CC BY
473
SYSTEM OF AUTOMATION OF DESIGNING OF
VIBROPROTECTION SYSTEMS OF EARTH-MOVING MACHINES
P. A. Korchagin
This article addresses the question about creation of system of automation of designing of vibroprotection systems of earth-moving machines
Keywords: vibration protection, vibration protection systems, mathematical modeling
Bibliographic list
1. Korchagin, P. A. Reduction of dynamic loads on the motor grader operator in transport mode [Text]: monograph / P. A. Korchagin, I. A. Chakyrin, E. A. Korchagin. - Omsk: Omsk in SibADI, 2009. - p. 195
2. Korchagin, P. A. Reduction of the level of angle of longitudinal vibrations excavator [Text]: monograph / P. A. Korchagin, I. Shelepov. - Omsk: Omsk in SibADI, 2005. - p. 92.
3. Korchagin, P. A. Reduction of dynamic loads on a single bucket excavator [Text]: monograph / V. Shcherbakov, P. A. Korchagin. - Omsk: Omsk in SibADI, 2000.is p. 147.
4. Korchagin, P. A. Reduction of dynamic loads on the motor grader operator on the basis of tractor ZTM-82 [Text]: monograph / P. A. Korchagin, A. I. Stepanov. - Omsk: Omsk in SibADI, 2003. - p. 84.
5. Savelyev, S. V., Soil compaction rollers with adaptive working bodies [Text]: monograph. - Omsk: Omsk in SibADI, 2010. - p. 122.
Корчагин Павел Александрович - доктор технических наук, профессор Каф. «Механика» Сибирская государственная автомобильно-дорожная академия (СибАДИ). Основное направление научных исследований: развитие научных основ проектирования виброзащитных систем строительных и дорожных машин. Общее количество публикаций - 52. e-mail: korchagin_pa@mail. ru
УДК 004.896; 004.93'11; 004.032.26
МЕТОДЫ РАСПОЗНАВАНИЯ ГРАФИЧЕСКИХ ОБРАЗОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ
И. В. Крысова, И. Л. Чулкова
Аннотация. Проведен анализ методов распознавания изображений, описана разработка эмулятора нейронной сети Хемминга для решения задач автоматизации классификации деталей по ЕСКД при конструкторско-технологической подготовке производства.
Ключевые слова: методы распознавания изображений, автоматизированное проектирование, нейронные сети, классификационная характеристика детали.
Введение
Современные системы
автоматизированного проектирования,
которые представлены линейкой продуктов CAD/CAM/CAE/PDM систем, в настоящее время позволяют автоматизировать большинство этапов конструкторско-технологической подготовки производства (КТПП). Однако все же остался ряд рутинных процедур, выполнение которых ложится на плечи конструктора. В данной статье речь пойдет об операции классификации деталей. Классификационная характеристика является основной частью обозначения детали или изделия и их конструкторских документов, которая решает целый ряд актуальных задач от создания единого информационного языка для автоматизированных систем до унификации и стандартизации. Таким
образом, присвоение характеристики детали по ЕСКД - это обязательный и важный этап разработки конструкторской документации.
В настоящее время существует два способа классификации детали. Первый - это «ручное» присвоение характеристики с помощью классификатора ЕСКД. Этот способ основной на данный момент. Второй -экспертная система «Классификатор» компании «Аскон», которая основана только на вербальном описании деталей и выбора пользователем нужного изображения деталей из имеющихся. Поиск нужного класса происходит в режиме «вопрос-ответ», а также просмотре текстового описания и эскизов. Т.е. распознавание изображений происходит пользователем системы.
Однако на данный момент активно развиваются различные методы
распознавания изображений и системы, построенные на их основе, с успехом решают такие задачи как идентификация отпечатков пальцев, роговицы глаза, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети, обнаружение подделок, распознавание автомобильных номеров, рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов. Т.е. методам распознавания образов стали доступны сложные задачи. В связи с этим необходимо рассмотреть возможность применения этих методов для автоматического распознавания
характеристики детали тех классов, для которых есть иллюстрированные
определители (классы 71-75) и нет необходимости описания их
функциональных и параметрических особенностей.
Целью статьи является определение оптимального метода распознавания изображений для решения задач автоматизации классификации деталей по ЕСКД при КТПП.
Основная часть
Основные причины замены человеческого участия в задачах распознавания это освобождение человека от однообразных операций для решения других более важных задач и повышение качества и скорости принимаемых решений. Этим и обусловлена актуальность решаемых задач.
Различают три основных группы методов распознавания:
1. Статистические.
2. Структурные.
3. Нейросетевые.
Статистический подход основывается на математических правилах классификации, которые формулируются и выводятся в терминах математической статистики. Этот метод обеспечивает получение
классификатора в тех случаях, когда известны плотности распределения для всех совокупностей образов и вероятности появления образов для каждого класса. В распознавании образов неизвестный объект для классификации представляется в виде вектора элементарных признаков.
Использование статистических методов классификации в распознавании образов возможно, когда для распознавания данных достаточно простых численных и символических признаков для описания объекта, таких как площадь символа, высота
и ширина описывающего прямоугольника, чтобы установить меры сходства образов.
В структурном распознавании символов сущность представляется в виде совокупности элементарных частей, их атрибутов и отношений наряду с глобальными признаками сущности. Ключевыми моментами данного подхода являются выбор непроизводных элементов образа, объединение этих элементов и связывающих их отношений в грамматики образов и, наконец, реализация в соответствующем языке процессов анализа и распознавания.
Методы структурного анализа применимы в тех задачах, в которых важна информация, описывающая структуру каждого объекта, а от процедуры распознавания требуется, чтобы она давала возможность не только отнести объект к определенному классу (классифицировать его), но и описать те стороны объекта, которые исключают его отнесение к другому классу. Типичным примером таких задач служит распознавание изображений. В случае, когда объекты сложны и число требуемых признаков часто велико, описание сложного объекта в виде иерархической структуры более простых подобразов становится обоснованным.
Перспективной альтернативой
традиционным методам решения задач распознавания образов являются нейронные сети (НС). Это активно развивающееся направление на сегодняшний день. Растут области применения нейронных сетей, появляются новые модели НС, существующие модели адаптируются для решения новых задач и т.д [2].
Искусственные нейронные сети - это математические модели, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма [3].
Основные преимущества НС:
1) Решение задач при неизвестных закономерностях. Используя способность обучения на множестве примеров, нейронная сеть способна решать задачи, в которых неизвестны закономерности развития ситуации и зависимости между входными и выходными данными. Традиционные математические методы и экспертные системы в таких случаях неприменимы.
2) Устойчивость к шумам входных данных. Возможность работы при наличии большого числа неинформативных, шумовых входных сигналов. Нет необходимости
делать их предварительный отсев, нейронная сеть сама определит их малопригодность для решения задачи и отбросит их.
3) Адаптация к изменениям окружающей среды. Нейронные сети обладают способностью адаптироваться к изменениям окружающей среды. В частности, нейронные сети, обученные действовать в определенной среде, могут быть легко переучены для работы в условиях незначительных колебаний параметров среды. Более того, для работы в нестационарной среде (где статистика изменяется с течением времени) могут быть созданы нейронные сети, переучивающиеся в реальном времени. Чем выше адаптивные способности системы, тем более устойчивой будет её работа в нестационарной среде.
4) Потенциальное сверхвысокое быстродействие. Нейронные сети обладают потенциальным сверхвысоким быстродействием за счет использования массового параллелизма обработки информации.
5) Отказоустойчивость при аппаратной реализации нейронной сети. Нейронные сети потенциально отказоустойчивы. Это значит, что при неблагоприятных условиях их производительность падает незначительно. Например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется. Однако, принимая в расчет распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на её работоспособность. Поэтому снижение качества работы нейронной сети происходит медленно.
Искусственные нейронные сети предоставляют мощные гибкие и универсальные механизмы обучения, что является их главным преимуществом перед другими методами, указанными выше. Обучение избавляет от необходимости выбирать ключевые признаки, их значимость и отношения между признаками. Но, тем не менее, выбор исходного представления входных данных существенно влияет на качество решения. Нейронные сети обладают хорошей обобщающей способностью, то есть могут успешно распространять опыт, полученный на конечном обучающем наборе, на множество образов.
Нейронные сети могут быть обучены сложной структуре образов с меньшими затратами памяти, чем требуется для классификации структурными методами. Обучение избавляет от необходимости выбирать ключевые признаки и отношения между признаками. Параллельность работы нейронов обеспечивает быстрое и качественное распознавание образов.
Благодаря хорошей обобщающей способности искусственные нейронные сети могут успешно распознавать образы, не предъявляемые в обучении, а также быть устойчивыми к шуму во входных данных.
Анализ методов распознавания и указанные в литературе многочисленные случаи успешного использования
искусственных нейронных сетей, а также перспективность их развития привели к выбору нейросетевого метода для классификации деталей по ЕСКД.
Рассмотрим типы НС и их возможности при распознавании изображений [1]:
Однослойные нейронные сети: обучаются восстанавливать подаваемые изображения. Подавая на вход тестовое изображение и вычисляя качество реконструированного изображения, можно оценить насколько сеть распознала входное изображение. Положительные свойства этого метода заключаются в том, что сеть может восстанавливать искажённые и зашумленные изображения, но для более серьёзных целей он не подходит. Для задач классификации с использованием частотных характеристик всего изображения используют однослойные НС, основанные на многозначных нейронах.
Многослойные нейронные сети (МНС): используются для непосредственной классификации изображений - на вход подается или само изображение в каком-либо искаженном виде, или набор ранее извлеченных ключевых характеристик изображения, на выходе нейрон с максимальной активностью указывает принадлежность к распознанному классу. Процесс обучения устанавливает соответствие подаваемых на вход образов с принадлежностью к определённому классу. Такой подход обеспечивает
непосредственное сравнение сетью самих образов, но с увеличением числа классов время обучения и работы сети возрастает экспоненциально.
Сверточная_нейронная_сеть:
обеспечивает частичную устойчивость к
изменениям масштаба, смещениям, поворотам и искажениям. Обучается такая сеть стандартным методом обратного распространения ошибки.
Наиболее распространённые нейронные сети, используемые для обработки изображений [4]:
■ Нейронная сеть Хопфилда: является однослойной и полносвязной, её выходы связаны со входами. Сеть функционирует до тех пор, пока не достигает стабильного состояния, которое и будет являться её выходным значением. Применение такой НС в качестве ассоциативной памяти позволяет точно восстанавливать образы, которым сеть обучена, при подаче на вход искажённого образа.
■ Нейронные сети Кохонена: обеспечивают топологическое упорядочивание входного пространства образов. В отличии от большинства других методов топологическое упорядочивание классов сохраняет на выходе подобие во входных образах.
■ Когнитрон: своей архитектурой похож на строение зрительной коры, имеет иерархическую многослойную организацию, в которой нейроны между слоями связаны только локально. Когнитрон является мощным средством распознания изображений, однако требует высоких вычислительных затрат.
■ Неокогнитрон: является дальнейшим развитием идеи когнитрона и более точно отражает строение зрительной системы, позволяет распознавать образы независимо от их преобразований, вращений, искажений и изменений масштаба. Неокогнитрон может как самообучаться, так и обучаться с учителем. Неокогнитрон получает на входе двумерные образы, аналогичные изображениям на сетчатке глаза, и обрабатывает их в последующих слоях аналогично тому, как это было обнаружено в зрительной коре человека.
■ Нейронная сеть Хемминга: представляет собой сеть с двумя обрабатывающими слоями: первый слой -слой Хемминга, второй слой - немного изменённая сеть Хопфилда. Сеть Хемминга реализует классификатор, базирующийся на наименьшей погрешности для векторов двоичных входов, где погрешность определяется расстоянием Хемминга. Идея работы сети состоит в нахождении расстояния Хемминга от тестируемого образа до всех образцов. Расстоянием Хемминга
называется число отличающихся битов в двух бинарных векторах. Сеть должна выбрать образец с минимальным расстоянием Хемминга до неизвестного входного сигнала, в результате чего будет активизирован только один выход сети, соответствующий этому образцу. Если в задаче ассоциативной памяти нет необходимости в том, чтобы нейросеть выдавала эталонный образец, а достаточно только номера образца, то для этих целей используется сеть Хемминга.
Для автоматизации операции
классификации деталей по ЕСКД была выбрана нейронная сеть Хемминга. Сеть работает предельно просто и быстро. В модели использован один из самых простых алгоритмов формирования синаптических весов и смещений сети. В отличие от сети Хопфилда, емкость сети Хемминга не зависит от размерности входного сигнала, она в точности равна количеству нейронов. Сеть Хопфилда с входным сигналом размерностью 100 может запомнить 10 образцов, при этом у нее будет 10000 синапсов. У сети Хемминга с такой же емкостью будет всего лишь 1000 синапсов. Достоинством сети Хемминга считается небольшое количество взвешенных связей между нейронами. Многочисленные эксперименты доказали, что сеть Хемминга дает лучшие результаты, чем сеть Хопфилда.
Общий алгоритм распознавания для сети Хемминга состоит из четырёх частей: подача распознаваемого образа на входы сети, передача данных с первого слоя на второй, обработка данных вторым слоем, выбор распознанного образа.
Алгоритм работы первого этапа выглядит так:
1. Выбирается очередной нейрон.
2. Обнуляется его выход.
3. Изображение локализуется и приводится к нужному масштабу.
4. Локализованный образ поточечно подаётся на входы нго нейрона. Если к-я точка образа чёрная, то к значению выхода добавляется значение веса к-го входа, в противном случае его значение вычитается.
5. Значение выхода пропускается через функцию линейного порога.
6. Переход на шаг 1, пока не исчерпаны все нейроны первого слоя.
На втором этапе надо передать данные с выходов первого слоя на входы второго и в список результатов предыдущего прохода распознавания.
На третьем этапе начинает работу второй слой по следующей схеме.
1. Обнуляется счётчик итераций.
2. Запоминаются выходы нейронов в списке результатов предыдущего прохода.
3. Перебираются поочередно все нейроны.
4. Каждый нейрон принимает значения выходов всех нейронов, суммирует их, предварительно умножив на коэффициент (кроме случая, когда нейрон принимает своё же значение, которое остается без изменения).
5. Полученную сумму каждый нейрон посылает на свой выход.
6. Переход на шаг 2, пока выходы нейронов на текущей итерации не совпадут с выходами на предыдущей или пока счетчик числа итераций не превысит некоторое значение. Теоретически второй слой должен работать пока его выходы не стабилизируются, но на практике количество итераций искусственно ограничивают.
Последний шаг - выбор нейрона второго слоя с наибольшим значением на выходе. Его номер и есть характеристика детали.
Для проверки жизнеспособности метода, на его основе разработан эмулятор нейронной сети Хемминга для классификации деталей одного подкласса по ЕСКД. Растровое изображение детали (Ьтр-файл вида детали в разрезе, который дает наиболее полное представление о форме и размерах предмета) на входе преобразуется в нужный размер, локализуется и
представляется в виде бинарного вектора, который подается на вход сети. Выходным сигналом является непосредственно характеристика детали. Алгоритм обучения нейронной сети был адаптирован для данной задачи.
Эмулятор обучен на трех изображениях (рисунок 1), которые были взяты из иллюстрированного определителя деталей. В результате тестирования разработанной программы были сделаны следующие выводы:
• обучать сеть необходимо на нескольких вариантах изображений одной и той же характеристики (изображения разных видов детали);
• изображения с иллюстрированного определителя деталей не подходят для обучения сети, потому что они содержат такие элементы как линии разрыва, которых может и не быть на чертеже;
• такие элементы как пазы, фаски, линии обрыва мешают однозначной классификации, т.к. могут присутствовать в любом классе деталей;
• программа должна в качестве результата формировать характеристику детали не только с наибольшим значением нейрона на выходе, но и со значениями близкими к нему, причем характеристика детали должна сопровождаться её описанием и эскизом с классификатора ЕСКД;
$ Обучен« исЛрвннС'и сет* ш
Обучит*
Г
(тазиб
•С1---- [123193 ВыИМ
Рис. 1. Интерфейс эмулятора нейронной сети Хемминга для классификации деталей по ЕСКД
• данный метод подходит только в тех случаях, где нет необходимости описания функциональных и параметрических особенностей деталей.
Заключение
Дальнейшее развитие исследования предполагает устранение
вышеперечисленных проблем и увеличение классов деталей для распознавания изображений. Но уже на данном этапе можно сказать, что описанная разработка позволит определить характеристику детали по её изображению, сократить время оформления конструкторской документации и, в случае интеграции классификатора с PLM-системой, автоматизировать процесс присвоения характеристики детали.
Таким образом, проведенный анализ показал, что нейронные сети обладают большими возможностями по распознаванию и классификации изображений, а разработанный эмулятор продемонстрировал работоспособность сети Хемминга для решения задачи присвоения характеристики детали, как этапа автоматизированного проектирования.
METHODS OF RECOGNITION OF GRAPHIC IMAGES FOR A PARTICULAR PURPOSE COMPUTER AIDED DESIGN
I. V. Krysova, I. L. Chulkova
The analysis methods for image recognition, described the development of a neural network emulator Hamming automation solutions for the classification of parts on a single system design documentation for design and technological preparation of production.
Keywords: methods of pattern recognition, computer-aided design, neural network, classification characteristic details.
Библиографический список
1. Крысова И. В., Обработка изображений с помощью нейронных сетей/ И. В. Крысова, С. В. Пасечник, П. С. Бугаенко // ХХХ1Х Гагаринские чтения. Научные труды молодёжной научной конференции. Том 4. - М.: МАТИ, 2013. - С. 144146.
2. Романова И. В. Интеллектуальные подсистемы САПР. - Омск: Изд-во ОмГТУ, 2008. -62 с.
3. Хайкин С. Б. Нейронные сети: полный курс. - 2-e изд. Пер. с англ. - М.: Издательский дом "Вильямс", 2006. - 1104 с.
4. Шапиро Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман. Перевод с английского - М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.
Bibliographic list
1. Krysova I. V. Image processing using neural networks / I.V. Krysova, S. V. Pasechnik, P. S. Bugaenko / / XXXIX Gagarinskie chteniy. Scientific works of youth scientific conference. Volume 4. - M.: MATI, 2013. - P. 144-146.
2. Romanova I. V. Intelligent CAD subsystem. -Omsk: Omsk State Technical University Publishing House, 2008. - 62 p.
3. Chaikin S. B. Neural networks: a complete course. - 2-e ed. tran. from English. - M.: Publishing House "Williams" 2006. - 1104 p.
4. Shapiro L. Computer Vision / L. Shapiro, J. Stockman. Translation from English - M.: BINOM. Knowledge Laboratory, 2006. - 752 p.
Крысова Ирина Викторовна - кандидат технических наук, доцент кафедры «Инженерная геометрия и САПР» Омского государственного технического университета. Основное направление научных исследований - САПР, интеллектуальные САПР, интеллектуальные системы.
Чулкова Ирина Львовна - доктор технических наук, профессор, заведующая кафедрой «Строительные материалы и специальные технологии» Сибирской государственной автомобильно-дорожной
академии. Основное направление научных исследований - состав, структура, эксплуатационные свойства минеральных вяжущих материалов, формирование структуры строительных композитов с использованием техногенного сырья.
