CC BY
48
входного давления по длине газопровода давление падает интенсивнее;
- при обеспечении одинаковой площади поперечного сечения элементарного участка при большем количестве параллельных нитей давление газа падает быстрее;
- в неизотермическом режиме с увеличением входной температуры газа и длины участка доля массового расхода, соответствующая трубе с большим диаметром, падает быстрее.
ЛИТЕРАТУРА
1. Штыков Р.А. Расчет магистральной сети теплоснабжения на основе квазиодномерного моделирования: Труды международного симпозиума Надежность и качество. 2 012. Т. 1. С. 206-209.
2. Штыков Р.А. Идентификация параметра сопротивления трубопроводов методом аппроксимации по параболическому закону: Труды международного симпозиума Надежность и качество. 2014. Т. 2. С. 186-188.
3. Штыков Р.А. Уточненная модель определения пропускной способности линейного участка газопровода: Метрология. 2014. № 8. С. 25-32.
4. Бордюгов Г.А., Апостолов А.А., Бордюгов А.Г. Фигутивные потери природного газа//Газовая промышленность. 1997. № 10.
5. Козаченко А.Н. Основы эксплуатации газотурбинных установок на магистральных газопроводах: Учебное пособие: ГАНГ им. И.М. Губкина. - М.: 1993.
6. Трусов В.А. Однопозиционный модуль управления шаговым двигателем / Трусов В.А., Кочегаров И.И., Горячев Н.В., Юрков Н.К. // Теоретические и прикладные аспекты современной науки. 2015. № 7-3. С. 131-133.
7. Козаченко А.Н., Никишин В.И. Основы ресурсоэнергосберегающих технологий трубопроводного транспорта природных газов. Учебное пособие: ГАНГ им. И.М.Губкина. - М.: 1993.
УДК 004.932.2
Сацыков C.C., Терехин А.В.
ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых» - Муром, Владмирская обл., Россия
ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ НА ПАРАХ ИЗОБРАЖЕНИЙ ПРОЕКЦИЙ РЕАЛЬНЫХ ТРЕХМЕРНЫХ ОБЪЕКТОВ
Введение
Сжатое визуальное представление является одним из самых важных достижений в системах автоматического распознавания (САР) [1, 2], которые используются для установки поверхностно-монтируемых изделий (ПМИ) на печатных платах. На ранних стадиях развития автоматизации операция «захват - установка» была основана на работе механических упоров (фиксаторов), переключателей, и зависела от точности инструментов, что обеспечивало монтаж ПМИ в нужном месте с правильным расположением выводов относительно контактной площадки. По мере повышения плотности размещения и разнообразия радиокомпонентов, эта технология оказалась слишком медленной для поддержания больших объемов производства. Главным стимулом для перехода от механического центрирования к установке с помощью машинного зрения стало уменьшение размеров выводов на элементах. Кроме того, наблюдается устойчивый рост числа устройств сложной формы - катушек индуктивности, светодиодов, поверхностно-монтируемых разъемов и т.д. В результате получаются печатные платы с огромным разнообразием радиокомпонентов. Поэтому значительно дешевле и быстрее перепрограммировать компьютерные САР для распознавания этих элементов, чем переоборудовать
машины, работающие на основе механических реле и фиксаторов.
САР отвечают за позиционирование радиокомпонента и печатной платы (или ее участка) относительно друг друга с необходимой точностью. В них используются электронные камеры и оптика совместно со специализированным программным обеспечением для управления шаговыми двигателями. Для осуществления этой цели установочный автомат должен идентифицировать радиокомпонент в револьверной или портальной головке и установить положение этих головок относительно платы. В то же время установочный автомат должен установить ее позицию. Программное обеспечение связывает эти два требования, поскольку программирует автомат с помощью рисунка, который и определяет место размещения каждого из ПМИ.
Теоретическая часть
Радиодетали имеют различные по яркости и цвету поверхности ортогональных проекций. Они являются сложными в связи с тем, что имеют проекции одинаковой формы. Выбор предмета исследования обосновывается массовостью производства данного продукта, и механическим процессом установки на печатные платы, который можно автоматизировать при помощи разработанного подхода [3, 4]. На рис. 1 представлен пример пары изображений, полученных с двух камер.
Щ 1 Jk, * й 1 £
W4 - feül
¡ig)
Рисунок 1 - Пример пары проекций радиодеталей
Встречаются такие детали, у которых одни проекции темные, другие светлые. Подобные случаи создают определенные сложности при локализации и идентификации отдельны:': проекций.
Из рисунка 2 видно, что проекции некоторых трехмерных объектов сливаются с фоном.
Рисунок 2 - Пример обработанной пары проекций радиодеталей
Для получения необходимого качества входных изображений, система автоматического распознавания (САР) предварительно регулируется, с использованием предусмотренных разработчиком видеодатчиков ("меЬ-камер) настроек яркости, контрастности, баланса белого и т.п.
В результате настройки системы, и предварительной обработки, получается пара бинаризованных изображений (рис. 3), на которых в дальнейшем локализуются и распознаются, при помощи разработанной системы [5-7], представленные на ни:: трехмерные объекты (радиодетали) .
Рисунок 3 - Пример) обработанной пары проекций радиодеталей после настройки системы
Экспериментальная часть
Объем экспериментальной выборки составил 12000 испытаний для радиодеталей (2000 пар изображений, на каждой из которых размещено 6 реальных трехмерных объектов). Для описания каждой проекции использовалось 5 эталонов [8], различающихся расположением в области сцены.
Таблица средних вероятностей
На рис. 4 представлена схема процесса выделения ключевых точек на проекции реального трехмерного объекта (РТО).
При распознавании проекций РТО использовался алгоритм вычисления оценок [9] с использованием |, диагональных признаков формы [9-11].
Результаты экспериментов по распознаванию произвольно расположенных радиодеталей представлены в таблице 1. ерного распознавания радиодеталей Таблица 4.7
№ радиодетали Количество экспериментов Ср. вероятность расп. Ср. время расп., с
1 2000 0,997 1,33
2 2000 0,999 1,25
3 2000 0,998 1,03
4 2000 0,999 0,7
5 2000 0,999 1,7
6 2000 0,998 1,15
Заключение
В результате проведенных исследований экспериментально:
- установлено, что для обнаружения слабоконтрастных реальных трехмерных объектов не достаточно только пороговой обработки;
- выявлено, что точность распознавания нескольких отдельно расположенных реальных трехмерных объектов с использованием 5 эталонов проекций трехмерных объектов и изображений с
двух камер составляет 99,95%, при этом минимальное время распознавания трехмерного объекта составило 5,56 мс, максимальное (в сложных случаях) - 1,7 с. при 5 эталонах.
Разработанная экспериментальная система позволяет решать задачу автоматического анализа и распознавания как единичных, так и нескольких отдельно и произвольно расположенных в поле зрения САР трехмерных объектов.
Получение пары снимков
Предварительная обработка изображений, маркировка
Формирование
очереди на распознавание
Выбор ортогональной проекции из очереди
Нормализация по повороту
Vi Ф
-л «я
• i 1*
-в 9 «
'i *
• I
i Изображение Объект 1 Объект 2 Объект 3 Объект 4 Объект 5 Объект б
k
i Изображение Объект 1 Объект 2 Объект 3 Объект 4 Объект 5 Объект б
Выделение контура
Построение отрезка длины объекта
Построение ОП минимальной
площади
^^
Построение отрезков диагоналей ОП
V
Построение диагональных отрезков
N
--—** Г^
D E
M N
— «СТг ^
\___
Рисунок 4
) Е
Схема процесса обработки проекции радиодетали
ЛИТЕРАТУРА
1. Терехин, А.В. Распознавание трехмерных объектов с использованием двух камер / А.В. Терехин // Радиотехнические и телекоммуникационные системы. - 2 013. - № 4. - С. 57 - 62.
2. Садыков, С.С. Реализация и исследование системы распознавания трехмерных объектов с использованием видео-датчиков, расположенных под углом / С.С. Садыков, А.В. Терехин, Г.А. Григорьев // V Всероссийские научные Зворыкинские чтения Научный потенциал молодежи - будущее России: сб. тез. докл. - Муром, 2013 - С. 778 - 779.
3. Терехин, А.В. Концепция распознавания произвольно расположенных трехмерных объектов по двум изображениям проекций / А.В. Терехин // Алгоритмы, методы и системы обработки данных. - 2014. - № 2 (27). - С. 29-40.
4. Терехин, А.В Инновационный подход к распознаванию трехмерных объектов на промышленных сборочных конвейерах с использованием двух камер / А.В. Терехин // Актуальные проблемы развития науки и образования: сб. научных трудов по мат. МНПК. В 7 частях / «АР-Консалт» - Москва, 2014. - ч. IV, С. 44 - 45.
5. Терехин, А.В. Распознавание объектов методом вычисления оценок с использованием диагональных признаков формы / А.В. Терехин // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2014. - №1. - С. 17 - 25.
6. Терехин, А.В. Распознавание трехмерных объектов по изображениям двух проекций / А.В. Терехин // Информационные технологии. - 2 014. - №4. - С. 43 - 48.
7. Sadykov, S.S. Identification of three-dimensional objects by computing estimates based on diagonal features of forms and octree / S.S. Sadykov, A.V. Terekhin. // Pattern Recognition and Image Analysis: New Information Technologies (PRIA-11-2 013): The 11-th International Conference. - Samara: IPSI RAS, 2013. - Vol. 2. - P. 721 - 723.
8. Садыков, С.С. Технология формирования эталонов трехмерных объектов для их распознавания / С.С. Садыков, А.В. Терехин, А.О. Кравченко // Надежность и качество - 2012. - Пенза: изд. ПГУ. -С. 373 - 376.
9. Терехин, А.В. Распознавание объектов методом вычисления оценок с использованием диагональных признаков формы / А.В. Терехин // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2014. - №1. - С. 17 - 25.
10. Терехин, А.В. Алгоритм вычисления диагональных признаков формы / А.В. Терехин // Алгоритмы, методы и системы обработки данных. - 2012 - № 4 (22). - С. 129 - 138.
11. Садыков, С.С. Определение диапазонов значений признаков формы плоских геометрических фигур при их произвольном расположении в области сцены / С.С. Садыков, А.В. Терехин, К.С. Захаров// Надежность и качество - 2013. - Пенза: изд. ПГУ. - С. 343 - 345.
УДК 681.39; 007.001.362
Федотов1 Н.Г., Голдуева1 Д.А., Мокшанина2 М.А.
гФГБОУ ВПО «Пензенский государственный университет», Пенза, Россия
2ФГБОУ ВПО «Пензенская государственная сельскохозяйственная академия», Пенза Россия
СЕГМЕНТАЦИЯ ТЕКСТУР НА ОСНОВЕ ТРЕЙС-ПРЕОБРАЗОВАНИЯ
Введение
Одной из центральных проблем современной информатики является анализ и распознавание сложноструктурированных семантически насыщенных изображений. Сложноструктурированные изображения содержат множество объектов, относящихся к различным видам, каждый из которых обладает своими собственными значимыми характеристиками. Во многих отраслях знаний существенная часть информации заключается в сложноструктурированных изображениях, многие из которых содержат текстуры. Наряду с общетеоретическим значением задача распознавания подобных изображений исключительно актуальна и с прикладной точки зрения. От ее успешного решения зависит эффективность обработки информации в области аэрокосмических исследований, анализа Земли из космоса, медицинской и технической диагностики. Особо возросла актуальность этой проблемы в связи с развитием нанотехнологий, где свойства материала определяются не их химическим составом, а формой и расположением включений наночастиц.
Большинство методов анализа текстур оперируют небольшим количеством признаков, имеющих конкретную интерпретацию в терминах решаемой задачи. Метод анализа текстур, основанный на аппарате стохастической геометрии и функционального анализа, позволяет в режиме автоматической генерации формировать десятки тысяч признаков изображений, что повышает надежность их классификации. Рассматриваемое в настоящей статье трейс-преобразование является первым этапом формирования признаков анализируемых текстур -триплетных признаков. Кроме того, предлагаемый метод позволяет без дополнительных временных затрат провести сегментацию текстур с последующим определением их метрических характеристик.
1. Трейс-преобразование как источник три-плетных признаков текстур
Первым этапом формирования триплетных признаков текстур является трейс-преобразование, связанное со сканированием изображения по сложным траекториям.
Изображение F(x, У) на входной сетчатке распознающей системы сканируется решеткой параллельных прямых 1(9, р), с расстоянием Др между линиями [1]. Параметры 9 и р являются нормальными координатами линии 1.
Взаимное расположение исследуемого изображения F(x, У) и каждой сканирующей линии 1 характеризуется числом g, вычисляемым по некоторому правилу T: g = T(FH1). В качестве указанной характеристики может выступать число пересечений прямой с изображением, свойства окрестности такого сечения и т.п. В данной задаче распознавания полутоновых текстур на каждой сканирующей прямой 1 выделяются однородные по яркости отрезки, характеристикой которых является некоторое действительное число h например, длина отрезка. Отображение Т является трейс-функционалом. Далее сканирование производится для нового значения угла, получившего дискретное приращение Д9, решеткой линий с тем же расстоянием Др между линиями. Вычисляя значение функционала Т для всех возможных положений ска-
нирующих линий 1(9, р) получим матрицу значений функционала Т (трейс-матрицу), элемент д^ = T^Fnl(вj, р±)), который соответствует сканирующей прямой с нормальными координатами 6j и р^. Итак, каждый столбец матрицы содержит значения Т функционала, вычисляемые по всем прямым с одинаковым значением параметра 6. Если прямая не пересекает изображение, то Т^П1) полагают равным заданному числу (например нулю).
Согласно рассматриваемой теории после заполнения трейс-матрицы продолжается формирование триплетного признака. Последовательно к каждому столбцу данной матрицы применяют Р функционал, зависящий от параметра р. Под его действием столбцы трейс-матрицы преобразуются в действительное число. Таким образом, результат применения диаметрального функционала к трейс-матрице есть 2п-периодическая кривая ^6), зависящая от параметра 6, а в дискретном варианте - вектор, 1-ый элемент которого равен значению Р функционала для 1-го столбца трейс-матрицы. Последний этап формирования признака связан с 0 функционалом, зависящим от параметра 6. Функционал 0 множеству элементов полученного вектора (или множеству точек кривой М6)) ставит в соответствие некоторое действительное число, которое равно значению признака П^) изображения F.
Таким образом, признак анализируемого изображения обладает структурой в виде композиции трех функционалов [2]:
) = 0°Роп1(в,р)) , (1)
где Т вышеописанный функционал, связанный с естественной координатой Ь сканирующей линии 1(9, р), 0 - круговой и Р - диаметральный функционалы, связанные с нормальными координатами сканирующей линии, соответственно 9 и р. Благодаря такой структуре признаков в рамках описанного подхода возможно получение большого числа новых конструктивных признаков распознавания. Причем их формирование осуществляется в режиме автоматической компьютерной генерации. Опора на большое количество признаков позволяет повысить надежность распознавания и говорить о новом понимании изображений [3, 4]. Функционалы Т, Р, 0 выбираются из различных областей математики: теории вероятности , математической статистики, теории рядов и фракталов, стохастической геометрии и т.д. Таким образом, триплет-ные признаки сохраняют следы генезиса соответствующих областей математики, чем объясняется гибкость и универсальность алгоритмов распознавания, базирующихся на триплетных признаках [3]. В частности, при надлежащем выборе функционалов можно получать признаки инвариантные по отношению к движению и линейным деформациям изображений (изменению масштаба), что очень важно при распознавании текстур микрошлифов из области металлографии.
2. Сегментация текстур методом, основанном на трейс-преобразовании
Для определения большинства метрических свойств повторяющихся примитивов необходимо предварительно провести сегментацию текстуры. Подобная процедура позволяет из исходного об-
