Scientific journal

Fundamental research

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,674

Системы технического зрения решают задачи по дополнению или замене человека в областях деятельности, связанных со сбором и анализом зрительной информации. Уровень их использования в прикладных областях является одним из наглядных показателей уровня развития высоких технологий в различных отраслях промышленности. Применение систем технического зрения - автоматическая классификация с высокой производительностью по параметрам формы, цвета, размеров плодов, семян и других объектов. В условиях ужесточающейся конкуренции производители вынуждены беспокоиться о качестве используемого сырья и выпускаемой продукции, чтобы производимый продукт пользовался спросом. А на производствах малой и средней мощности, где качество сырья и тестовых заготовок на этапах технологического процесса оценивается «на глаз» и зависит от личного опыта технолога без объективных методов контроля, сложно добиться стабильного качества продукции.

На базе КНИИХП и КубГТУ разработано математическое и программное обеспечение продукционного представления знаний ЭС, обеспечивающей возможность принятия решений в системе непрерывного мониторинга показателей безопасности и качества в процессе производства консервов групп А, Б, В и Г [1-3].

Решение ряда задач ЭС наиболее эффективно с помощью применения методов нейронных сетей. Как этап технологического процесса инспекция проводится с целью удаления непригодных для переработки семян и плодов, а также посторонних примесей и предметов. В данной работе рассмотрены нейросетевая и статистическая реализации блока распознавания вычислительного ядра указанной ЭС. В нейросетевом блоке видеоизображение семян и плодов, подвергнутое спектральному вейвлет-преобразованию, является входом многослойной нейронной сети, выходной нейрон которой принимает решение об отбраковке и др. В блоке на основе статистических методов распознавания образов, вейвлет-спектр проверяется на принадлежность к эталонным эллипсоидам рассеивания.

Для разработки ЭС непрерывного мониторинга показателей качества и безопасности на консервных предприятиях в данной работе использована оболочка COMP-P[ascal], поддерживающая продукционное представление знаний и различные методы аргументации логического вывода - прямой, обратный и смешанный [4]. COMP-системы предоставляют разработчикам возможность встраивания компоненты работы со знаниями в виде библиотеки функций языков Object Pascal Delphi и С++ Microsoft Visual и Borland C++ Builder. Проанализировав и тщательно изучив технологию производства четырёх групп консервной продукции в соответствии с системой НАССР, были выбраны параметры, которые необходимо контролировать для получения качественной и безопасной продукции [2-3]. Параметры ввели в экспертную систему в качестве переменных с заранее заданными диапазонами (рис. 1).

Рис. 1. Влияние количества сохранённых гармоник вейвлет-спектра на качество
восстановленного по спектру изображения

Блок распознавания в ЭС включает следующие этапы создания «обучающей» базы данных (БД) для спектрального анализа плоского изображения плодов и последующего распознавания изображений:

1) фотосъёмка плодов на однотонном фоне; для «обучающей» БД - известного сорта, для рабочего режима - сортосмеси, подлежащей распознаванию;

2) применение алгоритмов отделения фона и выделения пиксельных изображений отдельных единичных плодов;

3) установить центр масс объекта, угол поворота относительно начальной системы координат и размеры каждого изображения, перенести начало координат в центр масс объекта и произвести поворот осей координат таким образом, чтобы ось абсцисс проходила вдоль максимального удлинения объекта;

4) нормализовать размеры объекта таким образом, чтобы вне зависимости от разрешения анализируемого изображения геометрические размеры всех объектов совпадали;

5) провести дискретное вейвлет-преобразование цветовых составляющих всех точек (пикселей), принадлежащих выделенной в предыдущих пунктах области; упорядочить полученные коэффициенты; отбросить незначащие элементы полученного упорядоченного массива;

6) для «обучающей» БД - сохранить полученные данные в БД единичных вейвлет-спектров;

7) для нейросетевых (НС) методов распознавания БД единичных вейвлет- спектров является обучающей выборкой. Разработать топологию и провести обучение НС;

8) для рабочего режима вейвлет-спектр элементов сортосмеси, подлежащей распознаванию, подаётся на вход разработанной НС. Выход НС идентифицирует элементы сортосмеси;

9) для статистических методов распознавания построение БД эталонных для каждого сорта эллипсоидов рассеивания;

10) для рабочего режима блока на основе статистических методов распознавания образов, вейвлет- спектр элементов сортосмеси, подлежащей распознаванию, проверяется на принадлежность к эталонным эллипсоидам рассеивания и определяется вероятность идентификации элементов сортосмеси.

Этапы 1-6, 9 описаны в работах [5-7] и далее не рассматриваются.

На этапе 5 в БД сохраняется изображение объекта размером 64×64 пикселя (см. рис. 1). Для получения спектра применяется алгоритм Малла 5-го уровня. В качестве материнского вейвлета выбран вейвлет Хаара. При расчёте вейвлет-спектра создаются аппроксимация и вертикальные, горизонтальные и диагональные коэффициенты. На пятом уровне разложения ширина и высота аппроксимации становятся равными двум пикселям. Как видно из рис. 2 (100 % нулевых коэффициентов детализации в спектре), в этих коэффициентах содержится информация о среднем цвете соответствующих участков исходного изображения. Добавление 1 % (99 % нулевых коэффициентов) детализирующих коэффициентов позволяет восстановить приблизительную форму исходного изображения. Также проявляются основные цвета участков окраски исходного изображения. Последующее добавление коэффициентов вейвлет-спектра ведёт к уточнению границ объекта и детализации окраски. Детализирующие коэффициенты содержат информацию о разнице цветов соседних участков изображения. Чем выше уровень разложения, тем большие участки изображения описываются соответствующими коэффициентами. Наибольшие различия в цвете наблюдаются на границе объекта, где цвет резко изменяется. Как следствие, коэффициенты, отвечающие за участки изображения, захватывающие границу объекта, имеют более высокие значения, чем вейвлет-коэффициенты, описывающие окраску объекта. По этой причине при последовательном добавлении детализирующих коэффициентов в отфильтрованный спектр в первую очередь восстанавливается форма объекта.

а                   б

Рис. 2. а - вариабельность контуров сорта Мастер; б - вариабельность контуров сорта Сур

Рассмотрим результаты нейросетевой реализации блока распознавания вычислительного ядра ЭС.

Первыми объектами исследований являлись сорта подсолнечника. Одним их этапов технологического процесса является разделение масличных культур на сорта и выделение неочищенных зёрен из общей массы. Решение такой задачи классификации осуществлено методами НС. Выбор топологии и обучение НС проведено с помощью известного нейроимитатора STATISTICA Neural Networks (SNN) v.6.0. Данный нейроимитатор позволяет конвертировать построенную сеть в язык С++ и легко интегрировать с экспертной системой. Следует отметить, что противоречивость требований высокой точности распознавания и возможностью настройки на практически любую культуру, существенна только при использовании нейропроцессоров вместо универсальных ЭВМ, т.к. накладываются ограничения на выбор топологии НС. Применение нейроимитаторов, ценой потери скорости распознавания, позволяет оперативно и гибко менять топологию НС.

Для разделения использовались сорта Сур и Мастер, которые относятся к гибридным сортам подсолнечника. Подсолнечник сорта Сур - это ультраранний сорт подсолнечника с масличностью до 49 %, сорт Мастер - высокопродуктивный среднеспелый сорт подсолнечника с масличностью до 54 %.

Архитектура сети: многослойный персептрон с 48 входами, одним промежуточным слоем и двумя выходами. Алгоритмом обучения был BFGS 25 (квази-ньютоновский метод), функция активации нейро-
нов - логистическая , функция ошибок SOS (равна сумме (взятой по всем наблюдениям) квадратов разностей целевых и фактических значений).

Таблица 1

Матрица классификации для двух сортов

Наличие ошибки распознавания обосновано высокой вариабельностью сортов, особенно у сорта Сур, (рис. 3).

а            б

Рис. 3. а - вариабельность контуров пригодных зёрен; б - отбракованных зёрен

Отделение очищенного зерна подсолнечника дает 100 % распознавание. Архитектура сети - персептрон MLP-100-28-2, алгоритм обучения BFGS 7 (квази-ньютоновский метод), функция активации нейронов - радиальная базисная (гауссова)  (0,1). Квази-ньютоновский метод - это современный метод обучения многослойных персептронов (Bishop, 1995; Shepherd, 1997). Он подходит для сетей небольшого размера и основывается на предположении о том, что по квадратичной (т.е. имеющей параболическую форму) поверхности ошибок можно двигаться непосредственно в направлении минимума, вычисляя шаг с помощью матрицы Гессе (матрицы вторых частных производных поверхности ошибок).

Таблица 2

Следующим объектом исследования были зерна кукурузы (см. рис. 3), которые очень часто используются для консервирования и замораживания. Архитектура сети - многослойный персептрон с 54 входными нейронами, промежуточный слой из 34 нейронов и один нейрон на выходе. Функция активации нейронов - логистическая , функция ошибок SOS (равна сумме, взятой по всем наблюдениям, квадратов разностей целевых и фактических значений). Контрольная производительность равна 1, тестовая - 0,928, ошибка обучения - 0,000110.

Таблица 3

Обучение - алгоритм обратного распространения на 100 эпох и метод сопряженных градиентов с восстановлением сети с наименьшей контрольной ошибкой.

Третьим объектом исследования был консервированный зелёный горошек (рис. 4).
Архитектура сети - многослойный персептрон с 250 нейронами на входе, два промежуточных слоя по 127 нейронов и один на выходе. Функция активации нейронов - логистическая , функция ошибок SOS (равна сумме, взятой по всем наблюдениям, квадратов разностей целевых и фактических значений). Контрольная производительность равна 0,937, тестовая - 0,9937, ошибка обучения - 0,00199.

а            б

Рис. 4. а - вариабельность контуров пригодных зёрен; б - отбракованных зёрен

Таблица 4

Алгоритмы обучения: первый этап - алгоритм обратного распространения в 100 эпох, второй этап - метод сопряженных градиентов. Для обоих этапов применялась затухающая регуляризация весов с параметром 0,01.

Для сравнения рассмотрим результаты статистической реализации блока распознавания вычислительного ядра ЭС. В блоке на основе статистических методов распознавания образов вейвлет-спектр проверяется на принадлежность к эталонным эллипсоидам рассеивания [7]. Проведено распознавание культур гороха, кукурузы и подсолнечника и отделения примесей в тестовых смесях зёрен.

Таблица 5

Очищенные зёрна подсолнечника показали лучшие результаты:

Таблица 6

Матрица классификации

Результаты распознавания зерён кукурузы и горошка:

Таблица 7

Матрица классификации

Таким образом, применение стандартной топологии нейронной сети - многослойного персептрона, без изменения функции активации и функции ошибки, с использованием градиентных методов обучения первого и второго порядка позволило провести достаточно точную оценку качества входной продукции для разных видов овощных и масличных культур. Блок на основе статистических методов распознавания образов показал худшие результаты.

Данная работа выполнена при финансовой поддержке Российского Фонда фундаментальных исследований и администрации Краснодарского края, грант №08-07-99033-р_офи.

Рецензенты:

Камалян Р.З., д.т.н., зав. кафедрой общей и прикладной математики Академии маркетинга и социально-информационных технологий, г. Краснодар;

Семенчин Е.А., д.ф.-м.н., зав. кафедрой Высшей алгебры и геометрии Кубанского государственного университета, МО РФ, г. Краснодар.

Работа поступила в редакцию 12.04.2011.