Содержание к диссертации
Введение
1 Бесконтактные измерения геометрических размеров круглого лесоматериала 10
1.1 Особенности бесконтактных измерителей геометрических размеров круглого лесоматериала 10
1.2 Вычисление геометрических размеров объекта контроля на основе обработки видеоинформации 18
1.3 Структура системы измерения объема круглого лесоматериала на основе обработки видеоизображений 26
1.4 Выводы 30
2 Разработка и оптимизация алгоритма многокритериальной нечеткой фильтрации видеоизображения 31
2.1 Анализ методов фильтрации шумов на изображении 31
2.2 Проектирование структуры комбинированного многокритериального нечеткого фильтра 35
2.3 Разработка алгоритма определения принадлежности пикселей потенциальной границе 38
2.4 Оценка качества фильтрации видеоизображений комбинированным нечетким фильтром 46
2.5 Выводы 51
3 Локализация контура объекта алгоритмом нечеткого маркерного водораздела 52
3.1 Особенности методов выделения контуров объекта 52
3.2 Модификация метода сегментации маркерным водоразделом с применением нечеткой решающей процедуры 55
3.3 Разработка алгоритма фильтрации ошибочных контуров с использованием априорной информации о форме объекта 66
3.4 Выводы 72
4 Разработка алгоритма расчета объема объекта по геометрическим параметрам 73
4.1 Использование вариаций количества ракурсов видеосъемки для определения объема тела вращения 73
4.2 Расчет объема при аппроксимации объекта цилиндрами с постоянным и переменным радиусом 77
4.3 Оценка точности измерений объема 85
4.4 Выводы 98
5 Реализация системы расчета объема твердых тел в реальном масштабе времени 100
5.1 Основные характеристики системы измерения объема 100
5.2 Методика проведения и результаты эксперимента 104
5.3 Программно-аппаратная реализация системы .114
5.4 Выводы 117
Заключение 119
Список использованных источников 121
- Особенности бесконтактных измерителей геометрических размеров круглого лесоматериала
- Проектирование структуры комбинированного многокритериального нечеткого фильтра
- Модификация метода сегментации маркерным водоразделом с применением нечеткой решающей процедуры
- Использование вариаций количества ракурсов видеосъемки для определения объема тела вращения
Введение к работе
В деревообрабатывающей промышленности, особенно в системах учета сырья, одной из важных задач является определение геометрических характеристик круглого лесоматериала, включая длину, диаметры вершины и комля, объем.
Согласно экспертной оценке, выполненной специалистами Счетной палаты Российской Федерации (). при поставке на экспорт в 1999 году 27,7 млн. куб. м круглого леса объем не учтенной и не оплаченной древесины составил 4,7 млн. куб. м (17 %). Экономический ущерб, нанесенный государству только за счет недополучения таможенных пошлин, составил 9 млн. долл. США, или 252 млн. рублей, поставщики продукции недополучили 204 млн. долл. США, или 5712 млн. рублей.
Из-за отсутствия надлежащего контроля за учетом круглых лесоматериалов происходит занижение объема продукции со стороны потребителя на 13 % -17 %, в том числе за счет допустимых погрешностей в измерении - 5 %, за счет занижения объемов таблицами ОСТ 13-303-92 и РД 13-2-3-97 - до 8 % -12 процентов.
Для небольших мелкосерийных предприятий использование дорогих узкоспециализированных систем контроля является экономически невыгодным. В основном операцию контроля в таких случаях выполняет непосредственно человек. Следствием этого является сильное влияние психо-физиологического состояния контролера на технологический процесс, которое меняется в течение рабочего дня (человек устает, теряет бдительность и т.д.), что является одним из основных недостатков. В таких случаях обычно используются ручные табличные методы вычисления объема по выборкам по правилам ГОСТ 2708-75 и ОСТ 13-303-92, характеризующиеся высокой трудоемкостью и значительной погрешностью определения объема (до 30%).
Для повышения точности и производительности операции учета сырья и снижения травматизма одной из основных задач является автоматизация процесса измерений.
В настоящее время разработаны такие автоматические системы как "Вектор" и "Фотоскан". Эти установки показывают хорошие результаты при измерении объема, однако имеют некоторые недостатки и высокую стоимость (от 4 тыс. долларов США в зависимости от модели). Учитывая специфические условия производства - значительная масса заготовок, скорость движения около 0,75 м/с -, автоматизация определения объема круглого лесоматериала является комплексной задачей.
Для решения задачи автоматического определения объема круглого лесоматериала одним из наиболее перспективных методов является использование обработки видеоинформации.
Задаче определения геометрических параметров твердых тел с использованием систем технического зрения уделялось много внимания такими исследователями, как Левин, Кайзер, Потмесил, Чэн и Ме-диони, Агарвал, Диматео, Торлегард, Ге и другими [1-12]. Однако их реализация в указанных выше условиях промышленного производства не позволяет получить удовлетворительных результатов, либо затраты на их реализацию оказываются слишком велики.
Выполнение поставленной задачи на основе обработки видеоизображений в указанных условиях требует решения целого ряда специфических задач, связанных с обработкой изображений, особенно с выделением и анализом контура объекта. Этому вопросу посвящено большое число монографий и научных работ Надя, Хуанга, Борисова, Грузмана, Садыкова, Себестиана, Спевакова и других авторов [14-18, 55,85,89, 108].
Если учесть, что объекты контроля находятся в поле зрения видеокамеры непродолжительное время (1,5-2 с), то задача автомати- зации определения объема сырья в указанных условиях еще более усложняется и становится актуальной и необходимой для улучшения экономики предприятия.
Цель диссертационной работы заключается в разработке алгоритма автоматизированного определения объема круглого лесоматериала в условиях производства на основе обработки видеоизображений в реальном масштабе времени.
В соответствии с поставленной целью в работе решаются следующие задачи: анализ методов построения систем бесконтактного определения объема движущихся тел по видеоизображениям; оптимизация методов обработки видеоизображений для выделения контура бревна в условиях неоднородной подстилающей поверхности; разработка структуры системы бесконтактного вычисления объема бревна, движущегося по конвейеру, в реальном масштабе времени путем измерения его геометрических параметров; разработка экспериментальной установки определения значений объема круглого лесоматериала, выделение наиболее значимых дестабилизирующих факторов и мер по уменьшению их влияния.
Методы исследования теория нечетких множеств; теория распознавания образов; методы математической статистики.
Новые научные результаты диссертационной работы предложен алгоритм нечеткого комбинированного фильтра ви деоизображения, сочетающего в себе функции сглаживающей фильтрации изображения и детектора границ, использующего многокритериальную нечеткую оценку границы; разработан усовершенствованный алгоритм сегментации методом маркерного водораздела с использованием нечеткой решающей процедуры, позволяющий предотвратить эффект чрезмерной сегментации и объединить области, представляющие участки объекта с различной текстурой для более полного восстановления контура объекта; разработан алгоритм определения радиуса вращения объекта с использованием упрощенной скелетизации по вертикали, позволившей увеличить быстродействие системы; разработан алгоритм определения объема движущегося объекта цилиндрической формы по последовательности видеоизображений с одного ракурса; разработана структурная схема системы бесконтактного измерения объема движущихся тел цилиндрической формы по видеоизображениям с одного ракурса.
Практическая ценность предложенный алгоритм позволяет бесконтактно измерять объем движущихся тел вращения с достаточной для промышленности точностью (погрешность определения объема не более 4%); реализованная система может использоваться как отдельно, так и в составе автоматизированных систем управления сортировкой круглых лесоматериалов, систем учета круглого леса и других подобных систем; разработанные алгоритмы нашли применение: в деревообрабатывающей промышленности для учета объема сырья, позволив повысить точность и автоматизировать процесс; в медицине при повышении информативности видеоизображений, получаемых с установки УЗД, а именно, позволили увеличить контраст изображения и выделить наиболее важ- ную для врача информацию, уменьшив вероятность неправильной оценки результатов УЗД; 3) в радиолокации в составе программного обеспечения рабочего места оператора РЛС, а именно, позволили повысить достоверность и эффективность операции анализа и селекции цели.
Реализация и внедрение результатов
Исследования и практические разработки, выполненные в диссертационной работе, являются частью научно-исследовательских работ, выполняемых в рамках Г/Б НИР. Результаты исследований и их практической проработки были внедрены: в системе учета сырья на деревообрабатывающем предприятии ОАО "Муром" г. Муром; в здравоохранении в системе УЗД г. Муром; в составе программного обеспечения рабочего места оператора РЛС на ОАО "МЗ РИП" г. Муром; в учебном процессе МИ ВлГУ в дисциплинах "Интегрированные автоматизированные производственные системы", "Проектирование и эксплуатация автоматизированных комплексов".
Апробация работы
Работа в целом и ее отдельные результаты докладывались и обсуждались в период с 2000 по 2003 гг. на конференциях: XXVI Гагаринские чтения - Москва, 2000.
Проблемы передачи и обработки информации в сетях и системах телекоммуникаций - Рязань, 2001.
Аэрокосмические методы и геоинформационные технологии в лесоведении и лесном хозяйстве - Москва, 2002. XXVII Гагаринские чтения - Москва, 2001. XXVIII Гагаринские чтения - Москва, 2002.
Актуальные проблемы анализа и обеспечения надежности и ка- * чества приборов, устройств и систем - Пенза, 1998.
Дистанционное зондирование земных покровов и атмосферы аэ рокосмическими методами. - Муром, 2001. и ежегодных научно-технических семинарах кафедры «Конструирование и производство радиоэлектронной аппаратуры» МИ ВлГУ (2000 - 2003).
Публикации
Основные результаты исследований опубликованы в 10 работах (3 статьи, 7 докладов) и научно-техническом отчете ГБ №377/01 01.200.108490.
Структура и объем диссертационной работы
Диссертация состоит из введения, пяти глав и заключения, изло- * женных на 131 странице и иллюстрированных 67 рисунками и 19 таб- лицами, а также списка литературы из 118 наименований.
Особенности бесконтактных измерителей геометрических размеров круглого лесоматериала
В практике международных отношений и в Российской Федерации основополагающими стандартами, определяющими и устанавливающими нормы и правила учета древесины, являются: ГОСТ 2292-88, ГОСТ 2708-75, таблица № 4 в ГОСТе 2708-75, ОСТ 13-303-92. Указанные стандарты допускают отклонения и погрешности измерения при определении объемов круглых лесоматериалов в размере 5 процентов.
Для получения показателей объемов лесоматериалов при групповом учете основными являются ОСТ 13-43-79, ГОСТ 3243-88. Действующий ГОСТ 2708 научно обоснован и является более достоверным, что подтверждает сравнительный анализ его таблиц объемов с таблицами объемов действующего ОСТ 13-303-92, РД 13-2-3-97 и проектов ГОСТ 2292-00 и РД 13-2001-00: объемы вершинных бревен диаметром до 15 см, исчисленные по таблице 4 ГОСТ 2708, на 7 % - 12 % выше, чем объемы, исчисленные в соответствии с действующим ОСТ 13-303-92, РД 13-2-3-97 и предлагаемыми проектами; основной недостаток таблиц ОСТ 13-303-92, РД 13-2-3-97, проектов ГОСТ 2292-00 и РД 13-2001-00 состоит в том, что при определении объемов бревен диаметром от 16 см до 24 см заложено превышение объемов в сравнении с ГОСТ 2708, тогда как при определении объемов бревен диаметром от 26 см и выше - занижение объемов бревен. При этом чем больше диаметр, тем больше занижение, которое в наиболее ценной, срединной и комлевой части ствола достигает 13 % в коротких, 10 % - 12 % в более длинных сортиментах.
Вычисление объема без учета фактического сбега бревен приводит к значительным погрешностям. Контрольными измерениями установлено, что объем сбежистых хвойных бревен, заготовленных на севере Карелии, таблица стандарта занижает на 11 %, а объем бревен из крупномерной ангарской сосны - завышает на 9 % . Другим недостатком таблиц стандарта является отсутствие математической модели (формулы) для вычисления объема.
Международным стандартом и стандартами многих стран Европы в качестве модели, используемой при вычислении объема, принят цилиндр с диаметром, равным диаметру бревна на середине длины. В нашей стране этот метод называется методом срединного сечения, в Европе - методом Губера.
Измерение "по Губеру" обеспечит совпадение объема экспортируемых бревен с результатами измерений в Турции, Германии и ряде других стран. Однако измерение срединного диаметра не всегда возможно - необходимы лесные вилки и раскатка бревен в один ряд. При известном среднем значении сбега объем бревен с приемлемой точностью может быть вычислен методом верхнего диаметра и среднего сбега. Нормальным считается сбег бревен, равный 1 см/м. Если продавец и покупатель согласны считать сбег всех бревен, равным нормальному, то могут использовать метод верхнего диаметра и нормального сбега, для которого составлена таблица. При автоматических измерениях используют метод измерения по секциям - проводят многократные измерения диаметра по длине бревна и вычисляют объем бревна как сумму объемов отдельных секций.
Все перечисленные методы поштучного измерения объема бревен встречаются в практике международной торговли. Объем бревна, вычисленный упомянутыми выше методами, близок к истинному объему древесины. Обычаями лесной торговли некоторых стран предусмотрено использование мер объема лесоматериалов, не совпадающих с объемом древесины. В Швеции объем пиловочника определяют по объему вписанного цилиндра, который на 12-28 % меньше истинного. В Японии объем бревна считают равным квадрату верхнего диаметра, умноженного на длину. В Финляндии объем бревен вычисляют вместе с корой, в остальных странах, как правило, без коры. Значительно занижается объем из-за особенностей измерения и округления размеров, применяемых в ряде стран. Измерения в "целых единицах", когда при измерении диаметра дробные части сантиметров отбрасывают независимо от их значения, или когда из-за отсутствия припуска длину бревна снижают на 0,5 -1м, могут уменьшить объем бревен на 10 % и более.
Различают современные групповые методы измерения объема лесоматериалов: геометрической, весовой, по числу бревен и по числу пакетов. Регламентированы процедуры выборочного определения коэффициентов для групповых методов. Стандартизирован гидростатический метод, базирующийся на законе Архимеда. Промышленностью выпускаются грейферы и весы, позволяющие измерить вес лесоматериалов в воздухе и после их погружения в воду. Такими методами измерений в основном подвергаются круглые лесоматериалы, предназначенные для выработки целлюлозы и древесной массы.
Все существующие методы измерения геометрических размеров, объема и других параметров тела по способу взаимодействия измерительного инструмента с объектом можно разделить на две группы: контактные и бесконтактные.
Сущность контактных методов состоит в том, что инструмент в процессе измерений непосредственно контактирует с объектом. Одним из недостатков данного метода является его потенциальная возможность повредить измеряемый объект, если он является очень хрупким. Этот метод обладает возможностью автоматизации процесса измерений только в том случае, если объект имеет несложную конфигурацию (простую геометрическую форму). Следовательно, точность измерений в высокой степени зависит от точности используемого инструмента и от субъективного восприятия контролера, который фиксирует измеренное значение. Другими недостатками контактных методов являются высокая трудоемкость операции измерения и сравнительно большая продолжительность проведения операции. Применение такого метода является оправданным только в случае контроля единичных объектов или очень малых партий.
Проектирование структуры комбинированного многокритериального нечеткого фильтра
Предварительная обработка необходима для уменьшения влияния аддитивного и мультипликативного шума, который присутствует на реальном видеоизображении [15]. Дополнительная проблема заключается в отсутствии согласования между информацией, которую предоставляет детектор границ, и информацией, которая необходима на последующем этапе сегментации. Поэтому одной из задач, решаемых на стадии предобработки, является подготовка необходимой информации для этапа локализации и селекции объекта (сегментации), которая должна содержать данные о границах областей объектов, присутствующих на видеоизображении.
Дискретизированное и квантованное изображение, поступающее из устройства регистрации, представляет собой матрицу положительных чисел G, над которой могут производиться линейные и нелинейные операции широкого класса [56]. где нелинейный оператор SQ{ ... } выражает действие дискретизато-ра и квантователя на реальное изображение д{х,у).
На практике реальное изображение всегда содержит шум. В общем виде реальное изображение можно описать где гь - мультипликативная и rj2 - аддитивная составляющая шума. Шумы проявляются на изображении как разрозненные изменения изолированных элементов, не обладающие пространственной корреляцией [15]. Существуют различные методы уменьшения влияния шума как аппаратные, включающие использование точной аппаратуры, температурной стабилизации, так и программные, основанные на цифровой фильтрации изображений.
В области пространственной фильтрации [56, 57] выделяют два типа фильтров: линейные и нелинейные. Для того чтобы результат фильтрации не зависел от направления перемещения фильтрационного окна, необходимой является инвариантность функции ядра к вращению. Для этого форма в полярных координатах должна зависеть только от радиального расстояния г = V 2 +У2 и не зависеть от направления tany? = у/х. Одним из известных функционалов, удовлетворяющих этим требованиям, является Гауссиан (2.5) где параметр масштабирования а 0 определяет степень сглаживания. На этом ядре строится двухмерный гауссовский линейный фильтр (рисунок 2.1)
Рисунок 2.1 - Гауссовский фильтр (окно 20 х 20, а = 2,5). Из рисунка 2.1 видно, что чем дальше от центра окна (в данном случае 0(10,10)), тем больше уменьшается амплитуда, почти до нуля. Следовательно, при фильтрации (2.3), элементы изображения, находящиеся по краям окна, почти не будут влиять на результат свертки из-за того, что их веса являются слишком малыми. Поэтому является нецелесообразным использовать окна большого размера. На практике применяются окна размером За или 5а [56, 59, 64 - 68].
К нелинейным фильтрам [58] относятся медианный фильтр, фильтр Куахара, квази-полуинтервальный фильтр, усредняющий фильтр а-порядка. Особенностью таких фильтров является то, что фильтрация производится только в пространственной области и характеризуется повышенными затратами на вычисления.
Гауссовский фильтр удаляет шум путем "смазывания" изображения, поэтому он не относится к классу фильтров, которые сохраняют положение границ. Медианный фильтр сохраняет резкость границ и эффективен при сглаживании импульсного шума [15], но имеет эффект скруглення острых углов и искажения формы перекрывающихся областей [59]. Одним из возможных вариантов устранения указанных недостатков и увеличения гибкости фильтрации является фаззификация процесса фильтрации, т.е. использование в фильтрах нечетких мер и интегралов. Для аппроксимации традиционного порядкового статистического (в т.ч. медианного) фильтра в [60, 61] предлагается использовать нечеткие интегралы Суджено и Чоке, которые являются интегралами функции по отношению к нечеткой мере.
Модификация метода сегментации маркерным водоразделом с применением нечеткой решающей процедуры
Задача выделения объекта из фильтрованного изображения решается путем проведения сегментации видеоизображения, которая заключается в разделении изображения на области, являющиеся однородными или квази-однородными по характеристикам, которые выбраны в качестве критериев разделения. Эта процедура является основным этапом, определяющим качество процесса распознавания образов, поэтому целью является такое разделение исходного изображения на сегменты, что выделенные области максимально соответствовали бы реальным объектам, присутствующим на сцене, по форме.
Поскольку все реальные физические объекты имеют замкнутые контуры определенного размера, то дополнительными требованиями являются генерация замкнутых областей, имеющих определенный контур, и сортировка этих областей по степени соответствия реальному объекту. То есть, необходимо слишком маленькие области либо объединять или включать в более крупные, либо вообще их исключить из рассмотрения.
Пусть G является изображением, сегментированным на подмножества CtbQ2 — k- Разделение изображения на различные области должно удовлетворять следующим критериям: Первый критерий показывает, что все пространство G разделено на сегменты П,-; второй - эти сегменты являются непересекающимися подмножествами. P(Qj) - это логический предикат, который обозначает однородность каждого подмножества Qjm Четвертый критерий означает, что указанный предикат принимает ложное значение из-за того, что объединение двух различных подмножеств Qf и Qj приводит к нарушению однородности.
Сегментация является субъективным и контекстно-зависимым процессом. Поэтому не существует единого алгоритма, который бы одинаково хорошо сегментировал изображения для разных задач. В настоящее время разработано большое количество методов сегментации [84, 85, 86, 87, 89, 91, 92, 93], которые в общем случае могут быть разделены на четыре группы: 1) анализ характеристик отдельных пикселей (pixel-based); 2) анализ областей пикселей (region-based); 3) анализ границ между объектами (edge-based); 4) анализ изображений, учитывающий природу объектов (physics based). Одним из наиболее простых и быстрых методов, применяемых для решения задач сегментации изображений, является метод водораздела (watershed) [88, 89, 90, 91]. Он относится ко второй группе алгоритмов сегментации. Преимуществом метода водораздела является генерация замкнутых контуров, которые в дальнейшем значительно упрощают процесс принятия решения при выделении объекта из изображения.
В [88] было дано определение преобразование водораздела для видеоизображений. Водораздел является одним из классических понятий, используемых в области топографии. Поэтому было предложено рассматривать яркостное видеоизображение как топографическую карту поверхности. Традиционные понятия геодезической зоны, расстояния, линий водораздела, бассейнов справедливы также и при описании преобразования водораздела яркостных изображений. В геодезии водоразделом называется линия поверхности, разделяющая бассейны двух водных объектов.
Алгоритмы водораздела можно условно разделить на две группы. Первая группа содержит алгоритмы, которые эмулируют процесс наводнения [89, 90]. Если начать погружать местность в воду уровень за уровнем, на ней станут постепенно образовываться бассейны. Для того, чтобы в процессе погружения два бассейна не слились, между ними строится дамба. Когда вода достигнет максимального уровня, построенные дамбы будут образовывать границы водораздела, т.е. границы объектов.
Алгоритмы второй группы [91] вычисляют непосредственно точки, принадлежащие линиям водораздела. Такие алгоритмы выделяют локальные линии водораздела. Чтобы выделить замкнутые контуры объектов, необходимо затратить дополнительное время. Поэтому более целесообразным является адаптация алгоритма водораздела первой группы под ограничения, накладываемые данной задачей.
Преобразование водораздела в его классическом виде позволяет различать на фоне объекты с малым контрастом, но в то же время это приводит к появлению очень большого количества бассейнов и, в результате, к чрезмерной сегментации (oversegmentation) [87, 88]. Это происходит из-за того, что бассейнами считаются даже самые маленькие объекты и случайные флуктуации, например, шум.
Для предотвращения чрезмерной сегментации существуют два пути: 1) использование маркеров; 2) введение порога глубины бассейна. Маркерный подход подразумевает, что маркеры задают инициирующие бассейны, и в процессе работы новые бассейны не создаются [89]. К недостаткам данного метода можно отнести трудность автоматической расстановки маркеров. Введение порога глубины бассейна означает, что при встрече двух и более бассейнов анализируется глубина каждого из них. Если она меньше определенной пороговой величины, то бассейны сливаются в один, иначе строится дамба. Трудность заключается в определении порогового значения глубины. Слишком низкий порог приводит к образованию большого количества бассейнов, а высокий порог - к объединению объектов и, следовательно, к некорректному их распознаванию.
С точки зрения реализации, маркерный вариант обладает более высоким быстродействием, поскольку при очередном погружении поверхности производятся расчеты по меньшему количеству бассейнов. Поэтому в качестве базового метода сегментации выбираем маркерный алгоритм водораздела. Но для уменьшения эффекта чрезмерной сегментации модифицируем процедуру принятия решения о слиянии бассейнов, используя значения глубины и зоны влияния.
Использование вариаций количества ракурсов видеосъемки для определения объема тела вращения
В процессе определения объема тела в качестве входной информации используется одно или более изображение проекций объекта. В настоящее время известны методы восстановления поверхности объекта, применяющие обработку изображений, получаемых неподвижными некалиброванными камерами (рисунок 4.1) [100, 101, 102, 103].
Многоракурсная съемка неподвижными видеокамерами. Обработка изображений, получаемых из нескольких источников, сопряжена с определенными трудностями, наиболее серьезным из которых является нахождение опорных точек на всех изображениях, т.е. привязка изображений. В [104] описана методика нахождения соответствующих точек на нескольких изображениях и рассмотрены методики осуществления привязки для различного количества ракурсов. Привязка изображений Gt и G2 (в случае регистрации с двух ракурсов) сводится к минимизации функционала вида где Pi є G) и с/; eG2 - соответствующие друг другу (управляющие) точки на изображениях, Л/ 3 - количество пар управляющих точек, Т = { a,p,%tx,ty,tz } - трехмерное преобразование.
Поскольку процесс минимизации функционала (4.1) является итеративной процедурой, то он обладает высокой вычислительной трудоемкостью и на существующей аппаратной базе не может выполняться в реальном масштабе времени [50].
Привязка изображений с нескольких ракурсов {GbG2,...,GN } осуществляется так же, но матрица трехмерного преобразования определяется для каждого изображения {7 ,7 ,...,7- }, что значительно увеличивает время выполнения процедуры.
Избежать проблемы привязки изображений позволяют системы, использующие в качестве источника информации изображения, получаемые с видеодатчика движущегося по заданной траектории (сканера). Изображения принимаются для обработки, когда сканер достигнет очередной позиции (рисунок 4.2). Преимуществом таких систем является возможность получения максимально информативной (насколько позволяет траектория) съемки поверхности объекта. применения систем для оценки параметров движущихся тел связана с тем, что сканеру требуется некоторое время, чтобы переместиться в очередной ракурс. За это время объект успевает изменить положение, поэтому изображения, полученные даже с соседних ракурсов, будут некорректно отображать форму объекта при совместной обработке. Также возникает проблема нахождения позиции следующего ракурса (Next Best View), в котором будет находиться сканер, так чтобы изображения с разных ракурсов не перекрывались.
В данном случае положение объекта и его ориентация не детерминированы, а известна лишь априорная вероятность его появления в некоторой точке. Поэтому угол сканирования, на который перемещается сканер, будет переменной величиной, которую необходимо корректировать, что создает дополнительные проблемы при регистрации. Существуют методики решения проблемы поиска следующего ракурса [105, 106], но в них следующее положение камеры определяется на основе обработки изображения, полученного из текущего ракурса. Перемещение сканера осуществляется после анализа изображения, а не параллельно, что создает временную задержку.
Методы определения геометрических параметров объекта по нескольким проекциям обладают высокой точностью, определяющейся количеством проекций, но имеют значительные аппаратурные затраты. Это проявляется в использовании нескольких видеокамер [47]. В другом случае для осуществления движения камеры по заданной траектории требуется специальный привод, что также увеличивает аппаратурную стоимость [6, 48]. Поэтому методы вычисления объема по нескольким проекциям применяются в основном для обработки объектов сложной геометрической формы.
Методы определения объема объекта по одной проекции [2] из-за недостатка информации активно используют априорные сведения о форме объекта. Такие методы имеют меньшую точность при работе с реальными объектами, но аппаратурные затраты в несколько раз меньше, поскольку используется всего одна видеокамера, которая находится в статическом положении относительно мировых координат сцены. Поэтому пропадает необходимость в привязке изображений. Такие методы обладают более высоким быстродействием, т.к. обрабатывается всего одно изображение, из которого извлекаются все необходимые сведения о форме и геометрических параметрах объекта.
Для ускорения работы и повышения достоверности результатов в нем будем использовать одну проекцию объекта и априорную информацию, что объект контроля ориентирован в направлении, близком вертикальному, а перспективная проекция объекта представляет собой форму, близкую прямоугольной.
Такая информация является специфичной для узкого круга объектов контроля и позволит эффективно произвести вычисление объема, однако использование метода на ее основе в других условиях без дополнительной модификации не даст корректных результатов.
