Содержание к диссертации
Введение
ГЛАВА 1 Состояние современных технологий идентификации подвижных единиц на железнодорожном транспорте 13
1.1 Анализ вопроса идентификации железнодорожных подвижных единиц в существующих автоматизированных системах 14
1.1.1 Системы диагностики подвижного состава 15
1.1.2 Интеллектуальные системы обеспечения безопасности 17
1.2 Обзор существующих систем идентификации железнодорожных подвижных единиц 19
1.2.1 Радиочастотная идентификация 19
1.2.2 Спутниковое трекирование 21
1.2.3 Оптическое распознавание 23
1.3 Пути повышения уровня достоверности и точности идентификации в системах автоматического распознавания номеров вагонов 28
1.4 Выводы по главе 1 34
ГЛАВА 2 Разработка гибридной модели автоматического распознавания инвентарных номеров железнодорожных подвижных единиц 35
2.1 Прогностическая модель сегментации трафаретных цифр инвентарных номеров железнодорожных подвижных единиц 35
2.2 Нейроиммунная модель классификации в задачах идентификации на транспорте 39
2.3 Гибридная модель блочного распознавания инвентарных номеров железнодорожных подвижных единиц 41
2.4 Выводы по главе 2 47
ГЛАВА 3 Разработка гибридной модели оптической идентификации железнодорожных подвижных единиц 49
3.1 Метод оптической идентификации железнодорожных подвижных единиц на основе выделения устойчивых интегральных признаков
3.2 Гибридная модель оптической идентификации железнодорожных подвижных единиц на основе базы данных устойчивых интегральных признаков
3.3 Нейроиммунная модель словаря «визуальных слов» в задачах идентификации железнодорожных подвижных единиц 66
3.4 Выводы по главе 3 73
ГЛАВА 4 Разработка гибридных моделей автоматизации процессов идентификации железнодорожных подвижныхединиц 75
4.1 Гибридный метод автоматической локализации подвижных единиц в железнодорожном составе на основе иммунной системы отрицательного отбора
4.2 Вероятностная продукционная модель автоматической идентификации подвижных единиц на основе сопроводительной документации и матрицысмежности поезда 78
4.3 Экспериментальное исследование предложенных в работе моделей и методов
4.3.1 Вычислительные эксперименты. Нейроиммунная модель классификации 94
4.3.2 Вычислительные эксперименты. Метод идентификации на основе интегральных устойчивых признаков 97
4.3.3 Вычислительные эксперименты. Модель автоматического распознавания автосцепки 99
4.4 Выводы по главе 4 102
ГЛАВА 5 Программно-аппаратная реализация универсальной системы технического зрения автоматического распознавания номеров вагонов 103
5.1 Проектирование архитектуры и разработка программно-аппаратного обеспечения распределенной системы технического зрения автоматического распознавания номеров вагонов 103
5.1.1 Выбор системы искусственного освещения 107
5.1.2 Разработка энергоэффективной системы удаленной локализации подвижных единиц в железнодорожном составе 110
5.1.3 Использование разнородных признаков подвижных единиц в задачах автоматической идентификации 118
5.2 Результаты внедрения универсальной системы технического зрения автоматического распознавания номеров вагонов в составе систем диагностики подвижных единиц 122
5.3 Оценка экономической эффективности внедрения системы технического зрения автоматического распознавания номеров вагонов на крупной сортировочной станции 129
5.3.1 Финансовый план проекта 133
5.3.2 Оценка эффективности проекта 136
5.3.3 Анализ рисков проекта 139
5.4 Выводы по главе 5 141
Заключение 143
Список использованных источников 146
- Обзор существующих систем идентификации железнодорожных подвижных единиц
- Нейроиммунная модель классификации в задачах идентификации на транспорте
- Гибридная модель оптической идентификации железнодорожных подвижных единиц на основе базы данных устойчивых интегральных признаков
- Экспериментальное исследование предложенных в работе моделей и методов
Введение к работе
Актуальность темы исследования. Одним из показателей уровня
технологичности, безопасности и рентабельности на железнодорожном
транспорте, является развитость систем автоматического управления
процессами перевозок. Активно развивающиеся микропроцессорные
системы – диспетчерской централизации, релейно-процессорной
централизации, микропроцессорной централизации, автоблокировки являются основными инструментами автоматизированного регулирования и управления перевозочным процессом для диспетчера или дежурного, при оперативной поездной или станционной работе. Но при этом, информация о подвижном составе: количестве, инвентарных номерах и других характеристиках вагонов поступает в аппарат управления опосредованно, от систем верхнего уровня – автоматизированной системы оперативного управления перевозками, автоматизированной системы управления сортировочной станцией и др., которые являются системами с «ручным» вводом данных и как следствие зачастую искажают фактическую обстановку на полигоне.
Принципиальный переход от систем с «ручным» вводом данных к среде автоматического формирования модели поездной и повагонной ситуации на сети дорог, открывает новые возможности перед персоналом дирекции движения для существенного повышения эффективности от грузовой и коммерческой деятельности в ОАО «РЖД».
Актуальность темы отмечена на заседании Объединенного ученого совета ОАО «РЖД» (протокол №48, от 24.04.2014), а также поддержана грантами РФФИ, проект № 13-07-00226а, проект № 13-07-13109 офи_м_РЖД и ФГБОУ ВО РГУПС, договор № 625/3.
Степень разработанности проблемы. Большой вклад в развитие
интеллектуальных технологий для автоматизации сложных
технологических процессов на железнодорожном транспорте внесли такие
ученые как С. Е. Ададуров, Л. А. Баранов, В. А. Гапанович, И. Д. Долгий,
А. М. Замышляев, В. Н. Иванченко, В. М. Лисенков, Э. А. Мамаев,
А. Б. Никитин, Е. Н. Розенберг, И. Н. Розенберг, В. В. Сапожников,
Вл. В. Сапожников, В. Н. Таран и др.
Большой вклад в развитие технологий искусственного интеллекта в
исследуемой сфере внесли такие ученые как Г.И. Белявский,
Л. С. Берштейн, М. А. Бутакова, К. В. Воронцов, А. Н. Гуда, Д. Дасгупта,
А. Н. Каркищенко, С. М. Ковалев, А. Г. Коробейников, С. Осовский,
Д. А. Поспелов, Ф. Розенблатт, С. В. Соколов, В. Б. Тарасов,
A. Е. Хатламаджиян, Э. Ын, Н. Г. Ярушкина и др.
Исследованиям в области создания автоматизированных систем
технического зрения посвящены работы таких ученых как Ю. В. Визильтер, Р. Вудс, Р. Гонсалес, Н. Л. Казанский, Ю. А. Косилов, А. А. Лукьяница,
B. А. Сойфер, Дж. Стокман, Л. Шапиро, А. Г. Шишкин, и др.
Цель работы. Целью диссертационной работы является разработка
интеллектуальных методов и средств функционирования систем технического зрения (СТЗ) для идентификации подвижных единиц, позволяющих существенно повысить уровень достоверности результатов и автоматизации функционирования систем управления процессами перевозок на железнодорожном транспорте.
Для достижения поставленной цели требуется решение следующих задач:
-
Разработать метод автоматического распознавания инвентарных номеров подвижных единиц, устойчивый к различным видам помех, искажающих инвентарные номера, путем интеллектуализации основных этапов распознавания.
-
Разработать новый принцип оптической идентификации подвижных единиц в условиях влияния внешних факторов, ухудшающих процесс идентификации по инвентарному номеру, использующий набор
альтернативных индивидуальных признаков, характеризующих подвижных единиц.
-
Разработать гибридный метод автоматической локализации подвижных единиц в железнодорожном составе на основе объединения информации, полученной от датчиков прохождения колеса и графического представления конструктивных элементов подвижных единиц для повышения достоверности разделения состава на вагоны.
-
Разработать продукционную модель автоматической идентификации подвижных единиц, основанную на использовании экспертной базы знаний технологических ситуаций при операциях с вагонами и статистической вероятности их проявления.
-
Реализация результатов диссертационной работы в научно-практической разработке СТЗ идентификации подвижных единиц.
Объектом исследования являются технологические процессы идентификации подвижных единиц, системы технического зрения и системы автоматического распознавания номеров вагонов (АРНВ).
Предметом исследования являются: математические модели и интеллектуальные методы идентификации подвижных единиц, их алгоритмическое, программно-аппаратное и информационное обеспечение. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06 – «Автоматизация и управление технологическими процессами и производствами (транспорт)»:
П.8. Формализованные методы анализа, синтеза, исследования и оптимизация модульных структур систем сбора и обработки данных в АСУТП, АСУП, АСТПП и др.
П.9. Методы эффективной организации и ведения
специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации.
П.10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей, функциональных и обеспечивающих подсистему АСУТП, АСУП, АСТПП и др.
П.12. Методы контроля, обеспечения достоверности, защиты и резервирования информационного и программного обеспечения АСУТП, АСУП, АСТПП и др.
П.15. Теоретические основы, методы и алгоритмы
интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).
П.16. Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.
Методы исследования. Для решения поставленных задач
использовался инструментарно-методологический аппарат, включающий
методологию формализованного анализа, инструменты и средства
системного анализа, а именно: теорию распознавания образов, методы
анализа временных рядов, элементы теории эволюционного
моделирования, теорию искусственных нейронных сетей, методы цифровой обработки сигналов, методы машинного обучения, теорию искусственных иммунных систем, алгоритмы обработки изображений и пр. Программно-математическое обеспечение выполнено на языках программирования С/С++/С# и Python.
Научная новизна. Научная новизна диссертационной работы заключается в следующем:
1. Разработан метод автоматического распознавания инвентарных
номеров подвижных единиц на основе прогностической модели сегментации трафаретных цифр и метода блочного распознавания инвентарных номеров вагонов на базе нейроиммунной модели классификации, обладающий повышенной устойчивостью к сильно
искаженным номерам, не соответствующим требованиям написания ПКБ ЦВ №632-2006.
-
Предложен новый подход и разработана модель идентификации подвижных единиц на основе формирования базы данных устойчивых интегральных признаков, обобщающих все индивидуальные конструктивные особенности и графические обозначения на подвижной единице, позволяющая повысить эффективность применения метода автоматического распознавания инвентарных номеров подвижных единиц в сложных условиях влияния внешних факторов.
-
Разработан гибридный метод автоматической локализации подвижных единиц в железнодорожном составе, включающий в себя двухэтапный темпоральный алгоритм на базе датчиков прохождения колеса и метод распознавания автосцепки на базе искусственной иммунной системы отрицательного отбора, позволяющий повысить достоверность локализации.
4. Разработана вероятностная продукционная модель
автоматической идентификации подвижных единиц, основанная на
использовании предварительных результатов работы систем
автоматической идентификации подвижных единиц, данных
сопроводительной технологической документации о составе поезда и
экспертной базы знаний о технологических ситуациях при операциях с
вагонами, позволяющая повысить достоверность работы методов
идентификации подвижных единиц на железнодорожном транспорте.
Практическая значимость диссертационной работы определена
реальным внедрением универсальной СТЗ АРНВ на объекте
промышленного транспорта, а также на сети дорог ОАО «РЖД». Результаты диссертации отмечены призовыми местами Второго всероссийского конкурса научных работ среди студентов и аспирантов транспортных ВУЗов, проведенного Объединенным ученым советом ОАО «РЖД», и
Городского конкурса практико-ориентированных научно-
исследовательских работ студентов, аспирантов и молодых ученых, проведенного администрацией г. Ростова-на-Дону в 2014 г.
Достоверность и обоснованность научных положений, выводов и
результатов, сформулированных в диссертационной работе,
подтверждается результатами вычислительных экспериментов на
практических и модельных задачах, публикациями и докладами на научно-практических конференциях, а также актами внедрения результатов работы.
Реализация результатов работы. Предложенные алгоритмы и методы оптической идентификации подвижных единиц были реализованы в программно-аппаратном обеспечении универсальной СТЗ АРНВ, а также использовались в качестве инструментария при выполнении ряда научных исследований по грантам РФФИ и ФГБОУ ВО РГУПС.
Основные положения, выносимые на защиту.
-
Метод автоматического распознавания инвентарных номеров подвижных единиц на основе прогностической модели сегментации трафаретных цифр и метода блочного распознавания инвентарных номеров вагонов на базе нейроиммунной модели классификации, обладающий повышенной устойчивостью к номерам сильно искаженным и не соответствующим требованиям написания ПКБ ЦВ №632-2006
-
Подход к оптической идентификации подвижных единиц в условиях влияния внешних, усложняющих процесс распознавания, факторов и имеющих инвентарные номера, не соответствующие требованиям написания ПКБ ЦВ №632-2006, на основе базы данных устойчивых интегральных признаков, характеризующих их индивидуальные конструктивные особенности.
-
Гибридный метод автоматической локализации подвижных единиц в железнодорожном составе, включающий в себя двухэтапный темпоральный алгоритм на базе датчиков прохождения колеса и метод
распознавания автосцепки на базе искусственной иммунной системы отрицательного отбора, повышающий стабильность и достоверность локализации.
4. Вероятностная продукционная модель автоматической
идентификации подвижных единиц, основанная на использовании
предварительных результатов работы систем автоматической
идентификации подвижных единиц, данных сопроводительной
технологической документации и экспертной базы знаний технологических
ситуаций при операциях с вагонами, позволяющая повысить устойчивость
идентификации за счет гибридизации разнородных источников
информации о подвижной единице.
Апробация результатов работы. Апробация основных
теоретических и практических результатов работы проводилась на научных семинарах (с 2010 по 2014 гг., РГУПС), Международной научной конференции «Механика и трибология транспортных систем» (г. Ростов-на-Дону, 2011 г.), Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г. Коломна, 2013 г.), Всероссийских научно-практических конференциях и симпозиумах «Транспорт» (г. Ростов-на-Дону, 2012 - 2014 гг.), Объединенном ученом совете ОАО «РЖД» (г. Москва, 2014 г.), Молодежном инновационном конвенте Ростовской области (г. Ростов-на-Дону, 2014 г.).
Публикации. По теме диссертационной работы опубликовано 13 печатных работ, в том числе 7 опубликованы в изданиях, входящих в перечень ведущих рецензируемых научных журналов и изданий ВАК РФ.
Структура и объем работы. Диссертационная работа
последовательно раскрывает цель и задачи исследования и состоит из введения, пяти глав, общих выводов, заключения, списка использованных источников и приложений. Общий объем работы составляет 158 страниц
машинописного текста, 65 рисунков, 12 таблиц. Список использованных источников включает 82 наименования отечественных и зарубежных авторов.
Обзор существующих систем идентификации железнодорожных подвижных единиц
Согласно [7], основополагающей RFID-системой автоматической идентификации, внедрившей свои разработки в государственном отраслевом масштабе, на сети дорог США, является система «Amtech», компании «Amtech Systems Division».
Что касается европейских стран [7], для идентификации железнодорожных подвижных единиц используется модификация системы «Amtech», отличающейся не только по характеристикам работы, но и по структурному размещению оборудования. Расположение RFID-считывателя предполагается под проходящими подвижными единицами, соответственно RFID-метка крепится к бортам подвижных единиц снизу. На отечественном рынке представлены следующие RFID-системы идентификации железнодорожных подвижных единиц: САИ ПС «Пальма», САИД «ЦКЖТ», система «РЧИД-ПАВ-ШАХТА». Рассмотрим их характеристики более подробно.
Система автоматической идентификации подвижного состава «Пальма» [8]. Система «Пальма» является RFID-системой автоматической идентификации подвижных единиц. Кратко об основных принципах ее работы:
1. Осуществляется оборудование подвижного состава кодовыми бортовыми датчиками КБД-2М, содержащими информацию об оборудованной подвижной единице.
2. В контрольных точках (депо, вход/выход станции) устанавливаются пункты автоматического считывания информации из прошедших датчиков.
3. Получаемая со всех пунктов считывания данного железнодорожного узла концентрируется на линейном уровне, проходит предварительную обработку и передается в концентратор дорожного уровня.
4. В концентраторе дорожного уровня осуществляется формирование конечного результата идентификации, содержащего идентификационные 8-значные данные подвижных единиц, а также информацию о составе, в котором они проследовали пункт считывания.
Система автоматической идентификации «ЦКЖТ» [9]. САИД «ЦКЖТ» так же является RFID-системой идентификации подвижных единиц. Принцип работы системы описывается следующим образом: при занятии поездом рельсовой цепи, в пределах которой расположено считывающее устройство, контроллер посылает пакет запроса и ожидает ответа. Пакет ответа устройства считывания содержит идентификационные данные проследовавшей подвижной единицы. В информационные пакеты запроса и ответа входят байты контрольной суммы, которые проверяются на контроллере линейного пункта и микроконтроллере устройства считывания, обеспечивая защиту от искажений при передаче. Принятые контроллером линейного пункта идентификационные данные, побитно сохраняются в группе ТЗК ТС и передаются на центральный пост. Для каждого считывающего устройства выделяется отдельная группа в ТЗК ТС.
Согласно [10], был выполнен комплекс работ по внедрению на сети дорог ОАО «РЖД», спутниковых технологий (рисунок 8): систем ГЛОНАСС/GPS и информационных сервисов, с помощью которых была предоставлена гарантированная возможность высокоточного определения дислокации и параметров таких объектов, как: пассажирские и грузовые поезда; ожарные поезда; специальные самоходные подвижные средства; комплексы путевых машин; передвижные средства диагностики и мониторинга; тяговый и моторный подвижной состав. Рисунок 8 – Внедрение спутниковых технологий в ОАО «РЖД»
Помимо внедрения инновационных спутниковых технологий, усилия ОАО «НИИАС» нацелены на создание и интеграцию комплексных информационно-управляющих систем контроля поездной и станционной работой, новых поколений информационных систем моделирования и анализа перевозочного процесса. Использование нового поколения локомотивных устройств безопасности, спутниковых технологий и радиоканала, на пути создания таких систем, как: комплексные многоуровневые системы безопасности движения, системы интервального регулирования движения поездов, принципиально новые комплексные системы диагностики и мониторинга объектов инфраструктуры и подвижного состава, а также системы контроля перевозки опасных грузов, -позволяет повысить плотность поездопотока и пропускной способности железных дорог, осуществить реализацию целей ресурсосбережения, оптимизировать работу инфраструктурных хозяйств и путевой ремонтной техники в «окнах» в увязке с управлением поездной работой, а также обеспечить высокоточными координатными и планово-картографическими данными для снижения затрат и трудоемкости проведения инженерно-геодезических изысканий при проектировании и строительстве.
В последние десятилетия, благодаря достижениям в развитии информационных и компьютерных технологий были разработаны новые методы анализа и обработки изображений, благодаря которым стало возможным создание промышленных систем оптического распознавания символов (Optical character recognition, OCR). Созданием искусственных систем, получающих информацию из изображений, занимается научная дисциплина - компьютерное зрение. OCR-системы на сегодняшний день широко используются в различных областях народного хозяйства, позволяя автоматизировать разнообразные задачи: конвертация книг, документооборота в электронный вид; форматирование или преобразование текста в речь; системы автоматической идентификации; системы управления процессами; системы дополненной реальности и др.
Системы считывания информации с подвижных объектов, в том числе и инвентарных номеров железнодорожных подвижных единиц известны с начала 70-х годов прошлого века. Ощутимый вклад в развитие и внедрение таких систем в нашей стране внес д.т.н., профессор Московского института инженеров транспорта (МИИТ) – Рюрий Андреевич Косилов. Это подтверждает самое раннее авторское свидетельство, находящееся в открытом доступе [11]. Стоит отметить, что в тексте указанного авторского свидетельства есть ссылка на источник, принятый во внимание при проведении обзора [12].
Практические аспекты применения таких систем были подробно отражены в ряде учебных пособий [13, 14]. В то же время в начале 90-х годов получили бурное развитие методы технического зрения, в том числе и в приложении к задачам автоматизации распознавания инвентарных номеров вагонов [15, 16].
Нейроиммунная модель классификации в задачах идентификации на транспорте
Как известно из утвержденного альбома [22], инвентарные номера должны дублироваться на нижних частях подвижных единиц.
В этой связи целесообразным в СТЗ АРНВ является применение нижних камер для видеосчитывания дублирующих инвентарных номеров. Однако, сказанные ранее [2, 32] особенности дублирующих номеров формируют ряд требований к численным моделям их видеосчитывания: – стойкость к зашумленности; – устойчивость к разнообразию масштабов номеров; – способность к обработке размытости и слипанию сегментов номера; – инвариантность к различным шрифтам и начертаниям; – эффективность по времени, точности и производительности.
Для выполнения предъявленного ряда требований и повышения качества видеосчитывания инвентарных номеров в СТЗ АРНВ следует разработать модель, направленную на объединение этапов сегментации и классификации сегментов дублирующих номеров подвижных единиц. В рамках решения поставленной задачи следует ориентироваться на существующие методы блочного распознавания текста [3].
Блочное распознавание. Существующие в настоящий момент методы блочного распознавания категорируются по следующему принципу [33, 34]: 1) подходы на основе эвристики [35]; 2) подходы на основе метода «скользящего окна» [36]; 3) подходы на основе специфичных архитектур классификатора [37]. Здесь наиболее творческими приемами выделяются подходы на основе эвристики и метода «скользящего окна» (рисунок 19 и рисунок 20). Рисунок 19 – Методы блочного распознавания на основе эвристики: 1) этап подсчета символов в блоке; 2) этап определения границы сепарации символов; 3) этапы «скользящей» классификации связности символов
Подходы на основе специфичных архитектур классификатора (SDNN, TDNN) [3] в подавляющем большинстве основаны на сверточных нейронных сетях, которые обладают повышенной устойчивостью к изменениям масштаба, угла наклона, зашумленности объекта (рисунок 21). Рисунок 21 – Подходы блочного распознавания на основе сверточных ИНС
Представленные модели объединяет применение классификации на два класса: «объект» и «не объект». Однако, как известно [2], формирование представительных данных выборки класса «не объект» представляет собой крайне нетривиальную задачу, т.к. к данным класса «не объект» относятся все возможные данные, которые расположены вне класса «объект».
В работе [3] была предложена модель, направленная на решение описанной выше задачи – гибридная модель блочного распознавания инвентарных номеров подвижных единиц (БРИНВ).
В основу предложенной модели легла гипотеза о противоречии друг другу членов неустойчивых классификаторов, которые обучены только на примерах класса «объект», при предъявлении им образа из неизвестного класса (рисунок 22). Рисунок 22 – Графическое представлении гипотезы о противоречии неустойчивых классификаторов. С1, С2 – объекты классов «1» и «2», O – разделяющая классы граница, Nn – результат классового разделения n-й ИНС. K1, K2 – представленные для классификации неизвестные объекты Здесь так же стоит отметить, что в БРИНВ используется ансамбль неустойчивых классификаторов ранее представленной модели НИМК.
Формируя объекты для классификации скользящим окном наблюдается подтверждение гипотезы о противоречии неустойчивых классификаторов [3] рисунок 23.
Результат сканирования области с дублирующим инвентарным номером комитетом неустойчивых классификаторов Кроме того, для нивелирования высокочастотных выбросов полученного сигнала применяется фильтр низких частот (рисунок 24) [38], осуществляющий свертку входного изображения х щ,щ) с линейным фильтром/1(7%,т2), представляемую как: y(n1,n2)= Кщ,щЫ -щ -т2), (m1,m2)eD где у (тії, п2) - результат; D - крайняя часть импульсной характеристики; щ, п2 - входное изображение; тщ, гп2 - коэффициенты фильтра.
1. Разработана прогностическая модель сегментации трафаретных цифр номеров вагонов, не соответствующих требованиям написания [22], позволяющая осуществлять быструю сегментацию трафаретных цифр, за счет использования простых аналитических методов.
2. Предложена и разработана гибридная модель блочного распознавания инвентарных номеров подвижных единиц, формирующая визуальный стимул рецептивного поля ИНС методом «скользящего окна» и объединяющая в себе этапы сегментации и классификации. Благодаря использованию комитета неустойчивых классификаторов, стало возможным применение модели в задаче видеосчитывания инвентарных номеров подвижных единиц, критически подверженных различным искажениям и зашумлениям. 3. В рамках разработки модели блочного распознавания инвентарных
номеров вагонов, предложена нейроиммунная модель классификации, обладающая свойством сокращения размерности данных, редукции данных за счет применения механизма иммунной кластеризации. Отличительным от базового алгоритма свойством предложенной модели является быстрый механизм классификации новых примеров без потери точности за счет применения ансамбля неустойчивых классификаторов – ИНС прямого распространения, обучаемых на бутстреп выборках.
Гибридная модель оптической идентификации железнодорожных подвижных единиц на основе базы данных устойчивых интегральных признаков
Как было сказано выше, идентификация подвижных единиц в СТЗ АРНВ в условиях влияния внешних, усложняющих процесс распознавания, факторов потребовала разработки качественно новых подходов, охватывающих ту часть парка вагонов, которая по ряду указанных ранее причин является «сложноидентифицируемой». Для решения поставленной задачи был предложен новый подход в области идентификации подвижных единиц, основанный на формировании БД УИП, характеризующих индивидуальные конструктивные особенности подвижных единиц. В такой постановке процесс идентификации сводится к сопоставлению выделенных на подвижной единице признаков - карт УИП сцены, с уже имеющимися картами в БД УИП. Применимость в задаче оптической идентификации предложенного подхода демонстрируют приведенные в разделе 4.3 результаты вычислительных экспериментов.
Однако предложенный подход потребовал реализации комплекса мер, направленных как на оптимизацию основных этапов работы метода идентификации, так и на формирование модели идентификации подвижных единиц, работающей в автоматическом режиме. Это оправдано не только необходимостью дополнения основных этапов распознавания номеров подвижных единиц, но и применением модели на основе БД УИП в качестве альтернативного достоверного источника результатов идентификации.
Как известно, на сегодняшний день практически все стороны работы отрасли охвачены информатизацией. Ее неотъемлемой составляющей являются такие информационно-управляющие системы, как АСУ СТ, АСОУП и пр., задачи которых функционально связаны с системами автоматической идентификации подвижных единиц в рамках автоматизации информационного обеспечения АСУ как дорожного, так и линейного уровня. Однако, как говорилось ранее, перечисленные выше информационно-управляющие системы имеют ряд недостатков, связанных с «ручным» внесением информации о проследовании составов. Их объединение в единую информационную модель идентификации подвижного состава, результаты работы которой формируются на основе сведений, поступающих от системы автоматической идентификации и сопроводительной документации, позволит осуществить не только функциональное дополнение этих систем в технологическом плане, но и существенно нивелировать их недостатки.
Постановка задачи. Настоящий параграф посвящен разработке альтернативной универсальной модели идентификации железнодорожных подвижных единиц на основе устойчивых интегральных признаков и сопроводительной документации. Метод идентификации в такой постановке позволит не только в большей мере задействовать графическую информацию, нанесенную на подвижные единицы, но и, благодаря получению сведений, фиксируемых в поездной модели дороги, выступать в качестве альтернативного способа идентификации, работающего в автоматическом режиме.
Структурная схема разрабатываемой модели изображена на рисунке 28. Рисунок 28 – Структурная схема модели автоматической идентификации железнодорожных подвижных единиц Укрупненно алгоритм работы разрабатываемой модели автоматической идентификации состоит из следующих основных этапов: 6. Этап извлечения исходной информации о проходящем составе: формирование карт признаков подвижных единиц, получение сопроводительной документации из информационных систем (АСОУП, АСУ СТ, СТЗ АРНВ и пр.). 7. Этап формирования БД УИП, элементами которой являются карты признаков подвижных единиц и сведения о них, полученные из сопроводительной документации. 8. Этап идентификации подвижных единиц на основе сопоставления извлеченной исходной информации о них, с информацией, хранимой в БД УИП. 9. Этап обновления БД УИП новой информацией о проследовавших подвижных единицах.
Как было сказано выше, вычислительным этапам предложенного подхода, таким как извлечение УИП из изображений подвижных единиц, их сопоставление с информацией в БД и формирование БД УИП, потребовалась оптимизация. Рассмотрим их более подробно.
Формирование карт УИП железнодорожных подвижных единиц. Сопоставление так называемых «особых точек» - УИП изображений лежит в основе многих проблем компьютерного зрения, таких как распознавание объектов, формирование панорамных изображений, разделение объектов по категориям и т.д. Методы, использующие предложенные более 10 лет назад SIFT/SURF дескрипторы [41], которые оказались очень успешными в ряде приложений, являются слишком обременительными в вычислительном плане, особенно для систем реального времени, а также систем на маломощных мобильных платформах. Это привело к интенсивному поиску альтернативного, менее требовательного к вычислительным ресурсам, подхода.
В работе [42] предлагается вычислительно эффективная замена SIFT/SURF, которая менее подвержена влиянию шума на изображениях и может быть использована для работы в реальном времени – ORB (Oriented FAST and Rotated BRIEF). Предложенный метод основан на известном FAST-детекторе углов [43, 44] и методе формирования бинарных дескрипторов – BRIEF [45].
Особые точки объектов - это их постоянные признаки, которые должны быть устойчивыми к шуму, изменениям в масштабе, освещенности и извлекаться с одних и тех же элементов объекта на разных изображениях. Поиск особых точек в ORB основан на FAST, в котором вершиной угла считается центр окружности, у которой не меньше половины и не больше трех четвертей пикселей подряд имеют интенсивность значительно большую, чем центральный пиксель (рисунок 29). В ORB алгоритм FAST модифицирован для расчета ориентации (угла поворота) каждого обнаруженного угла.
В целях характеристики обнаруженных особых точек применяются дескрипторы, которые должны быть так же устойчивы к изменениям освещения, аффинным, перспективным и другим преобразованиям изображения и содержать одинаковые значения для одних и тех же объектов на разных изображениях. Формирование дескрипторов в ORB основано на модифицированном методе BRIEF, в котором повышена устойчивость к вращению сцены.
Экспериментальное исследование предложенных в работе моделей и методов
Таким образом, при условии, отсутствия каких-либо действий по когнитивному восстановлению правильного местоположения вагона в ТГНЛ, наличие СВ в составе можно сразу отнести к категории «правильный отказ» и в 4% случаев выходной ФНЛ направлять на «ручную» проверку оператору системы. Такой подход обесценивает саму автоматизацию процесса считывания, снижает эффективность внедрения системы, а также провоцирует оператора на совершение ошибки при выполнении теперь уже несвойственной для него работы. Учитывая, что СТЗ АРНВ работает в информационном режиме и основной целью ее применения является сокращение количества ошибок ТГНЛ, то для отдельных условий ее использования, например, в системах технической диагностики вагонного парка, предлагается формирование продукционной модели по восстановлению порядкового и инвентарного номеров вагонов в ТГНЛ.
Далее, при разработке продукционной модели корректировки натурного листа учитываются две основные компоненты. Первая – это экспертные знания, отражающие особенности технологического процесса формирования составов, вторая – вероятностные показатели встречаемости технологических ситуаций. Исходя из такого подхода, можно сделать три основных утверждения:
1. Любое соотнесение СВ с претендентом в ТГНЛ носит вероятностный характер и не может однозначно трактоваться как фактическое.
2. Существуют технологические ситуации, которые относятся к категории наиболее вероятных, т.е. отражающих природу процесса формирования составов. Например, тот факт, что составы формируются путем накопления отцепов, состоящих из нескольких вагонов, зачастую имеющих общую станцию назначения, приписки, собственника и др. позволяет сформулировать ряд эвристических принципов восстановления номеров вагонов в ТГНЛ, таких как: принцип «ближайших соседей», принцип единой приписки, принцип единого направления следования, принцип соответствия правилам нумерации подвижных единиц [22]. 3. Существуют технологические ситуации, в которых принятие решения, обоснованного технологией формирования составов, не представляется возможным по причине совпадения результатов оценки ситуации по перечисленным ранее принципам. В таком случае выбор гипотезы о восстановлении номеров вагонов основывается на анализе статистических данных для конкретной точки контроля СТЗ АРНВ. Например, если для одного СВ существует два равнозначных претендента в ТГНЛ, то приоритет будет отдан претенденту, отражающему наиболее часто встречаемую структуру состава для станции формирования поезда или текущего полигона. При этом претенденты считаются равнозначными, если они равнозначно оценены по всем технологическим принципам.
Введем следующую терминологию: Телеграмма натурный лист – ТГНЛ; Фактический натурный лист – ФНЛ; Отцеп – О, группа (два и более) вагонов в составе поезда. Отцепы бывают: - последоват ельный – отцеп, в котором порядковые номера вагонов идут в правильной последовательности, но могут иметь постоянную величину смещения относительно заданных в ТГНЛ. Например, при формировании состава «голову» искомого отцепа цепляют к «хвосту» предыдущего отцепа (или ставят первым), но не в свою очередь; - инвертированный – отцеп, в котором первый вагон с «головы» согласно ТГНЛ должен быть первым с «хвоста» отцепа и наоборот. Например, при формировании состава «хвост» искомого отцепа цепляют к «хвосту» предыдущего отцепа (или ставят первым); - смешанный – имеет сложную последовательность формирования, может состоять из нескольких отцепов. Например, при формировании состава два подряд отцепа подцепляются некорректно; - о ст аточный – последовательный отцеп, в котором порядковые номера вагонов идут в правильной последовательности и не имеют смещения относительно заданных в ТГНЛ. Единичный вагон - ЕВ, вагон, который не сгруппирован ни в один из отцепов.
Сомнительный вагон - СВ, вагон не прошедший процедуру подтверждения корректности распознанного номера, находящийся в ФНЛ и имеющий ряд претендентов из ТГНЛ на его фактический инвентарный номер.
Претендент - П, вагон в ТГНЛ, который в данный момент времени обработки состава не соотнесен с его положением в ФНЛ, либо не подтвержден факт его отсутствия в ФНЛ.
Лишний вагон - ЛВ, вагон в ТГНЛ, который фактически не проходил точку контроля.
Чужак - Ч, вагон, который фактически проходил точку контроля, но при этом не был заявлен в ТГНЛ.
Ближайший сосед - БС, вагон, находящийся на ближайшем расстоянии до искомого вагона или отцепа. Б C могут рассматриваться как по ФНЛ, так и по ТГНЛ.
ТГНЛ и ФНЛ представляют собой упорядоченные последовательности Т = {t1; t2,..., t7) и F = {Д, f2,..., fj] соответственно. Представим соответствие инвентарных номеров в этих последовательностях в виде разреженной матрицы смежности по аналогии с таковой из теории графов, где на пересечении строки и столбца стоит 1 - если равенство между соответствующими элементами установлено ft = tj, 0 - если установлено неравенство ft Ф tj, а в случае, если равенство не определено, ячейка остается пустой. Тогда очевидно, что матрица для случая полностью корректного ТГНЛ будет являться квадратной диагональной матрицей (рисунок 38, а). Также, в матричном виде, представлен пример полностью инвертированного состава (рисунок 38, б).