Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

 

УДК 004.89; 681

ЗАСТОСУВАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ ПРИ ПРОЕКТУВАННІ КОМП’ЮТЕРНОГО ЗОРУ.

Грицик В.В.

Вступ

В комп’ютерних технологіях (штучний інтелект, автоматизовані системи розпізнавання, проектування автономних систем реагування тощо) задачі розпізнавання та класифікації образів є дуже актуальними. Це зумовлено не тільки складністю опису об’єкту розпізнавання, його виділення з фону на дискретному полі уваги і потребою застосування, а й тим, що близько 85 відсотків інформації людина сприймає очима (відповідно в науково-технічних розробках питанню переробки і розпізнаванням візуальної інформації приділяється велика увага) [1]. Автоматичні розпізнавання і класифікація потрібні при автоматизації на виробництві, при управлінні роботами  в медичних і військових застосуваннях, при спостереженні з супутників, системах безпеки, автоматизованих системах розпізнавання та ідентифікації, а також при роботі з персональними комп’ютерами, зокрема при пошуку цифрових зображень [2].

Особливої актуальності застосування штучних нейронних мереж набуває в умовах невизначеності, де є взаємне перекриття класів. Що спричиняється неповнотою інформаційного базису, суперечливістю даних та іншими факторами [3].

Існуючі сьогодні методи попередньої обробки зображень не забезпечують проведення паралельного перетворення, що істотно обмежує область їх застосування і, зокрема унеможливлює використання відомих методів перетворення, які не враховують паралелізм та ієрархію структури відео даних при обробці зображень [4]. Тому, оскільки, кожна штучна нейронна мережа розпізнавання має фіксовану роздільну здатність, то для її правильного функціонування вхідне зображення потрібно приводити до певного стандартизованого виду [5, 6, 7].

Постановка задачі

Стандартизація об’єктів (приведення вхідного зображення до виду, що є оптимальним для розпізнавання штучною нейронною мережею).

Алгоритми перетворення

Перше, що необхідно зробити для вирішення поставленої задачі – це сформулювати послідовність кроків, що будуть виконуватись автоматизованою інформаційно-аналітичною системою розпізнавання:

1.                     завантаження в автоматизовану систему (АС) зображення/образу, яке містить об’єкт класифікації чи навчання. При цьому зображення (образ) може мати довільну роздільну здатність;

2.                     алгоритм мінімізації поля уваги виконує виділення фрагменту зображення, який містить об’єкт розпізнавання; При цьому автоматично система визначає фон вхідного зображення;

3.                     реалізація алгоритму розпізнавання.

На першому етапі вирішується задача приведення вхідного зображення до виду, що забезпечить роботу системи. Наприклад, при робочому полі нейтронної мережі 3х7 програма повинна поділити об’єкт на 21 рівну частину з подальшим відтворенням кожної з них у відповідних пікселах зображення (метод А):

1.                   вхідне зображення ділиться на 21 рівний фрагмент (по три у рядку);

2.                   в межах кожного з фрагментів виконується обчислення відсотка заповнення його чорними пік скелями (Q);

3.                   якщо коефіцієнт Q більший або рівний відносно заданої користувачем межі Р, (де Р – коефіцієнт мінімальнонеобхідного заповнення), то дана область відображається на результуючому зображенні у вигляді чорного пікселя, в іншому – у вигляді білого;

Таким чином утворюється стандартизоване зображення придатне для використання штучною нейтронною мережею. Приклад роботи такого перетворення з коефіцієнтом Р=5% показано на рис.1 (а,б):

 

Рис. 1а. Вхідне зображення високої

роздільної здатності

Рис. 1.б. результат стандартизації

 

Третій етап – автоматизованого розпізнавання було реалізовано за таким алгоритмом (метод В):

1.       визначається середня лінія вхідного зображення;

2.       визначається коефіцієнт h поділу – величина рівна відношенню (на першому етапі H = висота зображення b = 7):

де :      H – висота ще не розділеної на фрагменти частини вхідного зображення;

            b – кількість ще не утворених рядів фрагментів (ряд містить по три фрагменти); 

3.       Визначивши коефіцієнт h виконується сканування зображення вздовж його середньої лінії попередньо запам’ятавши значення яскравості стартового пікселя цього процесу (x);

4.       Сканування відбувається допоки не виконається одна з двох умов :

де :      pot – яскравість поточного пікселя перебору;

            x     – яскравість стартового пікселя сканування;

             t      – кількість перебраних пікселів;

5.       Координата y знайденої межі запам’ятовується. Після цього відбувається обчислення і запам’ятовування параметрів нової ітерації поділу (h – при H=t, b=b-1; x=pot;). Індикатор пошуку t обнулюється і все починається спочатку;

6.       Ознакою завершення поділу по рядках є отримання таким чином шести меж, сьома межа задається кінцем зображення;

7.       Таким чином відбувається поділ зображення по рядках. У свою чергу, поділ по стовпцях на три частини відбувається як і при поділі по рядках – на рівні частини.

Отже, при поділі зображення на фрагменти даний метод керується пошуком перепадів. Це дозволяє краще відобразити  в результуючому полі ті зображення об’єктів, які не можна відтворити за методом А (див. рис. 2.а., 2.б. та 2.в.).

Як видно з наведеного прикладу в деяких випадках набагато ефективніше використовувати метод В перетворення. Ця необхідність виникає тоді, коли щільність ліній об’єкту перетворення в окремих його місцях значно менша за його висоту загалом. В таких випадках метод А не зможе правильно відобразити об’єкт.

 

 

 

Рис. 2.а Вхідне зображення для перетворення

Рис. 2.б Результат перетворення методом А при вхідному параметрі Р=10

           

Рис. 2.в Результат перетворення за методом В

при аналогічному значенні вхідного параметру Р

Висновок

На даному етапі експериментальної розробки вдалось вирішити задачу попереднього перетворення вхідного образу, який не містить завад. Серед цих задач – стандартизація об’єктів довільної роздільної здатності, а також формування більш поглиблених знань про класи об’єктів.

Проте запропонований підхід має ряд вад:

·                   його можна застосовувати лише для вхідних зображень, що не містять завад;

·                   він залишається мало адаптивним, оскільки, відсутній інструментарій формування знань про нові класи;

·                   його роздільна здатність не дозволить працювати із складнішими об’єктами (літерами і спеціальними символами) є дуже низька роздільна здатність нейронної мережі.

Однак, при всіх цих вадах, запропонована методика дозволяє надійно і швидка клсифікувати цифрову інформацію.

 

In article presents results of experiments of application of neural networks at the decision of a problem of preliminary processing images of an entrance image which does not contain handicapes, and also influence of preliminary processing of the image which contains the digital information for its further classification.

 

1.             Боюн В.П. Інтелектуальні відео системи та пристрої реального часу. – МК Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій. – 14-18.05.2007. – Ст.101-107.

2.             Дэвид Форсайт, Жан Понс “Компьютерное зрение. Современный подход” // Пер. с анг. – М.: Издательський дом “Вильямс”, 2004. – 928с.: ил. - Парал. Тит. Англ.

3.             А.В. Дорошенко. “Нейромережевий розв’язок задач класифікації в умовах неповноти інформаційного базису” // Моделювання та керування станом еколого-економічних систем регіону. – Міжнародний науково-навчальний центр інформаційних технологій та систем. – Випуск 3, 2006. – Ст.114-121.

4.             В.П. Кожем’яко, Л.О. Волонтер, С.В. Дусанюк “Паралельний алгоритм утоньшення бінарних зображень”. – Оптико-електронні інформаційно-енергетичні технології №2(12), 2006. – В-во: Вінницький національний технічний університет. – С.26-32.

5.             Станислав Осовский “Нейронные сети для обработки информации” // М. «Финаны и статистика». – 2004. – 343С.

6.             В.И. Комашинский, Д.А. Смирнов “Нейронные сети и их применение в системах управления и звязи” //. – М.: Горячая Линия-Телеком, 2003. – 94с.

7.             Кватер Тадеуш. Нейромережеві інформаційні технології контролю та діагностики динамічних об’єктів в умовах невизначеності. – Львів.: Видавництво Тараса Сороки, 2005. – 270с.

 





Ответы на вопросы [_Задать вопроос_]

Информационно-измерительные системы

Ковальов О.І. Вимірювання у процесно-орієнтованих стандартах

Полякова М.В., Ищенко А.В., Худайбердин Э.И. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода JSEG

Дзюбаненко А. В. Организация компьютерных систем для анализа изображений

Гордеев Б.Н., Зивенко А.В., Наконечный А.Г. Формирование зондирующих импульсов для полиметрических измерительных систем

Богданов А.В., Бень А.П., Хойна С.И. Релаксация обратного тока диодов Шоттки после их магнитно-импульсной обработки (МИО)

Тверезовский В.С., Бараненко Р.В. Проектирование измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Оптимизированная модель измерителя доб-ротности варикапов

Руднєва М.С., Кочеткова О.В., Задорожній Р.О. Принципи побудови оптимальної структури інформаційно-вимірювальної системи геометричних розмірів об’єктів в діапазоні від 1 нм до 1000 нм

Биленко М.С., Рожков С.А., Единович М.Б. Идентификация деформаций пе-риодических структур с использованием систем технического зрения

Рашкевич Ю.М., Ковальчук А.М., Пелешко Д.Д. Афінні перетворення в модифікаціях алгоритму RSA шифрування зображень

Дидык А.А., Фефелов А.А, Литвиненко В.И., Шкурдода С.В., Синяков Ф. В. Классификация масс-спектров с помощью кооперативного иммунного алгоритма

Клименко А.K. Обратная модель для решения задач в системах с многосвязными динамическими объектами

Завгородній А.Б. Порівняльне дослідження твердотільних і рідиннофазних об'єктів методом газорозрядної візуалізації

Голощапов С.С., Петровский А.В., Рожко Ж.А., Боярчук А.И. Измерение доб-ротности колебательного контура на основе метода биения частот

Кириллов О.Л., Якимчук Г.С. Диагностирование критерия безопасности при заполнении замкнутых объемов СПЖ косвенным методом

Долина В.Г. Проблеми підвищення точності рефрактометра на основі прозорих порожнистих циліндрів.

Самков О.В., Захарченко Ю.А. Застосування алгоритму клонального відбору для побудови планів модернізації авіаційної техніки

Попов Д.В. Метод формування регламентів технічного обслуговування повітряних суден

Казак В.М., Чорний Г.П., Чорний Т.Г. Оцінювання готовності технічних об’єктів з урахуванням достовірності їх контролю

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования цифрового измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования устройства для разбраковки варикапов по емкостным параметрaм и добротности

Сосюк А.В. Інтелектуальний автоматизований контроль знань в системах дистанційного навчання

Соколов А.Є. Деякі аспекти систезу комп’ютеризованої адаптивної системи навчання

Полякова М.В., Волкова Н.П., Іванова О.В. Сегментація зображень стохастичних текстур амплітудно-детекторним методом у просторі вейвлет-перетворення

Луцкий М.Г., Пономаренко А.В., Филоненко С.Ф. Обработка сигналов акустической эмиссии при определении положения сквозных дефектов

Литвиненко В.И., Дидык А.А., Захарченко Ю.А. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов

Лубяный В.З., Голощапов С.С. Прямоотсчетные измерители расхождений емкостей

Беляев А.В. Построение навигации для иерархических структур в WEB-системах и системах управления WEB-сайтом

Терновая Т.И., Сумская О.П., Слободянюк И.И., Булка Т.И. Контроль качества тканей специального назначения с помощью автоматических систем.

Шеховцов А.В. Інформаційний аспект: розпізнавання образів індивідуума.

Полякова М.В. Определение границ сегмента упорядоченной текстуры на изображении с однородным фоном с помощью многоканального обнаружения пачки импульсов.

Литвиненко В.И. Прогнозирования нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей

Ковриго Ю.М., Мисак В.Ф., Мовчан А.П., Любицький С.В. Автоматизована система діагностики генераторів електростанцій

Браїловський В.В., Іванчук М.М., Ватаманюк П.П., Танасюк В.С. Керований детектор імпульсного ЯКР спектрометра

Забытовская О.И. Построение функции полезности по экспериментальным данным.

Шиманські З. Апаратні засоби сегментації мовного сигналу

Хобин В.А., Титлова О.А. К вопросу измерения парожидкостного фронта в дефлегматоре абсорбционно-диффузионной холодильной машины (АДХМ)

Фефелов А. А. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы

Слань Ю. М., Трегуб В. Г. Оперативна нейромережна ідентифікація складних об’єктів керування

Ролик А.И. Модель управления перераспределением ресурсов информационно-телекоммуникационной системы при изменении значимости бизнес-процессов

Кириллов О.Л., Якимчук Г.С., Якимчук С.Г. Изучение электрического поля с помощью датчика измерителя электростатического потенциала на модели замкнутого металлического объема

Гасанов А.С. Информационные технологии построения систем прогнозирования отказов

Шеховцов А.В., Везумский А.К., Середа Е.С. Алгоритм сжатия информации без потерь: модифицированный алгоритм LZ77

Ходаков В.Е., Жарикова М.В., Ляшенко Е.Н. Методы и алгоритмы визуализации пространственных данных на примере моделирования распространения лесных пожаров.

Полякова М.В., Крылов В.Н. Обобщённые масштабные функции с компактным носителем в задаче сегментации изображений упорядоченных текстур. – C. 75 – 84.

Полторак В.П., Дорогой Я.Ю. Система распознавания образов на базе нечеткого нейронного классификатора.

Литвиненко В.И. Синтез радиально-базисных сетей для решения задачи дистанционного определения концентрации хлорофилла.

Бражник Д.А. Управление совмещением изображения объекта в сцене и эталонного изображения.

Бабак В.П., Пономаренко А.В. Локализация места положения сквозных дефектов по сигналам акустической эмиссии.

Мороз В. В. R-D проблема и эффективность систем сжатия изображений.

Крылов В.Н., Полякова М.В., Волкова Н.П. Контурная сегментация в пространстве гиперболического вейвлет-преобразования с использованием математической морфологии.

Квасников В.П., Баранов А.Г. Анализ влияния дестабилизирующих факторов на работу биканальной координатно-измерительной машины.

Казак В.М., Гальченко С.М., Завгородній С.О. Аналіз можливості застосування імовірнісних методів розпізнавання для виявлення пошкоджень зовнішнього обводу літака.

Тищенко И.А., Лубяный В.З. Управление коммутационными процессами в интегрированных сетях связи.

Корниенко-Мифтахова И.К.,Филоненко С.Ф. Информационно-измерительная система для анализа характеристик динамического поведения конструкций.

Тверезовский В.С., Бараненко Р.В. Модель измерителя емкости с линейной шкалой измерений.

Полякова М.В., Крылов В.Н. Мультифрактальный метод автоматизированного распознавания помех на изображении.

Рожков С.О., Федотова О.М. Алгоритм розпізнавання дефектів тканин для автоматичної системи контролю якості.

Бражник Д.А. Использование проективного преобразования для автоматизации обнаружения объектов.

Ходаков В.Є., Шеховцов А.В., Бараненко Р.В. Математичні аспекти створення автоматизованої системи „Реєстр виборців України”