Метод декомпозиции алгоритмов систем технического зрения на параллельно-конвейерное программно-аппаратное исполнение в архитектуре ПЛИС-ЦСП

• Автор: Краснобаев, Антон Александрович
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Москва
• Количество страниц: 160 с. : ил.

Содержание работы

Введение

ГЛАВА 1. Алгоритмы и аппаратные средства обработки изображений

1.1. Этапы работы системы технического зрения

1.1.1. Получение изображения.

1.1.2. Обработка и анализ видеоданных

1.1.3 Передача получаемых данных в удалнный компьютер.

1.2. Задачи обработки изображений.

1.3. Организация вычислений.

1.3.1. Представление алгоритмов.

1.3.2. Методыразложения задачи на аппаратуру.

1.3.3. Параллелизм и конвсйсрность
1.4. Свойства вычислительных средств
1.4.1. Процессоры.
1.4.2. Программируемая логика ПЛИС
1.4.3. Характеристики производительности
1.4.4. Сравнения
Выводы главы 1
ГЛАВА 2. Анализ алгоритмов первичной обработки изображений.
2.1. Параметры вычислительных ресурсов алгоритмов обработки изображений
2.1.1. Параметризованная схема потоков данных
2.1.2. Граф зависимости алгоритмических параметров
2.1.3. Параметры ПСПД.
2.1.4. Требуемый объм внутренней памяти микросхемы для оконных операций
2.2. Анализ задач низко и среднеуровневой обработки изображений
2.2.1. Низкоуровневая обработка.
2.2.2. Среднеуровневая обработка
2.2.3. Детекторы простых элементов изображения
5 2.2.4. Морфологическая обработка изображений.
Выводы главы 2
ГЛАВА 3. Элементная база электроники для реализации первичной обработки цифровых изображений
3.1. Параметры архитектуры видеосистем
3.2. Датчики изображения
3.3. Память в составе видеоустройства.
3.3.1. Роль внутренней памяти в составе видеоустройства.
3.3.2. Внешняя память в составе видеоустройства.
3.3.3. Ограничения, накладываемые на память операциями нижнего и среднего уровня обработки изображений
3.4. Процессор в составе видеоустройства
3.4.1. Роль механизмов работы с памятью процессора в видеосистеме.
3.4.2. Вводвывод видеоинформации в процессоре
3.4.3. Анализ возможностей ДСП в задаче обработки видеоданных.
3.5. ПЛИС в составе видеоустройства.
3.5.1. Свойства и характеристики ПЛИС.
3.5.2. Анализ возможностей ПЛИС в задаче обработки изображений.
3.6. Сравнение параметров ПЛИС и ДСП.
3.7. Влияние свойств ЗАПграфа на архитектуру
Выводы главы 3.
ГЛАВА 4. Программноаппаратная система ПЛИСДСП.
4.1. Разбиение алгоритмов обработки изображения между ПЛИС и ДСП.
4.2. Архитектура системы, состоящей из МВП, ПЛИС и ЦСП.
4.3. Формат передачи данных между ПЛИС и ЦСП.
4.5. Формализм построения архитектурного решения для заданного алгоритма
обработки видеоданных
Выводы главы 4.
ГЛАВА 5. Пример использования метода разложения задач обработки изображений
нижнего и среднего уровня на архитектуру ПЛИСЦСП
5.1. Разработка сканера штриховых кодов
5.1.1. Алгоритм работы сканера штриховых кодов
5.1.2. Параметризованная схема потоков данных для алгоритмов нижнего и среднего уровней обработки видеоданных
Выводы главы 5.
Заключение.
Основные результаты диссертационной работы
Литература


Пожалуй, наиболее широко СТЗ используются в промышленности как для автоматизации процессов, повышения производительности, так и для' повышения качества выпускаемых изделий. Распознавание положения. Цель СТЗ в данном применении — определение пространственного местоположения (местоположения- объекта относительно внешней системы координат) или статического положения объекта (в каком положении находится объект относительно- системы координат с началом отсчета в пределах самого объекта) и передача информации о положении и ориентации объекта в систему управления или контроллер. Примером такого приложения, может служить погрузочно-разгрузочный робот, перед которым стоит задача перемещения объектов-различной формы из бункера. Полученная' информация позволяет роботу захватить- деталь должным образом и переместить ее в :надлежащее место. При распознавании положения индустриальных объектов большую роль играют контурные изображения [, ]. Для подчёркивания-контуров-на низком уровне обработки обычно используется дифференцирование изображений [], реализуемое фильтрацией- (1. Маски наиболее часто употребляемых дифференцирующих операторов. Табл. По выделенным на нижнем уровне обработки перепадам яркостей, на среднем уровне осуществляется прослеживание образованных ими контуров, нахождение углов пересечений и т. Задачей верхнего уровня является сопоставление известной геометрической модели объекта с найденными на изображении признаками. Из приведённого- описания видно, что. В то время, как на верхнем уровне происходит попытка; сопоставить небольшой- объём полученных данных с известной моделью. Измерение (Фотограмметрия). В приложениях данного типа основная задача системы заключается в измерении различных физических параметров объекта. Пример реализации данной задачи — измерение различных диаметров горлышка стеклянной бутылки. Инспекция. При инспекции могут быть задействованы алгоритмы, использующие текстуру в. Наиболее полно- такие характеристики текстуры* как однородность, шершавость и- зернистость описываются статистическими методами. Для. I, М' -математическое ожидание /, р(1^ - вероятность появления яркости Д в данной локальной области, А - число дискретных интервалов, на которые разбиты яркости изображения. Идентификация. В задачах идентификации' основное назначение видеокамеры — считывание различных кодов (штриховых кодов, машинописных кодов и т. Одним из примеров такого приложения может служить считывание штрихового кода с упаковки товара для автоматизации процесса идентификации товаров на складе. Детекция. Так же может осуществляться детекция движения происходящих изменений в кадре. Всё более широкое распространение данные задачи получают в охранном видеонаблюдении и получили название “видеоаналитика”. Детекция и отслеживание движущихся объектов являются интенсивными по вычислениям и работе с памятью алгоритмами. В самом простом варианте реализации на нижнем уровне обработки используется разность между соседними кадрами видеоряда, выявляющая- области в которых произошло изменение яркости. Распознавание. На верхнем уровне СТЗ- происходит сопоставление векторов- признаков образов, хранящихся в базе знаний системы, и признаков; полученных со среднего уровня обработки изображения. Результатом работы принимается образ, вектор признаков которого оказался наиболее близок к полученному с изображения вектору. Такими приложениями являются-системы распознавания рукописного или печатного текста, человеческих лиц. Алгоритмы перечисленных выше задач разрабатываются- на универсальных вычислительных устройствах, таких как персональные компьютеры (ПК). Коммерческая реализация данных алгоритмов требует уже специализированных под данные алгоритмы и поток видеоданных аппаратных решений, т. Кроме описанных достоинств, специализированная архитектура, в силу более экономичного энергопотребления и малых габаритов, даёт возможность реализовать частично или полностью алгоритмы обработки видеоданных, получаемых со светочувствительной матрицы в непосредственной близости от матрицы, что снимает проблему организации высокоскоростного канала передачи видеоданных между камерой и модулем обработки видеоданных. Т.е.