Методы и алгоритмы локализации изображений маркировки промышленных изделий на основе рекуррентного поиска усредненного максимума

• Автор: Астафьев, Александр Владимирович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2015
• Место защиты: Муром
• Количество страниц: 141 с. : ил.

Оглавление
Введение
Глава 1. Анализ систем технического зрения промышленных предприятий. Постановка задачи исследований
1.1 Определение локализации. Требования, предъявляемые к процессу локализации
1.2 Обзор методов нанесения промышленной маркировки
1.3 Анализ существующих систем локализации
1.3 Обзор и анализ существующих методов локализации объектов на цифровых изображениях
Вывод по главе 1
Постановка задачи исследования
Глава 2. Разработка метода и алгоритмов локализации объектов на цифровых изображениях
2.1 Математическая модель изображения маркировки промышленного изделия
2.2 Рекуррентный поиск усредненного максимума на цифровом изображении
2.4 Алгоритм локализации на основе яркостных признаков
2.3 Алгоритм локализации на основе анализа всплесков яркости
2.5 Алгоритм локализации на основе цветовых признаков
2.6 Алгоритм локализации на основе текстурных признаков
2.7 Алгоритм локализации с использованием дополнительной метки
2.8 Алгоритм локализации на основе двухмерного усреднения
2.9 Методика настройки системы локализации на определенный вид маркировки
2.10 Алгоритм управления системой автоматической идентификации маркировки
Выводы по главе
Глава 3. Экспериментальные исследования разработанных алгоритмов
3.1 Описание лабораторной установки и опытных изображений
3.2 Исследование алгоритма локализации на основе анализа всплесков яркости
3.3 Исследование алгоритма локализации на основе яркостных признаков
3.4 Исследование алгоритма локализации на основе цветовых признаков
3.5 Исследования алгоритма локализации на основе текстурных признаков
Выводы по главе
Глава 4. Применение разработанных алгоритмов в системах идентификации промышленных изделий
4.1 Структура автоматической системы локализации
4.2 Методика настройки разработанной системы

4.3 Внедрение разработанных алгоритмов
Выводы по главе
Заключение
Список использованной литературы
Список иллюстрированного материала
Приложение А

Введение
Актуальность работы. В настоящее время, в связи с необходимостью
развития промышленности, требуется введение новых наукоемких

технологий по контролю движения продукции. Реализация такого контроля возможна с помощью внедрения систем автоматической идентификации и распознавания. От степени совершенства работы системы контроля движения продукции зависит эффективность производства в целом. Поэтому решение задач управления на промышленных предприятиях, состоящих в разработке новых и совершенствовании существующих методов и средств обработки информации, с целыо повышения эффективности систем контроля движения продукции имеет важное значение.
Для контроля движения продукции используются маркировки промышленных изделий. На новейших промышленных предприятиях контроль движения продукции осуществляется специализированными средствами - системами автоматической идентификации маркировки (САИМ). Основная сложность при использовании САИМ заключается в задаче локализации промышленной продукции, которую усложняют наличие неравномерной освещенности и резкости (засвечивание изображения искусственным и солнечным светом, неверная настройка фокуса), присутствие шумов и размытий, а также образов производственных сооружений и агрегатов. Автоматизация этой сферы деятельности является мало проработанной и, зачастую, выполняется вручную
Большой вклад в развитие методов обработки и локализации изображений внесли Сойфер В.А., Прэтт У.К., Ярославский Л.П., Садыков
С.С., Визильтер Ю.В., Васин Ю.Г., Утробин В.А., Приоров АЛ., Фурман
-Я.А., Дворкович В.П., Дворкович A.B., Ересько Ю.Н., Моттль В.В., Гонсалес

Р., Sloan A., Crownover R., Vrscay E., Peng F., Davis G., Freeman G., Lin H.,

повернутый объект сцены имел тот же набор ключевых точек, что и образец.
Метод ищет особые точки с помощью матрицы Гессе. Детерминант матрицы Гессе (т. н. гессиан) достигает экстремума в точках максимального изменения градиента яркости. Он хорошо детектирует пятна, углы и края линий.
Гессиан инвариантен относительно вращения. Но не инвариантен масштабу. Поэтому SURF использует разномасштабные фильтры для нахождения гессианов. Для каждой ключевой точки считается направление максимального изменения яркости (градиент) и масштаб, взятый из масштабного коэффициента матрицы Гессе. Градиент в точке вычисляется с помощью фильтров Хаара.
После нахождения ключевых точек, SURF формирует их дескрипторы. Дескриптор представляет собой набор из 64 (либо 128) чисел для каждой ключевой точки. Эти числа отображают флуктуации градиента вокруг ключевой точки (что понимается под флуктуацией - рассмотрим ниже). Поскольку ключевая точка представляет собой максимум гессиана, то эго гарантирует, что в окрестности точки должны быть участки с разными градиентами. Таким образом, обеспечивается дисперсия (различие) дескрипторов для разных ключевых точек.
Флуктуации градиента окрестностей ключевой точки считаются относительно направления градиента вокруг( точки в целом (по всей окрестности ключевой точки). Таким образом, достигается инвариантность дескриптора относительно вращения. Размер же области, на которой считается дескриптор, определяется масштабом матрицы Гессе, что обеспечивает инвариантность относительно масштаба.
Флуктуации градиента также считаются с помощью фильтра Хаара [2, 17, 19,38,56, 57, 92, 95, 105].