Содержание к диссертации
Введение
1. Анализ методов автоматизированного контроля и обработки геометрических параметров объектов 9
1.1.Анализ существующих методов и систем контроля геометрических параметров объектов 9
1.2. Особенности технологического цикла производства продукции деревообрабатывающей промышленности 19
1.3.Постановка задачи разработки математического обеспечения оптико-электронной системы контроля 27
1.4. Анализ методов математического описания процесса сегментации изображений объектов с неоднородной структурой поверхности 30
2. Технология формирования адаптивных генетических алгоритмов обработки изображений в зависимости от условий в поле контроля геометрических параметров объектов 48
2.1. Анализ существующих подходов к разработке алгоритмов генетического поиска 48
2.2. Обоснование принципов модификации генетических операторов 55
2.3. Разработка технологий многоуровневого эволюционного поиска 60
2.4. Разработка системных принципов построения инструментальных средств формирования и обучения нейронных сетей на основе генетических алгоритмов 65
2.5. Разработка инструментальных средств синтеза нейронных сетей 75
2.5.1. Разработка генетического алгоритма формирования и обучения нейронных сетей 75
2.5.2. Разработка метода построения эволюционных инструментальных средств для формирования обучающей выборки 85
2.5.3. Разработка оператора локального поиска числа нейронов в скрытых слоях нейронной сети 90
3. Экспериментальные исследования алгоритмов обработки изображения автоматизированной системы оптико-электронного контроля геометрических параметров объекта с неоднородной структурой поверхности 95
3.1. Состав оптико-электронной системы контроля геометрических параметров объекта с неоднородной структурой поверхности 95
3.2. Комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического подхода 96
3.3.Методика выбора целевой функции генетического алгоритма 105
3.4. Влияние выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения 108
3.5. Классификация дефектов кромки древесностружечной плиты на основе нейросетевых технологий 113
3.6. Математические методы определения границ изображений объектов с неоднородной структурой поверхности 118
3.6.1.Контроль границ изображения объекта на основе цифрового curvelet-преобразования 118
3.6.2.Полосно-пропускающая фильтрация 121
Заключение 129
Список литературы 130
Приложение
- Особенности технологического цикла производства продукции деревообрабатывающей промышленности
- Разработка системных принципов построения инструментальных средств формирования и обучения нейронных сетей на основе генетических алгоритмов
- Комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического подхода
- Влияние выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения
Введение к работе
Актуальность работы. Современные требования к качеству выпускаемой древесной продукции обуславливают необходимость ее контроля' практически на всех технологических этапах производства. К числу контролируемых величин следует отнести геометрические параметры (ширина, длина), а также распознавание дефектов (сколы, вмятины, риски, выкрашивание углов, обзол, выступ и т.д.), измерение и определение которых в мировой практике все шире осуществляется с помощью оптико-электронных методов.
В случае применения оптико-электронных систем контроля (ОЭСК) геометрических размеров движущейся древесной продукции, основной целью процесса обработки изображения является точное выделение контуров объекта контроля на фоне рабочей сцены. Анализ отечественной и зарубежной литературы показывает, что большинство известных алгоритмов обработки изображений, используемых в подобных системах, ориентировано на работу либо с контрастным изображением, либо с изображением, полученным при условиях однородного или структурированного освещения рабочей сцены, что требует, как правило, наличия в составе системы специализированных осветителей.
Если условия производства не позволяют создать необходимые условия освещения рабочей сцены (запыленность воздуха, внешние условия освещения, цвет объекта контроля, неоднородная структура поверхности продукции и т.д.), то применение стандартных алгоритмов обработки изображений не дает желаемых результатов.
Использование современных сложных алгоритмов обработки изображений часто затруднено из-за необходимости использования специализированной дорогостоящей аппаратной поддержки. Кроме того, известные публикации носят в основном лишь рекламный характер и не раскрывают путей решения проблемы.
В этой связи научно-техническая задача разработки методик и алгоритмов обработки изображений в оптико-электронных системах контроля качества геометрических параметров движущихся объектов с неоднородной структурой поверхности представляется весьма актуальной.
Целью работы является повышение качества контроля геометрических параметров объектов с неоднородной структурой поверхности, обеспечивающего обнаружение и классификацию ее дефектов при неоднородном освещении рабочей сцены.
Объектом исследования диссертационной работы является информационно-измерительная система автоматизированного контроля качества поверхности движущихся объектов.
Предметом исследования диссертационной работы являются методики и алгоритмы обработки изображения в ОЭ системах контроля геометрических параметров объектов.
С.-Пегер5ург
В соответствии с этим в работе решаются следующие основные задачи:
-
Анализ современного состояния проблемы автоматизированного контроля геометрических параметров объектов, а также известных методов и алгоритмов обработки информации в оптико-электронных системах контроля (ОЭСК) геометрических параметров объектов;
-
Разработка адаптивного алгоритма выбора операций предварительной обработки изображения в зависимости от условий в поле контроля;
-
Разработка методики, обеспечивающей эффективное повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности;
-
Разработка и исследование экспериментальной автоматизированной установки оптико-электронного контроля качества кромки древесностружечной плиты.
Методы исследований. Для решения поставленных в работе задач использован аппарат генетических алгоритмов, теории вероятности, математической статистики, обработки и анализа растровых полутоновых изображений, curvelet-преобразования, а также теория нейронных сетей.
Научная новизна результатов работы состоит в следующем:
-
Предложен адаптивный алгоритм выбора операций предварительной обработки изображения в зависимости от условий в поле контроля на основе эволюционного подхода;
-
Разработана методика определения оптимальных параметров генетического алгоритма, использующая эвристический метод;
-
Предложена методика повышения качества изображений, имеющих высокие помехи и низкую контрастность с использованием curvelet-преобразования;
-
Разработан алгоритм сегментации границ дефектных областей, основанный на использовании нейросетевого классификатора и обеспечивающий эффективное нахождение границ дефектов в условиях существенной неоднородности динамического фона, характерного для изображений древесностружечной плиты (ДСП).
Практическая ценность работы заключается в следующем:
-
Разработано программное обеспечение обработки полутоновых изображений автоматизированной системы контроля геометрических параметров древесностружечной плиты, имеющая неоднородную структуру поверхности;
-
Реализован адаптивный генетический алгоритм обработки изображений в зависимости от условий в поле контроля;
-
Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма и классификации дефектов кромки древесностружечной плиты на основе нейронной
сети, что позволяет производить дефектацию ДСП в режиме реального времени; Положения, выносимые на защиту:
Адаптивный алгоритм предварительной обработки изображения на основе эволюционного подхода;
Методика определения оптимальных параметров генетического алгоритма использующая эвристический метод;
Методика повышения качества низкоконтрастных изображений с использованием curvelet-преобразования;
Алгоритм сегментации границ дефектных областей основанный на использовании нейросетевого классификатора. Реализация результатов работы.
Результаты исследований используют в учебном процессе в Череповецком государственном университете, а также в Череповецком военном инженерном институте радиоэлектроники по следующим дисциплинам: "Автоматизированные системы управления и обработки информации", "Основы теории управления", "Компьютерная графика".
Экспериментальная установка по контролю параметров ДСП применяется в ЗАО "Череповецкий фанерно-мебельный комбинат" - в цехе по производству древесностружечной плиты.
Апробация работы. Основные положения диссертационной работы докладывались и получили положительные отзывы на XIV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2001), региональной студенческой научной конференции Вологодского государственного технического университета (г. Вологда, 2001), межвузовской научно-методической конференции Санкт-Петербургского государственного технического университета "Образование, наука, бизнес. Особенности регионального развития и интеграции" (г. Череповец, 2002,2003), III международной научно-технической конференции "Информационные технологии в производственных, социальных и экономических процессах" (г. Череповец, 2002), XV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2002), IV межвузовской конференции молодых ученых Череповецкого государственного университета (г. Череповец, 2003), международной научной конференции "Компьютерное моделирование и информационные технологии в науке, инженерии и образовании" (г.Пенза, 2003), ежегодных научно-технических конференциях Тульского АИИ (2003-2005) XVI, межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2005), а также на научно-технических семинарах, проводимых на базе Череповецкого государственного университета, Череповецкого научного центра РАН и Тульского государственного университета.
Публикации. По материалам диссертации опубликовано 14 печатных работ.
Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, изложенных на страницах машинописного текста и включает рисунков, таблиц, приложения на страницах и
списка использованной литературы из 106 наименований.
Особенности технологического цикла производства продукции деревообрабатывающей промышленности
Продукцией лесопиления являются пиломатериалы и заготовки. Пиломатериалы классифицируются по следующим признакам [12]. По форме поперечного сечения пиломатериалы делятся на следующие виды: пиломатериалы, получаемые при продольной распиловке бревен пополам на две симметричные части (рис.1 Л1,а); пиломатериалы (секторы) (рис. 1.11,6), получаемые путем распиловки бревна на четыре равные части; брусья - пиломатериалы толщиной и шириной более 100 мм. В зависимости от числа обработанных пилением или фрезерованием сторон различают брусья двухкантные (рис. 1.11 ,в), трехкантные (рис. 1.11,г) и четырехкантные (рис. 1.11, д). Бруски (рис.1.11,е) - обрезные пиломатериалы толщиной до 100 мм и шириной не более двойной толщины. доски (рис.1.11, ж) - пиломатериалы толщиной до 100 мм и шириной более двойной толщины. шпалы (рис.1.11,з,и) - вид пиломатериалов, предназначены для использования в качестве опор для рельсов железнодорожных путей; обаполы (рис.1.9,к), получаемые из боковой части бревна, имеют одну пропиленную, а другую непропиленную или частично пропиленную поверхность. Различают обапол горбыльный и дощатый.
Классификация пиломатериалов по размерам [12] включает разделение на тонкие - толщиной до 32 мм включительно и толстые - толщиной 40 мм и более. Пиломатериалы имеют следующие элементы: пласть, кромку, ребро, торец, обзол (рис. 1.12). По обработке кромок пиломатериалы делятся на необрезные с острым обзолом, обрезные и пиломатериалы с тупым обзолом (рис. 1.13). Для обеспечения необходимой точности размеров и определенных условий сопряжения деревянных деталей существует система допусков и посадок в деревообработке (ГОСТ 6449-53). Этот стандарт касается точности обработки и сборки. В основе системы допусков и ряд приведенных ниже понятий и определений [12]. Номинальным размером детали, узла или изделия называется основной расчетный размер (рис.1.14,а). Действительным называется размер, получаемый непосредственным измерением (рис. 1.14,6). Предельными называются размеры, между которыми может колебаться действительный размер. Один из них называется наибольшим предельным размером (рис.1.14,в), а другой - наименьшим (рис.1.14,г). Допуском на неточность изготовления называется разность между наибольшим и наименьшим предельными размерами или разность между верхним и нижним отклонениями от номинального размера (рис.1.14,д). Верхним отклонением называется разность между наибольшим предельным и номинальным размерами (рис.1.14,е). Нижним отклонением называется разность между наименьшим предельным и номинальным размерами (рис.1.14,ж). При приеме продукции из древесины проверяется ее соответствие требованиям ГОСТов, нормалей или технических условий. Особенности древесины как материала - ее неоднородность, волокнисто-слоистое строение, наличие биологических пороков делают оптико-электронный контроль, связанный с обработкой изображений более специфичным. Контроль качества в процессе производства необходим для того, чтобы повысить общий качественный выход продукции и вовремя исключить затраты на последующую обработку заведомо бракованных заготовок.
Для контроля качества продукции из древесины необходимо знать возможные ее пороки и дефекты. Пороками считают недостатки отдельных участков древесины, снижающие ее качество и ограничивающие возможность ее использования. Дефектами называют пороки древесины механического происхождения. ГОСТ 2140-71 рассматривает пороки древесины, встречающиеся на древесных породах, и устанавливает их классификацию, терминологию, способы измерения. Дефекты обработки продукции из древесины бывают исправимые и неисправимые. Исправимыми дефектами называют такие, которые могут быть устранены путем дополнительной обработки. Неисправимыми дефектами обработки называют такие, которые не могут быть устранены с сохранением первоначального назначения продукции. На рисунке 1.15 и 1.16 представлена классификация дефектов лесопиления и деревообработки. Контроль качества пиловочника, пиломатериалов и заготовок включает следующие методы: визуальный осмотр с пересчетом количества и замером пороков древесины; измерение с целью проверки качества обработки, точности размеров, правильности формы и влажности (для пиломатериалов и заготовок); установление сорта с учетом всей совокупности данных о пороках и дефектах и маркирование материала или контрольная проверка соответствия имеющейся маркировки действительному качеству древесины и обработки. Правильность размеров и формы лесоматериалов устанавливают измерением. Объем круглых лесоматериалов определяют по таблицам ГОСТ 2708-75. Общие указания относительно измерений при проверке качества пиломатериалов и заготовок содержатся в ГОСТ 6564-63. Длину пиломатериалов и заготовок измеряют по наименьшему расстоянию между торцами. Ширину обрезных пиломатериалов и заготовок с обрезными кромками измеряют в любом месте длины, где нет обзола, но не ближе 150 мм от торцов. Ширину необрезных пиломатериалов измеряют посередине длины пиломатериалов, без учета коры и определяют как полусумму ширин обеих пластей, причем величины менее 5 мм не учитывают, а величины 5 мм и более считают за 10 мм. Толщину пиломатериалов и заготовок измеряют в любом месте их длины, но не ближе 150 мм от торцов. Полученные фактические размеры сопоставляют с указанными в стандарте номинальными размерами с учетом допускаемых отклонений от номинала. Таблицы объемов пиломатериалов приведены в ГОСТ 5306-64.
Разработка системных принципов построения инструментальных средств формирования и обучения нейронных сетей на основе генетических алгоритмов
В данной работе способ применения генетических алгоритмов к проблеме нейронных сетей определен, исходя из поставленных целей: первая цель проводимых исследований - это разработка инструмента конструирования интеллектуальных нейронных сетей. Создание инструментальных средств позволит автоматизировать решение задач по формированию и обучению архитектур нейронных сетей в соответствии с заданным проблемно-ориентированным классом решаемых задач. Второй целью является изучения закономерностей, которые помогут развитию теории нейронных цепей. Генетический алгоритм поможет ответить на вопрос, какие типы сетей выживут при заданных начальных условиях. Другими словами, применение идеологии эволюционного позволяет отыскать необходимый класс нейронных сетей и показать процесс работы этого типа сетей [35,36,53, 54].
Однако в рамках данной идеологии нельзя ответить на вопрос, почему применение некоторого класса структур является удачным или наоборот негативным. Причиной такого результата работы идеологии эволюционного программирования является то, что генетические алгоритмы используются для синтеза нейросетевой структуры и значений обучающих параметров и уделяют внимание на взаимодействии между множеством элементов и множеством соединений на глобальном уровне, а не на определении свойств каждого соединения в отдельности.
Одной из основных задач при создании интеллектуальных инструментальных средств на основе эволюционной парадигмы является задача кодирования информации для модели нейронной сети. Коды называют "хромосомами". Для фиксированной топологии (архитектуры) нейронной сети эта информация полностью содержится в векторе, определяющем значения синаптических весов и смещений. Данный вектор рассматривается как хромосома.
Заметим, что разработанная в предыдущем разделе битовая последовательность представления параметров нейронных сетей является более сложным способом кодирования информации о параметрах нейронной сети и может рассматриваться в качестве хромосомы. Таким образом, для создания инструментальных средств формирования и обучения нейронных сетей одна из основных задач решена.
Следующий шаг исследований в данной работе связан с построением системы обработки хромосом в соответствии со спецификой эволюционного программирования, основой которого является генетические алгоритмы. Основные компоненты генетических алгоритмов - это стратегии репродукций, мутаций и отбор "индивидуальных" нейронных сетей (по аналогии с отбором индивидуальных особей).
Для реализации концепции отбора необходимо ввести способ сопоставления (сравнения) различных хромосом в соответствии с их возможностями решения поставленных задач. Например, для нейронных сетей с последовательными связями это может быть стандартная мера -сумма квадратов разностей компонент действительного и желаемого сигналов. При таком рассмотрении генетического алогоритма сравнение хромосом происходит без ориентации на понимание причин, которые привели к конечному результату формирования нейронной сети в соответствии с заданными требованиями. Иными словами, такой подход является прагматичным с точки зрения конечного результата. Однако, для развития теории нейрокомпьютинга, понимания причин конечного результата необходимы дополнительные инструментальные средства, работающие в сочетании с генетическими алгоритмами.
Во введении было отмечено, что взгляд на генетические алгоритмы с точки зрения систем принятия решений позволит включить «человеческий фактор» как на уровне понимания сути отбора полезных особей, так и на уровне управления этим процессом. Действительно, если реализовать указанную выше цель на этапе реконструкции и отбора особей при работе генетических алгоритмов, то, возможно, ожидать появление специализированных генетических алгоритмов формирования и обучения нейронных сетей, учитывающих те или иные тонкости архитектур и параметров нейросетей.
Упомянутая выше задача сравнения хромосом является одной из первопричин появления таких алгоритмов. Учитывая сказанное, можно использовать методы решения классических задач (сравнения графов и изоморфного вложения графов) для формирования фрагментов нейросети и, тем самым, построить более утонченные алгоритмы синтеза нейронных сетей. Действительно, как ни раз отмечалось выше, архитектура нейронной сети может быть представлена графом. Кроме того, напомним, что при разработке хромосомы представления нейронной сети отмечалась взаимосвязь пространственного представления битовой последовательности с проблемной ориентацией нейросети на класс решаемых задач. Указанный факт также говорит о необходимости модификации известных генетических алгоритмов в направлении учета пространственного размещения фрагментов нейронной сети, и, следовательно, подчеркивает значимость другой классической задачи - размещения графов в качестве подсистемы инструментальных средств в рамках эволюционной парадигмы.
Отметим, что расширение операторов генетического алгоритма с учетом задач сравнения и размещения графов будут реализовывать собой переборные процессы, связанные с более «тонким» и целенаправленным перераспределением генетического материала. Это даст возможность быстрее получить минимум или максимум функции в сравнении с известными генетическими алгоритмами. Более того, сочетание генетического и топологического программирования должно позволить анализировать большое число решений практически параллельно, за более короткие сроки и усилить механизм моделирования процесса "выживают сильнейшие" с целью получения оптимального или близкому к нему решению по формированию и обучению нейронной сети. Основанием сказанному является тот факт, что в отличие от большинства других алгоритмов, для генетических алгоритмов требуется не один набор начальных значений параметров, а несколько наборов, которые называются популяцией хромосом. Популяция обрабатывается с помощью алгоритмов репродукции, изменчивости (мутаций), генетической композиции. Эти алгоритмы напоминают биологические процессы. Наиболее важные среди них: случайные мутации данных в индивидуальных хромосомах, переходы (кроссинговер) и рекомбинация генетического материала, содержащегося в индивидуальных родительских хромосомах, и миграции генов.
В целом, расширение функциональных возможностей операторов классического генетического алгоритм не изменяет его сути: также инициализируется популяция, и все хромосомы сравниваются в соответствии с выбранной функцией оценки. Далее (возможно многократно) выполняется процедура репродукции популяции хромосом.
Родители выбираются случайным образом в соответствии со значениями оценки (вероятность того, что данная хромосома станет родителем, пропорциональна полученной оценке). Репродукция происходит индивидуально для одного родителя путем мутации хромосомы либо для двух родителей путем кроссинговера генов. Получившиеся дети оцениваются в соответствии с заданной функцией и помещаются в популяцию.
Комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического подхода
Во многих случаях, в частности, при стабильных условиях наблюдения, высокой контрастности объектов наблюдения и фона наиболее выгодными могут оказаться простые алгоритмы, использующие некоторый набор процедур, выполняемых в строго определенном порядке.
Более сложными являются адаптивные (самонастраивающиеся) алгоритмы обработки информации. В этих алгоритмах выбор реализуемых (рабочих) процедур производится в зависимости от выполнения условий, определяемых в процессе вычислений. Адаптивные алгоритмы могут функционировать в сложных условиях наблюдения, приспосабливаться к оперативному изменению решаемых задач, изменению состава средств наблюдения и т.д. [53-55] Адаптивные алгоритмы должны иметь в своем составе блоки (модули) управления вычислительным процессом. На рис.3. 2 представлена блок-схема комплексного алгоритма обработки и анализа изображений, работающего в сложных и изменяемых условиях наблюдения [71,107].
При выполнении каждого этапа полученная информация поступает в блок управления, в котором формируется план выполнения последующих процедур. Например, для успешной реализации процесса поиска может потребоваться проведение нескольких циклов улучшения изображения и т.д.
Кроме блока управления, в памяти вычислительной системы хранится база данных (БД), содержащая необходимые данные и различные процедуры обработки информации. В соответствии с принимаемыми решениями из исходной БД формируется рабочая БД, непосредственно используемая при обработке и анализе изображений.
В некоторых случаях решением данной проблемы является формирование моделей описания процессов и управление этими процессами на основе методов теории информации. К основным преимуществам данного подхода следует отнести: -возможность оценки состояния процесса с множеством исходов; -универсальность описания различных процессов, в том числе одно- и многоэтапных; -возможность оценки объемов информации, требуемых для реализации процесса наблюдения, вне зависимости от конкретных исходов процесса.
Реализация данного комплексного алгоритма достаточно трудна. Одной из причин является сложность формализации и вычислений множества частных критериев эффективности для различных этапов вычислений, на основе которых принимаются решения о дальнейших действиях.
На сегодняшний день, в задачах нахождения оптимального решения могут быть использованы такие методы как переборный и локально-градиентный [5]. Переборный метод наиболее прост по своей сути и тривиален в программировании. Для поиска оптимального решения (точки максимума целевой функции) требуется последовательно вычислить значения целевой функции во всех возможных точках, запоминая максимальное из них. Недостатком этого метода является большая вычислительная стоимость. На рис.3.3 графически показан принцип работы метода перебора.
Второй способ основан на методе градиентного спуска. При этом вначале выбираются некоторые случайные значения параметров, а затем эти значения постепенно изменяют, добиваясь наибольшей скорости роста целевой функции. Достигнув локального максимума, такой алгоритм останавливается, поэтому для поиска глобального оптимума потребуются дополнительные усилия. На рис.3.4 графически показан принцип работы метода градиентного спуска.
Градиентные методы работают очень быстро, но не гарантируют оптимальности найденного решения. Типичная практическая задача, как правило, мультимодальна и многомерна, то есть содержит много параметров. Для таких задач не существует ни одного универсального метода, который позволял бы достаточно быстро найти абсолютно точное решение. Решением данной проблемы выступает применение эволюционных методов поиска. Генетический алгоритм представляет собой именно такой комбинированный метод [6]. На рис.3.5 показана обобщенная базовая схема алгоритма функционирования генетического алгоритма.
Главным итогом исследования самих ГА стало взаимная комплиментар-ность триады генетических операторов «кроссовер-мутация-инверсия». Данные операторы реализуются на каждом поколении генетического алгоритма. На рис. 3.6 показаны основные операции генетического алгоритма [6].
Влияние выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения
На каждом из этапов адаптивного алгоритма с использованием генетического подхода предлагаются альтернативные генетические операторы. Все они по-разному влияют на поведение генетического алгоритма. Ниже приведен список основных параметров ГА [5,46,53-55]]: 1. мощность множества решений Р (численность популяции); 2. длина бинарных кодировок L (длина генотипов); 3. количество решений, генерируемых на каждой итерации F; 4. вероятность применения оператора локального изменения решений М (мутации); 5. правило выбора двух решений В; 6. тип используемого оператора глобального поиска С (кроссовера); 7. тип используемой оператора локального изменения М (мутации); 8. процедура отбора S. Исходными данными для любого генетического алгоритма является популяция хромосом - битовых строк. Все хромосомы имеют одинаковую длину и структуру. Первоначальный размер популяции установлен в 20 хромосом (пути решения). Функционал представляет собой вектор F {а, Ь, с, d}, где а - nrg -энергия; b - snr - отношение сигнал/шум; с - entr - энтропия; d - nk - нормированная корреляция. Наилучшим значением функционала (фитнес-функции) считается максимальное его значение [6]. Таким образом, разработанный генетический алгоритм решит задачу поиска эффективной совокупности преобразований на этапах обработки изображения объектов с неоднородной структурой поверхности в условиях меняющейся обстановки в зависимости от количества итераций и размера начальной популяции. Ниже приведены графики выбора параметров генетического алгоритма, с помощью которых с наибольшей эффективностью решалась задача нахождения оптимального пути повышения качества изображения, на которое наложен шум Гаусса. Распознавание производится на монохромном чёрно-белом изображении в два этапа. Для распознавания применяется персептронная нейронная сеть [7]. На первом этапе применяется двухслойная сеть прямого распространения с 16 входами и двумя выходами. Обработка изображения с помощью этой сети производится следующим образом.
Изображение разбивается на квадраты размером 4x4 пиксела. Каждый такой квадрат содержит 16 пикселов, и каждому пикселу соответствует свой вход нейронной сети по-порядку слева направо, сверху вниз - Хь x2, ..., Хіб. На каждый вход сети подаётся либо 0, либо 1 в зависимости от цвета соответствующего пиксела: 0 - белый, 1 - чёрный. Тогда выход уі классифицирует данный элемент изображения как непрерывную границу, а у2 как разрыв границы. В программе это реализовано следующим образом (рис.3.12): В программе предусмотрено обучение сети, которое осуществляется по следующему алгоритму [55, 68-71]: При обучении обучающий вектор в программе формируется по квадратному образцу 4x4 элемента, который предназначен для представления различных вариантов расположения пикселов в квадрате размером 4x4. Результатом этого является новое изображение. Все квадраты 4x4 пиксела теперь закрашены сплошным цветом (чёрным или белым) как показано на рисунке. Чёрные квадраты свидетельствую о наличии в их области границы. Второй этап обработки изображения заключается в распознавании и классификации дефектов (рис.3.13): Нейронная сеть прямого распространения в этом случае имеет 64 входа и 8 выходов. Входным вектором является квадрат 8x8 элементов: Хь хг, ..., х64-Элементами являются полученные на предыдущем этапе квадраты изображения 4x4 пиксела, окрашенные каждый в один цвет (чёрный или белый). Если квадрат чёрный, то соответствующий по порядку х; слева направо и сверху вниз принимает значение 1, если квадрат белый, то Xj = 0. Сеть имеет 8 выходов: уь У2, ..., ye- Эксклюзивная активность каждого выхода даёт классификацию изображения в блоке 8x8 элементов размером 4x4 пиксела. При обучении сети клеточное поле служит для задания варианта конфигурации из квадратов. Для распознавания границ на полутоновом изображении используется блочный принцип, при котором изображение разбивается на квадратные блоки одинакового размера 2 х2 , где N - натуральное число, которое целесообразно выбирать из диапазона 3..5 (оптимально 4). При меньших значениях N малые размеры блоков не позволят достоверно классифицировать, содержащиеся в них элементы изображения. При больших значениях N классификация также будет затруднена, если объект на изображении имеет небольшие размеры, а также уровень детализации будет достаточно низок. Кроме того, для классификации элементов изображения используется нейронная сеть, обучение которой при больших размерах блоков может составить неприемлемо длительную по времени задачу. Для классификации дефектов использовался пирамидальный алгоритм, суть которого заключается в последовательном уменьшении (масштабировании) исходного изображения в два раза, как по-горизонтали, так и по-вертикали. Последнее изображение является изображением нижнего уровня, исходное - верхнего.
После получения изображений всех необходимых размеров производится классификация элементов изображения в блоках на изображении нижнего уровня. После классификации всех блоков на этом уровне производится классификация на один уровень выше и т.д., т.е. до исходного изображения. Исходя из возможных искажений и потере детализации изображения при уменьшении, применяемые для распознавания на каждом уровне нейронные сети, обучаются отдельно. Для распознавания используются персептронные сети [18], которые имеют 2Nx2N входов и 8 выходов. При использовании в качестве пороговой функции гиперболического тангенса принадлежность к определённому классу (группе) будет определяться положительным значением на одном из выходов и отрицательными на остальных. В таблице 3.5 представлены результаты распознавания и классификации дефектов кромки ДСП на основе применения нейросетевых технологий.
