Содержание к диссертации
Введение
ГЛАВА 1. Состояние вопроса и задачи исследования 9
1.1 Сортировка плодоовощной продукции и её место в технологическом процессе обработки продукции. 9
1.2 Системы распознавания качества продукции 22
1.3 Системы технического зрения 27
1.4. Выводы. Цель и задачи исследования 31
ГЛАВА 2. Теоретическое исследование цветовых характеристик поверхности для распознавания качества яблок 33
2.1. Цветовые характеристики изображения поверхности плода 33
2.2 Теоретические основы распознавания в трехмерном R, G, В -
пространстве признаков. 42
2.3. Линейная нейронная модель для распознавания пикселей изображения при распознавании показателей качества плодов 46
2.4. Анализ применимости различных источников света для распознавания качества продукции 53
ГЛАВА 3. Программа и методики экспериментальных исследований 57
3.1. Программа исследований. 57
3.2. Методики экспериментальных исследований 57
3.2.1. Описание стенда для исследования полноцветных изображений поверхности плодов 57
3.2.2. Методика получения цветовых характеристик показателей ка чества поверхности плодов 61
3.2.3. Методика обработки изображений показа телей качества 64
3.2.4. Методика нахождения разделяющих функций показателей качества. 68
3.3. Имитационная модель определения товарного сорта плодов 71
3.3.1. Процедуры имитации сортирования плодов. 71
3.3.2. Имитационная модель устройства сортирования плодов 72
3.3.3. Генератор изображений показателей качества 73
3.3.4. Блок весовых коэффициентов Б2 77
3.3.5. Блок порогов показателей качества 79
3.3.6. Блок расчета товарного сорта 81
3.3.7. Окно управления имитационной моделью 83
3.4. Методика проведения имитационного эксперимента. 85
ГЛАВА 4: Результаты экспериментальных исследований и их анализ . 90
4.1. Результаты эксперимента по определению RGB координат показателей качества 90
4.2 Результаты обработки нормированных RGB координат показателей качества с целью получения разделяющих функций между классами
4.3. Имитационное моделирование процесса разделения показателей качества в rgb - пространстве 102
4.4. Результат имитационного эксперимента по определению товарного сорта плода 104
ГЛАВА 5. Рекомендации по практическому использованию и экономическая эффективность результатов исследований 110
5.1. Использование имитационной модели распознавания качества плодов в сортировочных устройствах 110
5.2. Блок распознавания качества плода для сортировочного устройства 114
5.3. Компьютерный вариант распознавания качества плодов 117
5.4. Экономическая эффективность применения блока распознавания 121
Выводы 127
Литература
- Системы распознавания качества продукции
- Описание стенда для исследования полноцветных изображений поверхности плодов
- Результаты обработки нормированных RGB координат показателей качества с целью получения разделяющих функций между классами
- Блок распознавания качества плода для сортировочного устройства
Введение к работе
Важной операцией послеуборочной обработки плодов является их сортировка по качеству. Внешние повреждения; например, ушибы, вдавливания, ожоги снижают товарное качество плодов и уменьшают срок хранения. В настоящее время сортировка по механическим и другим повреждениям плодов осуществляется вручную. С ростом количества плодов и недостатком квалифицированных рабочих необходимо автоматизировать процесс сортировки плодов по качеству, в частности сортировку по механическим повреждениям; Разработанные к настоящему времени способы и устройства сортировки плодов по качеству проблемы сортировки по механическим повреждениям не решают /1,2, 3/.
Первые работы в области автоматического сортирования были посвящены отдельным вопросам распознавания и построения сортировочных устройств для таких показателей качества как зрелость томатов по цвету, яблок, цитрусовых и других аналогичных продуктов, где цвет изображения однозначно определял распознаваемый?показатель качества..Эти устройства были:основаны, на известных принципах построения интегральных оптико-электронных приборов в одном или нескольких спектральных диапазонах оптического излучения.
Анализ результатов исследований и разработок известных ученых И.Ф. Бородина, A.M. Башилова,,О.Н. Будаговской, А.С. Гордеева/6, 7, 10, 13, 17, 18, 22, 26, 32, 34, 35/ по объективной оценке поверхности качества плодов и их автоматическому сортированию показал, что дальнейшее повышение производительности труда на операции сортирования возможно при сокращения времени осмотра плода.
Дальнейшим развитием подобных систем были попытки создать сортировочные системы для дифференциальных показателей качества - пятен повреждений, болезней, проколов и т.п. Первоначально такие распознающие системы
создавались на базе оптико-механических сканирующих, а затем - телевизионных вычислительных устройствах - монохромных и спектрозональных, с использованием телевизионных (видео) датчиков вакуумных и твердотельных (приборов с зарядовой связью (ПЗС - матриц)).
Оптико-механические приборы имели сложную механическую конструкцию, низкую производительность съема информации с поверхности плодов и недостаточную надежность /5, 21, 24/.
По мере совершенствования видеодатчиков, особенно цветных на базе ПЗС - матриц, а также электронных средств обработки видеосигналов, распознающие системы для сортировочных устройств приобретали все более универсальный характер - число показателей качества, определяемых в одном устройстве росло, а надежность достигла уровня, когда их можно было уже применять в реальных условиях современного производства - цехах обработки хранилищ и переработки.
Цель,исследований. Научное обоснование модели распознавания товарного качества яблок и ее применение в устройствах сортирования плодов, а также решение ряда вопросов теории и практики обнаружения и оценки величины показателей товарного качества по их цветовым координатам.
Задачи исследования:
1.Исследовать объект сортирования - яблоки как поток изображений в системе технического зрения;
2.Исследовать оптические характеристики поверхности яблок в цветовой системе RGB видеокамеры;
3.Разработать и исследовать модель распознающего устройства для яблок с учетом требований к их качеству;
4.Разработать блок автоматического распознавания качества яблок;
5.Разработать методику расчета блока распознавания товарного качества и его привязки к устройству сортирования плодов;
6.Дать предложения < по практическому применению и экономической эффективности.
Объект исследований. Модель распознавания товарного качества яблок..
Предметом исследования являются алгоритм работы < модели и модель устройства распознавания качества яблок.
Методы исследований. В работе использованы теория распознавания образов, методы математической статистики и математического моделирования, а также планирования экспериментов.
Научная новизна работы заключается в:
- разработке методики съёма оптической;информации»о показателях ка
чества поверхности плодов с созданием базы изображений показателей качест
ва;
- выявлении связи между цветовыми характеристиками поверхности плода;
и показателями качества в RGB стандарте видеосигнала;
- обосновании: применения линейной разделяющей поверхности между
зонами» цветовых координат, соответствующих разным показателям* качества,
при обучении модели с помощью нейронной сети.
Реализация и внедрение результатов работы. Алгоритм работы модели распознающего устройства реализован в двух устройствах автоматического распознавания качества плодов. Результаты исследований внедрены по университетской программе об инновационных технологиях в учебном процессе наї кафедре «Информационно-управляющие системы» МГАУ имени B.IL Горяч-кина в виде виртуальной лабораторной работы «Анализ качества яблок при помощи модуля сопряжения компьютера через LPT-порт».
Апробация работы. Основные положения;диссертационной работы доложены и одобрены; на научной конференции профессорско-преподавательского состава, аспирантов > и> сотрудников МГСХА, посвященной 275-летию Российской академии наук (г. Мичуринск) 1998г., научно-практической конференции в Рязанской государственной сельскохозяйственной академии, г. Рязань, 1999
8 г., научной конференции студентов и аспирантов АЧГАА, г. Зерноград, 2000 г., научной конференции «Инженерное обеспечение АПК» МичГАУ, 2003 г., научной конференции МГАУ, г. Москва, 2004 г.
Публикации. По результатам исследований опубликовано 9 работ.
Объем работы. Диссертация состоит из 5-ти глав и приложения. Изложена на 199 страницах, включая 19 таблиц, 81 рисунка и списка литературы из 117 наименований.
Системы распознавания качества продукции
Современные автоматизированные системы сортирования плодов, способные работать, в условиях изменчивого потока плодов, должны учитывать информацию о состоянии каждого плода, следовательно, помимо аппаратных средств получения этой информации должны иметь и программные средства её обработки /41/.
В типовой системе технического зрения (СТЗ) с двухмерным изображением /42/ используется передающая камера на ПЗС. Структурная схема системы приведена на рис. 1.10. Система определяет такие геометрические характеристики, как высоту, длину, площадь, положение объектов в различных системах координат, форму объектов, наличие в них дефектов. Некоторые измерения проводятся параллельно, для; этого в поле зрения предусмотрено несколько окон. Изображение контролируемого объекта 1 фиксируется телекамерой 2.
Блок формирования, выходных данных 3 реализует пороговый: метод! для преобразования "серого" изображения в бинарное. В каждом окне преобразования производятся параллельно и независимо. Блок выделения! характеристик объектов 4 подсчитывает чёрные и белые элементы изображения внутри, окон, на основе которых вычисляются описанные геометрические характеристики. Полученные значения сравниваются с хранящимися в памяти эталонами в реальном масштабе времени. Блок анализа данных 5 в реальном масштабе времени сравнивает результаты измерений объекта с размерами эталона. Полученные данные анализируются блоком принятия решения 6, который определяет, бракованный объект; или нет. Существует возможность,выдачи обработанного изображения через блок сопряжения 7 на блок визуализации данных и контроля 8. На монитор выводятся как обработанные, так и необработанные видеосигналы, а также данные в цифровом виде.
Первоначально широкое применение имели СТЗ, обрабатывающие в основном бинарные изображения. Это связано с тем, что обработка» полутоновых изображений требует сложного программного обеспечения, которое зачастую делает невозможной работу системы в реальном масштабе времени. Но во многих практических задачах (распознавание дефектов, управление: процессом; упаковки и др.) необходимо получать и обрабатывать полутоновые изображения;
В работе /43/ приводится GT3, применяемая для обработки: полутоновых изображений, выпускаемая: фирмой International Robotation Intelligence. Изображение в этой системе фиксируется с помощью ПЗС-матрицы,256x256 элементов и содержит 256 градаций яркости. Процессор, применяемый в системе, имеет быстродействие около 106 операций в секунду. Система оснащена аппаратурой для выполнения основных функций обработки и сегментациюизображений. Она анализирует полутоновые изображения, т.е. не предъявляет особых требований к условиям освещенности, делает работу с перекрывающими объектами и. в условиях низкой контрастности. Она включает центральный микропроцессор, , содержащий оперативную память объём 16 К, блок предварительной обработки изображений, дополнительный процессор. К системе можно подключить четыре телекамеры, выбор которых в процессе работы производится программно. Видеосигнал от камеры. преобразуется с помощью восьмиразрядного АЦП в цифровую форму и заносится в буферную память, объём которой равен 256 К. Эти преобразования и запись сигнала. осуществляются параллельно с разверткой телекамеры и занимают 20 мена один полукадр; Предварительная обработка изображения производится с помощью специализированной аппаратуры в процессе ввода информации. Связь с дополнительным процессором осуществляется через канал прямого доступа в память /41/.
На рис.1.11 приведена структурная схема гибкой перестраиваемой системы для автоматизации контроля качества деталей применяемых в автомобильной? промышленности /44/. Специфика системы определяется v большой площадью контролируемых деталей. Система; состоит из робота ASEAIRb 6/2 с камерой; CCDmatrix camera фирмы Furchield, укреплённой на схвате манипулятора, и программно аппаратных средств обработки изображений. В системе используется процессор, который обрабатывает двумерное изображение, содержащее 784x512 элементов с 256 уровнями градаций. На основе специальных таблиц исходное изображение преобразуется в бинарное. Это позволяет повысить его контрастность и избавиться і от бликов. Сравнительно большая память, содержащая две страницы, каждая из которых запоминает полное изображение, даёт дополнительные возможности через устройство высокоскоростной -. обработки изображений в реальном масштабе времени выполнять операции сложения, вычитания, интегрирования:
Осуществляется вычитание фона; усреднение и другие операции для цифровой обработки двумерных сигналов. В системе предусмотрена возможность отображения информации, занесённой: в память, на мониторе и ввод её через канал прямого доступа в ЭВМ для дальнейшей обработки.
Описание стенда для исследования полноцветных изображений поверхности плодов
Отобранные партии продукции с заданными качественными показателями пропускаются через стенд: каждый исследуемый плод 7 помещается на І подставку, видеокамера считывает изображение каждого плода и посылает его в ЭВМ, где оно запоминается в виде цифровой матрицы. Далее с каждой матрицы изображения выбирается нужный участок, характеризующий данный показатель качества.
Участок выделяется в отдельную матрицу, таким образом, создаётся банк данных показателей качества поверхности.
Для освещения плода используются две матовые лампы накаливания мощностью по 60 Вт каждая.
В стенде используется видеокамера типа CCD корейской фирмы КОСОМ (ПРИЛОЖЕНИЕ А). Эта камера имеет цветную ПЗС-матрицу с выходным сигналом формата BNC и формата S-VHS. Формат BNC содержит полный RGB-видеосигнал, а S-VHS-полный RGB-видеосигнал (Y) и два цветоразностных сигнала (R-Y, B-Y).
Для обработки видеоинформации используется компьютер Genuine Intel, Intel(r) Celeron(tm) Processor, 31 МБ ОЗУ, с жестким диском на 8 ГБ (рис. 3.2)..
Для обеспечения процесса обработки изображений используется программное обеспечение общего и специального назначения. В качестве программного обеспечения общего назначения используется система Microsoft Windows 98, второе издание 4.10.2222А.
В стенде использовалось специальное программное обеспечение, состоящее из следующих пакетов программ: 1. Miro VIDEO Studio DC 10 Plus с программой VidCap немецкой фирмы Pinnacle, с помощью которой можно захватывать индивидуальные изображения или полные видеопоследовательности от видеомагнитофона или видеокамеры; 2. Пакет MATLAB 5, содержащий в своём составе инструмент визуального моделирования SIMULINK и решающий задачи, традиционно относящиеся к области цифровой обработки сигналов и изображений; 3. Программа обработки RGB-изображений показателей качества, т-файл izopok в среде MATLAB 5; 4. Программа генерирования показателей качества, m-файл genpok в среде MATLAB 5; 5. Программа нахождения разделяющих функций методом Байеса, т-файл bay в среде MATLAB 5.
Проводились исследования полноцветных изображений плодов, находящихся непосредственно на деревьях. Схема этого стенда приведена на рис. 3.3. Изображения плодов отсняли видеокамерой PANASONIC DV 100 на пленку в саду непосредственно на дереве. Съёмке подвергались плоды различного качественного состояния. На видеопленке накапливался банк данных изображений. После этого изображение считывалось видеомагнитофоном VHS SUPRA 95VR с пленки и подавалось на компьютер для анализа. Достоинством подобного способа накопления изображений является их достоверность, так как плоды в саду еще не подверглись каким либо воздействиям, в частности механическим. - анализируемый плод; 2 - видеокамера; 3 - видеоплёнка; 4 видеомагнитофон; 5 - блок обработки видеоинформации (ЭВМ).
Для обработки изображений использовался специальный блок распознавания, описание которого будет изложено в главе 4, и компьютер. 3.2.2. Методика получения цветовых характеристик показателей качества поверхности плодов Выбор показателей качества.
При выборе показателей качества для исследования их полноцветных изображений мы руководствовались существующими стандартами на товарное качество плодов, в которых определены все показатели и их характеристики, оп-ределяющие товарный сорт. В соответствии с ГОСТ 25572-85 нами были взяты следующие показатели качества, приведенные в таблице 3.1.
В левой колонке таблицы приведен номер показателя j, а в правой - его наименование по стандарту. Под номером j=l подразумевается поверхность, на фоне которой снимается изображение плода. Все остальные показатели качествах j=2...16, так или иначе, образуют полное изображение поверхности плода. Например, на здоровой зелёной поверхности плода j=2 находится прокол от механического повреждения j=10. На одной поверхности может находиться несколько показателей качества. В качестве фона взята поверхность белого цвета (матовая белая бумага).
Для исследований выбирались плоды в саду с указанными выше показателями качества, которые упаковывались и доставлялись в лабораторию (рис. 3.4). Отобранные партии продукции с заданными качественными показателями пропускаются через стенд: каждый исследуемый плод помещается на подставку, видеокамера считывает изображение каждого плода и посылает его в компьютер, где оно запоминается в виде цифровой матрицы. Далее с каждой матрицы изображения выбирается нужный участок, характеризующий данный показатель качества. Участок выделяется в отдельную матрицу, таким образом, создаётся банк данных показателей качества поверхности.
Методика отбора продукции для исследований заключается, в том, что? формируются партии яблок с однотипными поверхностями. Каждая из j=l,2...N партий состоит из і = 1,2... 10 плодов.
Результаты обработки нормированных RGB координат показателей качества с целью получения разделяющих функций между классами
В соответствии с методикой, изложенной в главе 3, нами были исследованы координаты цвета для 16-ти показателей качества. Результаты эксперимента - RGB-координаты в 50-тикратной повторности, их математические ожидания, среднеквадратические отклонения и дисперсии приведены в ПРИЛОЖЕНИИ Б. Эти результаты были обработаны с помощью программы обработки RGB-изображений показателей качества поверхности яблок izopok (ПРИЛОЖЕНИЕ В1).
Результаты расчета с помощью этой программы приведены в таблице 4.1. Для различных показателей качества j = 1-16 математические ожидания координат цвета RGB, их среднеквадратические отклонения и дисперсия пересекаются. Более детальное исследование исходной информации по RGB координатам цвета показывает значительный их разброс.
С помощью программы izopok получены экспериментальные гистограммы распределений R, G, В координат цвета для всех показателей качества (ПРИЛОЖЕНИЕ Г).
На рис. 4.2 приведены зоны RG - группировок для некоторых показателей качества: зеленого здорового, красного здорового, ушиба и фона. Зоны для различных показателей пересекаются, накладываются друг на друга, особенно зона ушиба и зеленого здорового плода, а также красного здорового и фона. Это показывает, что построение разделяющих границ между данными зонами с достаточно высокой вероятностью точности распознавания каждой зоны (класса) невозможно. Аналогичное пересечение зон наблюдается и для всех других сочетаний показателей качества. Использование всех трех координат цвета (переход от двумерного к трехмерному цветовому пространству) несколько снизит неопределенность разделения зон, но не устранит ее совсем.
Вид приведенных гистограмм и пересечение зон группировок показывает, что разделение показателей качества на классы по абсолютной величине R, G, В координат цвета с помощью разделяющих линейных функций 2.13 невозможен. Это происходит вследствие нескольких причин: при постановке эксперимента и в реальной действительности возникают различного рода неточности в определении показателя качества когда, например, ушиб идентифицируется как прокол или парша-с плодожоркой; возникают различного рода ошибки, шумы сигнала из-за бликов на поверхности плода и влаги; на результат съема изображений и его последующей оцифровки оказывает кривизна поверхности плода, особенно по краям изображения в области чашечки и плодоножки /9/. Теоретические гистограммы распределений R, G, В координат цвета для различных показателей качества, полученные как нормальные распределения с помощью программы genpok (ПРИЛОЖЕНИЕ В2) приведены в приложении Д. Параметры нормальных распределений для этой программы берутся из таблицы 4.1.
Результаты обработки нормированных RGB координат показателей качества с целью получения разделяющих функций между классами
На рисунках 4.3 - 4.7 приведены области координат цветности г, g (зоны) для различных сочетаний показателей качества, построенные по результатам обработки данных эксперимента программой COLOR, ПРИЛОЖЕНИЕ Е. На этих рисунках для большей наглядности приведены только две координаты г и g. В действительности, нами анализируется трехмерное пространство координат цветности rgb. Представление rgb-координат на трехмерном графике для нескольких показателей качества визуально не информативно.
На рисунке 4.3 приведены области координат цветности для поверхности красных здоровых, зеленых здоровых, ушиба и фона. Каждая группировка rg-координат для лучшего визуального восприятия обведена произвольной замкнутой линией в виде эллипса - границей зоны. Каждая зона соответствует определенному показателю качества.
При визуальном анализе рисунка 4.3; наблюдается абсолютное не пересечение зон для фона и плода. Это означает возможность получения разделяющих границ d , do и di п с вероятностью разделения, приближающейся к 1.
Наибольший практический интерес представляет выделение на фоне здоровой (зеленой, красной) поверхности механического повреждения плода -ушиба. Ушиб - наиболее часто встречающееся повреждение плода, снижающее его товарное качество.
Как видно на рисунке 4.3 между зоной ушиба и зонами зеленой здоровой и красной здоровой не существует взаимных пересечений. Это означает, что между этими зонами возможно построение разделяющих границ d2 ви із в, которые позволяют разделить зоны с вероятностью, приближающейся к 1. В практической деятельности (по существующим российским и международным стандартам на товарное качество плодов/107/) имеется необходимость разделения потока плодов на окрашенные (красные) и неокрашенные (зеленые): Иногда, возникает необходимость в обнаружении желтых плодов. На рисунке 4.3 представлены зоны для красных и зеленых плодов. Эти зоны пересекаются (накладываются друг на друга). Разделяющая граница между ними \2 з не сможет разделить эти зоны с вероятностью, близкой к 1. Чем больше площадь пересечения этих зон, тем ниже вероятность правильного разделения.
Блок распознавания качества плода для сортировочного устройства
При реализации второго направления нами разработана компьютерная система.
Установка для получения изображения сортируемых предметов, обработки этого изображения на предмет классификации и выдачи сигнала о каком-либо решении исполняющему устройству содержит (рис. 5.5): - персональный компьютер не ниже PENTIUM - 166, память - 64 Мб; - винчестер HDD - 3,2 Гб; - наличие модуля сопряжения; - наличие в компьютере платы контроллера видеокамеры; - видеокамера CCD.
Требование к программному обеспечению установки: - операционная система установленная на персональном компьютере -WIN98; - установленный пакет Pinnacle Studio DC 10 plus, в который входит сервис Vidcap для съема изображения с помощью видеокамеры; - установленные необходимые библиотеки системы Matlab 6.0 в каталог, предусмотренный этой системой; - установленные библиотеки Msvbvm60.dll, Dllportio.dll ситемы VB 6.0 в каталог C:\Windows\System32; на диске С:\ необходимо создать директорию Lab в которую копируются два файла Shelwait.exe и Viw3.exe. Описание работы установки: Файл Shelwaitexe является основной управляющей программой всей системы. Файл Viw3.exe - программой осуществляющей обработку полученного изображения.
Основная форма запущенной программы Shelwaitexe представлена на рисунке 5.6. Алгоритм работы управляющей программы Shelwaitexe и основные функции программ Viw3.exe и Vidcap.exe представлены на рисунке 5.7.
Перед видеокамерой помещается исследуемый продукт. При нажатии на кнопку «Пуск программы» на основной форме запущенной программы Shelwait.exe, сигнал от него передаётся в компьютер, где преобразуется с помощью программы записи видео VidCap в файл, содержащий один кадр этого предмета. Программа Viw3.exe обрабатывает файл изображения, и определяет класс предлагаемого объекта. Она создаёт текстовый файл oute, в котором помещается номер класса. Драйвер устройства выходного сигнала читает файл oute и формирует сигнал, вследствие которого загорается строго определённый индикатор на модуле сопряжения (1,2 —6). шижуыжтиул Состояние ґронесса измерения Затем на основной форме запущенной программы Shelwaitexe в окне «Численное значение» загорается номер класса, к которому принадлежит данный продукт (1 - 4), а в окне «Результаты» - название данного класса.
Программа Viw3.exe написана на m-языке и откомпилирована в среде Matlab 6.0. В процессе её создания использовались ещё несколько программ на m-языке, позволяющие определить вероятность распознавания классификатора, При реализации первого направления нами создан блок распознавания качества плода для сортировочного устройства. Блок предназначен для анализа и распознавания качества плодоовощной продукции по цвету.
Рассмотрим подробнее работу блока распознавания (рис. 5.3). Пусть плод находится в поле зрения видеокамеры. Стандартный полный видеосигнал (ПВС) с видеокамеры поступает на блок 1 и блок 4, где предусматривается возможность установки длительности строки и длительности кадра. 1-блок кадрового синхроимпульса (КСИ); 2-счетчик КСИ; 3-блок выбора кадра;4-блок строчного синхроимпульса (ССИ); 5-счетчик ССИ; 6-блок выбора строки; 7-генератор; 8-счетчик пикселя строки; 9-блок выбора пикселя строки; 10-логический управляемый ключ; II-декодер PAL; 12-блок выделения координат цвета; 13-установка коэффициентов разделяющих функций; 14-вычисление разделяющих функций; 15-вычисление площади пятен на поверхности; 16-определение товарного сорта; ВК-видеокамера.
Далее два сигнала (КСИ и ССИ) поступают на блоки 2 и 5, где происходит их подсчет, а затем и выбор (блок 3 и блок 6).
Генератор импульсов 7 вырабатывает импульсы частотой 8Мгц, которые поступают на счетчик пикселей строки изображения 8 и далее на блок 9, где происходит выбор отдельного пикселя строки изображения.
Тем самым получается, что на блок 10 поступает четыре сигнала: 1) кадр изображения; 2) строка изображения; 3) определенный элемент (пиксель) строки изображения; 4) тактовые синхроимпульсы частотой F = 8 МГц.
На выходе блока 10 получается разрешенный пиксель строки выбранного кадра изображения, который используется при работе блока 15.
Полный видеосигнал поступает на блок 11, где при помощи декодирующих матриц происходит выделение цветоразностных сигналов Ur-y и Ub-y, которые, попадая на блок 12, преобразуются в три координаты цвета: R, G, В. Далее в блоке 13 происходит установка коэффициентов разделяющих функций. После установки коэффициентов в блоке 14 происходит решение разделяющих функций; Блок 15 служит для выделения пятен на поверхности, для определения "размера пятна" (его площади относительно всей поверхности плода). По результатам, полученным на выходе блока 15, блок 16 формирует сигналы на разделение продукции по трем товарным сортам.
Достоинством созданного блока является распознавание каждого пикселя в текущем времени без применения большого объема памяти. К недостаткам можно отнести необходимость в специальных логических электронных устройствах, а также необходимость в периодическом обучении.
При реализации второго направления нами разработана компьютерная система.
Установка для получения изображения сортируемых предметов, обработки этого изображения на предмет классификации и выдачи сигнала о каком-либо решении исполняющему устройству содержит (рис. 5.5): - персональный компьютер не ниже PENTIUM - 166, память - 64 Мб; - винчестер HDD - 3,2 Гб; - наличие модуля сопряжения; - наличие в компьютере платы контроллера видеокамеры; - видеокамера CCD.
Требование к программному обеспечению установки: - операционная система установленная на персональном компьютере -WIN98; - установленный пакет Pinnacle Studio DC 10 plus, в который входит сервис Vidcap для съема изображения с помощью видеокамеры; - установленные необходимые библиотеки системы Matlab 6.0 в каталог, предусмотренный этой системой; - установленные библиотеки Msvbvm60.dll, Dllportio.dll ситемы VB 6.0 в каталог C:\Windows\System32; на диске С:\ необходимо создать директорию Lab в которую копируются два файла Shelwait.exe и Viw3.exe. Описание работы установки: Файл Shelwaitexe является основной управляющей программой всей системы. Файл Viw3.exe - программой осуществляющей обработку полученного изображения.
Основная форма запущенной программы Shelwaitexe представлена на рисунке 5.6. Алгоритм работы управляющей программы Shelwaitexe и основные функции программ Viw3.exe и Vidcap.exe представлены на рисунке 5.7.