обеспечение экспериментальной установки реализовано в среде программирования Delphi 6.0.

В качестве объекта контроля использовался лист древесностружечной плиты с известными геометрическими параметрами. Установлены определяемые дефекты кромки ДСП: скол кромки, выкрашивание угла, вмятина, выступ, трещина, обзол, волнистость, риски.

Программа осуществляла адаптивную обработку полутонового изображения в зависимости от изменения условий в поле контроля.

Исследования проводились над алгоритмами адаптивной обработки растрового полутонового изображения в зависимости от условий в поле контроля, повышения качества изображения на основе curvelet-преобразования, классификации дефектов кромки ДСП.

Рассмотрены вопросы разработки методики, обеспечивающей эффективное повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности на основе curvelet-преобразования.

Многомасштабное цифровое Curvelet-преобразование подходит для объектов с неоднородностями вдоль кривых границ в контексте функций

f(xl,x2), определенных на плоскости (xl,x2) eR2. Данное преобразование представляет границы контролируемого объекта и другие особенности посредством кривых более эффективно, чем традиционные преобразования, т.е. при curvelet-преобразовании используется намного меньшее количество коэффициентов для необходимой точности реконструкции. Иначе говоря, чтобы представить границу с квадратичной ошибкой 1/N,

требуется 1/N вейвлетов и только около 1/ Viv curvelets. По сравнению с вейвлет-преобразованием, приспособленным к выявлению особенностей элементов изображения, направленных вдоль горизонтальной, вертикальной и диагональной оси, curvelet-преобразование придает равные права всем возможным направлениям. Процесс конструирования curvelets основан на комбинации следующих идей:

риджелеты (ridgelets) - метод анализа, применяющийся к объектам с неоднородностями вдоль прямых линий;

многомасштабные риджелеты (multiscale ridgelets) - пирамида оконных риджелетов, денормированных и перемещаемых на широком пространстве масштабов и позиций;

полосно-пропускающая фильтрация - метод разбиения объекта на серии отдельных масштабов.

Непрерывное ridgelet-преобразование (CRT - continuous ridgelet transform) Очевидно что представляется подобным 2-D - непрерывному wavelet-преобразованию (CWT - continuous wavelet transform), при этом параметры точки (Ы,Ь2) заменены параметрами линии (Ь,#), т.е. данные 2-Б-преобразования обусловливаются:

Wavelets: \}/масштаб, точка - позиция Ridgelets: ^масштаб, линия - позиция

В работе показано что вследствие этого: wavelet-анализ - эффективен на объектах с особенностями изолированной точки, ridgelet-анализ -эффективен на объектах с особенностями вдоль линий. Следовательно, мотивация для использования ridgelets в задачах обработки изображений очень велика, так как особенности древесностружечной плиты, имеющей неоднородную структуру, сосредоточены вдоль краев или контуров образов изображений.

Ridgelet-коэффициенты находятся:

.RIf(a,b,0)= j if/aJ>8 (x)f{x)dx, (6)

r2

где ridgelet y/a h g (x) в 2-D определены через wavelet-функцию в 1-D

Wa.b.e (x) -сГх'г • у{(х! cos 0+ x2 sin в-b)/a), (7)

где у/ - вейвлет, a - масштабный параметр, 0 - параметр ориентации, b -параметр местоположения.

В 2-D точки и линии связаны через Радон-преобразование, таким образом вейвлет- и ridgelet-преобразования связаны через Радон-преобразование. Преобразование Радона представляет собой вычисление проекций изображения на оси (вдоль определенных направлений), задаваемые углами в градусах относительно горизонтали против часовой стрелки..

Преобразование Радона для объекта f представляет совокупность линейных интегралов

({в, t) е [0,2^)x R): RAf(0,t)= | f(xl,x2)s(xlcose + x2sme~t)dxldx2, (8)

R1

где 5 - распределение Дирака.

Таким образом ridgelet-преобразование - применение lD-вейвлет-преобразования к частям преобразования Радона, где угловая переменная 9 является константой, at- изменяется.

Исходное изображение

Фильтрова-

1 _ Ще____

|9!л Я £ Щ (ш..

■ ^"^¡кМ

- М> •'"'■Ч'

Плавное Ш<^е1е1 - Пороговое

^аз2ц£рч£ — — _ ___ШШЧМ11^

ие получение

сигуе1е1-коэффициентов

Рис.5 Сюте^-преобразование

ы, (а,ъ,е) = ргл, (в^)у/аМ №, (9>

я

^(0 = ашу/Ц!-Ъ)1а) (10)

Дискретное по времени пс%е1е^преобразование может быть получено, используя дискретное по времени Радон-преобразование.

Сигуе1е1:-преобразование, использующееся в работе для анализа изображений состоит из следующих этапов:

Разложение на поддиапазоны. Определяется банк фильтров. Объект фильтруется на поддиапазоны;

Плавное разбиение. Определяется множество плавных окон. Каждый поддиапазон плавно делится на "квадраты" соответствующего масштаба.

1ис1§е1е1-анализ. Каждый квадрат анализируется в орто-пс^е1е1 системе - системе базисных элементов, создающих ортобазис для Ь2^).

На рисунке 5 представлено применение сигуе1еМ1реобразование к тестовому изображению.

Рассмотренное выше преобразование позволило эффективно решить вопрос повышения качества изображений при высоких помехах и низкой контрастности без специализированной осветительной установки.

Разработанное программное обеспечение позволяет решить следующие задачи:

1. Ввод полутонового изображения в ПЭВМ.

2. Отображение полученной информации в графическом виде.

Вычисление, как одиночных, так и парных критериев оценки качества изображений.

Нахождение эффективного пути обработки изображений в зависимости от условий в поле контроля.

Локализацию области изображения, содержащей дефект кромки листа ДСП.

Распознавание типа дефектов кромки древесно-стружечной плиты при помощи нейросетевого классификатора.

Отображение результатов обработки и их регистрацию.

В результате статистического исследования адаптивного алгоритма экспериментально определены некоторые значения параметров, приводящих к лучшему качеству контроля: вероятность мутации - 0.5; правило выбора двух решений - селективный; размер популяции - 20-25; механизм отбора - элитный; тип кроссовера - одноточечный.

Экспериментальным образом определена архитектура нейронной

сети.

Для распознавания границ на полутоновом изображении использовался блочный принцип, при котором изображение разбивается на квадратные блоки одинакового размера 2кх2к, где N - натуральное число, которое целесообразно выбирать из диапазона 3..5 (оптимально 4). При меньших значениях N малые размеры блоков не позволят достоверно классифицировать, содержащиеся в них элементы изображения. При больших значениях N классификация также будет затруднена, если объект на изображении имеет небольшие размеры, а также уровень детализации будет достаточно низок. Кроме того, для классификации элементов изображения используется нейронная сеть, обучение которой при больших размерах блоков может составить неприемлемо длительную по времени задачу.

Для классификации дефектов использовался разработанный пирамидальный алгоритм, суть которого заключается в последовательном уменьшении (масштабировании) исходного изображения в два раза, как по горизонтали, так и по вертикали. Последнее изображение является изображением нижнего уровня, исходное - верхнего.

После получения изображений всех необходимых размеров производится классификация элементов изображения в блоках на изображении нижнего уровня. После классификации всех блоков на этом уровне производится классификация на один уровень выше и т.д., т.е. до исходного изображения, тем самым достигается цель распознавания дефектов различных размеров. Исходя из возможных искажений и потере детализации изображения при уменьшении, применяемые для распознавания на каждом уровне нейронные сети, обучаются отдельно. Для распознавания используются сети, которые имеют 2мх2ы входов и 8 выходов.

Для проведения экспериментов по классификации дефектов кромки ДСП для каждого типа изображений искусственных и реальных были созданы две выборки: эталонная и тестовая. Эталонная выборка использовалась для обучения нейронной сети. После завершения процесса обучения

нейронной сети на ее вход подавались признаки, вычисленные как на реальных изображениях дефектов, так и на "искусственных", представленных тестовыми выборками. Ошибка классификации различных типов дефектов составила от 3 до 10%.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ существующих методов и систем автоматизированного контроля геометрических параметров объектов, а так же методов и алгоритмов обработки информации в ОЭСК.

2. Разработан адаптивный алгоритм обработки растровых полутоновых изображений, получаемых при изменении обстановки в поле контроля, с использованием эволюционного подхода.

3. Предложена методика повышения эффективности восстановления изображения объекта с неоднородной структурой поверхности, получаемого в условиях влияния существенных искажений, на основе многомасштабного curvelet-преобразования.

4. Разработан алгоритм сегментации границ дефективных областей кромки ДСП на основе нейросетевого классификатора.

5. Разработана экспериментальная оптико-электронная установка, и соответствующее программное обеспечение, позволяющие осуществлять контроль геометрических параметров ДСП.

Основные положения диссертации опубликованы в следующих работах:

1. A.B. Петешов, Л.Л. Малыгин. Модели нейронных сетей и области их применения// XIV межвузовская научно-техническая конференция. Тезисы докладов и сообщений. Часть III. Череповец, ЧВИИРЭ, 2001,-С 97-98.

2. Петешов, В.А. Шабалов, А.Н. Ульянов. Применение двумерных дискретных вейвлет-преобразований для обработки статических изображений// Материалы региональной научной конференции.-Вологда: ВоГТУ.- 2001.-С. 23-24.

3. A.B. Петешов, А.Н. Ульянов, Е.И. Балунин. О некоторых особенностях использования оптоэлектронных систем контроля размеров проката// Материалы научно-практической конференции. Череповец, 2001. С. 91

4. A.B. Петешов, С.Н. Ерёмин, В.А. Шабалов. Обработка бинарного изображения с целью повышения точности определения границ объекта// Материалы межвузовской научно-методической конференции. Череповец, СПбГТУ, 2002. С. 39-42.

5. A.B. Петешов, С.Н. Ерёмин, В.А. Шабалов. Оценка реализации методов выделения перепадов яркости на полутоновых изображениях при неоднородном освещении рабочей сцены// Материалы III международной научно-технической конференции. Череповец, ЧГУ, 2002. С. 28

=0 Kä 2 4 2 1 7 яровй

'2А<2ЛГ7

6. A.B. Петешов, B.A. Шабалов, A.H. Ульянов, B.A. Царев. Методы* и алгоритмы выделения перепадов яркости на растровых изображениях// XV межвузовская военно-научная конференция. Тезисы докладов и сообщений. Часть 1. Череповец, ЧВИИРЭ, 2002. С. 119-120.

7. A.B. Петешов, В.А. Шабалов. Решение задач оптимизации на основе генетических алгоритмов// XV межвузовская военно-научная конференция. Часть 2. Череповец, ЧВИИРЭ, 2003. С. 43-45.

S. A.B. Петешов, В.А. Шабалов. Построение алгоритмов обработки растровых изображений с использованием генетического подхода// Материалы IV межвузовской конференции молодых ученых. Череповец, ЧТУ, 2003. С. 19S-199.

9. A.B. Петешов, С.Н. Ерёмин, В.А. Шабалов. Методика построения комплексного алгоритма обработки и анализа изображений на основе генетического подхода// Материалы II межвузовской научно-методической конференции. Череповец, СПбГТУ, 2003. С. 197200.

10. A.B. Петешов, В.А. Шабалов, С.Н. Еремин. Curvelet-преобразование в задачах обработки изображений при неоднородном освещении рабочей сцены// Материалы международной научной конференции. Пенза, 2003. С. 130-132.

11. A.B. Петешов. Особенности применения wavelet- и curvelet-преобразований при обработке изображений с низкой контрастностью и высокой степенью зашумленности// Материалы XVI межвузовской военно-научной конференции. Тезисы докладов и сообщений. Часть 2. Череповец, ЧВИИРЭ, 2005. С. 40-43.

12. A.B. Петешов, В.А. Шабалов. Эволюционный подход к построению адаптивного алгоритма обработки растровых изображений// Материалы XVI межвузовской военно-научной конференции. Часть 2. Череповец, ЧВИИРЭ, 2005. С. 43-48.

13. A.B. Петешов, Д.В. Кретов. Контроль качества материалов и изделий радиоволновыми методами II Сб.научных трудов -ТАИИ,-Тула.-200б.-С.209.

14. Кибалюк В.В., Петешов А. В., Литвин В.В. Структура программно-методического комплекса автоматизированной системы перспективного образца // Межвузовский сборник статей НТО РЭС им. Попова. - Тула: ТулГУ, 2006г.-С. 64-69.

15. Агафонов Ю.М., Петешов A.B. Выбор принципов модификации генетических операторов// Изв. Тульского ГУ, серия "Проблемы ——г—и производства систем и комплексов .-Тула.-

16. Сигитов В.В., Петешов А. В., Йорданов М.С.Разработка метода построения эволюционных инструментальных средств для формирования обучающей выборки// Изв. Тульского ГУ, серия 'чТроблемы проектирования и производства систем и комплексов ".-Тула.-2006.-С. 120-123.

Изд. лиц. ЛР № 020300 от 12.02.97. Подписано в печать 00,

Формат бумаги 60x84 Л/16. Бумага офсетная. Усл-печл. . Уч.-изд. л. /¿2, Тираж экз.Заказ.

Тульский государственный университет. 300600, г. Тулу, пр. Ленипа, 92.

Отпечатано в редакцнонно-издательском центре Тульского государственного университета. 300600, г. Тулу, ул. Болдина, 151.

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ АВТОМАТИЗИРОВАННОГО КОН- 9 ТРОЛЯ И ОБРАБОТКИ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ

1.1.Анализ существующих методов и систем контроля геометри- 9 ческих параметров объектов

1.2.0собенности технологического цикла производства продукции 19 деревообрабатывающей промышленности

1.3.Постановка задачи разработки математического обеспечения 27 оптико-электронной системы контроля

1.4. Анализ методов математического описания процесса сегмен- 30 тации изображений объектов с неоднородной структурой поверхности

2. ТЕХНОЛОГИЯ ФОРМИРОВАНИЯ АДАПТИВНЫХ ГЕНЕТИ- 48 ЧЕСКИХ АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ В ЗАВИСИМОСТИ ОТ УСЛОВИЙ В ПОЛЕ КОНТРОЛЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ

2.1. Анализ существующих подходов к разработке алгоритмов ге- 48 нетического поиска

2.2. Обоснование принципов модификации генетических операто- 55 ров

2.3. Разработка технологий многоуровневого эволюционного по- 60 иска

2.4. Разработка системных принципов построения инструмен- 65 тальных средств формирования и обучения нейронных сетей на основе генетических алгоритмов

2.5. Разработка инструментальных средств синтеза нейронных се- 75 тей

2.5.1. Разработка генетического алгоритма формирования и 75 обучения нейронных сетей

2.5.2. Разработка метода построения эволюционных инструмен- 85 тальных средств для формирования обучающей выборки

2.5.3. Разработка оператора локального поиска числа нейронов в 90 скрытых слоях нейронной сети

3. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АЛГОРИТМОВ 95 ОБРАБОТКИ ИЗОБРАЖЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОПТИКО-ЭЛЕКТРОННОГО КОНТРОЛЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТА С НЕОДНОРОДНОЙ СТРУКТУРОЙ ПОВЕРХНОСТИ

3.1. Состав оптико-электронной системы контроля геометрических параметров объекта с неоднородной структурой поверхности 3.2.Комплексный алгоритм обработки и анализа изображений в за- 96 висимости от условий в поле измерения с использованием генетического подхода

3.3 .Методика выбора целевой функции генетического алгоритма

3.4. Влияние выбора параметров генетического алгоритма на эф- 108 фективность адаптивной обработки изображения

3.5. Классификация дефектов кромки древесностружечной плиты 113 на основе нейросетевых технологий

3.6. Математические методы определения границ изображений 118 объектов с неоднородной структурой поверхности

3.6.1.Контроль границ изображения объекта на основе цифрового 118 curvelet-преобразования

3.6.2.Полосно-пропуекающая фильтрация 121 ЗАКЛЮЧЕНИЕ 129 СПИСОК ЛИТЕРАТУРЫ 130 ПРИЛОЖЕНИЕ

Уровень развития современного производства на сегодняшний день характеризуется не только объемом и ассортиментом выпускаемой продукции, но и показателями ее качества, которые должны соответствовать отечественным и международным стандартам. При этом особое значение придается автоматизации производственных процессов и исключению ручного труда на более трудоемких и ответственных технологических этапах [1-12].

Среди комплекса проблем, которые должны решаться на пути к этой цели, чрезвычайно важное значение приобретает создание теоретических и экспериментальных предпосылок для построения на базе современных ЭВМ промышленных систем обработки визуальной информации: обнаружение объектов, автоматический контроль качества продукции (контроль геометрических параметров, обнаружение дефектов), анализ экспериментальных кривых, графиков, снимков и т. д. Все это позволяет достичь существенно лучших результатов в повышении производительности труда по сравнению с традиционными методами, а наибольший эффект в этом направлении следует ожидать от автоматической обработки изображений, связанных непосредственно с производственными процессами. Методы проектирования подобных систем, исследование их возможностей и областей применения в настоящее время приобретают безусловный интерес [1-5].

Современные требования к качеству выпускаемой древесной продукции обуславливают необходимость ее контроля практически на всех технологических этапах производства. К числу контролируемых величин следует отнести геометрические параметры (ширина, длина), а также распознавание дефектов (сколы, вмятины, риски, выкрашивание углов, обзол, выступ и т.д.), измерение и определение которых в мировой практике все шире осуществляется с помощью оптико-электронных методов. Последние предполагают преобразование оптического сигнала в электрический, ввод его в ПЭВМ и последующую обработку полученного цифрового изображения с целью определения требуемых размеров и распознавания дефектов [10-12].

В случае применения оптико-электронных систем контроля геометрических размеров движущейся древесной продукции, основной целью процесса обработки изображения является точное выделение контуров объекта контроля на фоне рабочей сцены [12-16]. Анализ отечественной и зарубежной литературы показывает, что большинство известных алгоритмов обработки изображений, используемых в подобных системах, ориентировано на работу либо с контрастным изображением, либо с изображением, полученным при условиях однородного или структурированного освещения рабочей сцены, что требует, как правило, наличия в составе системы специализированных осветителей, настройка которых зависит от внешних условий освещения, цвета объекта контроля, запыленности воздуха и т.д. [21-24].

К сожалению, в деревообрабатывающей промышленности имеют место ситуации, когда условия производства не позволяют создать необходимые условия освещения рабочей сцены (запыленность воздуха, внешние условия освещения, цвет объекта контроля, неоднородная структура поверхности продукции и т.д.). В таких случаях применение стандартных алгоритмов обработки изображений не дает желаемых результатов [12-23].

Существенный вклад в развитие оптико-электронных систем контроля был внесен Анисимовым Б.В., Кургановым В.Д., Злобиным В.К. Их работы послужили основой для формулировки задачи создания в МВТУ им. Баумана, МАИ.на отдельных предприятиях оборонной промышленности ряда средств контроля поверхностей объектов.

Проблеме фильтрации двумерных сигналов (изображений) посвящены работы известных отечественных ученых Васильева В.Н., Гольденберга Л.М., Гурова И.П., Казаринова Ю.И., Матюшкина Б.Д., Поляка М.Н., Соколова Ю.И., Юрченко Ю.С. и др.

Однако, использование современных сложных алгоритмов обработки изображений часто затруднено из-за необходимости использования специализированной дорогостоящей аппаратной поддержки. Кроме того, известные публикации носят в основном лишь рекламный характер и не раскрывают путей решения проблемы [21-30].

В этой связи проблема синтеза алгоритмов обработки изображений в оптико-электронных системах контроля качества движущихся объектов с неоднородной структурой поверхности, которую имеет продукция деревообрабатывающей промышленности, работающих в режиме реального времени, представляется весьма актуальной.

Целью данной диссертационной работы является повышение качества контроля геометрических параметров объектов с неоднородной структурой поверхности, обеспечивающего обнаружение и классификацию ее дефектов при неоднородном освещении рабочей сцены.

Объектом исследования диссертационной работы является информационно-измерительная система автоматизированного контроля качества поверхности движущихся объектов.

Предметом исследования диссертационной работы являются методики и алгоритмы обработки изображения в оптикоэлектронных (ОЭ) системах контроля геометрических параметров объектов.

В соответствии с этим в диссертационной работе решаются следующие основные задачи:

• анализ современного состояния проблемы автоматизированного контроля геометрических параметров объектов, а также известных методов и алгоритмов обработки информации в оптико-электронных системах контроля (ОЭСК) геометрических параметров объектов;

• разработка адаптивного алгоритма выбора операций предварительной обработки изображения в зависимости от условий в поле контроля;

• разработка методики, обеспечивающей эффективное повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности;

• разработка и исследование экспериментальной автоматизированной установки оптико-электронного контроля качества кромки древесностружечной плиты.

Методы исследований. Для решения поставленных в работе задач использован аппарат генетических алгоритмов, теории вероятности, математической статистики, обработки и анализа растровых полутоновых изображений, сштекЬпреобразования, а также теория нейронных сетей [6-21].

Научная новизна результатов работы состоит в следующем:

1. Предложен адаптивный алгоритм выбора операций предварительной обработки изображения в зависимости от условий в поле контроля на основе эволюционного подхода;

2. Разработана методика определения оптимальных параметров генетического алгоритма, использующая эвристический метод;

3. Предложена методикаа повышения качества изображений, имеющих высокие помехи и низкую контрастность с использованием сштеЫ-преобразования;

4. Разработан алгоритм сегментации границ дефектных областей, основанный на использовании нейросетевого классификатора и обеспечивающий эффективное нахождение границ дефектов в условиях существенной неоднородности динамического фона, характерного для изображений древесностружечной плиты (ДСП).

Практическая ценность работы заключается в следующем:

1. Разработано программное обеспечение обработки полутоновых изображений автоматизированной системы контроля геометрических параметров древесностружечной плиты, имеющая неоднородную структуру поверхности;

2. Реализован адаптивный генетический алгоритм обработки изображений в зависимости от условий в поле контроля;

3. Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма и классификации дефектов кромки древесностружечной плиты на основе нейронной сети, что позволяет производить дефектацию ДСП в режиме реального времени;

Положения выносимые на защиту:

1. Адаптивный алгоритм предварительной обработки изображения на основе эволюционного подхода;

2. Методика определения оптимальных параметров генетического алгоритма использующая эвристический метод;

3. Методика повышения качества низкоконтрастных изображений с использованием сигуеЫ-преобразования;

4. Алгоритм сегментации границ дефектных областей основанный на использовании нейросетевого классификатора.

В структурном отношении работа состоит из введения, трех глав, заключения, списка литературы и приложения.

Первая глава содержит анализ современных методов и систем, нашедших применение для контроля геометрических параметров движущихся объектов. Приведено описание представления информации в ОЭСК.

Показано, что одним из наиболее перспективных путей решения рассмотренной проблемы является построение оптико-электронных систем контроля качества кромки на базе ПЗС (прибор с зарядовой связью) датчиков. Проведен анализ особенностей технологического цикла производства продукции деревообрабатывающей промышленности. Приведены классификация и описание дефектов продукции деревообрабатывающей промышленности.

Ставится задача разработки математического обеспечения оптико-электронной системы контроля качества древесностружечной плиты. Выдвинуты требования, предъявляемые к ОЭСК параметров движущихся объектов.

Представлено математическое описание процесса сегментации изображений.

Во второй главе рассмотрены вопросы разработки технологии построения инструментальных средств для формирования и обучения нейронных сетей на основе адаптивных генетических алгоритмов обработки изображений в зависимости от условий в поле контроля. При генетическом подходе процесс настройки нейронной сети рассматривается как адаптивный процесс, связанный с максимизацией эффективности функционирования нейронной сети, то есть с минимизацией функции ошибки.

Для реализации концепции отбора вводится способ сопоставления (сравнения) различных хромосом в соответствии с их возможностями решения поставленных задач. В целом, разработка генетического алгоритма включает три основных компоненты:

- разработка принципов кодирования и декодирования хромосомы;

- разработка основных генетических операторов;

- разработка общей структуры и процесса генетического поиска.

Предложены системные принципы построения инструментальных средств формирования и обучения нейронных сетей в рамках эволюционной парадигмы.

В работе рассматриваются генетический алгоритм синтеза архитектуры многослойной сети прямого распространения, т.е. определенной числом слоев и числом нейронов в слое.

В третьей главе рассматривается экспериментальная оптико-электронная установка, позволяющая подавать сигнал с выхода ПЗС-датчика на ПЭВМ и обрабатывать его по предложенным алгоритмам.

Представлено влияние выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения, а также результаты классификации дефектов кромки древесностружечной плиты на основе нейросетевых технологий. Предложен комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического подхода.

Приведена методика выбора целевой функции генетического алгоритма, рассмотрены вопросы разработки методики, обеспечивающей эффективное повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности на основе curvelet-преобразования. Реализовано программное обеспечение классификации дефектов кромки древесностружечной плиты на основе нейронной сети.

Апробация работы. Основные положения диссертационной работы докладывались и получили положительные отзывы на XIV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2001) [31], региональной студенческой научной конференции Вологодского государственного технического университета (г. Вологда, 2001) [32], межвузовской научно-методической конференции Санкт-Петербургского государственного технического университета " Особенности регионального развития и интеграции" (г. Череповец, 2002,2003) [33,37], III международной научно-технической конференции "Информационные технологии в производственных, социальных и экономических процессах" (г. Череповец, 2002) [40], XV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2002) [46], IV межвузовской конференции молодых ученых Череповецкого государственного университета (г. Череповец, 2003) [53], международной научной конференции "Компьютерное моделирование и информационные технологии в науке, инженерии и образовании" (г.Пенза, 2003) [57], ежегодных научно-технических конференциях Тульского АИИ (2003-2005) XVI, межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2005) [68], а также на научно-технических семинарах, проводимых на базе Череповецкого государственного университета, Череповецкого научного центра РАН и Тульского государственного университета [54,55,60,69,71,107,108].

Основные положения диссертационной работы докладывались на 11 научно-технических конференциях, по материалам диссертации опубликовано 16 печатных работах [31-33, 37,40,46, 53-55, 57, 60, 68, 69, 71, 107, 108].

Реализация результатов работы.

Результаты исследований используют в учебном процессе в Череповецком государственном университете, а также в Череповецком военном инженерном институте радиоэлектроники по следующим дисциплинам: "Автоматизированные системы управления и обработки информации", "Основы теории управления", "Компьютерная графика".

Экспериментальная установка по контролю параметров ДСП применяется в ЗАО "Череповецкий фанерно-мебельный комбинат" - в цехе по производству древесностружечной плиты.

Структура и содержание работы. Работа состоит из введения, трех разделов и списка литературы из 108 источников.

Выводы

1. Для проверки предложенных методики и адаптивного алгоритма обработки растрового полутонового изображения, а также алгоритма обнаружения и классификации дефектов кромки древесно-стружечной плиты была создана экспериментальная установка.

2. Разработан комплексный алгоритм обработки и анализа изображений с использованием генетического подхода. В основу такого алгоритма положен репродуктивный план Холланда. Нахождение приемлемой операции на каждом этапе обработки изображения представлено в виде 2 ген. Первый ген каждого этапа отвечает за выбор операции обработки изображения из базы данных, а второй ген каждого этапа отвечает за выбор параметров соответствующей операции.

3. Предложена методика выбора целевой функции генетического алгоритма. Функция отбора представляет собой максимальное значение суммы значений критериев оценки растрового изображения и является критерием останова генетического алгоритма. Преимущество этого метода состоит в том, что в нем используется интегральный критерий вычисления визуального качества.

4. Разработана программа для обработки полутоновых изображений геометрических параметров изображений ДСП имеющей неоднородную структуру поверхности.

5. Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма. На этой основе проведена оценка влияния выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения.

6. Реализовано программное обеспечение для классификации дефектов кромки ДСП. С помощью экспериментальной установки и разработанного комплекса программ проведена классификация дефектов кромки древесностружечной плиты на основе нейросетевых технологий. Для классификации дефектов использовался пирамидальный алгоритм. В качестве пороговой использовалась функция гиперболического тангенса.

7. Для повышения эффективности восстановления изображения объекта с неоднородной структурой поверхности получаемого в условиях влияния существенных искажений предложена процедура на основе многомасштабного сигуеЫ-преобразования. Реализован адаптивный генетический алгоритм обработки изображений в зависимости от условий контроля.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований получены следующие результаты:

1. Проведен анализ существующих методов и систем контроля геометрических параметров объектов.

2. Разработана методика построения адаптивного алгоритма обработки растровых полутоновых изображений, получаемых при изменении обстановки в поле контроля, с использованием эволюционного подхода.

3. Предложена процедура повышения эффективности восстановления изображения объекта с неоднородной структурой поверхности, получаемого в условиях влияния существенных искажений, на основе многомасштабного сигуеЫ-преобразования.

4. Разработан алгоритм распознавания дефектов кромки древесно-стружечной плиты (ДСП) на основе нейросетевого классификатора.

5. Разработано программное обеспечение адаптивности автоматизированной системы нахождения эффективного пути обработки растрового полутонового изображения.

6. Разработано программное обеспечение определения оптимальных параметров генетического алгоритма обработки изображения.

7. Программно реализована методика и алгоритм распознавания дефектов кромки ДСП с использованием бинарного изображения.

8. Разработана экспериментальная оптико-электронная установка, включающая блок видеонаблюдения, осветительный блок, персональный компьютер и соответствующее программное обеспечение, позволяющая осуществлять контроль геометрических параметров древесно-стружечной плиты.

1. Александров В.В. Горский Н.Д. Представление и обработка изображений: рекурсивный подход. -JI-д.: Наука, 1985. -190 с.

2. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. -М.: Высшая школа, 1983. -296 с.

3. Бакут П.А., Колмогоров Г.С., Варновицкий И.Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника, 1987. -№ 10.

4. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей// Зарубежная радиоэлектроника, 1987.-№ 10.

5. Батищев Д. И. Генетические алгоритмы решения экстремальных задач // Под ред. Львовича Я.Е.: Учеб. пособие. Воронеж, 1995.

6. Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. ХЮСНОВА, 1997.

7. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика // Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296с.

8. Дуда Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976. -511 с.

9. Добеши И. Десять лекций по вейвлетам.- М: РХД, 2001.

10. Ю.Егорова С. Д., Колесник В. А. Оптико-электронное цифровое преобразование изображений. -М.:Радио и связь, 1991.

11. П.Ким Н.В. Обработка и анализ изображений в системах технического зрения. -М. 2001.

12. Кислый В.В. Контроль качества продукции лесопиления и деревообработки. Учебник для сред, проф-техн. уч.//- М.:В.ш., 1985г.-183с.

13. Кульбак С. Теория информации и статистика. -М.:Наука, 1967.

14. Меркишин Г.В. Многооконные оптико-электронные датчики линейных размеров. -М.:Радио и связь, 1986

15. Потапов A.A., Галкина Т.В., Орлова Т.К., Хлявич Я.А. Метод выделения контуров протяженных детерминированных объектов в стохастических полях // Радиотехника и электроника АН СССР, 1991. -№11.

16. Прэтт У. Цифровая обработка изображений, в двух книгах. -М:Мир, 1982. -790 с.

17. Терехов С.А. Вейвлеты и нейронные сети. Лекция для школы-семинара "Современные проблемы нейроинформатики". М: МИФИ, 2001 г.

18. Уоссермен. Нейрокомпьютерная техника.// Теория и практика, пер. с английского.- М: Мир, 1992

19. Фукунага К. Структурные методы в распознавании образов. -М.:Наука, 1977.-319 с.

20. Фукунага К. Введение в статистическую теорию распознавания образов. -МгНаука, 1979. -368 с.

21. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. -Изд-во Красноярского университета, Красноярск, 1992. 246 с.

22. Чен Ш.К. Принципы проектирования систем визуальной информации. -М.:Мир, 1993.

23. Шварцман Г.М. Производство древесно-стружечных плит.- Изд. "Лесная промышленность" 1977г.-312с.

24. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы. -М. Машиностроение, 1994. -112с.

25. J.L. Starck, E.J. Candes and D.L. Donoho "The curvelet transform for image denoising" IEEE Trans. Image Proc., 2000, submitted.

26. Candes E. (1998) Ridgelets: Theory and Applications. Ph.D. Thesis, Department of Statistics, Stanford University.

27. D.L. Donoho and M.R. Duncan "Digital curvelet transform: strategy, implementation and experiments" in Proc. Aerosense 2000, Wavelet Applications VII. SPIE, 2000, vol. 4056, pp. 12-29.

28. D.Whitley and K. Mathias. Genetic Operators, the Fitness Landscape and the Traveling Salesman Problem. Parallel Problem Solving from Nature-PPSN 2. R. Mainner and В Manderick, eds., pp. 219-228. North HollandElsevier, 1992.

29. S.Mallat. A Theory of Multiresolution Signal Decomposition: The Wavelet Representation, IEEE Trans. Pattern Analysis and machine Intelligence, vol.11, 1989, pp.429-457.

30. A.B. Петешов, Л.Л. Малыгин, В.А Модели нейронных сетей и области их применения// XIV межвузовская научно-техническая конференция. Тезисы докладов и сообщений. Часть III. Череповец, ЧВИИРЭ, 2001. С 97-98.

31. А.В. Петешов, А.Н. Ульянов, Е.И. Балунин. О некоторых особенностях использования оптоэлектронных систем контроля размеров проката// Образование и наука в Череповце. Материалы научно-практической конференции. Череповец, 2001. С. 91

32. Божич В.И.Горбатюк Н.В., Шницер Ю.Л. Нейро-нечеткая система интегральной оценки знаний студента. В кн.: Искусственныйинтеллект-2000//Тезисы докладов международнойконференции.Таганрог. Изд-во ТРТУ, 2000, с 163-164

33. Курейчик В.М. Генетические алгоритмы. Таганрог. Изд.-во ТРТУ, 1998,242 с.

34. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: ОСНОВА, 1997. - 112 с.

35. А.В. Петешов, С.Н. Ерёмин, В.А. Шабалов. Обработка бинарного изображения с целью повышения точности определения границ объекта// Материалы межвузовской научно-методической конференции. Череповец, СПбГТУ, 2002. С. 39-42.

36. Edelman. G. Neural Darwinism. New York: Basic Books, 1988.

37. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 - 464 С.

38. Frakes W.B., Baeza-Yates R. Information Retrieval: Data Structures and Algorithms. — EngleWood Cliffs, N.J.: Prentice Hall, 1992.

39. К.Асаи, Д.Ватада, С.Иваи и др. Прикладные нечеткие системы /Пер. с япон.; Под. Ред. Т. Тэрано, К.Асаи, М.Сугэно. — М.:Мир, 1993.—368 е.: ил.

40. Jang J.-S., Sun С.-Т. Neuro-Fuzzy Modelling and Control // In Proc. of the IEEE. — 1995. V. 83.1 3. P. 378-406.

41. Mamdani E.H., Assilian S. An Experiment in Linguistic Synthesis With a Fuzzy Logic Controller // Int. J. Man-Machine Studies. — 1975. V. 7. 1 1. P. 11-13.

42. Varsek A., Urbancic Т., Filipic B. Genetic Algorithms in Controller Design and Tuning // IEEE Trans, on SMC. — 1993. V. 23.5.

43. A.B. Петешов, В.А. Шабалов, A.H. Ульянов, В.А. Царев. Методы и алгоритмы выделения перепадов яркости на растровых изображениях// XV межвузовская военно-научная конференция. Тезисы докладов и сообщений. Часть 1. Череповец, ЧВИИРЭ, 2002. С. 119-120.

44. Zadeh L.A. Fuzzy Sets // Information and Control. — 1965. V. 8. P. 338-353.

45. Holland J. H. Adaptation in Natural and Artificial Systems: An Introductionary Analysis with Application to Biology, Control and Artificial Intelligence. University of Michigan, 1975. — 211 p.

46. Чернухин Ю.В. Искусственный интеллект и нейрокомпьютеры. — Таганрог: изд-во ТРТУ, 1997.— 273 с.

47. Вассерман Ф. Нейрокомпьютерная техника. — М.: Мир, 1992.

48. Горбань А.Н. Обучение нейронных сетей. — М.: СП Параграф, 1990.

49. А.В. Петешов, В.А. Шабалов. Решение задач оптимизации на основе генетических алгоритмов// XV межвузовская военно-научная конференция. Тезисы докладов и сообщений. Часть 2. Череповец, ЧВИИРЭ, 2003. С. 43-45.

50. А.В. Петешов, В.А. Шабалов. Построение алгоритмов обработки растровых изображений с использованием генетического подхода// Материалы IV межвузовской конференции молодых ученых. Череповец, ЧТУ, 2003. С. 198-199.

51. Brown С.Т. An Introduction to avida, an Auto-Adaptive Genetic System : SURF technical report. — Caltech, 1993.

52. A.B. Петешов. Методика и алгоритмы обработки информации в оптико-электронных системах контроля геометрических параметров объектов с неоднородной структурой поверхности// Материалы научно-исследовательской работы. Череповец, ЧГУ, 2004.

53. Fogel D. В. An Introduction to Simulated Evolutionary Optimization // IEEE Transactions on Neural Networks. — 1994. V. 5.1 1.

54. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989.

55. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. — Cambridge (Mass.): MIT Press, 1992.

56. Starkweather Т., Whitley D., Mathias K. Optimization using Distributed Genetic Algorithms // Parallel Problem Solving from Nature/ H.-P Schwefel., R. Manner — Berlin: Springer-Verlag Berlin, 1990. — P. 176185.

57. Muhlenbein H., Schomisch M. Born J. The Parallel Genetic Algorithm as Function Optimizer//Parallel Computing. — 1991. V. 17. P. 498-516.

58. Soft Computing: Fuzzy Logic Neural Networks, and Distributed Artificial Intelligence /Eds. F. Aminzadeh, M. Jamshildi. — Englewood Cliffs: PTR Prentice Hall, 1994 —301 p.

59. Курейчик B.M. Методы генетического поиска: Учебное пособие, часть 1. — Таганрог: ТРТУ, 1988. — 118 с.

60. А.В. Петешов, В.А. Шабалов. Эволюционный подход к построению адаптивного алгоритма обработки растровых изображений// Материалы XVI межвузовской военно-научной конференции. Тезисы докладов и сообщений. Часть 2. Череповец, ЧВИИРЭ, 2005. С. 43-48

61. Агафонов Ю.М., Петешов А.В. Выбор принципов модификации генетических операторов// Изв. Тульского ГУ, серия "Проблемы проектирования и производства систем и комплексов ".-Тула.-2006.-С.129-134.

62. Karr C.L., Stanley D.A. Fuzzy Logic and Genetic Algorithms in lime-Varying Control Problems//In Proc. of the NAPFIS-91. — 1991.— P. 285-290.

63. Ackley D.H., Hinton G.E., Sejnowski T.J. A Learning Algorithm for Boltzmann Machines. Cognitive Science, 9,1985, pp. 147-169.

64. Cottrell G.W., Munro P. and Zipser D. Learning Internal Representation from Gray-Scale Images: An Example of Extensional Programming. In Proc. 9 th Annual Conference of the С ognitive S cience S ociety, 1 987, pp. 461-473.

65. Dennis J., Schnabel R. Numerical Methods for Unconstrained Optimization and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983.

66. Gilev S.E., Gorban A.N., Mirkes E.M. Several methods for acceleration the training process of neural networks in pattern recognition. USSR Academy of Sciences, Siberian Branch, Institute of Biophysics, Krasnoyarsk, 1990. Preprint N 146Б.

67. Guyon I., Poujaud I., Personnaz L., Dreyfus G., Denker J. and Le Cun Y. Comparing different neural network architectures for classifying handwritten digits. In Proc. IEEE Int. Joint Conf. Neural Networks, June 1989.

68. Muller В., Reinhardt J. Neural networks. Springer- -Verlag. 1990. 267 p.

69. Neural Computing: NeuralWorks Professional II/Plus and NeuralWorks Explorer. NeuralWare, Inc., 1991. 355 p.

70. Hecht-Nielsen R. Theory of the backpropagation neural network // International joint conference on neural networks, Sheraton Washington Hotel, Washington D.C., June 18-22, vol. 1,1989, p. 593-606.

71. Мелихов A.H., Карелин В.П. Методы распознавания изоморфизма и изоморфного вложения четких и нечетких графов. Учебное пособие. -Таганрог: изд-во ТРТУ, 1995 112 с.

72. Нильсон Н. Принципы искусственного интеллекта / Пер.с анг.— М.:Радио и связь,1985. — 376 е.: ил.

73. Лорьер Ж.-Л.Системы искусственного интеллекта / Пер. с франц. — М.:Мир, 1991.—568 е.: ил.

74. Хант Э. Искусственный интеллект / Пер. с англ. — М.: Мир, 1978. — 558 с.

75. Виннер Н. Кибернетика, или управление и связь в животном и машине. — 2-е. изд. — М.: Наука, 1983. — 338 с.

76. Поспелов Д.А. Вероятностные автоматы. — М.: Энергия, 1970. — 88с. :ил.

77. Edelman. G. Neural Darwinism New York: Basic Books, 1988.

78. Purves. D. В ody and В rain. С ambridge. Mass.: H arvard U niversity P ress, 1988.

79. Montana. D. J. and L. Davis Training feedforward neural networks using genetic algorithms. Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 1989. pp. 762-767.

80. Whitley. D. Applying genetic- algorithms to neural net learning. Tech Report number CS-88-128. Department of Computer Science. Colorado State University, 1988.

81. HollandJ. The dynamics of searches d irected by Genetic Algorithms. In: Lee Y.S. (ed.) Evolution, Learning and Cognition. Word Scientific, Singapore, 1988.

82. Handbook of Genetic Algorithms, Edited by Lawrence Davis, Van Nostrand ReinhoLd, New York, 1991.412 p.

83. Wynne Jones M. Node splitting: A constructive algorithm for feed -forward neural networks. // Neural Computing and Applications, Vol. 1, № 1,1993 -p. 17-22.

84. Harp Steven A., Samad Tariq. Genetic Synthesis of Neural Network Architecture. // Handbook of Genetic Algorithms. Edited Lawrence Davis. -Van Nostrand Reinhold. New York, 1991. pp. 202 - 221.

85. Miller G., Todd P. and Hegde S. Designing neural networks using genetic algorithms. In J. D. Schaffer (ed.). Proceedings of Third International Conference on Genetic Algorithms. Morgan Kaufmann, 1989.

86. Schaffer. J. D., Caruana R. and Edelman L. Using genetic search to exploit the emergent behavior of neural networks. Phillips Laboratories. 345 Scarborough Rd. Briar Cliff Manor. NY 10510,1989 (unpublished).

87. Нечаев Ю.И., Дегтярев А.Б., Сиек Ю.Л. Принятие решений в интеллектуальных системах реального времени с использованием концепции мягких вычислений. Искусственный интеллект № 3, 2000, НАН Украины, ИЛИИ, с. 525-533.

88. Аверкин А.Н. Мягкие вычисления основы новых информационных технологий // V Национальная конференция по искусственному интеллекту: Сб. тр. Казань, 1996. - Т.2. - с. 237-239.

89. Werbos. P. J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Ph. D. thesis. Department of Applied Mathematics. Harvard University. Cambridge. Mass, 1974.

90. Goldberg D.E., Korb В., Kalyanmoy D. Messy Genetic Algorithms. // Complex Systems, № 3,1989.

91. Осыка A.B. Экспериментальное исследование зависимости скорости сходимости генетического алгоритма от его параметров. // Известия Академии Наук. Теория и системы управления, № 5, 1997.

92. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Гл. ред. Физ.-мат. Лит., 1986 - 288 с.

93. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 - 464 С.

94. А.В. Петешов, Д.В. Кретов Контроль качества материалов и изделий радиоволновыми методами // Сб.научных трудов -ТАИИ.-Тула.-2006.-С.209

95. Кибалюк В.В., Петешов А. В., Литвин В.В. Структура программно-методического комплекса автоматизированной системы перспективного образца // Межвузовский сборник статей НТО РЭС им. Попова. Тула: ТулГУ, 2006г.-С. 64-69.