Содержание к диссертации
Введение
1. Общая характеристика проблемы и основные направления ее решения 10
1.1 Особенности построения бесконтактных систем контроля изделий на основе систем технического зрения 10
1.2 Обзор существующих СТЗ на основе обработки видеоизображений 19
1.2.1 Программно-технический комплекс «Hunter Count» 19
1.2.2 Программно-технический комплекс «uvVideoCounter» 22
1.2.3 Программно-технический комплекс «Система подсчета количества линейных объектов» 1.3 Постановка задачи, выбор и обоснование направления исследований 27
1.4 Выводы 29
2. Выбор экспериментальной базы. Разработка программно - технических средств и методики проведения исследований 31
2.1 Выбор экспериментальной базы и разработка методики проведения исследований 31
2.2 Разработка аппаратного обеспечения исследовательского комплекса 34
2.3 Разработка программного обеспечения исследовательского комплекса 36
2.4 Выводы 40
3. Разработка методов контроля хлебобулочных изделий на конвейерных линиях в условиях неоднородного динамического освещения контролируемой сцены 41
3.1 Фильтрация и предобработка изображения 41
3.1.1 Особенности построения цифровых фильтров для обработки изображений 41
3.1.2 Разработка комбинированного фильтра 44
3.2 Сегментация объектов на изображении контролируемой сцены 54
3.2.1 Особенности сегментации изображения 54
3.2.2 Разработка структурной схемы сегментации 60
3.2.3 Локализация областей местоположения объектов 62
3.2.4 Разработка метода выделения контура объекта на основе градиентного метода с использованием экстремальной рекуррентной эвристической процедуры 74
3.2.5 Разработка метода замыкания разрывов контуров 92
3.3 Контроль формы хлебобулочных изделий 97
3.3.1 Получение входного вектора нейронной сети 97
3.3.2 Разработка нейронной сети 99
4. Практическая реализация системы контроля хлебобулочных изделий на конвейерных линиях 106
4.1 Методика проведения и результаты эксперимента 106
4.2 Основные характеристики системы контроля хлебобулочных изделий на конвейерных линиях 112
4.3 Описание программно - аппаратной реализации системы контроля хлебобулочных изделий на конвейерных линиях 113
4.4 Выводы 121
Заключение 123
Список литературы 125
Приложение 133
- Программно-технический комплекс «uvVideoCounter»
- Особенности сегментации изображения
- Разработка метода выделения контура объекта на основе градиентного метода с использованием экстремальной рекуррентной эвристической процедуры
- Описание программно - аппаратной реализации системы контроля хлебобулочных изделий на конвейерных линиях
Введение к работе
Актуальность проблемы.
Для решения задач автоматизации контроля изделий на конвейерных линиях одним из наиболее перспективных методов является использование систем технического зрения (СТЗ). На сегодняшний день системы технического зрения показали свою высокую эффективность при решении многих задач, связанных с управлением сложными производствами и автоматизацией производственных процессов.
Несмотря на достигнутые успехи в области построения таких систем, проблема повышения качества автоматического контроля выпускаемой продукции по-прежнему остается важной и актуальной. Это обуславливается трудоемкостью устранения различных дестабилизирующих факторов, оказывающих влияние на процесс обработки изображений. Так, при решении задачи автоматического контроля хлебобулочных изделий в производственных условиях неравномерность освещения контролируемой сцены, не подчиняющаяся статистическим закономерностям спонтанная флуктуация освещенности в течение светового дня, появление в зоне анализа посторонних предметов, изменение чувствительности сенсора видеорегистратора, возможность слияния контролируемых объектов между собой, неравномерная скорость конвейера не позволяет обеспечить необходимую для практики достоверность контроля при использовании типовых программно-технических решений, что и послужило поводом для выполнения данной работы.
Цель работы заключается в разработке метода контроля изделий на базе систем технического зрения, предназначенных для работы в условиях нестационарности контролируемой сцены изображения, и в создании на его основе специализированных программно-технических средств автоматического контроля количества хлебобулочных изделий на конвейерных линиях в режиме реального времени.
Основные задачи исследования:
анализ существующих методов построения систем контроля и учета изделий, движущихся на конвейерных линиях;
создание экспериментальной установки для выявления наиболее значимых дестабилизирующих факторов и оценки эффективности применения разрабатываемых методов для компенсации их влияния;
оценка возможности применения существующих методов цифровой обработки изображений для устранения влияния дестабилизирующих факторов;
разработка новых алгоритмов цифровой обработки изображения для повышения эффективности метода контроля количества хлебобулочных изделий;
проведение натурного эксперимента для установления допустимых пределов изменения параметров преобразования информационных сигналов и оценки влияния на них дестабилизирующих факторов, связанных с условиями производства;
практическая реализация системы автоматического контроля количества хлебобулочных изделий, движущихся по конвейерной линии. Научная новизна разработанного метода контроля заключается в
следующем:
для повышения эффективности сглаживания шумов и выравнивания освещенности на изображении контролируемой сцены предложено применять комбинированную фильтрацию, состоящую из двух последовательных операций: 1 - сглаживание изображения с помощью локального сглаживающего медианного фильтра; 2 - выравнивание освещения изображения с помощью разработанного глобального фильтра, в основе которого лежит принцип работы пикового детектора;
разработан алгоритм локализации местоположений объектов, состоящий из операций первоначального определения местоположения объектов с помощью данных гистограмм столбцов изображения и итогового определения местоположения с помощью последовательного наращивания области до размера объекта, известного из априорной информации, позволяющий более точно определять местоположения объектов конкретного размера на изображении контролируемой сцены;
разработан алгоритм сегментации изображения на основе градиентного метода с использованием экстремальной рекуррентной эвристической процедуры, позволяющий более точно определить контуры объектов на изображении с различной текстурой и уровнем освещения (засветки, тени) для более полного восстановления контура объекта;
разработан алгоритм замыкания фрагментов контуров на основе морфологической операции замыкания, позволяющий замыкать разрывы между фрагментами контуров изображений выпуклых объектов;
Методы исследований.
При выполнении работы применялись как теоретические, так и экспериментальные методы исследования, которые способствовали решению поставленных задач. В теоретических исследованиях широко применялись методы математической статистики, математической морфологии и теории распознавания образов. На всех этапах работы производилось сопоставление теоретических и экспериментальных результатов.
Практическая ценность.
Разработанный метод оптического контроля количества хлебобулочных изделий на конвейерных линиях характеризуется более стабильной работой в «жестких» условиях производства, имеет высокое быстродействие и низкую ресурсоемкость. Практическая ценность заключается еще и в том, что предложенный метод контроля на базе новых способов цифровой обработки изображений, лежащий в основе работы созданного программно - технического комплекса, может быть использован не только для построения систем контроля хлебобулочных изделий, но и в других областях, в частности, для контроля выпускаемой продукции предприятий, специализирующихся на производстве изделий самого различного назначения. Реализация научно-технических результатов.
Исследования и практические разработки, выполненные в диссертационной работе, являются частью научно - исследовательской работы, выполненной в рамках НИОКР на тему «Разработка программных модулей для идентификации изделий на конвейерных линиях методами нейросете-вых технологий» по программе «У.М.Н.И.К.», договор №15 от 10.12.2008г. Результаты исследований и их практическая реализация были использованы при разработке системы контроля хлебобулочных изделий на предприятии ОАО «Русский Хлеб». Разработанный программно - технический комплекс используется для контроля хлебобулочных изделий в Республике Казахстан г. Усть - Каменогорск на предприятии ТОО «АЛТАЙ VA». На защиту выносятся следующие положения:
Предложенный алгоритм комбинированной фильтрации позволяет более эффективно выполнить сглаживание шумов и выравнивание освещенности на изображении контролируемой сцены.
Разработанный алгоритм локализации местоположений объектов позволяет более точно определять местонахождение объектов конкретного размера на изображении контролируемой сцены.
Разработанные алгоритмы сегментации и замыкания позволяют более точно восстанавливать контуры выпуклых объектов на изображении с различной текстурой и уровнем освещения.
Оптический метод контроля хлебобулочных изделий, основанный на совокупном применении разработанных алгоритмов обработки информативного сигнала, позволяет создавать программно-технические комплексы, устойчивые к воздействию нестационарных дестабилизирующих факторов
Публикации.
По материалам выполненных в диссертации исследований опубликовано 13 печатных работ, из них 2 два свидетельства о государственной ре-
гистрации программы для ЭВМ, 3 статьи, 8 тезисов докладов, в том числе из перечня, рекомендованного ВАК - 2 работы. Апробация работы.
Материалы работы обсуждались на следующих конференциях: III научно - практическая конференция «Виртуальные и интеллектуальные системы» - Барнаул, 2008; XVII международная научная конференция «Методы и алгоритмы принятия эффективных решений» - Таганрог, 2009;Х всероссийская научная конференция «Современные исследовательские и образовательные технологии» - Таганрог, 2010; VII всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Наука и молодежь - 2010» - Барнаул, 2010; XXIX всероссийская научно-техническая конференция «Информационные технологии в науке, проектировании и производстве» - Новгород, 2010; VII всероссийская научно -техническая конференция «Измерение, автоматизация и моделирование в промышленности и научных исследованиях» - Бийск, 2010; всероссийская научно - техническая конференция студентов, аспирантов и молодых ученых «Научная сессия ТУСУР - 2011» - Томск, 2011; XII международная научно-техническая конференция «Измерение, контроль, информатизация-2011» - Барнаул, 2011; VIII всероссийская научно - практическая конференция студентов, аспирантов и молодых ученных «Молодежь и современные информационные технологии» - Томск, 2011. Личный вклад.
Автору принадлежат основные научные результаты теоретических и экспериментальных исследований. Структура и объем работы.
Работа состоит из введения, четырех глав, заключения, списка литературы и приложений, изложена на 132 страницах машинописного текста, содержит 68 рисунков, 23 таблицы, список литературы из 70 наименований.
Программно-технический комплекс «uvVideoCounter»
Система контроля и учета изделий «uvVideoCounter» [17] представляет собой программно-технический комплекс, предназначенный для подсчета объектов. Комплекс разработан ООО «UVsoftium». Его структурная схема изображена на рисунке 1.4.
Данный комплекс имеет следующее функциональное назначение.
Позволяет производить подсчет объектов по двухпороговому способу.
Позволяет определять бракованную продукцию.
Позволяет вести журналы событий.
Позволяет вести централизованный подсчет с нескольких контролируемых сцен.
Позволяет гибко осуществлять настройки.
Принцип действия комплекса следующий. С помощью видеокамеры осуществляется захват видеокадра изображения контролируемой сцены. Видеокадр поступает по коммуникационной сети в персональный компьютер. Далее с помощью специального программного обеспечения производится пороговая обработка изображения. Полученные данные централизуются и обрабатываются на сервере. В качестве настроек программы указываются значения правого и левого порогов и ширина объекта. Двухпороговая обработка изображения для этого комплекса оправдана в качестве попытки преодоления свойств нестационарности освещения контролируемой сцены. Для этого автор программного обеспечения разделил логически контролируемую сцену на две части и дал возможность пользователю настроить пороговые значения каждой половины области подсчета. На рисунке 1.5 представлен фрагмент работы используемого в комплексе программного обеспечения. Система тестировалась на хлебозаводе. В качестве контролируемой продук ции подсчитывались батоны.
Программно - технический комплекс показывает хорошие результаты. В качестве достоинств отметим следующее.
Высокое быстродействие.
Простота использования и обслуживания.
Умеренные требования к аппаратному обеспечению.
Сделана попытка преодоления возникновению артефактов, возникающих при нестационарности освещенности контролируемой сцены.
Система имеет недостатки, аналогичные «Hunter Count».
Особенности сегментации изображения
Под сегментацией изображения понимается процесс разделения изображения на сегменты, то есть на ряд составляющих его смысловых областей. При этом предполагается, что точки каждой из смысловых областей обладают некоторой степенью общности, которая позволяет рассматривать как одну область. Характер это общности определяется особенностями решаемой задачи. Необходимо отметить, что сегментация изображения - сложная задача, обычно не имеющая однозначного решения, а иногда вообще не разрешимая [14,25-30].
Пусть F(i, j) - функция яркости анализируемого изображения; X - конечное подмножество плоскости, на котором определена функция F(i, j) ; S = {Si9S2,...,Sk\- разбиение X на К не пустых связных подмножеств Sp, p=l,2,...,K;LP - предикат, определенный на множестве S и принимающий истинные значения тогда и только тогда, когда любая пара точек из каждого подмножества Sp удовлетворяет некоторому критерию однородности.
Сегментацией изображения F(i, j) по предикату LP называется разбиение S = \Sl, S2 i--;Sk) t удовлетворяющее условиям [29]
Условия 3.15 означает, что каждая точка изображения должна быть отнесена к некоторой области, 3.16 означает, что области Sp должны быть связными, 3.17 определяет вид (тип) однородности получаемых областей, и, наконец, 3.18 выражает свойство «максимальности» областей разбиения. Подразумевается, что разбиение S существует и оно единственное. Предикат LP в 3.17, 3.18 называется предикатом однородности и его истинное или ложное значение зависит от свойств функции F(i, j).
Существует огромное количество методов сегментации [19 - 47]. Все их можно классифицировать по следующим критериям:
1) методы выделения границ объектов;
2) методы выделения однородных точек по локальным свойствам и объединение их в области.
Все методы сегментации имеют как достоинства, так и недостатки. Можно отметить, что все эти методы подходят под конкретную задачу и не могут быть использованы как универсальные средства под любые задачи.
Также отметим, что для задач в области идентификации объектов важную роль играет точность выделения контура объекта - границы выделенного сегмента, так как контур объекта содержит более достоверную информацию о форме объекта. В частности, при решении задачи, когда контролируемая сцена находится в постоянно меняющемся освещении, вторая категория методов сегментации становится не пригодной для точного получения сегментов объектов, в связи с потерей однородных областей объектов, например, из-за солнечной засветки, либо других факторов. Поэтому дальнейшее исследование методов сегментации проводилось в сторону первой категории.
Методы на основе выделения границ исходят из предположения о существовании резкого перепада яркости между областями изображения, соответствующими различными смысловыми участками. Для выделения границ могу использоваться различные подходы, основными из которых является пространственное дифференцирование. Данный подход основан на предположении о том, что граничные точки имеют большую величину градиента функции F(i, j). Для того чтобы выделить границы изображения, вначале вычисляют модуль градиента изображения, а полученное градиентное изображение подвергают пороговой обработки. После этого строятся области (сегменты) и оцениваются их размеры по осям, рассчитываются коэффициенты, характеризующие форму и другие признаки, которые могут быть использованы для принятия решения.
Для вычисления оценок производных d](x, у) и d2(x, у) простейшим из методов является метод дискретных разностей. Существует множество способов получения выделения границ основанных на методе вычисления дискретных разностей. При этом выходное изображение будет представляться собой черно - белым, где белое - границы объектов, а черное - фон. Для определения граница и фона используется задаваемое заранее пороговое зна чение Т. На рисунке 3.12 представлены такие способы: маска оператора Ро-бертса, маска оператора Превитта, маска оператора Собела [14].
Как показали исследования, выше описанные маски операторов не дают хороших результатов. Это связано, прежде всего, к излишней чувствительности к помехам, шумам и другим мелким артефактам.
Существуют методы выделения границ, основанные на использовании масок, но имеющие дополнительно в своем составе специальные решающие процедуры, например, двухуровневые пороговые значения, либо дополнительные методы предобработки, например использование специальных фильтров. К таким методам можно отнести, например, следующие методы сегментации: детектор лапласиан гауссиана (LoG), детектор пересечения нулевого уровня (Zerocross), детектор Канни (Canny).
Для проведения экспериментального исследования вышеописанных методов было проведен тест на реальном изображении. В качестве тестового образца использовалось изображение конвейерной линии в условиях неравномерного освещения (рисунок 3.13) размером 640x480 пикселей.
Разработка метода выделения контура объекта на основе градиентного метода с использованием экстремальной рекуррентной эвристической процедуры
На этапе локализации были получены прямоугольные области вероятного местоположения искомых объектов. Однако, для идентификации объектов по форме необходимо выполнить процедуру получения их достоверных границ - контуров. В 3.2.1 был выполнен анализ существующих методов выделения контуров объектов, в результате которого было установлено, что для получения контуров объектов целесообразнее всего воспользоваться методами, основанные на выделение границ. Однако, как показали исследования, существующие методы, в основе которых лежит процесс выделения границ, не всегда дают приемлемый результат. Поэтому было принято решение о разработке нового метода получения контуров объектов.
В качестве основы метода применяется градиентный метод. Суть градиентного метода описана подробно в 3.2.1. Для получения градиента изображения необходимо воспользоваться формулой 3.21. После получения градиента был выполнен анализ полученных данных. В результате анализа установлено, что на границах объектов значения градиента оказались «расплывчатыми», то есть не наблюдалось резкого перепада. Но при этом часть максимумов значений градиента (вершины «хребтов») на контролируемом изображении, или все они, как показали исследования, всегда находятся на действительном контуре объекта. Однако, при этом можно попасть на ложные «хребты», которые, например, при решении задачи контроля хлебобулочных изделий, возникают из - за неравномерности освещения (на возникающих границах перепада освещенности), либо из-за появления в зону контроля посторонних предметов. Также могут появиться разрывы контура из - за чрезмерной засветки объектов или из - за их смыкания. На рисунках 3.29а и 3.296 показаны трехмерные карты распределения градиентных значений изображений с равномерным и неравномерным освещением. При решении задачи контроля хлебобулочных изделий в качестве тестовых образцов были взяты изображения, отснятые с конвейерной линии. Как видно из рисунка 3.29 б), «хребты» могут возникать не только на границах объекта, но и на самом объекте. При этом значения градиента на мало освещенных местах практически не отличаются от значений градиента фона.
Как видно из карты значений градиента, можно увидеть, что вершин «хребтов» большое количество, которые находятся на самом объекте. Как уже отмечалось ранее, это связано, прежде всего, с неравномерностью освещения объекта.
Как показала практика, если выполнять глобальный поиск максимумов (вершин «хребтов») по всей карте градиентов, то можно получить границы контуров артефактов, возникающих по вышеуказанным причинам и не представляющих интерес для исследования.
Поэтому для получения достоверных контуров предлагается использовать метод последовательного обхода контура по вершинам «хребтов» с принятием решения на каждом шаге о принадлежности точки к границе (контуру) объекта. Таким образом, запишем обшую форму получения контурной точки нау - ом шаге
Таким образом получается последовательная цепочка точек контура. При этом каждая следующая точка контура определяется в результате анализа смежных точек от уже пройденной по некоторому критерию К в окрестности (на некотором локальном множестве Mj).
В простейшем случае окрестность точки контура (множество Mj) представляет собой матрицу размером 3x3, где центральным элементом является точка, обозначенная как (хо, у о). Здесь и далее для упрощения записи индекс, задающий номер точки в контуре (шаг итерации) опущен. На рисунке 3.28 показана такая окрестность [14] размером 3x3 на фоне всего изображения. Также на рисунке 3.31 показаны начало координат и направления осей координат.
Далее локальное множество на каждом j - ом шаге ІЦ обозначим как М/ (далее верхний индекс равен максимальному количеству анализируемых точек в окрестности конечной точки контура, т.е. количеству элементов в множестве).
Как показали исследования, если в окрестности точки (х0, у0) проверять на соответствие критерию К все восемь элементов матрицы, может возникнуть ситуация, когда направление обхода вершин «хребта» меняется на обратное - на направление уже пройденного участка. Такая ситуация показана на рисунке 3.32. При решении задачи контроля хлебобулочных изделий такая ситуация не должна возникать. Это связано из - за специфичности формы исследуемых объектов - отсутствие острых углов.
В таблице 3.5 представлена зависимость множества анализируемых смежных точек от кода пройденной точки. В первом столбце указаны коды пройденных точек относительно центрального элемента. Выделенные цветом пять элементов во втором столбце в каждой строке в таблице 3.4 представляют собой коды пяти смежных точек в окрестности центрального элемента. Выделенные по одному элементу черным цветом во втором столбце являются уже пройденные точки на предыдущем шаге рекурсии - их коды соответствуют кодам представленных в первом столбце таблицы.
Таблица 3.5. Зависимость множества анализируемых смежных точек от кода пройденной точки.
Как показали исследования, для соответствия анализируемых точек в локальном множестве М/ потенциальной вершине «хребтов» необходимо выполнить проверку соседних точек на «крутизну сколона» в поперечном движении каждой анализируемой точки.
Для примера возьмем из таблицы 3.5 пять анализируемых точек в последней строке (для кода пройденной точки равного 1).
Аналогично определяются соседи для остальных анализируемых точек. В таблице 3.8 представлена зависимость анализируемых соседних точек от кода пройденной точки для всех случаев. В первом столбце указаны коды пройденных точек относительно анализируемой точки - центральный элемент. Выделенные цветом два элемента во втором столбце в таблице 3.8 представляют собой коды двух соседних точек в окрестности анализируемой точки контура. Выделенные черным цветом два элемента во втором столбце соответствуют уже пройденным точкам на предыдущем шаге обхода - их коды соответствуют кодам представленных в первом столбце таблицы.
Однако, как показали исследования, при проверке анализируемой точки на «крутизну склона» только по точкам PR и PL может возникнуть ситуация, когда оценка «крутизны склона» неправильно повлияет на конечное решение о принадлежности этой точки контуру. Рассмотрим пример такой ситуации. На рисунке 3.33 представлен график поперечного среза хребта функции G(x,y) с распределением значений градиента. Горизонтальная шкала графика - ось абсцисс (отклонение в пикселях от вершины хребта в поперечном направлении). Вертикальная шкала графика -значения градиента.
Вертикальная шкака графика - значения градиента G(x,y). Как видно из графика, значение градиента соседней точки слева от максимума (вершины «хребта») (точка с координатой «-1») мало отличается от значения максимума в точке с координатой «0», поэтому оценка Е в данном случае окажется малой. Поэтому, при анализе только двух смежных точек относительно анализируемой, будет принято отрицательное решение о принадлежности точки с координатой «О» контуру объекта. Хотя такое решение, как это видно из графика («крутизна склона» отчетливо видна на ин тервале координат «-2...2»), будет неверным. Можно отметить, что следующая точка слева уже даст существенное значение оценки Е. Поэтому для принятия правильного решения об анализируемой вершине «хребта» предлагается расширить окрестность. Размер расширяемой окрестности будет определять параметр - L& который будет представлять собой неотрицательное нечетное число. Ниже представлена для примера таблица 3.9 зависимости кода пройденной точки от кодов соседних анализируемых точек в окрестности 5x5 (LE = 5).
Описание программно - аппаратной реализации системы контроля хлебобулочных изделий на конвейерных линиях
Для реализации контроля хлебобулочных изделий была разработана структурная схема программно - технического комплекса, представленная ниже на рисунке 4.4.
В аппаратную часть комплекса входят следующие компоненты: 3 каме ры, 1 коммутатор, сервер, коммуникационный кабель. В таблице 4.5 представлены маркировки используемого оборудования.
В программную часть комплекса входят программные модули разработанных методов цифровой обработки изображений, а также вспомогательные библиотеки — драйверы для работы с видеокамерой и графикой, СУБД, библиотеки для работы с СУБД. Программное обеспечение комплекса целесообразно было разбить на два приложения: серверное (для обработки изображений и записи результатов в СУБД) и клиентское (для просмотра результатов). Ниже на рисунке 4.5 представлена структурная схема программной реализации системы.
Рассмотрим более подробно отдельные компоненты структурной схемы:
Данные - изображения, полученные с видеокамер.
Ядро - основной компонент программного обеспечения (серверного приложения), предназначенный для обработки данных и записи их в базу данных
Управление - управление параметрами алгоритма обработки видеоданных.
СУБД - система управления базой данных (или банком данных) для записи, хранения, чтения результатов обработки
Клиент 1.. .п - программы - клиенты (клиентское приложение), предназначенные для просмотра результатов.
Для разработки программного обеспечения был выбран объектно-ориентированный язык «С#» [60,63,64]. Он сочетает в себе как быстродействие «C++», так и гибкость объектно-ориентированного подхода. В качестве СУБД была выбрана «My SQL 5.1» [69,70]. В качестве операционной система была выбрана «Microsoft Windows ХР Professional».
Для обработки изображений в серверном приложении была использована библиотека «mdpi.dll», представляющая собой программную реализацию методы цифровой обработки изображений, разработанные в главе 3. Эта библиотека состоит из трех классов.
Класс «ClassFilter.cs» - класс, представляющий собой программную реализацию методов фильтрации.
Класс «ClassSegment.cs» - класс, представляющий собой программную реализацию методов сегментации.
Класс «ClassNeyron.cs» - класс, представляющий собой программную реализацию метода идентификации.
На рисунке 4.6 представлена диаграмма вышеописанных и вспомогательных классов. На рисунке 4.7 представлена блок - схема обработки видеоизображения с использованием вышеописанных классов.
Разберем основные элементы серверного приложения.
1. Колонка с номером жарочной печи.
2. Колонка с кнопками запуска/ остановки процесса обработки данных с соответствующей жарочной печи. При нажатии кнопки «Запустить» открывается форма для настройки алгоритма обработки (эта опция доступна только пользователей с правами доступа администратора), выбора контролируемой области и кнопка запуска процесса обработки. При нажатии кнопки «Остановить» процесс обработки данных останавливается.
3. Колонка с информацией о дате и времени запуска процесса обработки данных с соответствующей печи.
4. Колонка с информацией о количестве критических событий. На эту информацию необходимо обращать строгое внимание. Критические события могут возникать вследствие различных нештатных ситуаций. Технические нештатные ситуации: нет данных с видеокамеры, нет связи с сервером базы данных. Программные нештатные ситуации: объекты контроля выходят за пределы выбранной области, объекты контроля не обнаружены. При возникновении критического события кроме отображения в журнале событий подается звуковой сигнал.
5. Колонка ссылок на журналы событий, происходящих при обработке данных соответствующей жарочной печи. В скобочках указывается количество событий. События имеют следующий вид: успешные, критические.
Успешные события отображают информацию об успешном получении кадра с видеокамеры, об успешном получении результата обработки данных, об успешной записи в базу данных результатов. Критические события отображают информацию о нештатных ситуациях, описанных в 4 пункте. Журнал хранится физически в файле «Event.log» в каталоге установки серверного приложения.
На рисунке 4.9 представлена форма журнала событий для жарочной печи №2.
Разберем основные элементы интерфейса журнала событий.
1. В заголовке формы указывается номер жарочной печи, информация о событиях обработки данных которой просматриваются в журнале.
2. Тип события - критический.
3. Тип события - успешный.
4. Колонка с информацией о дате и времени создания.
5. Текст события.
6. Сохранение журнала в формат «Microsoft Word» (данная программа должны быть установлены на ПК, на котором осуществлен запуск серверного приложения).
7. Сохранение журнала в формат «Microsoft Excel» (данная программа должны быть установлены на ПК, на котором осуществлен запуск серверного приложения).
8. Полная очистка журнала событий соответствующей жарочной печи.
