Официальный сайт движения «Москва без Лужкова!»
Главная Новости Москвы Наши новости Популярное
  • Новости
  • Новости
  • ВХОД В ЛИЧНЫЙ КАБИНЕТ
    логин
    пароль
       
    Новости

    Метод оптичного розпізнавання образів - засіб оптимізації виробництва

    Сировиною для основного виробництва плитних заводів, а також целюлозно-паперових комбінатів є технологічна тріска, яку зазвичай роблять у деревно-підготовчих цехах бірж сировини цих підприємств. Очевидно, що від ефективності технологічних процесів і якості технологічної тріски багато в чому залежить ефективність роботи і якість продукції, що виготовляється.

    Значний вантажообіг деревно-підготовчих цехів при часто мінливих фізико-механічні властивості деревної сировини, а також недосконалість технологій зумовлюють неоптимальність показників процесів переробки деревини в тріску, зайві втрати сировини (відходи) і підвищені витрати енергії. Таким чином, дослідження, спрямовані на підвищення ефективності автоматизації технологічних процесів деревно-підготовчих цехів, цілком актуальні.

    Сучасні підходи до автоматизації основних технологічних операцій деревно-підготовчих цехів засновані насамперед на використанні методу і засобів оптичного розпізнавання образів з метою оптимізації виробництва. Однак до сих пір немає досліджень, присвячених обгрунтуванню оптимального методу розпізнавання образів стосовно до прикладних задач оцінки оптимальності роботи обладнання деревно-підготовчих цехів.

    Для підвищення ефективності роботи лінії виготовлення технологічної тріски вченими наукової школи «Інноваційні розробки в області лісозаготівельної промисловості і лісового господарства», яка включена до реєстру провідних наукових шкіл Санкт-Петербурга, запропоновано кілька технічних рішень по автоматизації управління якістю окорки балансів в корувальна барабані. Ідея полягає в постачанні лінії встановленим на виході з корувальна барабана вузлом сканування з блоками інформації та програмування і його зв'язку з приводами Шандора і зкидача погано окоренних колод. Це рішення базується на можливості автоматичної оцінки площі поверхні колод з невіддільний корою.

    Теоретичні дослідження алгоритму поділяються за змістом на виділення на знімку об'єкта (балансу) і бінаризація зображення, яка повинна максимально виділити необкоровані ділянки балансу. На першому етапі необхідно розділити зображення на фон і досліджуваний об'єкт (окоренной баланс). Завдання зводиться до пошуку двох криволінійних розрізів, які з'єднують лівий і правий краї зображення. Домовимося, що при цьому в кожному стовпці зображення точка одного і того ж розрізу єдина, а перехід по лінії розрізу, здійснюваний від поточного стовпця пікселів до сусіднього, не може бути зроблений зі «стрибком», який більше ЛЛЛЛЛЛЛЛ До пікселів по вертикалі.

    Позначимо оцифроване зображення J (x, y) (зображення координати x горизонтальне, y - вертикальне). Ширину зображення (у пікселях) позначимо W, висоту - H. Зображення розділимо на дві частини (ширина кожної частини залишиться W пікселів, висота - H1 і H2 відповідно). Введемо функції C1 (x) і C2 (x), що розділяють об'єкт (баланс) і фон зверху і знизу відповідно. Таким чином, зображення розділиться на підмножини пікселів: U1 (підмножина пікселів, що знаходяться «вище» розрізу C1 (x)), D (підмножина пікселів, що належать об'єкту, складається з підмножин D1 і D2) і U2 (підмножина пікселів, що знаходяться нижче розрізу C2 (x)). Із зазначених умов слід:

    де p (xp, yp) - довільна точка зображення з координатами xp і yp по горизонталі і вертикалі відповідно.

    Схема побудови розрізів, що розділяють зображення на фон і об'єкт, представлена ​​на рис. 1.

    Додатково введемо позначення w (M) - число пікселів, що належать деякій підмножині, де M - позначення підмножини (U1, D1, D2 або U2). Введемо додаткові позначення для сум яркостей і сум квадратів яркостей підмножин - S (M) і S (M) 2 відповідно; σ2 (M) - дисперсія пікселів підмножини.

    За визначенням дисперсія пікселів підмножини дорівнює

    За визначенням дисперсія пікселів підмножини дорівнює

    Для побудови ліній розрізу використовуємо критерій Оцу. З урахуванням введених позначень формально критерій можна записати в наступному вигляді:

    З урахуванням введених позначень формально критерій можна записати в наступному вигляді:

    Суми квадратів яркостей точок зображення залишаться незмінними безвідносно положення розрізів:

    Суми квадратів яркостей точок зображення залишаться незмінними безвідносно положення розрізів:

    Таким чином, завдання пошуку розрізів можна звести до пошуку двох максимумів:

    Таким чином, завдання пошуку розрізів можна звести до пошуку двох максимумів:

    Завдання пошуку максимумів функцій (9) і (10) вирішуються методами динамічного програмування.

    При побудові «верхнього» розрізу C1 (x) сукупність точок, що знаходяться зліва від точки p (x, y) і вище лінії розрізу, позначимо U1xy, а точок зліва від точки p (x, y) і нижче лінії розрізу - D1xy. При побудові «нижнього» розрізу C2 (x) сукупність точок, що знаходяться зліва від точки p (x, y) і нижче лінії розрізу, позначимо U2xy, а точок зліва від точки p (x, y) і вище лінії розрізу - D2xy.

    Для зберігання числа пікселів, що належать множинам U1xy, D1xy, U2xy, D2xy, введемо змінні ω1U [y] [x], ω1D [y] [x], ω2U [y] [x] і ω2D [y] [x] відповідно. Для зберігання сум яскравості пікселів, що входять в безлічі U1xy, D1xy, U2xy, D2xy, використовуємо змінні S1U [y] [x], S1D [y] [x], S2U [y] [x] і S2D [y] [x] відповідно.

    Додатково вводячи різні змінні, в яких зберігаються числа пікселів, знайдемо формули для розрахункових значень критерію Оцу:

    Значення yprev, при яких критерій Оцу досягає максимального значення, визначається перебором.

    Після того як зображення балансу відокремлене від фону, можемо перейти до другого етапу: поділу отриманого зображення на окоренних і необкоровані зони. Необхідно звернути увагу, що зображення неокоренних зон часто можуть виявитися малоконтрастними в порівнянні з зображенням окоренной деревини. Таким чином, основним завданням обробки і аналізу фотознімків є якісна сегментація (розподіл зображення на зони, для кожної з яких виконується певний критерій однорідності), для чого слід використовувати метод бинаризации, який представляє собою переклад кольорового (або в градаціях сірого) зображення в двокольорове, чорно-біле. Головною метою бинаризации є радикальне зменшення обсягу інформації, з якою доводиться працювати. Інакше кажучи, вдала бінаризація сильно спрощує роботу з зображенням. Розглянемо три варіанти методу бинаризации зображення для отримання якісної сегментації.

    Перший метод - порогова обробка зображення. Вона полягає в зіставленні яскравості кожного пікселя зображення із заданою порогової яскравістю. Для цього можна розділити гістограми зображення на дві частини за допомогою заданого, єдиного для зображення глобального порога, після чого сегментація здійснюється шляхом послідовного сканування кожного пікселя зображення (кожен піксель відзначається як відноситься до об'єкту або фону за ознакою яскравості, в залежності від того, перевищено чи порогове значення). Це простий метод, який дозволяє досягти коректної сегментації, якщо гістограма зображення носить різко виражений бімодальний характер (якщо на зображенні можна розрізнити два види часто зустрічаються пікселів: «яскраві» і «темні»). В цьому випадку гістограма розділяється за допомогою єдиного глобального порога T, що знаходиться в западині між піками гістограми зображення.

    Другий метод - метод Оцу. З його допомогою в разі бинаризации обчислюють поріг, при якому до мінімуму зводиться середня помилка сегментації. Значення яскравості пікселів фотознімку розглядають як випадкові величини, їх гистограмму розподілу - як оцінку щільності розподілу ймовірностей випадкових величин. При відомої з гістограми щільності розподілу ймовірностей можливе визначення оптимального порогу для поділу зображення на об'єкт (неокоренной ділянку) і фон (окоренной деревина).

    Вводяться такі припущення і позначення: зображення представляється за допомогою L рівнів яскравості; hi - число елементів зображення з яскравістю i, i = 0, 1, ..., L - 1; H - загальне число пікселів на зображенні; гістограма зображення є нормалізованої, і її можна розглядати як розподіл ймовірностей:

    елементи зображення діляться на два класи C0 і C1 з використанням порогового значення t, причому група C0 містить пікселі з яскравістю з безлічі (0, 1, ..., t), група C1 - пікселі з яскравістю з безлічі (t, t + 1 , ..., L - 1). Імовірність приналежності до кожної з двох груп і середні значення їх яскравості описуються формулами:

    - сукупна дисперсія.

    Сукупна дисперсія не залежить від порога t, вона розраховується за формулою:

    Найбільш простий функцією, що залежить від порога t, є межклассовая дисперсія, в зв'язку з чим найбільш прийнятним з точки зору обчислень оптимального порогу t є значення η:

    Метод Оцу передбачає, що поріг поділу t є змінною величиною, в зв'язку з чим при проведенні експериментальних досліджень закладемо цю величину в межах від 0,5 до 1,5t * за формулою (25).

    Третій метод бинаризации зображення - метод Бернс. Всі зображення ділиться на зони з заданим розміром. Далі для кожного пікселя зображення в межах зони використовується поріг, значення якого дорівнює середньому арифметичному найменшого jlow і найбільшого jhigh рівня яскравості в досліджуваній зоні:

    Далі для кожного пікселя зображення в межах зони використовується поріг, значення якого дорівнює середньому арифметичному найменшого jlow і найбільшого jhigh рівня яскравості в досліджуваній зоні:

    Якщо в прийнятій зоні використовувана міра контрасту відповідає умові:

    Якщо в прийнятій зоні використовувана міра контрасту відповідає умові:

    де ε - задана гранична величина, яка визначається емпіричним шляхом, то розглянута зона містить об'єкти тільки однієї групи - об'єктів або фону.

    У завдання учасників експериментальних досліджень входила перевірка розроблених алгоритмів для автоматизованої оцінки якості окорки балансової деревини. Для дослідів були відібрані зразки балансової деревини, отримані на Котласском ЦПК в травні 2015 року.

    Суть дослідів полягала в наступному. За допомогою цифрової камери робилися знімки відібраних для дослідів балансів. Після відділення зображення балансів фрагменти фотознімків оброблялися з використанням трьох описаних вище алгоритмів бинаризации зображення.

    Результати обробки зображень зіставляли з експериментальними даними по обміру площі добре окоренних і недостатньо окоренних ділянок балансів. Обмір виконувався за такою методикою: окоренной баланс обертали в прозорий поліетилен, на якому вручну обводили ділянки з невіддільний корою, потім розгортали плівку, обміряли обведені ділянки і розраховували їх площа.

    При обробці експериментальних даних використовувалися основні методи статистичної обробки.

    Результати оцінки площі неокоренной поверхні за фотознімками, а також результати зіставлення цих оцінок з даними експериментів показали:

    • оцінки частки (%) неокоренной поверхні, отримані за допомогою методу порогової обробки зображення, стабільно нижче даних, отриманих в ході експериментів (рис. 2);
    • оцінки, отримані за допомогою методу Бернс, в загальному випадку вище відомостей, отриманих в ході експериментів (рис. 3);
    • в залежності від обраного порога поділу, за допомогою методу Оцу були отримані оцінки, які як вище, так і нижче оцінок, отриманих в результаті експериментів. Причому якщо заданий поріг поділу близький до обчисленого за формулою (15), оцінки близькі до отриманих в ході експериментів (рис. 4, 5; табл. 1).

    За даними табл. 1 можна зробити наступні висновки:

    При використанні методу порогової обробки зображення площа неокоренной поверхні сортиментів (%), отримана при оцінці знімків, менше експериментальних значень в середньому на 25,2%. Довірчі кордону для відмінності ± 16,5%.

    Якщо задати поріг поділу, рівний оптимальному за формулою (15), то при використанні методу Оцу площа неокоренной поверхні, отримана при оцінці фотознімків, менше експериментальних значень в середньому на 3,2%. Довірчі кордону для відмінності ± 14,4%.

    При використанні методу Бернс площа неокоренной поверхні, отримана при оцінці знімків, більше експериментальних значень в середньому на 26,7%. Довірчі кордону для відмінності ± 16,3%. Числа проведених експериментів (n = 300) досить, щоб зробити висновок про довірчої ймовірності отриманих результатів 95%. Виробничникам відома проблема оцінки якості технологічної тріски. Застосовуваний сьогодні метод передбачає взяття проби кондиційної фракції, сортування проби на лабораторному аналізаторі, зважування та визначення процентних співвідношень фракцій. Метод досить трудомісткий і тривалий і не дозволяє оперативно отримувати оцінку якості тріски і постійно відстежувати його. Якщо за результатами аналізу черговий проби буде виявлено, що якість тріски незадовільний, досить складно оцінити, скільки неякісної тріски вже надійшло на подальшу обробку.

    На основі викладеного вище фахівці Санкт-Петербурзького державного лісотехнічного університету спільно з вченими Вятського державного університету розробили автоматизовану систему визначення якості технологічної тріски - лазерний вимірювач відстані. Його основні елементи - лазер і приймач випромінювання. Промінь лазера з високою швидкістю переміщається перпендикулярно напрямку руху конвеєрної стрічки, відбивається від поверхні тріски, що знаходяться на ній, і потрапляє в приймач. Безліч відліків відстані, отриманих за один прохід лазерного променя по стрічці, дозволяють отримати зріз маси тріски, що знаходиться на конвеєрі в конкретному місці. У міру руху стрічки лазер багаторазово сканує поверхню конвеєра з розташованої на ньому тріскою і отримує нові зрізи. Безліч зрізів дозволяє отримати повну картину наявності тріски на конвеєрі і її розмірів.

    Лазерний пристрій приводиться в рух кроковим двигуном. Управління за допомогою широтно-імпульсної модуляції дозволяє без додаткового зворотного зв'язку точно знати, де в кожен момент часу знаходиться лазерний промінь. Однак неможливо заздалегідь дізнатися, чим наводиться в дію конвеєрна стрічка і які допустимі межі відхилення швидкості її руху, тому привод конвеєра пропонується оснастити енкодером, який забезпечить інформацію про точну швидкості конвеєра і відповідно до неї дозволить коригувати алгоритм роботи скануючого лазерного модуля.

    Інформація з лазерного модуля і енкодера надходить на вхід комп'ютера. Відомості про безліч станів конвеєра, послідовно надходять на вхід комп'ютера від лазерного модуля, і відстань між ними, обчислене за допомогою енкодера, дозволяє відновити кордони кожної окремої тріски, розрахувати її площа і віднести до тієї чи іншої категорії: велика, дрібна або кондиційна. Дані накопичуються в пам'яті комп'ютера, і на підставі зібраної статистики можна зробити висновок про співвідношення фракцій тріски різних розмірів. Залежно від місця установки системи і поставлених завдань оператор отримує інформацію про хід техпроцесу, виникненні аварійної ситуації або необхідності оперативного втручання в роботу окремих механізмів. Фазовий метод вимірювання відстані дозволяє системі працювати на відстані до 15 м і забезпечувати точність вимірювань в частках міліметра, що є прийнятним для даного завдання.

    В якості одного з варіантів готового скануючого лазерного модуля пропонується використовувати лазерний тріангуляційний 2D-датчик LS2D виробництва НВП «Призма» (г. Екатеринбург). Цей датчик може обслуговувати конвеєр шириною 500 мм, а наявність інтерфейсу Ethernet 10/100 дозволяє без додаткового обладнання підключати його до комп'ютера.

    Таблиця. Зведені дані по статистичній обробці

    результатів експериментів обробки цифрових зображень
    дослідних зразків балансів
    результатів експериментів обробки цифрових зображеньдослідних зразків балансів

    Для визначення переміщення конвеєра підходить будь-який інкрементальний енкодер в комплекті з підпружиненим кріпильних важелем і мірним колесом з гумовим покриттям. Для обробки сигналів від датчика і сканера підійде одноплатний комп'ютер Raspberry PI2 з наступними характеристиками: ARM-процесор з чотирма ядрами з частотою 1 ГГц, 1 Гбайт оперативної пам'яті, порт Ethernet 10/100 для підключення сканера і роз'єм BH-40 з портами введення-виведення для підключення енкодера, операційна система сімейства Linux.

    Плюси запропонованої системи: високі швидкість і точність сканування; форма і розміри тріски, її положення на стрічці не впливають на результат; не потрібно переробка конвеєра - потрібно тільки доопрацювати наявне обладнання.

    Запропонована система дозволить позбутися від необхідності проведення аналізу проб тріски. З урахуванням підвищення продуктивності установки і невисокій вартості компонентів система окупиться за кілька місяців. Якщо організувати сканування тріски до і після сортування, то можна отримувати оперативну інформацію про стан ножів рубальної машини, сит сортувальної машини, обсягах нарубленной деревини та відходів.

    Дарина Куницький, аспірант каф. ТЛЗП СПбГЛТУ,
    Ігор Григор'єв, д-р техн. наук, проф., зав. каф. ТЛЗП СПбГЛТУ


     

    Найди свой район!

    Восточный

    Западный

    Зеленоградский

    Северный

    Северо-Восточный

    Северо-Западный

    Центральный

    Юго-Восточный

    Юго-Западный

    Южный

    Поиск:      


     
    Rambler's Top100
    © 2007 Движение «Москва без Лужкова!»