автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Система распознавания отдельных и наложенных плоских объектов

На правах рукописи

Л

іґ

САВИЧЕВА СВЕТЛАНА ВЛАДИМИРОВНА

СИСТЕМА РАСПОЗНАВАНИЯ ОТДЕЛЬНЫХ И НАЛОЖЕННЫХ

ПЛОСКИХ ОБЪЕКТОВ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 Р ' Ь;] 2013 005059737

Владимир 2013

005059737

Работа выполнена на кафедре «Информационные системы» Муромского института (филиала) Федерального государственного бюджетного образовательного учреждения высшего профессионального образования (ФГБОУ ВПО) «Владимирский государственный университет имени Александра Григорьевича и Николай Григорьевича Столетовых» (ВлГУ)

/

Научный руководитель: доктор технических наук, профессор,

Садыков Султан Сидыковнч,

профессор кафедры «Информационные системы» Муромского института (филиала) ВлГУ, г. Муром, Владимирская обл.

Официальные оппоненты: доктор технических наук профессор,

Денисенко Владимир Иванович,

профессор кафедры «Менеджмент и маркетинг» ВлГУ, г. Владимир

кандидат технических наук, Кошелев Сергей Владимирович

менеджер управления укрупненного планирования ОАО «Выксунский металлургический завод», г. Выкса, Нижегородская область

Ведущая организация: ФГБОУ ВПО «Пензенский государствен-

ный университет», г. Пенза

Защита состоится 11 июня 2013 г. в 14 ч. 00 мин. на заседании диссертационного совета Д 212.025.01 при ВлГУ по адресу: г. Владимир, ул. Горького, 87, ауд. 335-1.

С диссертацией можно ознакомиться в научной библиотеке ВлГУ.

Автореферат разослан 8 мая 2013 г.

Отзывы на автореферат в двух экземплярах, заверенные печатью, просьба направлять по адресу: 600000, г. Владимир, ул. Горького, 87, ВлГУ, ученому секретарю диссертационного совета Д 212.025.01.

Ученый секретарь диссертационного совета, 7

доктор технических наук, доцент H.H. Давыдов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время перед большинством промышленных предприятий, особенно в машиностроении, встают задачи комплексной автоматизации технологических процессов и операций. К числу подобных операций можно отнести: контроль и отбраковку различных деталей и изделий по внешнему виду, загрузка обрабатывающих станков деталями с конвейеров, сортировка и ориентированная укладка в кассеты деталей и заготовок, в том числе неупорядоченно движущихся по конвейеру или поступающих в таре навалом, сборка и комплектация, электронных узлов и другие. Для автоматизации перечисленных операций создается специализированные распознающие системы (PC).

Применяемые в PC алгоритмы чаще всего используют множество признаков входных объектов и не обеспечивают требуемую скорость и надежность распознавания, как плоских, так и объемных деталей. Поэтому важным является создание для PC промышленного назначения алгоритмов, использующих минимальное количество (1-3) признаков входных объектов и отвечающих требованиям практики.

На конвейере, в бункерах, ящиках и коробках детали могут находиться как отдельно, так и в наложенном состоянии. Поэтому PC должна иметь в своем составе алгоритмы, позволяющие распознавать отдельные и наложенные детали.

Анализ состояния задачи автоматизации распознавания наложенных объектов, показал, что на практике эти объекты на входе PC располагаются отдельно вручную. Решением данной задачи занимаются некоторые исследовательские центры США и Японии. Коммерческие PC распознавания наложенных объектов еще разработчики не предлагали. В России исследования в этом направлении пока не ведутся.

Задачами обработки, анализа и распознавания изображений для решения вопросов автоматизации отдельных производственных процессов и операций занимаются школы C.B. Абламейко, B.C. Титова, Е.П. Путятина, B.C. Киричука, В .А. Сойфера, В.В. Сергеева, Я.А. Фурмана, С.С. Садыкова, A.JI. Жизнякова и других. Из иностранных ученых следует упомянуть А. Розен-фельда, Р. Гонсалеса, У. Прэтта, К. Фу, Т. Павлидиса, Р. Дуда и других.

В связи с вышеизложенным, разработка методов и алгоритмов и создание PC промышленных деталей и изделий, расположенных на ленте конвейера, в бункере и т.д. как по отдельности, так и в наложенном состоянии является актуальной задачей.

Объект исследования - система распознавания объектов, позволяющая с высокой скоростью и точностью распознать плоские детали и изделия.

Предмет исследования - алгоритмы распознавания отдельных и наложенных плоских объектов.

Целью диссертационной работы является разработка и практическое применение системы распознавания отдельных и наложенных плоских объектов.

Исходя из цели работы, поставлены следующие задачи исследования:

1) Исследование уровня автоматизации операций на открытых конвейерах и сборочных операциях, а именно - задач распознавания отдельных и наложенных плоских деталей и изделий.

2) Анализ и выбор минимального числа признаков бинарных изображений, которые позволят решить задачу распознавания как отдельных, так и наложенных плоских объектов.

3) Разработка новых способов вычисления признаков дискретных линий.

4) Разработка алгоритмов распознавания отдельных и наложенных однотипных и разнотипных плоских объектов, отличающихся высоким быстродействием и точностью

5) Экспериментальное исследование разработанных алгоритмов на тестовых объектах и определение их возможностей.

6) Экспериментальный сравнительный анализ разработанных алгоритмов распознавания отдельных и наложенных плоских объектов с известными алгоритмами.

7) Построение и практическое применение системы автоматической обработки, анализа и распознавания отдельных и наложенных плоских реальных объектов при их произвольном сочетании и положении.

Методы исследования. В работе использованы методы геометрии, тригонометрии, математической статистики, цифровой обработки изображений и распознавания образов.

Научная новизна. В результате проведенных исследований разработаны:

1. Способы логического определения и аналитического вычисления кривизны в точках дискретной линии;

2. Алгоритмы распознавания отдельных плоских объектов, использующие сигнатурный признак и кривизну в точках дискретного контура бинарных изображений этих объектов;

3. Алгоритмы распознавания отдельных плоских объектов в сложном объекте, образованного наложением двух или трех плоских объектов, с использованием небольшого количества локальных и структурных признаков контуров бинарных изображений отдельных объектов;

4. Алгоритм определения типа поля зрения для анализа ситуации на входе распознающей системы и выбора соответствующих алгоритмов обработки и распознавания плоских объектов.

Практическая ценность работы.

1. Проведены вычислительные эксперименты по оценке точности работы алгоритмов распознавания отдельных и наложенных тестовых и реальных плоских объектов, результаты которых позволили выявить возможности раз-

работанных алгоритмов и определить пути уменьшения ошибки распознавания;

2. Подтверждена эффективность предложенных алгоритмов и технологии распознавания отдельных и наложенных реальных плоских объектов -промышленных деталей и изделий;

3. Разработанные алгоритмы применяются в учебном процессе кафедры информационных систем МИВлГУ в лабораторных и практических работах;

4. Полученные научные результаты используются в промышленных предприятиях;

5. По результатам исследований, проведенных автором в рамках диссертации, получены два свидетельства об официальной регистрации, на разработанные с его участием программные продукты, и два патента на полезные модели;

6. Результаты научных исследований можно использовать для создания РС различного назначения для промышленных предприятий.

Реализация результатов исследования. Разработанные алгоритмы и система распознавания отдельных и наложенных плоских объектов внедрены в производство на промышленных предприятиях ОАО «Муромский радиозавод», а также в учебный процесс по дисциплине «Методы и системы цифровой обработки изображений», о чем свидетельствуют акты, приведенные в приложении к диссертации.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались на: Международном симпозиуме «Надежность и качество» (г. Пенза, 2011г., 2012 г.); Международной конференции «Распознавание 2012» (г. Курск, 2012 г.); XVI Всероссийской НТК студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях (НИТ-2011)» (г. Рязань, 2011 г.); X Международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2010 г.); Всероссийской НТК «Новые материалы и технологии (НМТ-2010)» (г. Москва, 2010 г.), а также на III, IV, V Всероссийских межвузовских научных конференциях «Наука и образование в развитии промышленной, социальной и экономической сфер регионов России» (г. Муром, 2010-2013 гг.); XX Международной научной конференции студентов, аспирантов и молодых учёных «ЛОМО-НОСОВ-2013», (Москва, 2013 г.)

Публикации. Основные результаты диссертации опубликованы в 24 печатных работах, в том числе в 6 статьях в журналах из списка ВАК и одной монографии. Получены 2 патента на полезные модели и 2 свидетельства о регистрации программы для ЭВМ.

На защиту выносится:

1. Способы логического определения и аналитического вычисления кривизны в точках дискретной линии, использующие на каждом шаге определения и расчета кривизны всего три точки дискретного контура объекта и отличающееся простотой реализации;

2. Алгоритм распознавания отдельных плоских объектов, использующий сигнатурный признак бинарных изображений плоских объектов, обеспечивающий распознавание с вероятностью ошибки 1-Ю-5 при 10 эталонах на каждый распознаваемый объект;

3. Алгоритм распознавания отдельных плоских объектов, использующий как признак только кривизну в точках дискретного контура бинарных изображений плоских объектов, обеспечивающий распознавание с вероятностью ошибки 1 • 10~4при 30 эталонах на каждый распознаваемый объект;

4. Алгоритм распознавания отдельных плоских объектов в сложном объекте, образованного наложением двух плоских объектов, использующий как признак кривизну, коэффициенты вогнутости и выпуклости контура бинарных изображений отдельных объектов, обеспечивающий распознавание отдельных объектов с вероятностью ошибки МО"4 при 6 эталонах на каждый отдельный распознаваемый объект;

5. Алгоритм определения типа поля зрения распознающей системы, позволяющий анализировать ситуацию на входе РС, безошибочно устанавливать тип поля зрения и выбирать нужный путь обработки и распознавания изображений плоских объектов, что обеспечивает быстродействие и надежность системы.

6. Результаты экспериментальных исследований разработанных алгоритмов и технологической схемы распознавания плоских объектов и решения практических задач по распознаванию отдельных и наложенных реальных плоских объектов - промышленных деталей и изделий.

7. Система распознавания отдельных и наложенных плоских объектов, которая может использоваться как основа для построения РС промышленного назначения.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературы из 104 наименований и 5 приложений. Общий объем работы составляет 192 страницы (их них 160 страниц основного текста и 32 страницы приложений), 97 рисунков, 50 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации; показана необходимость разработки новых способов расчета кривизны дискретной линии, и решения на их основе задачи анализа и распознавания отдельных и наложенных однотипных и разнотипных плоских объектов.

В первой главе «Алгоритмы, методы и системы идентификации отдельных и наложенных плоских объектов» рассмотрены основные технологические операции, в которых требуется решение задачи распознавания отдельных и наложенных плоских объектов.

Определено, что основными из них являются операции на открытых конвейерах (сортировка, учет, контроль и отбраковка деталей и изделий) и

операции сборки деталей. Показано, что уровень автоматизации перечисленных операций достаточно низок и применение РС для решения данных задач в настоящее время является актуальным.

Выполнен обзор существующих алгоритмов распознавания общего назначения, используемых в РС и отмечены наиболее известные из них: метод Байеса, к-средних, ЕМ-алгоритм. Показано, что эти алгоритмы требуют модификации исходных данных и признаков в соответствии с их требованиями и с особенностями конкретной решаемой задачи.

Выяснено, что в существующих РС при анализе и распознавании объектов используется большое количество их признаков как глобальных, так и локальных. Важным вопросом для обеспечения быстродействия и высокой надежности является минимизация используемых для распознавания признаков объектов.

Показана необходимость выполнения в РС операций предварительной обработки изображений реальных объектов и определен перечень этих алгоритмов, обеспечивающих нужную точность распознавания реальных плоских объектов.

Установлена актуальность и необходимость автоматизации операций анализа, классификации и распознавания наложенных плоских объектов. На-ложенность объектов является типичной для открытых конвейеров и бункеров, но, несмотря на это, вопрос создания алгоритмов и систем распознавания наложенных объектов в настоящее время не решен.

Во второй главе «Разработка способов определения и вычисления значения кривизны в точках дискретной линии, алгоритмов распознавания отдельных плоских объектов на основе одного вида признака и их исследование» разработаны способов логического определения и аналитического вычисления значения кривизны в точках дискретной линии, алгоритмов распознавания отдельных плоских объектов на основе одного признака и их исследованию на тестовых объектах.

Анализ множества признаков бинарных изображений плоских объектов показал, что только один признак их контуров может быть использован для распознавания как отдельных, так и наложенных объектов. Этот признак -

значение кривизны в отдельных точках дискретной линии (контура), который является инвариантным к переносу и повороту контура на плоскости.

Анализ существующих алгоритмов аналитического вычисления кривизны дискретной линии показал, что применяемыми

Рис. 3. Схема расчета кривизны являются два алгоритма.

Недостаток первого алгоритма состоит в том, что требуется строить два перпендикуляра к хордам, что достаточно сложно. Во втором алгоритме требуется проведение двух касательных, что также реализовать трудно. Предложен аналитический способ расчета кривизны в точках дискретной линии, свободный от недостатков существующих

алгоритмов. В данном способе для расчета кривизны на каждом шаге используются координаты всего трех точек дискретной линии (рис.1). Здесь длина

h h

АВ=а; ВС=Ь; АС= с; BD=h; ß = arceos-; у = arceos-;

_a_ b

a=n-(ß+y)-, к = 2^Р(Р-"*Р-Ъ*_Р^с)_.р=а + Ъ + с

с 2

Разработанный аналитический способ вычисления кривизны позволяет также находить выпуклые и вогнутые участки дискретного контура, на основе которых формируются дополнительные структурные признаки: коэффициенты вогнутости и выпуклости, длины вогнутых и выпуклых участков контура.

На основе аналитического способа вычисления кривизны в точках дискретной линии разработан алгоритм распознавания (A-алгоритм). Данный алгоритм состоит из двух частей: первая часть - аналитический способ вычисления кривизны в точках дискретной линии и формирования функции кривизны объекта; вторая часть - определение минимального значения расстояния между эталонами и входными объектами.

В процессе обучения в память ПК заносят Аэ-функции эталонов.

На этапе идентификации сравнивают A-функции экзаменационного (неизвестного) объекта со всеми а,-функциями эталонов на основе следующей формулы:

1 п

2Ш=—Г К«,*-«,7) . (1)

и + 1/=1

где т - число точек контура объекта, то есть количество значений кривизны объекта; к- номер эталонного объекта (к = 1,2, ...,N); I- номер распознаваемого объекта (/ = 1,2,...,Р); ^-значения кривизны отдельных точек эталонных объектов (их совокупность - Аэ-функция); а„ - значения кривизны отдельных точек распознаваемых объектов (A-функция); Zu - среднеквадра-тическое отклонение значений a-функции распознаваемого объекта с номером / от сц-функции эталонного объекта с номером к.

При некоторых заданных множествах эталонов и экзаменационных объектов идентификация неизвестного объекта / как объект (эталон) к осуществляется на основе следующего выражения:

min Z\, = min {min Zu} (2)

Найденное значение min Z°u указывает номер к эталона входного объекта /.

Наряду с рассмотренным A-алгоритмом был разработан еще один (R-алгоритм), основанный на использовании сигнатуры объекта, инвариантной к повороту и переносу объекта на плоскости. В R-алгоритме в качестве признака используется функция R(r¡), представляющая собой множество значений расстояний {r¡} от центра объекта до точек его внешнего контура.

Последовательность реализации R-алгоритма распознавания на тестовых объектах включает следующие шаги: 1) Выделение одноточечного без-

разрывного контура бинарного изображения объекта; 2) Вычисление центра контурного изображения объекта; 3) Вычисление расстояния г, и формирование R-функции; 4) Формирование вариационного ряда V(r) R-функции; 5) Распознавание объектов.

На этапе обучения в память ПК заносятся эталонные Яэ-функции и вариационные ряды V3(r) объектов. При идентификации объекта его вариационный ряд V(r) сравнивают с эталонными вариационными рядами V3(r), хранящимися в ПК. Это сравнение осуществляется на основе выражения, аналогичного (1).

Решение об идентификации распознаваемого объекта принимается на основе выражений, аналогичных (1) и (2).

Проведен экспериментальный сравнительный анализ разработанных А-алгоритма и R-алгоритма распознавания с известными алгоритмами на изображениях тестовых плоских объектов. Для этого создан набор тестовых объектов, состоящий из 50 изображений. Все тестовые объекты разделены на 5 следующих групп: линейчатые полосовые объекты; замкнутые полосовые объекты; площадные выпуклые объекты известной геометрической формы; площадные невыпуклые объекты произвольной формы; площадные выпуклые объекты произвольной формы.

Для каждого исходного объекта было сгенерировано по 2000 изображений с произвольным расположением объекта в поле зрения PC. Общее число проведенных испытаний составило 20000. Количество эталонов для каждого объекта изменялось от 1 до 30. Набор эталонов одного класса объектов представляет собой множество наиболее часто встречающихся положений объектов в поле зрения PC.

Экспериментальный сравнительный анализ методов распознавания отдельных тестовых объектов показал, что: при 1 эталоне на каждый объект максимальная точность распознавания составляет по А-алгоритму - 89%, по R-алгоритму - 93%; по методу Байеса - 91%, методу k-средних - 90%, ЕМ-алгоритму - 91%; при 10 эталонах на каждый объект максимальная точность распознавания составляет по А-алгоритму - 95%, по R-алгоритму - 100%; по методу Байеса - 95%, методу k-средних - 94%, ЕМ-апгоритму - 96%; при 30 эталонах максимальная точность распознавания на основе А-алгоритма и по R-алгоритму - 100 %; и EM-алгоритма составляет - 100%, по методу Байеса - 99%, а по методу k-средних - 98%. При этом минимальное время на распо-

/

/Л/

¿Ar

Г/

*

1 ч£«™ 35

J 12 «75

s „ 11В57 итг^,****

у* •

| /

§ 1«

67М

1

R-апгсфитм А-алгоритм метод метод к- ЕМ- Байеса средних алгоритм

Рис. 4. График зависимости вероятности правильного распознавания от числа эталонов и времени распознавания отдельных тестовых объектов при 30 эталонах на объект для всех

пяти алгоритмов

Доказано, что алгоритм распознавания отдельных тестовых объектов на основе Я-алгоритма и аналитического способа вычисления кривизны (А-алгоритма) обеспечивает более высокую надежность идентификации и быстродействие по сравнению с известными алгоритмами.

В третьей главе «Разработка и исследование алгоритмов распознавания двух и трех наложенных плоских объектов» разработаны и исследованы алгоритмы распознавания двух и трех наложенных плоских объектов.

Разработана методика исследования наложенное™ двух и трех плоских деталей, позволяющая оценить процент наложенности однотипных и разнотипных площадных, линейчатых полосовых и линейчатых замкнутых плоских объектов с различными размерами относительно размера поля зрения. Наложенность двух любых типов объектов в поле зрения АСР определяется условиями: если в поле зрения одна связная компонента, то объекты наложены; если в поле зрения две связные компоненты, то объекты не наложены. Условия выявления наложенности трех объектов при маркировке таковы: если в поле зрения три связные компоненты, то объекты не наложены (расположены отдельно); если в поле зрения две связные компоненты, то два объекта наложены, один расположен отдельно; если в поле зрения одна связная компонента, то все три объекта наложены.

Процент наложенности одного плоского объекта другим определяется

тс _ с

так: К2= (1 - слож щ)-100% , (3)

■^общ

где 8СЛ0Ж - площадь двух наложенных объектов; 8о6щ - общая (суммарная) площадь двух отдельных наложенных объектов Б! и 82, т. е. 50бщ =5] + Б], 52- площади отдельных первого и второго объектов.

Процент наложенности трех плоских объектов определяется на основе аналогичной формуле (3).

Разработан алгоритм распознавания (А2-алгоритм) двух наложенных плоских объектов на основании их А-функций. Дополнительными признаками являются длины выпуклых и вогнутых участков контуров объекта и коэффициенты вогнутости и выпуклости.

Алгоритм состоит из двух этапов: первый — обучение, второй — экзамен. Этап обучения состоит из трех шагов:

1. Формирование эталонных Аэ-фунщий и Я3-функций исходных отдельных объектов.

Если используются п исходных объектов, то для каждого исходного объекта вычисляются значения А-функции и Я-функции и эти функции размещаются в базу эталонов как Аэ-функции и ¡^-функции.

2. Генерация наложенных объектов для каждого сочетания исходных объектов и формирование классов наложенности.

Из выбранных 10 тестовых объектов формируется 55 сочетаний наложенных двух плоских объектов. Для каждого сочетания формируется 2000 вариантов наложения объектов, путем изменения площади наложения и угла

поворота каждого объекта (от 1 до 360 градусов) (110000 вариантов наложенных объектов).

3. Выбор эталонов двух наложенных объектов и формирование векторов-признаков эталонов (Ал-,- и Ил-функции).

Наиболее часто встречающиеся варианты наложений объектов выбираются в качестве эталонов. По ним формируются эталонные функции Аг,- и Ягэ-функции, которые размещаются в соответствующие кластеры.

Этап распознавания состоит из трех шагов: 1) Формирование А2-функций и Rj-функций неизвестных наложенных объектов; 2) Определение класса (кластера) к которому относится неизвестный наложенный объект; 3) Распознавание каждого отдельного объекта в наложенном.

Первый шаг реализуется так же как формируется А-функция и R-функция отдельного объекта.

Второй шаг реализуется также как распознавание отдельного объекта путем сравнения А2-функций и К2-функций неизвестного наложенного объекта со всеми эталонами Аъ- и Rb-функции наложенных объектов. Тем самым устанавливается, какому сочетанию из 55 относится неизвестный наложенный объект, т.е. становится известно из каких отдельных объектов образован данный неизвестный наложенный объект.

Экспериментальное исследование по определению класса наложенно-сти неизвестных двух объектов с использованием А-алгоритма, R-алгоритма и трех известных алгоритмов распознавания показал, что максимальный процент ошибок при распознавании составляет при 10 эталонах: на основе А-алгоритма -

12 %; среднее время - 13,009 мс; на основе R-алгоритма — 3 -%; среднее время - 12,498 мс; на основе метода Байеса - -17%; среднее время - 13,981 мс; на основе метода к-средних - 18%; среднее время -13,479 мс; на основе ЕМ-алгоритма —

13 %; среднее время - 14,925 мс; при 40 эталонах: на основе А-алгоритма - 9 %; среднее время - 16,454 мс; на основе R-алгоритма алгоритма (при 20 эталонах) - 0 %; среднее время - 15,498 мс; на основе метода Байеса - 15 %; среднее время -16,995 мс; на основе метода к-средних - 16%; среднее время - 16,662 мс; на основе ЕМ-алгоритма - 12 %; среднее время - 17,129 мс; при 70 эталонах: на основе А-алгоритма - 8 %; среднее время - 25,452 мс; на основе R-алгоритма алгоритма (при 20 эталонах) - 0 %; среднее время - 13,009 мс; на основе метода Байеса - 12%; среднее время - 26,779 мс; на основе метода к-средних -13 %; среднее время - 25,999 мс; на основе ЕМ-алгоритма - 8%; среднее время - 26,445 мс; при 150 эталонах: на основе А-алгоритма - 0%; среднее время

Рис. 5. График зависимости вероятности правильного распознавания отдельных тестовых объектов от числа для всех пяти ал-

горитмов

- 33,074 мс; на основе R-алгоритма (при 20 эталонах) - 0 %; среднее время -13,009 мс; на основе метода Байеса - 9%; среднее время - 33,478 мс; на основе метода к-средних - 11 %; среднее время - 33,427 мс; на основе ЕМ-алгоритма - 7 %; среднее время - 34,168 мс.

Таким образом, наиболее точным и быстродействующим алгоритмом определения класса неизвестного наложенного объекта является R-алгоритм.

Третий шаг этапа распознавания может быть реализован только на основе А-функции, т. к. R-алгоритм, три известных алгоритма распознавания основаны на интегральных признака объектов. Для распознавания отдельных объектов в наложенном надо использовать локальные признаки, учитывать последовательность формирования функции-признака и другие структурные свойства контура и его участков.

Допустим на втором шаге, установлено, что наложены объект 1 и объект 2. Задача состоит в определении границ первого и второго объектов в сложном.

Для этого А2-функция наложенного объекта сравнивается с Аэ-функциями всех эталонов объекта 1 по формуле:

j к\+т

=— I \аэ] -аы | (5)

i=m

где a3j — значения элементов Аэ-функции эталонного объекта (/=1, 2, ..., N)', acli - значения элементов А2-функции сложного объекта 0,(i=l, 2, ..., Р); т — число смещений Аэ-функции эталонного объекта для полного обхода контура сложного объекта О¡; Определяется как т = 2(N + Р), где N - число точек контура эталонного объекта; Р - число точек контура сложного объекта О,.

Решение об идентификации принимается на основе следующего выражения: min А = min {Д;}, 1=1,9

где q - число эталонов отдельных объектов.

Аналогичное сравнение А2-функции сложного входного объекта выполняется со всеми Аэ-функциями эталонов объекта 2.

Исследования показали, что максимальная точность распознавания отдельных объектов в двух наложенных тестовых объектах на основе их А-функции: при одном эталоне на каждый объект составила 95%. Среднее время на распознавание - 2,178 мс. при 4 эталонах - 97 %; время —3,765 мс; при 6 эталонах - 92 %; время — 5,367 мс; при 10 эталонах - 100 %; время — 7,816 мс (рис. 6).

Число эталонов

—А-алгоритм с дополните/ъными прианакани

Рис. 6. Графики зависимости вероятности правильного распознавания от числа эталонов без дополнительных признаков и с дополнительными признаками

Алгоритм распознавания отдельных плоских объектов в наложенном на основе А-функции и дополнительных признаков позволил минимизировать число ошибок при идентификации. Максимальная точность распознавания составила: при одном эталоне 97%, время - 11,976 мс; при 2 эталонах -99%; время - 13,957мс; при 4 эталонах - 100%; время - 16,274мс (рис. 6).

Были проведены исследования по распознаванию трех наложенных плоских объектов с использованием той же методики и тестовых объектов, которые применялись при выполнении экспериментов по распознаванию двух наложенных плоских объектов. Для каждого из 120 сочетаний трех наложенных объектов было сгенерированы по 12000 вариантов.

Установлено, что алгоритм распознавания трех наложенных плоских объектов на основе А-функции (Ад-алгоритм) является менее стабильным. Максимальная ошибка распознавания на выборке 240000 тыс. наложенных объектов составляет при 100 эталонах - 8%. Среднее время на распознавание составляет — 41,289 мс.

Четвертая глава «Распознавание отдельных и наложенных реальных плоских объектов и построение системы распознавания» посвящена построению системы распознавания отдельных и наложенных плоских объектов и решению практических задач. Экспериментальная система распознавания состоит из 10 блоков (рис. 7).

Рис. 7. Структура ПО системы Важным этапом работы РС является этап анализа типа поля зрения. В поле зрения РС возможны следующие ситуации: 1) Пустое поле зрения — в кадре нет ни одного объекта и ни одной помехи; 2) Помехи - в кадре нет ни одного объекта; 3) Отдельный объект - в кадре находится один отдельный объект и возможно отдельные помехи; 4) Два отдельных объекта -

два изолированных друг от друга объекта. 5) Наложенные объекты - два объекта, которые между собой пересекаются.

Алгоритм анализа типа поля реализуется следующим образом: ситуация 1, если к = О ситуация 2, если (к * 0) л (Soi < Вп )

• ситуация 3, если (к = 1) л (Soi >Bn)A(ds <BS0)A(dm <Bm0) , (6) ситуация4, если (к = 2) л (Soi >Bn)A(ds >BS0)A(dm >Bmo) ситуация5,иначе

где к - количество обнаруженных объектов; Bso Вто - пороги, которые определяется на большой выборке ситуаций отдельных и наложенных объектов; В„ — разность между минимальной площадью эталонного объекта и порога по площади Bso; ds, dm - отклонения по площади и моментам.

Экспериментальная проверка работы алгоритма анализа типа поля проводилась путем подачи на вход по 2000 реализаций каждой ситуации. Ошибка не обнаружена.

Проведено экспериментальное исследование разработанных алгоритмов распознавания отдельных и наложенных реальных плоских объектов согласно технологической схеме процесса распознавания (рис. 8).

Кока»йгр |—>| Еидесд«т*ч» Изо6р«жениж~

Отжвяьний обмкг HÎCKOOMO отданных обмкто» НаожмяьА обмхт

1 1

Форофоваш« 4У ныдаь-циянаи

ЛлгориМ! рвсгознаввш охдимых обмкто»

X

Вмвод результат*

Рис. 8. Блок-схема технологического процесса распознавания Для исследования алгоритмов распознавания были взяты 50 изображений реальных объектов. Все объекты были разделены на 5 следующих групп: линейчатые полосовые объекты; замкнутые полосовые объекты; площадные выпуклые объекты известной геометрической формы; площадные невыпуклые объекты произвольной формы; площадные выпуклые объекты произвольной формы.

Исследования показали, что максимальная процент точность распознавания отдельных объектов в двух наложенных тестовых объектах на основе

Я-алгоритма составляют: при одном эталоне 92%, время - 5,002 мс; при 4 эталонах 96%, время - 5,816 мс; при 6 эталонах - 99%, время - 6,107 мс; при 10 эталонах - 100%, время - 6,92 мс; на основе А-алгоритма: при 10 эталонах - 95% , время - 7,944 мс, при 20 - 98%, время - 10,383 мс, при 30 - 100%, время - 13,685 мс (рис. 9).

Рис.9. Графики зависимости вероятности правильного распознавания от числа эталонов

Установлено, что максимальный процент ошибок распознавания сложных реальных объектов с помощью Я-алгоритма составляет: при 4 эталонах — 5%, время на распознавание - 9,495 мс, при 10 и более эталонах - 0% (время распознавания — от 11,816 мс); с помощью А-алгоритма составляет: при 10 эталонах - 13%, время распознавания - 11,716 мс, при 40 эталонах - 11%, время распознавания - 14,448 мс; при 70 эталонах - 8%, время распознавания - 23,495 мс, при 160 и более эталонах - 0%, время распознавания - от 41,234

лонов А-алгоритмом и Я-алгоритмом Исследования показали, что максимальный процент ошибок распознавания отдельных реальных объектов на сложном на основе А-функции при множестве эталонов составил: при 4 эталонах - 5,5 %; время -3,968 мс; при 8 эталонах - 2 %; время - 7,038 мс; при 12 эталонах - 0 %; время - 9,615 мс, а с использованием дополнительных признаков: при одном эталоне - 4%, время - 3,574 мс; при 4 эталонах - 2%; время - 6,311 мс; при 6 эталонах - 0%; время- 7,816 мс (рис. 11).

распознавания от числа эталонов

Достоинствами разработанных алгоритмов являются: простота реализации; инвариантность к повороту и перемещению объекта на плоскости; использование минимального числа признаков при распознавании; работы с ограниченным количеством информации о распознаваемых объектах в случаях их наложения друг на друга; сокращение времени на распознавание за счет использования коэффициента прореживания.

В приложениях приведены изображения тестовых и реальных плоских объектов; таблицы расчетов; копии патентных документов и свидетельств о регистрации программы на ЭВМ; акты, подтверждающие использование результатов работы на промышленных предприятиях и в учебном процессе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Осуществлен обзор и анализ использования методов цифровой обработки изображений и распознавания образов в задачах автоматизации операций на открытых конвейерах и установлено, что в российских предприятиях процесс измерения характеристик и идентификации объектов преимущественно все задачи реализуется с применением ручного труда.

2. Установлено, что в существующих системах распознавания отдельных объектов используется большое количество признаков и достаточно сложные алгоритмы распознавания, а задача анализа, классификации и идентификации наложенных плоских объектов не решена вообще, показана актуальность исследования этого научного вопроса.

3. Разработаны и исследованы способы логического определения и аналитического вычисления кривизны в точках дискретной линии, обладающие высокой точностью и быстродействием.

4. Разработан и исследован алгоритм распознавания (Я-алгоритм) отдельных плоских объектов с использованием их Я-функций, который инвариантен к перемещению, повороту объекта на поле зрения РС. Данный алгоритм обеспечивает распознавания плоских объектов произвольной формы с высокой точностью (вероятность ошибки 1 - Ю-5 при 10 эталонах на объект).

5. Разработан и исследован алгоритм идентификации (А-алгоритм) отдельных плоских объектов с использованием А-функций, позволяющий производить идентификацию объектов с применением единственного признака - значений кривизны точек дискретного контура. Результаты работы

алгоритма не зависят от ориентации и местоположения объекта в поле зрении PC (вероятность ошибки 1 • 10~4 при 30 эталонах на объект).

6. Разработан и исследован алгоритм распознавания (А2-алгоритм) отдельных плоских объектов в двух наложенных. В качестве основного признака при распознавании были использованы значения А-функции.

Дополнительными признаками являются коэффициенты выпуклости и вогнутости контуров отдельных объектов (вероятность ошибки 1-10 4 при 6 эталонах на объект).

7. Разработан алгоритм определения типа поля зрения PC, позволяющий безошибочно определить одну из возможных ситуаций. Достоинством данного алгоритма является простота реализации, точность работы и высокое быстродействие (вероятность ошибки 1 ■ 10~4).

8. Произведен сравнительный анализ разработанных алгоритмов распознавания отдельных плоских объектов с известными алгоритмами: методом Байеса, методом k-средних, ЕМ-алгоритмом. Результаты сравнения показали, что разработанные А- и R-алгоритмы распознавания отдельных и наложенных двух плоских объектов превосходят как по точности, так и по скорости распознавания известные алгоритмы.

9. Разработана экспериментальная система, позволяющая решать практические задачи автоматического анализа и распознавания отдельных и наложенных реальных плоских деталей и изделий. Система является удобным инструментальным средством обработки и анализа изображений плоских объектов различных видов для использования в PC промышленного назначения.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

в журналах по перечню ВАК:

1. Садыков С.С., Савичева C.B. «Алгоритм идентификации плоских объектов с использованием минимального числа признаков» //Автоматизация и современные технологии, 2011. № 7. С. 3-6. (Лично соискателем - 50%)

2. Садыков С.С., Савичева C.B. «Идентификация реальных плоских объектов на основе единственного признака точек их внешних контуров», //Информационные технологии, 2011. №8. С.13-16. (Лично соискателем -50%)

3. Садыков С.С., Савичева C.B. «Идентификация реальных плоских объектов на основе их сигнатуры», // Вестник компьютерных и информационных технологий, 2012. №1. С. 17-20. (Лично соискателем-50%)

4. Садыков С.С., Савичева C.B. «Исследование наложенное™ плоских объектов в поле зрения СТЗ», //Приборостроение, 2012. №2. С. 14-19. (Лично соискателем - 50%)

5. Садыков С.С., Савичева C.B. «Предварительная обработка изображений плоских объектов в системах технического зрения», Приборостроение, 2012.№2. С. 19-24. (Лично соискателем - 60%)

6. Садыков С.С., Савичева C.B. «Распознавание плоских объектов при их наложении», //Информационные технологии, 2013. №2. С.43-46. (Лично соискателем - 60%)

монография:

7. Садыков С.С., Савичева C.B. Распознавание отдельных и наложенных плоских объектов - Владимир: Изд-во ВлГУ, 2012. - 265 с. (Лично соискателем - 50%)

патенты:

8. Патент на полезную модель №109593. Устройство идентификации плоских объектов по их альфа-функциям / Садыков С.С., Савичева С.В; за-рег. в Государственном реестре полезных моделей РФ 20.10.2011 г., Бюл. №29. (Лично соискателем - 50%)

9. Патент на полезную модель №118775. Устройство идентификации отдельных плоских объектов по их r-функциям. Садыков С.С., Савичева С.В; зарег. в Государственном реестре полезных моделей РФ 27.07.2012 г., Бюл. №21. (Лично соискателем — 50%)

свидетельства о регистрации программы для ЭВМ:

10. Свидетельство о государственной регистрации программы для ЭВМ №2011619112 РФ. Система идентификации реальных плоских объектов с использованием минимального числа признаков / Садыков С.С., Савичева C.B.; зарег. в реестре прогр. для ЭВМ 24.11.2011 г. (Лично соискателем -70%)

11. Свидетельство о государственной регистрации программы для ЭВМ №2012616604. Система распознавания наложенных реальных плоских объектов / / Садыков С.С., Савичева C.B.; зарег. в реестре прогр. для ЭВМ 23.07.2012 г. (Лично соискателем - 70%)

в других изданиях:

12. Савичева C.B., Садыков С.С. «Исследование работы алгоритма идентификации отдельных и двух наложенных тестовых и реальных плоских объектов при условии минимального числа признаков». Материалы Всероссийской научно-технической конференции «Новые материалы и технологии - НМТ-2010», Москва, 16-18 ноября 2010 г. в 3 томах. Т.2. - М.:ИЦ МАТИ, 2010. 163 с. - С. 124- 125. (Лично соискателем - 80%)

13. Савичева C.B. «Алгоритм идентификации плоских объектов на основании значений кривизны точек их внешних контуров». Сборник трудов Десятой международной научно- практической конференции «Исследование, разработка и применение высоких технологий в промышленности». 0911.12.2010, Санкт-Петербург, Россия/ под. Ред. А.П.Кудинова. -СПб.:Изд-во Политех.ун-та,2010. - 370 е., С. 176 - 177. (Лично соискателем - 100%)

14. Савичева C.B. «Экспериментальное исследование алгоритма идентификации плоских объектов» // Алгоритмы, методы и системы обработки данных, 2010, №15. С.153-160. (Лично соискателем - 100%)

15. Садыков С.С., Савичева C.B., «Алгоритм идентификации реальных плоских объектов с использованием значений их r-функций», Надежность и

качество - 2011: труды Международного симпозиума. Под ред. Н.К. Юркова. - Пенза, 2011. С.123-127. (Лично соискателем - 50%)

16. Садыков С.С., Савичева C.B. «Алгоритм идентификации отдельных и двух наложенных плоских объектов», Новые информационные технологии в научных исследованиях: материалы XVI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. Рязанский государственный радиотехнический университет. 2011., С.155-156. (Лично соискателем - 80%)

17. Садыков С.С., Савичева С.В «Распознавание двух наложенных плоских объектов», Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание -2012: сб.матер. X Междунар. науч.-техн. конф./редкол.: С.Г.Емельянов, B.C. Титов; Юго-Зап. Гос. Ун-т. Курск, 2012. С. 54-56. (Лично соискателем - 70%)

18. Садыков С.С., Савичева C.B. «Алгоритм идентификации двух наложенных тестовых и реальных плоских объектов», Материалы III Всероссийской межвузовской научной конференции «Наука и образование в развитии промышленной, социальной и экономической сфер регионов России», «Регионы России - 2011». С.256-257. (Лично соискателем - 90%)

19. Садыков С.С., Савичева C.B.,. Веденин A.C. «Экспериментальное исследование алгоритма идентификации наложенных объектов на основе алгоритмов трансформации контура и а-функции». Алгоритмы, методы и системы обработки данных, 2012. Вып. 1(19), С. 188-196. (Лично соискателем -

20. Садыков С.С., Савичева C.B., Комков В.А. «Сравнение алгоритмов распознавания наложенных объектов на основе а-функции и на основе особых участков». Алгоритмы, методы и системы обработки данных, 2012. Вып. 1(19). С. 197-202. (Лично соискателем - 50%)

21. Садыков С.С., Савичева C.B. «Алгоритм определения типа поля зрения видеодатчика, Надежность и качество-2012. Труды Международного симпозиума/ Под ред. Юркова. - Пенза: Изд-во Пенз. Гос. ун-та., 2012., С.27-29. (Лично соискателем - 70%)

22. Садыков С.С., Савичева C.B., «Компьютерное исследование технологии сортировки плоских объектов на конвейере»// Алгоритмы, методы и системы обработки данных, 2012. Вып. 4(22). С. 104-109 (Лично соискателем - 65%)

23. Садыков С.С., Савичева C.B., «Оценка возможностей методов распознавания плоских объектов»// Алгоритмы, методы и системы обработки данных, 2012. Вып. 4(22). С.110-119. (Лично соискателем - 65%)

24. Савичева C.B., «Автоматизированная система распознавания наложенных деталей на конвейере» //Ломоносов-2013: Материалы XX Международной научной конференции студентов, аспирантов и молодых ученых: секция «Вычислительная математика и кибернетика»; 9-12 апреля; Москва, МГУ имени М.В. Ломоносова, факультет ВМК, 2013. С.113-115. (Лично соискателем - 100%)

50%)

Подписано в печать 06.05.2013. Формат 60x84/16. Бу мага для множит, техники. Гарнит\ ра Тайме. Печать р изография. Усл. печ.л. 1,16. Тираж 120 экч. Заказ № 2385. Муромский институт (филиал) федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Владимирский государственный университет имени Александра Григорьевича и Нико.іая Григорьевича Столетовых» И иатсльско-полнграфичсскии центр. Адрес: 602264. Владимирская обл., г. М\ ром. ул. Орловская, 23.

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Владимирский Государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»

На правах рукописи

04201 36071 9 САВИЧЕВА СВЕТЛАНА ВЛАДИМИРОВНА

СИСТЕМА РАСПОЗНАВАНИЯ ОТДЕЛЬНЫХ И НАЛОЖЕННЫХ

ПЛОСКИХ ОБЪЕКТОВ

Специальность 05.13.01 — Системный анализ, управление и обработка информации

(промышленность)

ДИССЕРТАЦИЯ

на соискание ученой степени кандидата технических наук

Научный руководитель: доктор технических наук, профессор Садыков С. С.

Владимир 2013

СОДЕРЖАНИЕ

ВВЕДЕНИЕ.............................................................................................................5

ГЛАВА 1. АЛГОРИТМЫ, МЕТОДЫ И СИСТЕМЫ ИДЕНТИФИКАЦИИ ОТДЕЛЬНЫХ И НАЛОЖЕННЫХ ПЛОСКИХ ОБЪЕКТОВ..........................................................................................................12

1.1 Понятие «плоский объект» и примеры...............................................................................12

1.2 Технологические процессы, в которых требуется решение задачи распознавания отдельных и наложенных плоских объектов............................................................................12

1.3 Системы распознавания с техническим зрением...............................................................15

1.3.1 Актуальность использования автоматических систем распознавания на промышленных предприятиях...................................................................................................15

1.3.2 Обзор существующих систем распознавания..................................................................17

1.4 Распознавание наложенных объектов.................................................................................19

1.5 Алгоритмы и методы распознавания отдельных плоских объектов................................20

1.5.1 Методы кластеризации......................................................................................................23

1.5.2 Классификатор Байеса.......................................................................................................24

1.5.3 Метод к-средних.................................................................................................................24

1.5.4 ЕМ-алгоритм.......................................................................................................................24

1.5.5 Выбор алгоритма распознавания для технического зрения...........................................25

1.6 Типы и виды используемых признаков при распознавании отдельных и наложенных плоских объектов.........................................................................................................................27

1.7 Анализ и выбор алгоритмов предварительной обработки изображений плоских объектов........................................................................................................................................29

ВЫВОДЫ ПО ГЛАВЕ 1.....................................................................................34

ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.............................................35

ГЛАВА 2. РАЗРАБОТКА СПОСОБОВ ОПРЕДЕЛЕНИЯ И ВЫЧИСЛЕНИЯ ЗНАЧЕНИЯ КРИВИЗНЫ В ТОЧКАХ ДИСКРЕТНОЙ ЛИНИИ, АЛГОРИТМОВ РАСПОЗНАВАНИЯ ОТДЕЛЬНЫХ ПЛОСКИХ ОБЪЕКТОВ НА ОСНОВЕ ОДНОГО ВИДА ПРИЗНАКА И ИХ ИССЛЕДОВАНИЕ.......................................................................................37

2.1 Выбор и обоснование значимого признака бинарных изображений отдельных и наложенных плоских объектов для их распознавания............................................................37

2.2 Анализ существующих алгоритмов вычисления кривизны дискретных линий.............39

2.3 Разработка логического способа определения значения кривизны в точках дискретной линии.............................................................................................................................................44

2.4 Разработка алгоритма распознавания отдельных плоских объектов на основе логического способа определения кривизны в точках дискретной линии и его исследование................................................................................................................................47

2.4.1 Алгоритм распознавания отдельных плоских объектов на основе логического способа определения кривизны (Ал-алгоритм)........................................................................47

2.4.2 Исследование Ал-алгоритма распознавания на изображениях тестовых объектов при одном эталоне на объект.............................................................................................................49

2.4.3 Исследование Ал-алгоритма распознавания на изображениях тестовых объектов при множестве эталонов на объект...................................................................................................53

2.5 Разработка аналитического способа вычисления кривизны в точках дискретной линии .......................................................................................................................................................56

2.6 Сравнительный анализ алгоритмов вычисления значения кривизны в точках дискретной линии........................................................................................................................59

2.7 Разработка алгоритма распознавания (А-алгоритм) на основе аналитического способа вычисления кривизны в точках дискретной линии и его экспериментальное исследование на изображениях тестовых объектов при одном и множестве эталонов...............................62

2.7.1 Исследование А-алгоритма распознавания на изображениях тестовых объектов при одном эталоне на объект.............................................................................................................63

2.7.2 Исследование А-алгоритма распознавания на изображениях тестовых объектов при множестве эталонов на объект...................................................................................................64

2.8 Алгоритм распознавания на основе R-функции (R-алгоритм) и его исследование.......66

2.8.1 R-алгоритм распознавания................................................................................................66

2.8.2 Исследование R-алгоритма на изображениях тестовых объектов при одном эталоне на объект.......................................................................................................................................68

2.8.3 Исследование R-алгоритма на изображениях тестовых объектов при множестве эталонов на объект......................................................................................................................73

2.9 Экспериментальный сравнительный анализ А-алгоритма и R-алгоритма распознавания с известными алгоритмами на изображениях тестовых объектов.........................................74

ВЫВОДЫ ПО ГЛАВЕ 2.....................................................................................80

ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ДВУХ И ТРЕХ НАЛОЖЕННЫХ ПЛОСКИХ ОБЪЕКТОВ..........................................................................................................82

3.1 Наложение изображений двух и трех плоских объектов..................................................82

3.1.1 Исследование налагаемое™ двух плоских деталей........................................................82

3.1.2 Исследование налагаемое™ трех плоских объектов......................................................86

3.2 Алгоритм распознавания двух наложенных плоских объектов на основе их А-функции (Аг-алгоритм)...............................................................................................................................89

3.2.2 Исследование алгоритма распознавания по определению класса наложенное™ неизвестных сложных объектов и с использованием А-алгоритма и R-алгоритма при одном эталоне..............................................................................................................................97

3.2.3 Исследование алгоритма распознавания по определению класса наложенное™ неизвестных сложных объектов и с использованием А-алгоритма и R-алгоритма при множестве эталонов....................................................................................................................99

3.2.4 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции......................................................................................................................................102

3.2.5 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции с использованием дополнительных признаков......................................................104

3.3 Сравнительный анализ алгоритмов распознавания двух наложенных (сложных) тестовых объектов.....................................................................................................................107

3.4 Алгоритм распознавания трех наложенных плоских объектов (Аз-алгоритм)............110

ВЫВОДЫ ПО ГЛАВЕ 3...................................................................................111

ГЛАВА 4. РАСПОЗНАВАНИЕ ОТДЕЛЬНЫХ...........................................113

И НАЛОЖЕННЫХ РЕАЛЬНЫХ ПЛОСКИХ ОБЪЕКТОВ....................113

И ПОСТРОЕНИЕ СИСТЕМЫ РАСПОЗНАВАНИЯ................................113

4.1 Структура экспериментальной системы и особенности ее отдельных блоков.............113

4.1.1 Состав технических средств экспериментальной системы..........................................113

4.1.2 Структура программного обеспечения системы...........................................................113

4.2 Алгоритм определения типа поля зрения.........................................................................120

4.3 Модель технологического процесса распознавания реальных плоских объектов.......126

4.4 Исследование Ал-алгоритма на отдельных реальных объектах.....................................127

4.5 Исследование А-алгоритма на отдельных реальных объектах.......................................129

4.5.1 Исследование алгоритма на отдельных реальных объектах при одном эталоне.......129

4.5.2 Исследование алгоритма на отдельных реальных объектах при множестве эталонов .....................................................................................................................................................130

4.6 Исследование R-алгоритма на отдельных реальных объектах.......................................131

4.6.1 Исследование алгоритма на отдельных реальных объектах при одном эталоне.......131

4.6.2 Исследование алгоритма на отдельных реальных объектах при множестве эталонов .....................................................................................................................................................135

4.7 Исследование Аг-алгоритма и [^-алгоритма на наложенных реальных объектах.......136

4.7.1 Исследование на наложенных реальных объектах при одном эталоне......................136

4.7.2 Исследование алгоритма распознавания по определению класса наложенности неизвестных сложных объектов и с использованием А-алгоритма и {^-алгоритма при множестве эталонов..................................................................................................................139

4.7.3 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции......................................................................................................................................141

4.7.4 Исследования алгоритма распознавания отдельных объектов в сложном на основе А-функции с использованием дополнительных признаков..................................................143

4.8 Распознавание трех наложенных реальных объектов (Аз-алгоритм)............................145

ВЫВОДЫ ПО ГЛАВЕ 4...................................................................................146

ЗАКЛЮЧЕНИЕ.................................................................................................149

СПИСОК ЛИТЕРАТУРЫ...............................................................................152

ПРИЛОЖЕНИЕ 1-3 Материалы внедрения и регистрации.............161

ПРИЛОЖЕНИЕ А. Тестовые объекты.........................................................167

ПРИЛОЖЕНИЕ Б. Реальные объекты........................................................169

ПРИЛОЖЕНИЕ В. Статистические данные исследований к главе 2... 171 ПРИЛОЖЕНИЕ Г. Статистические данные исследований к главе 3... 176 ПРИЛОЖЕНИЕ Д. Статистические данные исследований к главе 4... 184

ВВЕДЕНИЕ

В настоящее время перед большинством промышленных предприятий, особенно в машиностроении, встают задачи комплексной автоматизации технологических процессов и операций. К числу подобных операций можно отнести: контроль и отбраковку различных деталей и изделий по внешнему виду, загрузка обрабатывающих станков деталями с конвейеров, сортировка и ориентированная укладка в кассеты деталей и заготовок, в том числе неупорядоченно движущихся по конвейеру или поступающих в таре навалом, сборка и комплектация, электронных узлов и другие. Для автоматизации перечисленных операций создается специализированные распознающие системы (РС).

Применяемые в РС алгоритмы чаще всего используют множество признаков входных объектов и не обеспечивают требуемую скорость и надежность распознавания, как плоских, так и объемных деталей. Поэтому важным является создание для РС промышленного назначения алгоритмов, использующих минимальное количество (1-3) признаков входных объектов и отвечающих требованиям практики.

На конвейере, в бункерах, ящиках и коробках детали могут находиться как отдельно, так и в наложенном состоянии. Поэтому РС должна иметь в своем составе алгоритмы, позволяющие распознавать отдельные и наложенные детали.

Анализ состояния задачи автоматизации распознавания наложенных объектов, показал, что на практике эти объекты на входе РС располагаются отдельно вручную. Решением данной задачи занимаются некоторые исследовательские центры США и Японии. Коммерческие РС распознавания наложенных объектов еще разработчики не предлагали. В России исследования в этом направлении пока не ведутся.

В связи с вышеизложенным, разработка методов и алгоритмов и создание РС промышленных деталей и изделий, расположенных на ленте

конвейера, в бункере и т.д. как по отдельности, так и в наложенном состоянии является актуальной задачей.

Целью диссертационной работы является разработка и практическое применение системы распознавания отдельных и наложенных плоских объектов.

Исходя из цели работы, поставлены следующие задачи исследования:

1) Исследование уровня автоматизации операций на открытых конвейерах и сборочных операциях, а именно - задач распознавания отдельных и наложенных плоских деталей и изделий.

2) Анализ и выбор минимального числа признаков бинарных изображений, которые позволят решить задачу распознавания как отдельных, так и наложенных плоских объектов.

3) Разработка новых способов вычисления признаков дискретных линий.

4) Разработка алгоритмов распознавания отдельных и наложенных однотипных и разнотипных плоских объектов, отличающихся высоким быстродействием и точностью

5) Экспериментальное исследование разработанных алгоритмов на тестовых объектах и определение их возможностей.

6) Экспериментальный сравнительный анализ разработанных алгоритмов распознавания отдельных и наложенных плоских объектов с известными алгоритмами.

7) Построение и практическое применение системы автоматической обработки, анализа и распознавания отдельных и наложенных плоских реальных объектов при их произвольном сочетании и положении.

Методы исследования. В работе использованы методы геометрии, тригонометрии, математической статистики, цифровой обработки изображений и распознавания образов.

Научная новизна. В результате проведенных исследований разработаны:

1. Способы логического определения и аналитического вычисления кривизны в точках дискретной линии;

2. Алгоритмы распознавания отдельных плоских объектов, использующие сигнатурный признак и кривизну в точках дискретного контура бинарных изображений этих объектов;

3. Алгоритмы распознавания отдельных плоских объектов в сложном объекте, образованного наложением двух или трех плоских объектов, с использованием небольшого количества локальных и структурных признаков контуров бинарных изображений отдельных объектов;

4. Алгоритм определения типа поля зрения для анализа ситуации на входе распознающей системы и выбора соответствующих алгоритмов обработки и распознавания плоских объектов.

Практическая ценность работы.

1. Проведены вычислительные эксперименты по оценке точности работы алгоритмов распознавания отдельных и наложенных тестовых и реальных плоских объектов, результаты которых позволили выявить возможности разработанных алгоритмов и определить пути уменьшения ошибки распознавания;

2. Подтверждена эффективность предложенных алгоритмов и технологии распознавания отдельных и наложенных реальных плоских объектов - промышленных деталей и изделий;

3. Разработанные алгоритмы применяются в учебном процессе кафедры информационных систем МИВлГУ в лабораторных и практических работах;

4. Полученные научные результаты используются в промышленном предприятии;

5. По результатам исследований, проведенных автором в рамках диссертации, получены два свидетельства об официальной регистрации, на разработанные с его участием программные продукты, и два патента на полезные модели;

6. Результаты научных исследований можно использовать для создания РС различного назначения для промышленных предприятий.

Реализация результатов исследования. Разработанные алгоритмы и система распознавания отдельных и наложенных плоских объектов внедрены в производство на промышленных предприятиях ОАО «Муромский радиозавод», а также в учебный процесс по дисциплине «Методы и системы цифровой обработки изображений», о чем свидетельствуют акты, приведенные в приложении к диссертации.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались на: Международном симпозиуме «Надежность и качество» (г. Пенза, 2011г., 2012 г.); Международной конференции «Распознавание 2012» (г. Курск, 2012 г.); XVI Всероссийской НТК студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях (НИТ-2011)» (г. Рязань, 2011 г.); X Международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2010 г.); Всероссийской НТК «Новые материалы и технологии (НМТ-2010)» (г. Москва, 2010 г.), а также на III, IV, V Всероссийских межвузовских научных конференциях «Наука и образование в развитии промышленной, социальной и экономической сфер регионов России» (г. Муром, 2010-2013 гг.); XX Международной научной конференции студентов, аспирантов и молодых учёных «ЛОМОНОСОВ-2013», (Москва, 2013 г.)

Публикации. Основные результаты диссертации опубликованы в 24 печатных работах, в том числе в 6 статьях в журналах из списка ВАК и одной монографии. Получены 2 патента на полезные модел