Оценка параметров изображений неоднородной поверхности объектов в оптико-электронной информационно-измерительной системе

• Автор: Мануйлов, Владимир Владимирович
• Шифр специальности: 05.11.16
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Тула
• Количество страниц: 165 с. : ил.

СОДЕРЖАНИЕ
Введение
1. Анализ методов и алгоритмов автоматизированного контроля неоднородных поверхностей из дерева
1.1. Анализ дефектов поверхностей из дерева и методов контроля их качества.
1.2. Автоматическая локализация оптико-электронных изображений неоднородных поверхностей
1.3. Методы синтаксического распознавания дефектов пиломатериалов.
1.3.1. Характеристика аппарата стохастических атрибутных метаграмматик
1.3.2. Применение структурного метода распознавания неоднородностей сложной формы
Выводы
2. Методика и алгоритмы для построения оптикоэлектронных систем контроля неоднородных поверхностей из дерева
2.1. Разработка алгоритмического обеспечения оптико-
электронной системы контроля неоднородных поверхностей
2.1.1.Сегментация изображений объектов с неоднородной структурой поверхности
2.1.2.Методы формирования границ областей. Пороговая обработка
2.2. Распознавание дефектов неоднородной поверхности
2.2.1. Применение нейросетевых технологий в задаче классификации дефектов неоднородных поверхностей
2.2.2. Сравнительный анализ алгоритмов обучения нейронных сетей с разработкой методики предварительной обработки измерений
2.2.3. Обучение нейронных сетей методами генетического поиска
2.2.4 Анализ формальных свойств стохастических атрибутных метаграмматик
2.2.5. Особенности применения САМ для структурнопараметрического описания вариантов создания информационноизмерительных систем контроля неоднородных поверхностей
2.3. Метод и алгоритм синтаксического анализа регулярных стохастических атрибутных метаграмматик для выбора вариантов формирования программ контроля
Выводы
3. Реализация алгоритмов обработки изображения автоматизированной системы оптико-электронного контроля геометрических параметров объекта с неоднородной структурой по-

верхности
3.1. Состав оптико-электронной системы контроля геометрических 107 параметров объекта с неоднородной структурой поверхности
3.2. Алгоритм обработки и анализа изображений в зависимости от 108 условий в поле измерения с использованием генетического подхода
3.2.1. Особенности генетического алгоритма формирования и обу- 108 чения нейронных сетей
3.2.2. Разработка программы обучения нейронных сетей на основе 114 эволюционного поиска
3.2.3. Критерий точности в определении перепадов яркости изо- 117 бражения для выбора целевой функции генетического алгоритма
3.3. Разработка и отладка имитационных программных моделей на 120 основе генетических алгоритмов
3.3.1. Разработка имитационных программных моделей «фокуси- 120 ровки внимания».
3.3.2. Индивидуальная обработка объектов «Неокогнитрон».
3.3.3. Интерфейс программы "Инспектор».
3.3.4. Оценка влияния выбора параметров генетического алгоритма 143 на эффективность адаптивной обработки изображения
3.4.Классификация дефектов кромки древесностружечной плиты 150 на основе нейросетевых технологий
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ

ВВЕДЕНИЕ
Уровень развития современного производства на сегодняшний день характеризуется не только объемом и ассортиментом выпускаемой продукции, но и показателями ее качества, которые должны соответствовать отечественным и международным стандартам. При этом особое значение придается автоматизации производственных процессов и исключению ручного труда на более трудоемких и ответственных технологических этапах [1-12].
Среди комплекса проблем, которые должны решаться на пути к этой цели, чрезвычайно важное значение приобретает создание теоретических и экспериментальных предпосылок для построения на базе современных ЭВМ промышленных систем обработки визуальной информации: обнаружение объектов, автоматический контроль качества продукции (контроль геометрических параметров, обнаружение дефектов), анализ экспериментальных кривых, графиков, снимков и т. д. Все это позволяет достичь существенно лучших результатов в повышении производительности труда по сравнению с традиционными методами, а наибольший эффект в этом направлении следует ожидать от автоматической обработки изображений, связанных непосредственно с производственными процессами. Методы проектирования подобных систем, исследование их возможностей и областей применения в настоящее время приобретают безусловный интерес [1-5].
Современные требования к качеству выпускаемой древесной продукции обуславливают необходимость ее контроля практически на всех технологических этапах производства. К числу контролируемых величин следует отнести геометрические параметры (ширина, длина), а также распознавание дефектов (сколы, вмятины, риски, выкрашивание углов, обзол, выступ и т.д.), измерение и определение которых в мировой практике все шире осуществляется с помощью оптико-электронных методов. Последние предполагают преобразование оптического сигнала в электрический, ввод его в ПЭВМ и последующую обработку полученного цифрового изображения с целью определения требуемых размеров и распознавания дефектов [10-12].
В случае применения оптико-электронных информационно-измерительных систем (ОЭ ИИС) распознавания дефектов поверхности объектов, основной целью процесса обработки изображения является точное выделение контуров объекта контроля на фоне рабочей сцены [12-16]. Анализ отечественной и зарубежной литературы показывает, что большинство известных алгоритмов обработки изображений, используемых в подобных системах, ориентировано на работу либо с контрастным изображением, либо с изображением, полученным при условиях однородного или структурированного освещения рабочей сцены, что требует, как правило, наличия в составе системы специализированных осветителей, настройка которых зависит от внешних условий освещения, цвета объекта контроля, запыленности воздуха и т.д. [21-24].
К сожалению, в деревообрабатывающей промышленности имеют место ситуации, когда условия производства не позволяют создать необходимые условия освещения рабочей сцены (запыленность воздуха, внешние условия осве-

Б таких же размеров из Б , сопоставление В 0 и части В п , ограниченного Б5 , повторение сопоставлений изображений с перебором всех возможных положений Б 0 в Б и выделение того положения, в котором отмечено наибольшее сходство изображений [138]. То есть:
а^ шахКп (т,/), Ца (п) = 1:гие;
Рк(ёу,п-1А,п-2>-)> (п) = Ш8е-’
Ь: ё:У(П=Ь{Вп} = <
ЁЕ[Во(^)'Вп (*+тц+/)]

1-1
1-1
■ ; с=°’
1=0 ]=0 1=0 ]=
т=0,1,
сНтБ-сИтВд +
сПт Б-сНт Б0 +

;/=од,..„
.у у " ]
Цель функционирования САИ (1.9), как и в параметрических методах,
обеспечивается согласованием структуры и коэффициентов полинома Р к с динамикой движения объекта, а функционал (1.8) обеспечивает исключение аномальных погрешностей отождествления изображения ОИ. Выражение для
функции подобия изображений Кп |т,/| исходит из неравенства Коши-
Буняковского для вещественных евклидовых пространств. Можно показать, что совокупность двумерных ограниченных вещественных функций (изображений), при выполнении несложных условий, образует линейное пространство и удовлетворяет скалярному произведению, введённому в нём в
виде I (у, х|-В2 (у, х|, которое, в свою очередь, отвечает четырём ак-

сиомам евклидового пространства. Вместо Кп ^т,/| используют также
функции отличия изображений, основанные на евклидовом расстоянии, мерах Минковского, Хемминга, Танимото [139, ..., 141].
Корреляционные методы характеризуются относительно высокими уровнями помехоустойчивости, достоверности выделения объектов, точности локализации и инвариантны к широкому классу объектов при корректно заданных и неизменных моделях их изображений. Вместе с тем, методы имеют и существенные недостатки. Один из них связан с фактической невозможностью обеспечить соответствие в0§ Ву п в (1.9) и (1.8). При априорном задании модели, почти всегда найдутся несоответствия в коэффициентах масштаба э, углах плоских поворотов /? и интенсивности шумов £, для В 0 и истинных изображений объекта в динамической сцене В . А при