Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности

• Автор: Петешов, Андрей Викторович
• Шифр специальности: 05.11.16
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Тула
• Количество страниц: 136 с. : ил.

1. АНАЛИЗ МЕТОДОВ АВТОМАТИЗИРОВАННОГО КОН- 9 ТРОЛЯ И ОБРАБОТКИ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ
1.1.Анализ существующих методов и систем контроля геометри- 9 веских параметров объектов

1.2.Особенности технологического цикла производства продукции

деревообрабатывающей промышленности

1.3 .Постановка задачи разработки математического обеспечения

оптико-электронной системы контроля

1.4. Анализ методов математического описания процесса сегмен

тации изображений объектов с неоднородной структурой поверхности

2. ТЕХНОЛОГИЯ ФОРМИРОВАНИЯ АДАПТИВНЫХ ГЕНЕТИ- 48 ЧЕСКИХ АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ В ЗАВИСИМОСТИ ОТ УСЛОВИЙ В ПОЛЕ КОНТРОЛЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ
2.1. Анализ существующих подходов к разработке алгоритмов ге- 48 нетического поиска

2.2. Обоснование принципов модификации генетических операто- 55 ров

2.3. Разработка технологий многоуровневого эволюционного по- 60 иска
2.4. Разработка системных принципов построения инструмен- 65 тальных средств формирования и обучения нейронных сетей на основе генетических алгоритмов
2.5. Разработка инструментальных средств синтеза нейронных се- 75 тей
2.5.1. Разработка генетического алгоритма формирования и 75 обучения нейронных сетей
2.5.2. Разработка метода построения эволюционных инструмен- 85 тальных средств для формирования обучающей выборки
2.5.3. Разработка оператора локального поиска числа нейронов в 90 скрытых слоях нейронной сети
3. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АЛГОРИТМОВ 95 ОБРАБОТКИ ИЗОБРАЖЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОПТИКО-ЭЛЕКТРОННОГО КОНТРОЛЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТА С НЕОДНОРОДНОЙ СТРУКТУРОЙ ПОВЕРХНОСТИ
3.1. Состав оптико-электронной системы контроля геометрических

параметров объекта с неоднородной структурой поверхности
3.2.Комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического подхода
3.3.Методика выбора целевой функции генетического алгоритма
3.4. Влияние выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения
3.5. Классификация дефектов кромки древесностружечной плиты на основе нейросетевых технологий
3.6. Математические методы определения границ изображений объектов с неоднородной структурой поверхности
3.6.1.Контроль границ изображения объекта на основе цифрового сип-'екцпреобразования
3.6.2.Полосно-пропускающая фильтрация ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ ПРИЛОЖЕНИЕ

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

вероятность для их попадания в следующую генерацию. Оператор репродукции является искусственной версией натуральной селекции по Дарвину - механизма «выживания сильнейших». Этот оператор представляется в алгоритмической форме различными способами. Самый простой - создать колесо рулетки, в котором каждая хромосома имеет поле, пропорциональное его ЦФ. Например, мы хотим максимизировать функцию Дх) = х2 на целочисленном интервале [0, 31]. Традиционными методами мы будем менять х, пока не получим шах Дх). Для объяснения и реализации ПГА построим таблицу 2.1. Хромосомы (столбец 2 таблицы) сгенерированы случайным образом. Значение ЦФ для каждой хромосомы определим как возведенное в квадрат значение двоичного числа, которое кодирует хромосому. На рис. 2.1 показаны поля колеса рулетки, которые соответствуют значению ЦФ в процентах. В каждой генерации колесо рулетки вращается и после останова ее указатель определяет хромосому, выбранную для следующего оператора. Очевидно, что в результате применения оператора ОР хромосома с большей ЦФ будет выбрана для обработки следующим оператором -оператором кроссинговера.
Оператор ОК может выполняется за 3 шага. На первом шаге элементы нового репродуцированного множества хромосом вновь обрабатываются. При этом каждая пара хромосом пересекается по следующему правилу: целая позиция к вдоль стринга выбирается случайно на интервале (1, Ь — 1). Длина Ь хромосомы это число значащих цифр в его двоичном коде. Для рассматриваемого примера (см. табл.2.1) длина всех хромосом Ь = 5. Две новых хромосомы создаются, меняя все характеристики между позициями (к+1) и Ь соответственно. Например, рассмотрим хромосомы 1 и 2 из начальной популяции, (см. табл. 2.1). Пусть к = 4, тогда в результате применения оператора кроссинговера получим новые хромосомы: до применения оператора кроссинговера
1. : 0 1 1 0 |
2. : 1100)0
и после применения оператора кроссинговера
V :01 1 01
V : 1 1 0 01 1.
Следуя традициям генетики, хромосомы 1 и 2 часто называют родителями, а хромосомы Р и Т_ определяются как потомки (дети). Число к, выбранное случайно между первым и пятым элементами, называется точкой или разделяющим знаком - 1 или точкой разрыва или точкой пересечения оператора кроссинговера. Итак, согласно Холланду, одноточечный или простой ОК в технических системах выполняется в три этапа:
1. Две структуры (хромосомы) А = а/, а2,аьнВ = а и а2,а выбираются случайно из текущей популяции после применения оператора ОР. Заметим, что данный этап в некоторых случаях может выполняться и без применения оператора ОР, а непосредственно выбором хромосом из начальной популяции.