автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Повышение точности бесконтактного контроля геометрических параметров объектов машиностроения на основе пространственной цифровой обработки изображений

Рощин Дмитрий Александрович

Повышение точности бесконтактного контроля геометрических параметров объектов машиностроения на основе пространственной цифровой обработки изображений

Специальность 05.11.16 Информационно-измерительные и управляющие системы (по машиностроению и машиноведению)

Автореферат

диссертации на соискание ученой степени кандидата технических наук

- 1 ДЕК 2011

Москва, 2011 г.

005002902

Работа выполнена в ФГБОУ ВПО "Московский Государственный Технологический Университет «СТАНКИН»".

доктор технических наук, профессор Телешевский Владимир Ильич

доктор технических наук, профессор Фролов Евгений Борисович кандидат технических наук, доцент Галыгин Николай Христофорович

ФГУП "Всероссийский научно-исследовательский институт метрологической службы"

2011 года в _часов на заседании

диссертационного совета Д 212.142.04 при ФГБОУ ВПО Московский государственный технологический университет «СТАНКИН» по адресу: 127994, Москва, ГСП-4, Вадковский пер., 1.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО МГТУ «Станкин».

Отзывы (в двух экземплярах, заверенных печатью учреждения) просим направлять по вышеуказанному адресу.

Автореферат разослан 12» // _ 2011 года.

Ученый секретарь

диссертационного совета, к.т<№,

Ч

Научный руководитель:

Официальные оппоненты:

Ведущее предприятие:

Защита состоится «??>>

ов В.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

Развитие информационных технологий открывает новые возможности применения все более сложных методов цифровой обработки изображения для решения задач автоматизированного производства, контроля качества продукции, построении обслуживающих подсистем САПР, а также во множестве других задачах, связанных с распознаванием образов.

Ускоренный темп роста машиностроительной промышленности, значительное увеличение номенклатуры деталей, необходимость быстрого освоения производства деталей высокого качества, снижение стоимости их изготовления, рациональное использование материальных и энергетических ресурсов — все это требует коренного перевооружения производства за счет внедрения комплексной автоматизации производственных процессов и технологической подготовки производства. Особенно важной эта задача становится для предприятий с серийным и мелкосерийным типами производства.

Решение вопроса повышения эффективности производства в этих условиях нашло свое отражение в создании гибких автоматических производств на базе универсального оборудования с применением роботов-манипуляторов и систем машинного зрения.

Наличие систем распознавания и идентификации деталей позволяет производить контроль размеров деталей на одном конвейере без предварительного перепрограммирования системы машинного зрения, что позволяет создать универсальные системы контроля, повысить уровень ее автоматизации и производительности.

Актуальность поставленной задачи характеризуется возрастающими объёмами данных, подлежащих обработке в реальном масштабе времени на предприятии.

Выявленные проблемы и трудности, связанные с особенностями функционирования машиностроительного предприятия, определили

3

необходимость разработки системы сопоставления объектов с шаблонами на основе информационной базы данных предприятия. Это позволило сформулировать цель работы и поставить научную задачу.

Цель диссертационной работы заключается в повышении точности оптического контроля геометрической формы деталей пространственными методами цифровой обработки изображения.

Для достижения поставленной цели в работе решаются следующие задачи, включающие:

• поиск оптимального сочетания и применение методов цифровой обработки изображения, как математического аппарата для повышения точности процедуры распознавания областей и контуров объектов;

• разработку последовательности вычислительных процедур и комплекса алгоритмов, необходимых для пространственной ориентации и сопоставления объектов с шаблонами.

• классификацию и идентификацию геометрической формы объекта на основе набора признаков под управлением СУБД SQL Server;

• выполнение сравнительных экспериментальных исследований по нахождению погрешностей распознавания областей и контуров объектов с целью оптимизации архитектуры программно-математического обеспечения измерительной системы;

• выполнение экспериментальных исследований по нахождению погрешностей сопоставления объекта с шаблоном, возникающих при изменении положения координат центра и угла поворота объекта в пространстве, а также при изменении разрешения изображения. Научная новизна работы заключается:

1. В установлении зависимостей между описанием геометрической формы объекта с помощью сигнатуры "Угол-расстояние" и пространственного положения объекта, что позволяет повысить точность его сопоставления с шаблоном;

2. В выявлении закономерностей между представлением образа объекта с последующей идентификацией и его пространственной ориентацией на основе метода главных компонент.

3. В установлении связей между точностью распознавания контура образа и последовательностью совокупного применения методов цифровой обработки изображения: комплексная фильтрация, средства морфологической обработки, сегментация на основе преобразования Хафа.

4. В установлении закономерностей между точностью выделения образа объекта с ярко выраженной цветовой компонентой фона и гистограммой цветовой насыщенности.

5. В построении классификации деталей машиностроения по признакам геометрической формы образа для системы сопоставления объектов с шаблонами на основе использования технологического классификатора деталей машиностроения и приборостроения.

Практическая значимость результатов заключается:

1. В разработке информационно - алгоритмического и программного обеспечения, решающего представленные выше задач;

2. В разработке программно-методического комплекса для системы сопоставления объектов с шаблонами на основе СУБД SQL Server;

3. В разработке программного обеспечения графического редактора для реализации процедур пространственной обработки изображения;

4. В разработке методики описания, кодирования и классификации по признакам геометрической формы образа объекта для решения задачи сопоставления объектов с шаблонами.

Методы исследований. В ходе решения поставленных задач

применялись следующие приемы:

• метод цифровой обработки изображения на основе математической

теории распознавания образов, сегментации, аппроксимации;

• метод главных компонент для пространственной ориентации образов;

• метод идентификации по наименьшему расстоянию между признаками объектов;

• основные методы вычислительной геометрии и теорий матриц, множеств и вероятности.

Реализация работы. Теоретические исследования, проведенные в данной работе, используются в учебном процессе по направлениям 200100 "Приборостроение" и 221700 "Стандартизация и метрология".

Апробация работы. Основные положения и результаты работы в целом обсуждались на:

1. Заседаниях кафедры "ИИСиТ" ФГБОУ ВПО МГТУ "СТАНКИН" в 2009-2011 гг.;

2. Международной конференции "Секция «Информатизация в машиностроении» в ГОУ ВПО МГТУ «Станкин»", г. Москва в 2011 г.;

3. II международной научно-практической конференции "Инновации, качество и сервис в технике и технологиях", г. Курск в 2011 г.;

4. Всероссийской научно-технической конференции "Научная сессия ТУСУР-2011", г. Томск в 2011 г.;

5. Международной научно-технической конференции "Информационные системы и технологии", г. Орел в 2011 г.;

6. III Международной научно-практической конференции «Достижения молодых учёных в развитии инновационных процессов в экономике, науке, образовании», г. Брянск в 2011 г.;

Публикации. По теме исследования опубликовано 8 научных работ, в том числе 3 из них в журналах, рекомендованных ВАК.

Структура и объём работы. Диссертация состоит из введения, 4 глав, заключения и списка библиографических источников (150 наименований). Работа содержит 160 страниц сквозной нумерации, включая 56 рисунков и 6 таблиц, а также приложения.

Краткое содержание работы

Во введении обосновывается актуальность темы диссертационной работы, формулируются основные задачи, цели исследований, определены методики исследований, показана новизна и практическая ценность.

Возникновение нового класса универсального оборудования для комплексного контроля геометрической формы деталей сложной формы на базе систем машинного зрения позволяет значительно повысить уровень автоматизации и производительность машиностроительного предприятия, что в конечном итоге положительно отражается на качестве готовой продукции. В основу таких систем входят различные устройства (в том числе и дигитайзеры), такие как оптические промышленные камеры, а также различного типа действия двухмерные и трехмерные сканеры (оптико-механические, лазерные, ультразвуковые). Отличительной особенностью этих систем является формирование цифрового изображения объекта, которое состоит из множества пикселей. Под термином "пиксель" (picture cell) понимается наименьший элемент поверхности визуализации, которому может быть независимым образом заданы цвет, интенсивность и другие характеристики изображения. Чем больше пикселей на единицу площади различает устройство формирования изображения, тем большую точность геометрических измерений оно способно обеспечить. В реальных производственных условиях измерительная информация об объекте представляется в виде его изображения, на котором помимо самого образа объекта содержатся шумы, создаваемые как самими техническими устройствами и источниками света, так и шумы, возникающие вследствие загрязнения поверхности объекта. Таким образом, возникает задача повышения точности определения геометрических параметров объекта по его цифровому изображению. Для решения этой задачи в работе задействован математический аппарат на основе теории распознавания образов и цифровой обработки изображений.

В первой главе описано современное состояние проблемы бесконтактного контроля геометрических параметров объектов машиностроения с использованием принципов теории распознавания образов.

Показана иерархическая структура цифровой обработки изображений (рис. 1), полученных с помощью двух- и трехмерных сканирующих устройств, где выделены проблемные области, в которых были проведены исследования, связанные с обработкой изображений. Поставлены задачи повышения точности выделения областей объекта на фоне, распознавания контуров, а также задачи повышения точности сопоставления объектов с шаблонами.

Выделена отличительная особенность всех современных функционирующих систем распознавания, которая заключается в том, что их основу составляют вполне определенный алфавит классов и словарь признаков. При этом каждый класс объектов или явлений на основе априорных данных четко описывается на языке этих признаков. Кроме того, в состав математического обеспечения современных систем входят правила принятия решений — алгоритмы распознавания. Они предназначены для сопоставления апостериорной информации о каждом распознаваемом объекте, представляемой в виде совокупности конкретных значений присущих ему признаков, выявленных в результате проведения с помощью измерительных средств опытов, с априорной информацией о классах объектов. На основе этого сопоставления и принимается решение об отнесении неизвестного объекта к определенному классу, если система не отказывается от его распознавания. Последнее происходит, как правило, в тех ситуациях, когда на входе системы появляется объект, относящийся к классу, который не содержится в ее алфавите классов.

В результате анализа состояния проблемы сформулированы задачи исследования.

Сделано заключение, что для повышения точности контроля геометрической формы объектов необходимо повысить точность выделения областей объекта на изображении, контуров объекта, а также точность ориентации и совмещения образа объекта с шаблоном.

* Опистт —* КыляЛмяцгайг_ц'-й.^Ш..: "5

■ овшиа ^ШШШ^

Рис. 1. Иерархическая структура цифровой обработки изображения для решения задач идентификации, сопоставления с шаблоном и его классификации

Вторая глава посвящена анализу существующих методов цифровой обработки изображений для исследования проблемы выделения образа объектов на изображении.

Рассмотрено техническое обеспечение системы, которая включает различные аппаратные средства (ЭВМ, периферийные устройства, сетевое оборудование), линии связи, измерительные средства. В качестве измерительных средств используются 20/ЗБ сканирующие устройства для формирования образа исследуемого объекта и передачи его на обработку в программно-методический комплекс. Техническое обеспечение позволяет получать двух-или трехмерную модель объекта (рис. 2).

Рис. 2. Изображение корпусной детали в ортонормированной системе координат и ее двухмерный образ

Изложены способы получения изображений объектов, пригодных для выделения образов и сопоставления их с шаблонами. Наиболее простым и в то же время достоверным способом получения данных об объекте является обработка изображения изделия, полученного в виде его проекции. Хотя проекция объекта и не содержит полной информации о форме, свойствах поверхности и окраске, ее вполне достаточно для идентификации объекта и получения недостающей информации о нем из базы данных. Устройствами, позволяющими получить образ изделия в виде ее центральных и ортогональных проекций на сканирующую плоскость, могут быть приборы с зарядовой связью, а также двух- и трехмерные сканирующие системы.

Рассмотрены методы обработки цветных и черно-белых изображений, которые могут быть использованы в оптических системах распознавания для контроля геометрических параметров деталей.

ю

Для сопоставления с шаблоном берется образ объекта в виде его двухмерной проекции на плоскость образованной ортами сг и су собственной системы координат. Используя метод главных компонент и матричные операции, модель объекта представляется в собственной системе координат для двух- или трехмерного моделирования. Пространственная ориентация объекта делает его описание максимально независимыми от изменения размеров, сдвига и поворота. Таким образом, положение объекта в пространстве никак не отражается на сигнатуре, выбранной для описания его геометрической формы. Число значений п сигнатуры С, должно быть минимально, /7->ггип - это требование вызвано ограниченностью пропускной способности каналов связи между сервером и клиентом в пользу повышения производительности. Тем не менее, сигнатура должна быть максимально информативной, дабы избежать неоднозначности в описании геометрической формы объекта. В качестве сигнатуры области объекта принимаются значения равные числу точек его образа, расположенных вдоль направления вектора г. Число значений сигнатуры будет оставаться неизменным в зависимости от размеров объекта, его положения и выбранного разрешения сканирования при формировании его образа. Значения сигнатуры отображаются в виде гистограммы, которая представляет собой некий штрих-код. характеризующий форму исследуемого объекта. Гистограмма является графическим представлением сигнатуры и отражает функцию плотности распределения вероятности случайной величины.

Описание дополняется набором простых дескрипторов, таких как площадь, периметр и размеры его образа, которые используются для расчета коэффициента масштабирования, повышающего точность сопоставления.

Одним из наиболее эффективных методов пространственной ориентации является метод главных компонент. На рис. 3 представлено множество точек,

которые можно

X] ,...,Хйг С Я .

выразить через конечное множество векторов

Первая главная

Рис. 3. Первая главная компонента, определенная для множества точек по максимальной выборочной дисперсии

Для каждого к = 0,1,...,и - 1 среди всех к-мерных линейных многообразий в 7?" ищется такое для которого были бы верны следующие

условия: выборочная дисперсия данных вдоль Ьк линейного многообразия максимальна при условии ортогональности первым Ьк_х линейным многообразиям.

Описана работа системы сопоставления объектов с шаблонами, которая представляет собой детерминированную систему. В этой системе для построения алгоритмов распознавания используются «геометрические» меры близости, основанные на измерении расстояний между распознаваемым объектом и шаблонами. В общем случае применение детерминированных методов распознавания предусматривает наличие описания образов в признаковом пространстве классов и поиск наиболее подходящего этому описанию шаблона в соответствующем классе.

В третьей главе рассмотрено применение методов цифровой обработки изображений и пространственной ориентации объектов при построении системы сопоставления объектов с шаблонами.

Приведена разработка эффективных методов выделения образа и контура объекта. Алгоритмы решения данной задачи, в основном, построены на пространственных методах обработки цифрового изображения. Выделены основные источники шума на изображении, такие как теневой шум и муар, которые препятствуют распознаванию объекта.

Предложен новый метод цветовой гистограммы, облегчающий выделение объектов на цветном изображении. В тех случаях, когда цвет объекта и фона неоднородны, а результат выделения объекта по гистограмме яркости или компонентов цвета не удовлетворяет заданным нормам, можно воспользоваться соотношением разностей компонент цвета объекта и фона. В модели RGB функция для представления цвета выражается через четырехкомпонентный вектор с = (ca,R,G?B)T, где а - интенсивность цвета, Red, Green. Blue - красный, зеленый и синий цветовые тона, соответственно. Значение разностей должно производиться между всеми цветовыми тонами

На основе данного выражения можно построить гистограмму разности цветовых тонов по аналогии с построением гистограммы яркости. Как видно из гистограмм (рис. 4), основная часть пикселей, определяющих объект и фон, сосредоточена в ее крайних частях. Поскольку соотношение разности компонент цвета объекта и фона более весомо, чем соотношение их яркостей, можно в значительной степени упростить процедуру выделения объекта.

у (х,у) = | R(x,y) - G(x,y) I +1 R(x,y) - B(x,y)\ +1 G(x,y) - B(x,y)\

N

* Яркости

Цееяжт »w

понос

Нититноапи авеню

Рис. 4. Гистограммы изображения: яркости, цветовых компонент, насыщенности

Предложена методика повышения эффективности оптических систем распознавания образов на основе методов: выделения областей с помощью цветовой гистограммы, Ди Зензо для выделения контуров, локализации и восстановления областей, адаптивных пороговых фильтров и фильтров несвязных областей. Такие преобразования способны изолировать локальную область объекта от влияния шума. Определение контура на цветном изображении производится методом Ди Зензо. Точка (х,у) считается принадлежащей контуру, если величина скорости изменения функции Р(0) в точке превышает пороговое значение. Значение функции определяется по формуле

Пд) = ^ХХ+8}У) + (ЯХХ -8>у)со52в + 28хувт2в]/2 , где угол 0задается выражением: в =-—-,

8хх'8уу'Еху~ частные производные, значения которых могут быть найдены операторами Собела или Превитта. Метод Ди Зензо позволяет локализовать области изображения, оказавшиеся под влиянием теневого шума, которые обрабатываются отдельно. В ходе данного преобразования задаются или через собственные вектора определяются направления теневого шума. Затем создаются границы перепадов яркостей по каждой области с помощью выражения

[| (&ч + 8¡-г) 1< 28, ]л[I (£,+1 + ё,+1) 1< 2Я, ] -> ё, 6 С, где С - множество точек, составляющих границу, которая позволяет перераспределить зашумленные области между областями фона и объекта.

Предложена методика повышения эффективности оптических систем распознавания контуров на основе преобразования Хафа, которое было использовано для сегментации контура. Применив данное преобразование в сочетании с комплексной фильтрацией, удалось повысить точность распознавания прямолинейных участков контура.

14

Подробно рассмотрено математическое обеспечение модуля пространственной ориентации двумерных объектов. Для решения задачи пространственной ориентации образ объекта с помощью метода главных компонент представляется в собственной системе координат путем нахождения ортонормированного базиса собственных векторов. Это позволяет произвести пространственную ориентацию и задает единственно-возможное положение объекта, исключающее влияние поворота и сдвига.

Нулевая главная компонента PCO определяет центр тяжести точек ориентируемого образа объекта, а следующие главные компоненты (РС1, РС2) - задают оси собственной системы координат объекта. На рис. 5 показаны проекция шаблона детали и главные компоненты, по которым происходит ее ориентация в заданной системе координат.

Рис. 5. Пространственная ориентация по методу главных компонент: а) - определение главных компонент; б) - ориентация образа детали в собственной системе координат Рассмотрено математическое обеспечение модуля идентификации объектов с шаблонами. Для этого объект представляется в сферической или полярной системе координат. Определяются радиальные прямые, которые проходят через полюс полярной системы координат. Представляем радиальную прямую через бесконечную последовательность элементов множества точек:

А = {ап\ап^к)

таким образом, что точка а0 совпадает с началом координат.

Задается система сегментов на этом множестве:

{k-owiKLr

где каждому натуральному числу п поставлен в соответствие отрезок \ап, длиной |ап,ап+1|, при этом соблюдается условие:

Тогда радиус-вектор OA, проведенный из начала координат О в произвольную точку ап множества А будет иметь длину соответствующего направленного отрезка[д0,я„]:

|ол| = |а0,я„| = и-£/а,

где da = \a„,a^ и обычно составляет 1 пиксель.

Теперь, используя функцию плотности вероятности и длину радиус-вектора, получим выражение для описания формы объекта в виде сигнатуры:

1 п \ОА\ ¡1 если T(w,n) е Z

Р(9)=ТтТ-ЛП<Р,п),П<р,п) =

N у=о п 10 если T(<p,n)gZ

где Т(х,у) - точка на изображении; Z- множество точек, принадлежащих объекту; N - число точек, принадлежащих объекту; п - число точек множества, AnZ расположенных в направлении радиус-вектора OA .

Значения сигнатуры Р(<р) можно изобразить в виде гистограммы, которая представляет собой некий циклически-замкнутый штрих-код, характеризующий форму исследуемого объекта.

Число значений сигнатуры будет меняться в зависимости от углового шага <1<р . Так, например, в полярной системе координат число дескрипторов при угловом шаге d(p-1° составит N = 360, а в сферической системе координат при том же угловом шаге зенитного и азимутального углов dcp =d6 = 1 ° составит N = У'",360/d& отсчетов. Это число можно сократить путем введения переменного углового шага, который задается выражением

(/0 = 180 sin б. На рис. 6 показано совмещение образа объекта и шаблона с помощью сигнатуры "Угол-расстояние".

Рис. 6. Совмещение образа объекта и шаблона с помощью сигнатуры "Угол-расстояние": а) - чертеж детали, полученный с помощью КИМ; б) - шаблон детали и сигнатура, созданные по его чертежу; в) - образ детали и его сигнатура, полученные сканирующим устройством с применением методов цифровой обработки изображения

Далее описана классификация и представление образов в базе данных (БД) на основе системы управления БД (СУБД) SQL Server. Классификация направлена на автоматизацию идентификации изделий и технологических процессов их изготовления. Коды изделий являются исходными данными, которые могут использоваться для получения доступа к информации о нем, в том числе предприятиями на стадиях конструкторской и технологической подготовки производства и управления им с использованием средств вычислительной техники.

В качестве основных признаков геометрической формы изделия приняты: класс, размерная характеристика, характеристика формы и сигнатура изделия. Система кодирования - позиционная, цифровая. Структура и длина кодового обозначения классификационных группировок основных признаков формы объекта показана на рис. 7.

г)

о ~е

1 2 3 4 5 6 X XXX XX 7 X

Класс |; | Рамергтая характеристика \ ¡'

I Характеристика формы ¡'

[ Сигнатура

11роетранство признаков

Рис. 7. Структура и длина кодового обозначения классификационных

I

группировок основных признаков геометрической формы образа

I

1

Геометрическую форму образа по признаку "Размерная характеристика" кодируют тремя (пластинчатые детали кодируют двумя) 1 значениями пространства признаков.

У осесимметричных сборочных единиц кодируют наибольший [ наружный диаметр Б (2-й признак кода), диаметр центрального отверстия с1 (3-й признак кода), длину Ь (4-й признак кода).

У призматических и пластинчатых сборочных единиц кодируют ширину В (2-й признак кода), длину Ь (3-й признак кода), высоту Н (4-й признак кода).

I

Признак "Характеристика формы", составляющий 5 и 6 значения пространства признаков, задается площадью и периметром образа. I

Признак "Сигнатура" формирует 7-ое значение пространства признаков. Это содержательный признак, наиболее точно отражающий геометрическую форму описываемого образа.

Идентифицируемый образ приписывается к тому шаблону, вектора I признаков которого оказываются ближайшими к векторам признаков образа. Такой подход состоит в использовании классификатора, основанного на 1 минимальном расстоянии, который вычисляет евклидовы расстояния между вектором каждого признака исследуемого объекта и вектором каждого ! признака всех шаблонов, находящихся в БД. Решение о принадлежности

объекта к определенному шаблону принимается по наименьшему расстоянию между векторами признаков:

п С и Л 17 + у, если / + у <= п

¿ = тш , гдек = \

где ¿/-функция, определяющая наименьшее расстояние между суммами разностей компонент векторов признака образа и шаблона.

В конце приводится алгоритмическая реализация программно методического комплекса системы.

В четвертой главе проводится сравнительный анализ точности сопоставления объекта с шаблонами. Показана работа программного обеспечения системы сопоставления объектов с шаблонами на примерах корпусных деталей, полученных с помощью двух- и трехмерных сканирующих устройств, которые использовались для получения образа объекта в виде его проекции главного вида на сканирующую плоскость.

Для оценки эффективности применяемых в системе сопоставления объектов с шаблонами методов для распознавания образов, пространственной ориентации и идентификации объектов было проведено тестирование работы отдельных программных модулей системы. Испытания проводились как на реальных тестовых объектах, так и на смоделированных с помощью системы автоматизированного проектирования. По результатам испытаний производится количественная оценка эффективности работы программных модулей системы. На рис. 8 представлен сравнительный анализ точности систем распознавания областей объекта, выделенных с помощью порога яркости совместно с методами гистограммы цветовой насыщенности и Ди Зензо (рис.6, в), что способствует локализации и последующему восстановлению зашумленных областей. Сигнатура "Угол-расстояние" использовалась для пространственной ориентации объекта относительно шаблона (рис.6, б).

а)

б)

: Ш | ■

:И.; 1!

«Гьшкж^ч™

............ЗЛ4............ i sen oi 2.(i;i 1TO'

Рис. 8. Оценка точности систем распознавания областей объекта на изображении с разрешением 600 dpi: а) - отклонение от контура образа детали, полученного с помощью гистограммы яркости; б) - отклонение от контура образа детали, полученного с помощью гистограммы насыщенности; в) - относительная оценка эффективности используемых методов

1 .

Г-

2 25 ¡5 2

?

i______________ Xii

v ^ШШШШтШтШШШШШ^Шт

На рис. 9 представлена оценка точности систем распознавания контура объекта на основе совокупного применения методов цифровой обработки изображения: комплексная фильтрация, сегментация по преобразованию Хафа и средства морфологогической обработки областей объекта.

~——способа Преобразования ——_____ i 2 3 4 5 6

Порядок применения К ГК гкх ГКФХ ГКФХА ГКХА

Глобальная фильтрация Г - + + + + +

Выделение контура К + + + + + +

Преобразование Хафа X - - + + + +

Комплексная фильтрация Ф - - - + + -

Аппроксимация прямыми А - - - - + +

Отсутствие ложных контуров - - - + + -

а)

100 5 SO

S 60

" 40

Е 20

SI

-в■ о -е- 01 * 2 3 4 5 6

84 80 69,4 Ь2,Ь 3,6 19,8

^ Вероятность распознавания^ 44,4 46,1 48,2 49,4 81,6 69,8

N19 способа

к 70

I и 60

Ï с 50

g ï 40 5 о

S I 30

I a го

u 10 о

б) в)

Рис. 9. Оценка точности методов цифровой обработки изображения для систем распознавания контура на изображении с разрешением 600 dpi: а) -таблица методов, определяющая их сочетание и порядок применения; б) -диаграмма эффективности применения методов; в) - диаграмма отклонений распознанного (по этим методам) контура детали от шаблона

Диаграммы результатов (рис. 9. б, в) были получены в ходе экспериментального распознавания контуров детали с помощью различного сочетания методов цифровой обработки изображений представленных в таблице на рис. 9, а).

Предложено программное обеспечение системы, которое функционирует под операционной системой Windows и реализует алгоритм для выполнения процедуры сопоставления объектов с шаблонами. Представляет собой Windows приложение, разработанное и реализованное на платформе NET Framework. Имеет диалоговый интерфейс обмена данными с пользователем и осуществляет передачу информации на периферийные

устройства вывода. Включает в себя программные методы писка, обмена, обработки и конвертации данных.

Описано информационное обеспечение системы, которое состоит из базы данных и системы управления реляционными базами данных. База данных содержит информацию о названиях моделей, их описание в виде дескрипторов, а также идентификацию моделей по уникальному номеру. Управление данными осуществляется с помощью программы посредством Microsoft SQL Server.

В заключении сформулированы основные выводы диссертационной работы. Выводы. В результате проведенных исследований в диссертационной работе получены и научно обоснованы следующие выводы.

1. Из проведенного анализа существующих методов следует, что для повышения точности выделения прямолинейных участков контура на изображении целесообразно использовать следующую последовательность совокупного применения методов цифровой обработки изображения: комплексная фильтрация, сегментация на основе преобразования Хафа, средства морфологогической обработки.

2. Из результатов проведенных исследований следует, что совокупное применения методов комплексной фильтрация и сегментации на основе преобразования Хафа позволяет устранить распознавание ложных контуров и повысить эффективность выделения контуров на 10 % по сравнению с выделением по градиенту яркости, благодаря чему повышается точность контроля геометрических параметров деталей.

3. Из проведенного анализа существующих методов пространственной ориентации объектов следует, что для сопоставления образа объекта с шаблоном целесообразно использовать новый, предложенный в работе, метод пространственной ориентации объектов с помощью сигнатуры "Угол-расстояние".

4. Из результатов проведенных исследований следует, что применение метода пространственной ориентации с помощью сигнатуры "Угол-

22

расстояние" позволяет совмещать объект и шаблон с погрешностью угла поворота до сотых долей градуса, в то время как пространственная ориентация объекта по методу главных компонент обеспечивает точность поворота до десятых долей градуса.

5. Из проведенного анализа методов цифровой обработки изображений следует, что для повышения точности выделения областей объекта на изображении целесообразно использовать новый, предложенный в работе, метод гистограммы цветовой насыщенности.

6. Из результатов проведенных исследований следует, что применение метода гистограммы цветовой насыщенности для выделения областей объекта совместно с методом Ди Зензо для локализации и последующего восстановления зашумленных областей, а также сигнатуры "Угол-расстояние" для пространственной ориентации объекта позволяет снизить методическую погрешность формирования образа на 4 %, благодаря чему удалось повысить точность определения отклонений формы объекта более чем в два раза.

7. Разработанная процедура идентификации объектов на основе описания геометрической формы объектов с помощью сигнатуры "Угол-расстояние" и технологического классификатора деталей машиностроения позволяет производить идентификацию деталей машиностроения разнообразных отраслей промышленности.

В приложении предложен рабочий вариант программы для сопоставления объектов с шаблонами

Основное содержание диссертации опубликовано в следующих работах: Публикации в изданиях, рекомендованных ВАК РФ:

1. Рощин Д. А. Разработка программно-методического комплекса на основе метода главных компонент для системы сопоставления объектов с шаблонами. // Метрология, - М.: ФГУП «Российский научно-технический центр информации по стандартизации, метрологии и оценке соответствия». -2011. - №7, с.3-12.

2. Рощин Д.А. Повышение эффективности оптических систем распознавания образов на основе цветовой гистограммы. // Прикладная информатика. - М.: ООО «Маркет ДС Корпорейшн». -20П.-№4,с. 120-125.

3. Рощин Д.А. Повышение эффективности систем распознавания контуров деталей на основе преобразования Хафа. // Метрология. - М.: ФГУП «Российский научно-технический центр информации по стандартизации, метрологии и оценке соответствия». -2011. -№10, с.35-45.

Статьи и материалы конференций:

4. Рощин Д.А. Методика построения модели детали сложной формы для сканирующих ИИС. // Материалы научно-практической конференции "Автоматизация и информационные технологии", г. Москва: МГТУ «Станкин», 2008, -с.149-152.

5. Рощин Д.А. Разработка обслуживающей подсистемы САПР для сопоставления деталей с шаблонами. // Материалы 11 международной научно-практической конференции "Инновации, качество и сервис в технике и технологиях", г. Курск: «Юго-Зап. гос. ун-т», 2011, -с.329-333.

6. Рощин Д.А. Оценка эффективности систем распознавания контуров деталей на основе преобразования Хафа. // Материалы всероссийской научно-технической конференции "Научная сессия ТУСУР-2011", г. Томск: В-Спектр, 2011, - 4.4. -с.246-249.

7. Рощин Д.А. Разработка программно-методического комплекса на основе метода главных компонент для системы сопоставления объектов с шаблонами. // Материалы международной научно-технической конференции "Информационные системы и технологии", г. Орел: ФГОУ ВПО «Госуниверситет-УПНК», 2011, -с.77-84.

8. Рощин Д.А. Классификация и представление образов деталей машиностроения с помощью системы машинного зрения под управлением SQL Server. // Материалы III Международной научно-практической конференции «Достижения молодых учёных в развитии инновационных процессов в экономике, науке, образовании», г. Брянск: «БГТУ», 2011, -с. 194-197.

Автореферат диссертации на соискание ученой степени кандидата технических наук

Рощин Дмитрий Александрович

Повышение точности бесконтактного контроля геометрических параметров объектов машиностроения на основе пространственной цифровой обработки изображений

Подписано в печать 21.11.2011.

Формат 60x90 1/16. Бумага 80 г.

Усл. печ. л. 1,5. Тираж 100 экз. Заказ 202.

Отпечатано в Издательском центре

ФГБОУ ВПО Московский государственный технологический университет «Станкин» 127055, Москва, Вадковский пер., За Тел.: 8(499) 973-31-93

ВВЕДЕНИЕ

ГЛАВА 1 СОСТОЯНИЕ ПРОБЛЕМЫ. ЦЕЛЬ И ЗАДАЧИ

ИССЛЕДОВАНИЯ 1.1 РАЗВИТИЕ СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ

1.2. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ 16 РАСПОЗНАВАНИЯ ОБРАЗОВ ОБЪЕКТОВ

1.3. СТРУКТУРНЫЙ СОСТАВ СИСТЕМЫ РАСПОЗНАВАНИЯ

1.4. ПРИМЕНЕНИЕ МАШИННОГО ЗРЕНИЯ ДЛЯ СОПОСТАВЛЕНИЯ ОБЪЕКТОВ С ШАБЛОНАМИ

1.5. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ

1.6. ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 2. МЕТОДЫ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

ДЛЯ ИССЛЕДОВАНИЯ ПРОБЛЕМЫ ВЫДЕЛЕНИЯ ОБРАЗА ОБЪЕКТОВ НА ДВУХМЕРНОМ ИЗОБРАЖЕНИИ

2.1 ОБЩАЯ СТРУКТУРА СИСТЕМЫ СОПОСТАВЛЕНИЯ ОБЪЕКТОВ С ШАБЛОНАМИ

2.2 ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС ПОЛУЧЕНИЯ ОБРАЗА ОБЪЕКТА

2.2.1 ОПТИЧЕСКИЕ ПРИБОРЫ, ДЛЯ РЕГИСТРАЦИИ ИЗОБРАЖЕНИЯ, ОСНОВАННЫЕ НА КООРДИНАТНОМ 42 МЕТОДЕ ИЗМЕРЕНИЯ

2.2.2 ОПТИЧЕСКИЕ ПРИБОРЫ, ДЛЯ РЕГИСТРАЦИИ ИЗОБРАЖЕНИЯ, ОСНОВАННЫЕ НА ОПРЕДЕЛЕНИИ 44 ЦВЕТА

2.3 ФОРМИРОВАНИЕ ОБРАЗА ОБЪЕКТА ДЛЯ РЕШЕНИЯ ЗАДАЧ

СОПОСТАВЛЕНИЯ С ПРИМЕНЕНИЕМ ОПТИЧЕСКИХ УСТРОЙСТВ

2.4 РАЗЛИЧНЫЕ ПОДХОДЫ К РАСПОЗНАВАНИЮ ОБРАЗОВ

ОБЪЕКТОВ

2.4.1 ОБЩИЕ МЕТОДЫ РАСПОЗНАВАНИЯ

2.4.2 МЕТОДЫ ОБНАРУЖЕНИЯ ОБЪЕКТОВ, ЗАДАННЫХ 67 ЭТАЛОНАМИ

2.4.3 ПРОСТРАНСТВЕННАЯ ОРИЕНТАЦИЯ ОБРАЗА ОБЪЕКТА 75 ДЛЯ РЕШЕНИЯ ЗАДАЧ СОПОСТАВЛЕНИЯ С ШАБЛОНОМ

2.5 ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 3. ПРОГРАММНО МЕТОДИЧЕСКИЙ КОМПЛЕКС

СИСТЕМЫ СОПОСТАВЛЕНИЯ ОБЪЕКТОВ С ШАБЛОНАМИ.

3.1 РАЗРАБОТКА ЭФФЕКТИВЫX МЕТОДОВ ВЫДЕЛЕНИЯ 80 ОБРАЗА И КОНТУРА ОБЪЕКТА

3.1.1 ПОВЫШЕНИЕ ТОЧНОСТИ ОПТИЧЕСКИХ СИСТЕМ 82 РАСПОЗНАВАНИЯ ОБРАЗОВ НА ОСНОВЕ ЦВЕТОВОЙ ГИСТОГРАММЫ.

3.1.2 ПОВЫШЕНИЕ ТОЧНОСТИ ОПТИЧЕСКИХ СИСТЕМ 88 РАСПОЗНАВАНИЯ КОНТУРОВ НА ОСНОВЕ ПРЕОБРАЗОВАНИЯ ХАФА.

3.2 МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ МОДУЛЯ 100 ПРОСТРАНСТВЕННОЙ ОРИЕНТАЦИИ ДВУМЕРНЫХ ОБЪЕКТОВ.

3.3 МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ МОДУЛЯ 107 ИДЕНТИФИКАЦИИ ОБЪЕКТОВ С ШАБЛОНАМИ

3.4 КЛАССИФИКАЦИЯ PI ПРЕДСТАВЛЕНИЕ ОБРАЗОВ В 117 БАЗЕ ДАННЫХ НА ОСНОВЕ СУБД SQL SERVER

3.5 АЛГОРИТМИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРОГРАММНО 124 МЕТОДИЧЕСКОГО КОМПЛЕКСА СИСТЕМЫ

3.6 ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 4. СРАВНИТЕЛЬНЫЙ АНАЛИЗ ТОЧНОСТИ

СОПОСТАВЛЕНИЯ ОБЪЕКТА С ШАБЛОНАМИ

4.1 ПРИМЕР РЕАЛИЗАЦИИ ПРОЦЕДУРЫ СОПОСТАВЛЕНИЯ

ОБЪЕКТА С ШАБЛОНАМИ

4.2 ОЦЕНКА ЭФФЕКТИВНОСТИ ПРОГРАММНОГО МОДУЛЯ В

РЕЖИМЕ ФОРМИРОВАНИЯ ОБРАЗА ОБЪЕКТА НА ОСНОВЕ ЦВЕТОВОЙ ГИСТОГРАММЫ.

4.3 ОЦЕНКА ЭФФЕКТИВНОСТИ ОПТИЧЕСКИХ СИСТЕМ 138 РАСПОЗНАВАНИЯ КОНТУРОВ НА ОСНОВЕ ПРЕОБРАЗОВАНИЯ ХАФА.

4.4 ТЕСТИРОВАНИЕ ФУНКЦИОНАЛЬНОСТИ ПРОГРАММНО

МЕТОДИЧЕСКОГО КОМПЛЕКСА

4.5 ВЫВОДЫ ПО ГЛАВЕ

Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Чтобы в полном объеме оценить все значение этой проблемы, достаточно сказать, что создание искусственного интеллекта — относится к построению распознающих систем, приближающихся по своим возможностям к возможностям человека в решении задач распознавания. Необходимость в таком распознавании возникает в самых разных областях— от военного дела и систем безопасности до оцифровки всевозможных аналоговых сигналов. В настоящее время системы сопоставление объектов с шаблонами находят применение и на сборочных линиях предприятий и в медицинских диагностических системах.

Постоянно увеличивается номенклатура деталей, используемых на производстве. Имеется огромная база моделей разработанных в таких современных CAD/CAM системах, как «T-FLEX», «Solid Works», «Pro/Engineer», большая часть из которых автоматизирует такие операции, как быстрое и эффективное выполнение большого объема вычислений, хранения и передачи большого объема информации. Несмотря на это, вопрос о расширении возможностей функционирования всех типов автоматизированных систем до сих пор остается наиболее актуальным. Для решения этой задачи необходимо разрабатывать обслуживающие подсистемы в виде специальных функциональных модулей, в результате чего будет повышаться эффективность системы проектирования. Обслуживающая подсистема САПР с интегрированной системой сопоставления объектов с шаблонами позволяет решить проблему идентификации образца изделия соответствующей ему модели из имеющейся базы данных с целью получения информации о материале, геометрических параметрах и свойствах его поверхности. Такая система должна быть способна распознавать геометрическую форму объекта исследования и производить поиск модели, по которой это изделие было изготовлено.

Возникновение нового класса универсального оборудования для комплексного контроля геометрической формы деталей сложной формы на базе систем машинного зрения позволяет значительно повысить уровень автоматизации и производительность машиностроительного предприятия, что в конечном итоге положительно отражается на качестве готовой продукции. В основу таких систем входят различные устройства (в том числе и дигитайзеры), такие как оптические промышленные камеры, а также различного типа действия двухмерные и трехмерные сканеры (оптико-механические, лазерные, ультразвуковые). Отличительной особенностью этих систем является формирование цифрового изображения объекта, которое состоит из множества пикселей. Под термином "пиксель" (picture cell) понимается наименьший элемент поверхности визуализации, которому может быть независимым образом заданы цвет, интенсивность и другие характеристики изображения. Чем больше пикселей на единицу площади различает устройство формирования изображения, тем большую точность геометрических измерений оно способно обеспечить. В реальных производственных условиях измерительная информация об объекте представляется в виде его изображения, на котором помимо самого образа объекта содержатся шумы, создаваемые как самими техническими устройствами и источниками света, так и шумы, возникающие вследствие загрязнения поверхности объекта. Таким образом, возникает задача повышения точности определения геометрических параметров объекта по его цифровому изображению. Для решения этой задачи в работе задействован математический аппарат на основе теории распознавания образов и цифровой обработки изображений.

Цель работы заключается в повышении точности оптического контроля геометрической формы деталей пространственными методами цифровой обработки изображения.

В работе решаются следующие научные задачи, включающие: в поиск оптимального сочетания и применение методов цифровой обработки изображения, как математического аппарата для повышения точности процедуры распознавания областей и контуров объектов; • разработку последовательности вычислительных процедур и комплекса алгоритмов, необходимых для пространственной ориентации и сопоставления объектов с шаблонами; ® классификацию и идентификацию геометрической формы объекта на основе набора признаков под управлением СУБД SQL Server; в выполнение сравнительных экспериментальных исследований по нахождению погрешностей распознавания областей и контуров объектов с целью оптимизации архитектуры программно-математического обеспечения измерительной системы; в выполнение экспериментальных исследований по нахождению погрешностей сопоставления объекта с шаблоном, возникающих при изменении положения координат центра и угла поворота объекта в пространстве, а также при изменении разрешения изображения. На защиту выносятся следующие основные положения:

1. Структура обслуживающей подсистемы машинного зрения для решения задачи сопоставления объектов с шаблонами

2. Образ объекта, полученный методами гистограммы цветовой насыщенности, комплексной фильтрации и метода главных компонент

3. Описание образа объекта с применением системы классификации и кодирования

4. Ряд специализированных программных модулей для расширения функциональных возможностей систем распознавания, идентификации и классификации объектов.

Методы исследования. В ходе решения поставленных задач применялись следующие приемы:

• метод цифровой обработки изображения на основе математической теории распознавания образов, сегментации, аппроксимации;

• метод главных компонент для пространственной ориентации образов; метод идентификации по наименьшему расстоянию между признаками объектов; основные методы вычислительной геометрии и теорий матриц, множеств и вероятности. Научная новизна заключается:

1. В установлении зависимостей между описанием геометрической формы объекта с помощью сигнатуры "Угол-расстояние" и пространственного положения объекта, что позволяет повысить точность его сопоставления с шаблоном;

2. В выявлении закономерностей между представлением образа объекта с последующей идентификацией и его пространственной ориентацией на основе метода главных компонент.

3. В установлении связей между точностью распознавания контура образа и последовательностью совокупного применения методов цифровой обработки изображения: комплексная фильтрация, средства морфологической обработки, сегментация на основе преобразования Хафа.

4. В установлении закономерностей между точностью выделения образа объекта с ярко выраженной цветовой компонентой фона и гистограммой цветовой насыщенности.

5. В построении классификации деталей машиностроения по признакам геометрической формы образа для системы сопоставления объектов с шаблонами на основе использования технологического классификатора деталей машиностроения и приборостроения.

Практическая полезность заключается:

1. В разработке информационно — алгоритмического и программного обеспечения, решающего представленные выше задач;

2. В разработке программно-методического комплекса для системы сопоставления объектов с шаблонами на основе СУБД SQL Server;

3. В разработке программного обеспечения графического редактора для реализации процедур пространственной обработки изображения;

4. В разработке методики описания, кодирования и классификации по признакам геометрической формы образа объекта для решения задачи сопоставления объектов с шаблонами.

Апробация работы. Основные положения и результаты работы в целом обсуждались на заседаниях кафедры "Информационно измерительные и управляющие системы" МГТУ "Станкин" в 2009-2011 гг., на научно-практической конференции "Автоматизация и информационные технологии" г. Москва в 2008 г., на международной конференции "Секция в ГОУ ВПО МГТУ «Станкин»" г. Москва в 2011 г., П международной научно-практической конференции "Инновации, качество и сервис в технике и технологиях", г. Курск в 2011 г., на всероссийской научно-технической конференции "Научная сессия ТУСУР-201Г' г. Томск в 2011 г., международной научно-технической конференции "Информационные системы и технологии" г. Орел в 2011 г.

ОБЩИЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ ПО РАБОТЕ

Для достижения целей, сформулированной в данной работе, был проведен ряд исследований и разработаны новые программные продукты, результаты чего представлены выше. Все это позволяет сделать следующие выводы:

1. Из проведенного анализа существующих методов следует, что для повышения точности выделения прямолинейных участков контура на изображении целесообразно использовать следующую последовательность совокупного применения методов цифровой обработки изображения: комплексная' фильтрация, сегментация на основе преобразования Хафа, средства морфологогической обработки.

2. Из результатов проведенных исследований следует, что совокупное применения методов комплексной фильтрация и сегментации на основе преобразования Хафа позволяет устранить распознавание ложных контуров и повысить эффективность выделения контуров на 10 % по сравнению с выделением по градиенту яркости, благодаря чему повышается точность контроля геометрических параметров деталей.

3. Из проведенного анализа существующих методов пространственной ориентации! объектов следует, что для сопоставления образа объекта с шаблоном целесообразно использовать новый, предложенный в работе, метод пространственной ориентации объектов с помощью сигнатуры "Угол-расстояние".

4. Из результатов проведенных исследований следует, что применение метода пространственной ориентации с помощью сигнатуры "Угол-расстояние" позволяет совмещать объект и шаблон с погрешностью угла поворота до сотых долей градуса, в то время как пространственная ориентация объекта по методу главных компонент обеспечивает точность поворота до десятых долей градуса. ( 4 Я

5. Из проведенного анализа методов цифровой обработки изображений следует, что для повышения точности выделения областей объекта на изображении целесообразно использовать новый, предложенный в работе, метод гистограммы цветовой насыщенности.

6. Из результатов проведенных исследований следует, что применение метода гистограммы цветовой насыщенности для выделения областей объекта совместно с методом Ди Зензо для локализации и последующего восстановления зашумленных областей, а также сигнатуры "Угол-расстояние" для пространственной ориентации объекта позволяет снизить методическую погрешность формирования образа на 4 %, благодаря чему удалось повысить точность определения отклонений формы объекта более чем в два раза.

7. Разработанная процедура идентификации объектов на основе описания геометрической формы объектов с помощью сигнатуры "Угол-расстояние" и технологического классификатора деталей машиностроения позволяет производить идентификацию деталей машиностроения разнообразных отраслей промышленности.

1. Aparte A. A., Cuento С., Lopez P. R., Papa М. A., Lim К. S. Signature Pattern Recognition . Computer Issues, Vol 28, No 1,1994.

2. Ball G.H., Hall D.J. "Isodata, an iterative method of multivariate data" in Proc. IFIPS Congress. 1965.

3. Ballard D. H. and Brown С. M. Computer Vision. // Prentice'Hall, Englewood Cliffs, New Jersey. № 13(2). - Pp.l 11-122. - 1982.

4. Ballard D. H. Generalizing the Hough transform to detect arbitrary shapes. // Pattern Recognition. 1981.

5. Ballard D. H., Brown С. M. Computer Vision, Prentice Hall, Upper Saddle River, NJ. 1982.

6. Ballard D.H., Brown С. M. Computer Vision. New York: Prentice Hall. 1982.

7. Batchelor B. G. Whelan P.F. Intelligent vision systems for industry. 2002.

8. Belongie S., Malik J., et al. Shape matching and object recognition using shape contexts. IEEE Trans, on Pattern Analysis and Machine Intelligence, Vol.24, April 2004.

9. Bengtsson A. and Eklundh J.-O. "Shape representation by multiscale contour approximation". IEEE Trans. Pattern Analysis and Machine Intell., January 1991.

10. Bezdek J. C. Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum, NY. 1981.

11. Bhiwani R.J. Khan M.A., Agrawal S.M. Texture Based Pattern Classification. International Journal of Computer Applications (0975 8887) Vol. 1 - No. 1, 2010.

12. Bribiesca E. 3D-curve representation by means of a binary chain code. Mathematical and Computer Modelling 40(3-4): 285-295 (2004)

13. Bribiesca E. A new chain code. Pattern Recognition 32(2): 235-251 (1999)

14. Bribiesca E. Arithmetic operations on shapes using shape numbers. Artificial Intelligence, vol. 17(1-3), 1981.

15. Bribiesca E., Guzman A. How to describe pure form and how to measure differences in shapes using shape numbers. Pattern Recognition, vol. 12. 1980.

16. Derpanis K.G. and Wildes R.P. Dynamic Texture Recognition based on Distributions of Spacetime Oriented Structure, In Proceedings of the IEEE Conference Computer Vision and Pattern Recognition (CVPR), 2010.

17. Devroye, Gyorfi, et al. A probabilistic theory of pattern recognition. Springer Verlag 1996.

18. Diallo M., Ferreira A., Rau-Chaplin A., and Ubeda S., Scalable 2d convex hull and triangulation algorithms for coarse grained multicomputers, J. Parallel Distrib. Comput. 56, 1999.

19. Duda R.O. Hart P.E. and Stork D.G., Pattern Classification. New York: John Wiley & Sons. 2001.

20. Duda R.O., Hart P.E., Stork D.G. Pattern Classification, New York: John Wiley & Sons, 2001.

21. Ecker A., Kiriakos N. Kutulakos and Allan D. Jepson. Shape from Planar Curves: A Linear Escape from Flatland Computer Vision and Pattern Recognition (CVPR), Minneapolis, USA, June 2007.

22. Ernesto Bribiesca. A chain code for representing 3D curves. Pattern Recognition 33(5): 755-765 (2000)

23. Estrada F. J. and Jepson A. D. Robust Boundary Detection With Adaptive Grouping, 5th IEEE Workshop on Perceptual Organization in Computer Vision, NY, USA, 2006.

24. Estrada F. J., Jepson A.D. and Chennubhotla C. Spectral Embedding and

25. Min-Cut for Image Segmentation, British Machine Vision Conference, London, U. K., 2004.

26. Fierrez J., Ortega-Garcia J., Ramos D. and Gonzalez-Rodriguez J. 'TIMM-based on-line signature verification: feature extraction and signature modeling", Pattern Recognition Letters, Vol; 28, n. 16, pp. 2325-2334, December 2007.

27. Freeman H. Computer processing of line drawing images. Computing Surveys 6 (1), 1974

28. Fu A.M., Yan H. and Huang K. A curve bend function method to characterize contour shapes. Pattern Recognition, 30(10): 1661-1671, 1997.

29. Fu K.S. Applications of Pattern Recognition. CRC Press 1982.

30. Gonzalez R. Thomason M., Syntactic Pattern Recognition: an Introduction, Addison-Wesley, Reading, MA, 1978.

31. Gupta L., Srinath M. D. Invariant planar shape recognition using dynamic alignment. Pattern Recognition, 1988.

32. Hall E.H. Computer Image processing and recognition, Academic, New York, 1979.

33. Ilaralick R.M., Shapiro L.G. Computer and Robot Vision: Vol. 1 and Vol. 2, Reading, MA: Addison-Wesley, 1992.

34. Herbert Freeman, Ruth Shapira. Determining the Minimum-Area Encasing Rectangle for an Arbitrary Closed Curve. Commun. ACM 18(7): 409-413, 1975.

35. Hotelling H. Analysis of a Complex of Statistical Variables Into Principal Components, Journal of Educational Psychology, volume 24. 1933.

36. Hough P.V.C. Methods and Means for Recognizing Complex Patterns. -U.S., Patent 3069654, 1962.

37. Hu J.M. and Yan. H. Polygonal-approximation of digital curves based on the principles of perceptual organization. Pattern Recognition, 30(5):701-718, 1997.

38. Hu M.K. Visual pattern recognition by moment invariants. IRE Tr. on Inf. Theory 8, 179-187, 1962.

39. Huang JJ. and Schultheiss P.M. "Block quantization of correlated Gaussian random variables,". IEEE Transactions on Communications Systems, vol. CS-11, pp. 289-296, September 1963.

40. Huang S.C., Sun Y.N. Polygonal approximation using genetic algorithms, Pattern Recognition 32. 1999.

41. Jenq J.F., Salini S. Serial and parallel algorithms for medial axis transform. IEEE Transactions on Pattern. Analysis and Machine Intelligence, 14(12):1218-1224, 1992.

42. EL Fukunaga. Introduction to statistical pattern recognition. New York, Academic Press, 1972.

43. Katchalski-Katzir E., et al. 'Molecular Surface Recognition: Determination of Geometric Fit between Proteins and their Ligands by Correlation Techniques', Proc. National Academy of Science USA, Vol. 89, 1992.

44. Kramer, II., and Mathews M., A linear coding for transmitting a set of correlated signals: IRE Transactions on Information Theory, 1956.

45. Latecki L. J. and Lakamper R. Application of Planar Shape Comparison to Object Retrieval in Image Databases. Pattern Recognition (PR), pp. 15-29, 35 (1), 2002.

46. Latecki LJ. and Lakamper R. Convexity Rule for Shape Decomposition Based on Discrete Contour Evolution. Computer Vision and Image Understanding (CVIU) 73,441-454, 1999.

47. Loncaric S. "A Survey of Shape Analysis Techniques", Pattern Recognition, Vol. 31, No. 8, pp. 983-1001, 1998.

48. Lu G., Zhang D. Wang K., Palmprint recognition using eigenpalm-like features, Patt. Recog. Lett. 1473-1477.24 (2003)

49. Mamistvalov. G, "n-Dimensional moment invariants and conceptual mathematical theory of recognition n-dimensional solids," IEEE Trans. PAMI-20, no. 8, pp. 819-831, August 1998.

50. Murino et all. Noisy texture classification: A higher-order statistics approach. Pattern Recognition 31 (4), 383-393. 1998.

51. Murino et all. "Unsupervised Scene "Analysis: A Hidden Markov Model Approach", Computer Vision and Image Understanding, Vol. 102/1, pp. 2241, April 2006.

52. Pearson K. Principal components analysis, London Edinburgh and Dublin Philosophical Magazine and Journal 6, no. 2, 1901.

53. Preparata, Shamos. Computational Geometry: An introduction, SpringerVerlag, New York,1985.

54. Rice T.H. Recognizing Planar Objects using Invariant Image Features, Lecture notes in computer science. Springer, Berlin, 1993.

55. Rosenfeld A., Kak A.C. Digital picture processing, Vol. 2. Academic Press, New York. 1982.

56. Rosin P. L. Techniques for Assessing Polygonal Approximations of Curves. IEEE Trans. Pattern Anal. Mach. Intell., 1997.

57. Rosin P.L., Zunic J. D. Orientation and anisotropy of multi-component shapes from boundary information. Pattern Recognition, 2011.

58. Sato Y. and Tamura S. Detecting Planar and Curved Symmetries of 3D Shapes from a Range Image, Computer Vision and Image Understanding, Vol.64, No.l,pp.l75-187, 1996.

59. Shaked D., and Bruckstein A. M., "Pruning Medial Axes", Computer Vision and Image Understanding, Vol. 69, 1998.

60. Shan Liu-Yu, Thonnat M. Description of object shapes by apparent boundary and convex hull. Pattern Recognition, 1993.

61. Shapiro L.G. and Stockman G.C. Computer Vision, Upper Saddle River, NJ: Prentice-Hall, 2001.

62. SHen D., Ip H. Cheung K., Teoh E., Symmetry detection by generalized complex (GC) moments: A close-form solution. IEEE Transactions on Pattern Analysis and Machine Intelligence, 21, 5,1999.

63. Sonka M. Stefaneik R.M., and Tadikonda S., "Feasibility of automated separation of arteries", 1999.

64. Stenberg L. Триангуляционный датчик, http://www.sensorika.com, 2009.

65. Swets D. L. and Weng J. Using discriminant eigenfeatures for image retrieval. IEEE Trans. Pattern Anal. Mach. Intell., 18(8):831-836, 1996.

66. Voss K. and Suesse. H. Invariant Fitting of Planar Objects by Primitives. IEEE Trans. Pattern Anal. Mach. Intell.1997.

67. Zadeh L. A. "Shadows of Fuzzy Sets", Probl. Peredachi Inf., 2:1, 37-44, 1966

68. Zamperoni P. Methoden der digitalen Bildsignalverarbeitung. Vieweg, Braunschweig, 1989.

69. Zhang T. Y., Suen C. Y. A fast parallel algorithm for thinning digital patterns, Communications of the ACM, v.27 n.3, p.236-239, March 1984

70. Zhu P., Chirlian P.M. On critical point detection of digital shapes. IEEE Trans. Pattern Anal. Machine Intell. 17(8) ., 1995.

71. Zimmer et all. A rotationally invariant block matching strategy improving image denoising with non-local means International Workshop on Local and Non-Local Approximation in Image Processing. August 2008.

72. Беллман Р. Введение в теорию матриц. — М.: Мир, 1969.

73. Белоусов Ю.И., Можейко В.И., Силаев Н.А., Регинский В.Д., Фисенко В.Т. Некоторые аспекты построения корабельных оптико-электронных систем //Морская радиоэлектроника, вып. 2 (12), июнь 2005. С. 23-26.

74. Борисенко Б., Ярошенко С. 3D-сканирование в интересах 3D-моделирования. www.comprice.ru. 2004.

75. Визильтер Ю.В., Желтов С.Ю., Князь ВА., Ходарев А.Н., Моржин А.В. Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision. М.: ДМК Пресс, 2007.

76. Витих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. -М.: Наука, 1982

77. Головастое А. Машинное зрение и цифровая обработка изображений. СТА-ПРЕСС. №4. 2010.

78. Гонсалес Р., Р. Вудс. Цифровой обработка изображений. М.: Техносфера, 2005.

79. Горелик A.JL, Скрипкин В. А. Методы распознавания: учеб. пособие / -4-е изд., испр. М.: Высшая школа, 2004.

80. Давыдов А.В. Распознавание объектов изображений. Курс лекций по цифровой обработке сигналов, http://prodav.narod.ru, 2008.

81. Дж. Дейт К. Введение в системы баз данных = Introduction to Database Systems. — 8-е изд. — М.: Вильяме, 2005.

82. Джозеф Джарратано, Гари Райли. «Экспертные системы: принципы разработки и программирование» : Пер. с англ. — М. : Издательский дом «Вильяме», 2006.

83. Дрязгов В.Д., Колобков B.C., Петров B.C., Фисенко В.Т. Способ получения стереоскопического цветного телевизионного изображения. Патент РФ на изобретение № 2189121, 2002 г.

84. Загребельный В. Е. Оптические методы обработки измерительной информации. Учеб. пособие. Омск: Изд-во ОмГТУ, 1996.

85. И. Грэхем. Объектно-ориентированные методы. Принципы и практика = Object-Oriented Methods: Principles & Practice. — 3-е изд. — M.: Вильяме, 2004.

86. Иванов В.А., Кованько В.В., Колобков B.C., Фисенко В.Т. Способ выполнения подводных подъемно-транспортных операций. Патент РФ на изобретение № 2203829, 2003.

87. Игнатьев К. Трёхмерные сканеры, http://www.proibis.by.ru/045-003.htm

88. Кироловский В. К. Оптические измерения. Часть 3. Функциональная схема прибора оптических измерений. Типовые узлы. Оптические измерения геометрических параметров. Учеб. пособие. СПБ ГУ ИТМО. 2004.

89. Лантух Ю.Д. Оптические методы в информатике: Учебное пособие. Учебное пособие. Оренбург: ГОУ ОГУ, 1999.

90. Лурьев А.И. Аналитическая механика. М.: Изд-во физико-математической литературы, 1961.

91. Лысенко О.Н. Машинное зрение от SICK/VP. Автоматизация в промышленности, №3 2007.

92. Мельников С.Р., О.В. Дроздов. Лазерное сканирование: новый метод создания трехмерных моделей местности и инженерных объектов. Журнал "Горная промышленность". №5. 2001.

93. Мирошников М.М. Теоретические основы оптикоэлектронных приборов. Л.: Машиностроение, 1983. 696 с.

94. Можейко В.И., Фисенко В.Т., Фисенко Т.Ю. Автоматическое сопровождение объектов в компьютерных системах обработки изображений // Оптический журнал, том 74, номер 11, 2007. С. 39-46.

95. Неизвестный С. И., Никулин О. Ю. Приборы с зарядовой связью. Основа современной телевизионной техники. Основные характеристики ПЗС. М.: Журнал "Специальная Техника" №5, 1999.

96. Неизвестный С. И., Никулин О. Ю. Приборы с зарядовой связью. Устройство и основные принципы работы. — М.: Журнал "Специальная Техника" №4 1999.

97. Норенков И.П. Разработка систем автоматизированного проектирования. М: Издательство МГТУ им. Н.Э. Баумана, 1994.

98. Петренко А.И., О.И. Семенков. Основы построения систем автоматизированного проектирования — Киев: Высшая школа, 1984.

99. Петров A.B., Черненький В.М. Разработка САПР в 10-ти книгах М.: Высшая школа, 1990.

100. Питер Джексон. Введение в экспертные системы = Introduction to Expert Systems. — 3-е изд. — M.: «Вильяме, 2001. — С. 624. — ISBN 0-20187686-8

101. Программирование на платформе Microsoft .NET Framework /Пер. с англ. — 2-е изд., испр. — М.: Издательско-торговый дом "Русская Редакция", 2003.

102. Пугачев B.C. Теория вероятностей и математическая статистика: Учеб. пособие для втузов М. : Наука, 1979.

103. Пытъев Ю.П. Задачи морфологического анализа изображений//Сб. «Математические методы исследования природных ресурсов Земли из Космоса» М.: Наука, 1984.

104. Самарин Ю.Н., Синяк М.А. Цифровые технологии в полиграфии. RuPrint.Ru №11.2003.

105. Светцов В.И. Оптическая и квантовая электроника: Учебное пособие. -Иваново: Иван. гос. хим.-техн. ун-т., 2004.

106. Синтес А. Освой самостоятельно объектно-ориентированное программирование за 21 день = Sams Teach Yourself Object-Oriented Programming in 21 Days. — M.: Вильяме, 2002

107. Сканеры. КомпьюАрт №7. 2005.

108. Соммервилл И. Инженерия программного обеспечения = Software Engineering. — 6-е изд. —М.: « «Вильяме», 2002.

109. Степаненко О. С. Сканеры и сканирование. М.: Диалектика, 2004.

110. Тимоти Бадд Объектно-ориентированное программирование в действии = An Introduction to Object-Oriented Programming. — СПб.: «Питер», 1997.

111. ИЗ. Умнов А.Е. Аналитическая геометрия и линейная алгебра: Учеб. пособие: Для вузов М.О.: Издание ЗАО "Оптимизационные системы и технологии", 2004.

112. Фисенко В.Т. Фисенко Т.Ю. Компьютерная обработка и распознаваниеизображений: учебное пособие. СПб: СПбГУ ИТМО, 2008.

113. Цифровая фотография, http://polienci.at.ua/publ/21-l-0-18. 2009.

114. Эсбенсен К. Анализ многомерных данных : 2 Междунар. шк.-конф. "Соврем, методы многомер. анализа данных" (WSC-2) — Барнаул: Изд-во Алт. гос. ун-та, 2003.

115. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007.

116. ГОСТ 23501.101-87 Системы автоматизированного проектирования. Основные положения.

117. ГОСТ 28195-99 Оценка качества программных средств. Общие положения.

118. OK 021-95. Технологический классификатор деталей машиностроения и приборостроения.for (int x = 0; x < r; x++) {int c = gistoglx. + gistog2[x];if (c > 0) {

119. AL.Add(c); if (c > MaxY) MaxY = c;

120. BrightS = new decimal512.; System.Collections.ArrayList Bright = new System.Collections.ArrayList();

121. System.Collections.ArrayList AL = new System.Collections. ArrayList();

122. System.Collections-ArrayList FL = new System.Collections.ArrayList();

123. System.Collections.ArrayList OL = new System.Collections. ArrayList();for (int y = 1; y < B.Height 1; y++) {for (int X = 1; x < B.Width 1; X++)

124. Color CI B .GetPixel(x 1, y - l) ;

125. Color C2 B .GetPixel(x. y - l) ;

126. Color C3 = B .GetPixel(x + 1, y 1);

127. Color C4 = B .GetPixel(x 1, y>;

128. Color C5 = B .GetPixel(x. y);

129. Color C6 = B .GetPixel(x + 1, y>;

130. Color C7 = B -GetPixel(x 1, y + l);

131. Color C8 = B -GetPixel(x. y + l) ;

132. FileName = openFileDialogl.FileName;else return;