Диссертация (1152160), страница 20
Текст из файла (страница 20)
Управляющая система может применяться для целей контроля,диагностики, прогнозирования и планирования [13, 107, 181].Существует ряд прикладных задач, которые решаются с помощью экспертных систем, основанных на знаниях, более успешно, чем любыми другимисредствами [19, 124,156].2.2.2. Нейросетевые технологииНейросетевые технологии являются одним из наиболее перспективныхнаправлений развития искусственного интеллекта [5, 6, 10, 12, 17, 18, 24, 27, 32,34]. Они представляют собой математический аппарат, позволяющий воспроизводить достаточно сложные зависимости. Их применение целесообразно для111решения сложно формализуемых задач, в которых входные данные слабо коррелируют с выходными.Важным свойством НС при решении прикладных задач является способность к обучению и к обобщению полученных знаний [ 38, 39, 61].
Натренированная на ограниченном множестве обучающих выборок, нейронная сетьобобщает накопленную информацию и вырабатывает ожидаемую реакциюприменительно к данным, не обрабатывавшимся в процессе обучения. На сегодняшний день аппараты искусственных НС и методы их применения активноразвиваются и совершенствуются [38, 39, 61, 69 – 71, 75, 84, 85, 97 - 99].Области примененияПримерами применения искусственных нейронных сетей (ИНС) являются: оценка параметров, идентификация систем, распознавание образов, анализвременных рядов и сжатие и т.д. [75, 84, 85]. Любая ИНС используется в качестве самостоятельной системы представления знаний, которая в практическихприложениях выступает, как правило, в качестве одного из компонентов системы управления, либо модуля принятия решений, передающих результирующийсигнал на другие элементы, не связанные непосредственно с искусственной НС.Для обработки принятой компьютером информации используются различные математические методы, позволяющие интерпретировать многомерныйотклик массива выполненных измерений.
Одним из таких методов является аппарат искусственных НС. На выходе получается количественная или качественная информация об исследуемом параметре. Для классификации и распознавания образов сеть обучается важнейшим их признакам. В процессе обучения выделяются признаки, отличающие образы друг от друга, которые и составляют базу для принятия решений об отнесении образов к соответствующимклассам. При решении задач прогнозирования роль НС состоит в предсказаниибудущей реакции системы по ее предшествующему поведению.При решении задач идентификации и управления динамическими процессами нейросеть, как правило, выполняет несколько функций.
Она представ-112ляет собой нелинейную модель этого процесса, обеспечивающую выработкусоответствующего управляющего воздействия. Сеть также выступает в ролиследящей системы, адаптирующейся к изменяющимся условиям окружающейсреды. Очень большое значение имеет функция классификации, реализуемаяпри выработке решения о дальнейшем развитии процесса.ИНС применяются в тех сферах, где человеческий интеллект малоэффективен, а традиционные вычисления физически неадекватны или трудоемки,плохо отражают или не отражают реальные физические объекты и процессы.Типовые задачи, решаемые с помощью нейрокомпьютеров и ИНС: автоматизация процессов контроля и прогнозирования, классификации, предсказания,принятия решений; кодирование и декодирование информации; управление;аппроксимация зависимостей.Достоинства нейросетевых методов: появляется возможность отказаться от дорогостоящих и редких сенсоров; существенно сокращается продолжительностьизмерений.
Уменьшаются временные затраты на регистрацию и на этапы подготовки и обработки измерений; повышается объективность исследований.Недостатками нейросетевого подхода можно назвать - необходимость предварительной настройки, сбор и выявление основных входных и выходных информационных массивов данных [75, 84, 85].Из проведенного рассмотрения видно, что применение нейросетевых технологий является перспективным направлением использования высокоэффективных интеллектуальных технологий для контроля и прогнозирования показателей качества пищевой продукции.2.2.3.
Системы компьютерного зренияВажную часть в области искусственного интеллекта занимают системыкомпьютерного зрения (СКЗ) [ 3, 23, 29, 30, 37, 66 ]. На данном этапе развитияСКЗ по праву могут считаться одними из самых передовых и перспективных.Существует масса методов для решения различных строго определѐнных задач113компьютерного зрения, где методы часто зависят от конкретных задач и редкомогут быть обобщены для широкого круга применения.Системы компьютерного зрения (СКЗ) - это применение компьютерногозрения для промышленности и производства. Компьютерное зрение имеет преимущества перед зрением человека. Соответственно, актуально развивать этоинтеллектуальное направление науки [ 3, 23, 29, 30, 37, 72]. При этом уже сейчас становится ясно, что от успешного решения ряда сложных и неоднозначныхзадач компьютерного зрения зависит автоматизация множества процессов иопераций самых различных отраслей промышленности, которые до этогоуправлялись и контролировались только человеком [89, 95, 102].Области примененияСистемы СКЗ, позволяют решать множество задач, которые условноможно разделить на четыре группы (рисунок 2.4): распознавание положения,измерение, идентификация и инспекция.• Распознавание положения.
Цель компьютерного зрения в данном применении- определение пространственного местоположения или статического положения объекта и передача информации о положении и ориентации объекта в систему управления или контроллер.• Измерение. В приложениях данного типа основная задача цифровой видеокамеры заключается в измерении различных физических параметров объекта.• Инспекция. В приложениях, связанных с инспекцией, цель компьютерногозрения - подтвердить определенные свойства, например, наличие или отсутствие этикетки на бутылке, болтов для проведения операции сборки, наличия вполном объеме шоколадных конфет в коробке или наличие различных дефектов в изделии.• Идентификация.В задачах идентификации основное назначение видеокамеры- считывание различных кодов (штрих-кодов, 2D-кодов и т.
п.) с целью их распознавания средствами камеры или системным контроллером, а также определение различных буквенно-цифровых обозначений. Кроме того, к задачам дан-114ной группы можно отнести системы, выполняющие задачи безопасности, такиекак идентификация личности и техники, детекторы движения.Рисунок 2.4 Основные задачи компьютерного зренияВ СКЗ для решения перечисленных задач используются различные технологии и методы обработки изображения. Ниже перечислены основные методы обработки изображения:· Счетчик пикселей: подсчитывает количество светлых или темных пикселей ина основе результата делает необходимые выводы об изображении.· Выделение связанных областей: связная область изображения – это, с однойстороны, тип объекта, все еще очень близко связанный с растровым изображением (представление изображения в виде двумерного массива точек, упорядоченных в ряды и столбцы), и в то же время – это уже некая самостоятельнаяединица, позволяющая вести дальнейший геометрический, логический, топологический и любой другой анализ изображения.· Бинаризация: преобразует изображение в серых тонах в бинарное (белые ичерные пиксели).· Гистограмма и гистограммная обработка: гистограмма характеризует частоту встречаемости на изображении пикселей одинаковой яркости.· Сегментация: используется для поиска и/или подсчета деталей.
Сегментациейизображения называется разбиение изображения на непохожие по некоторому115признаку области. Предполагается, что области соответствуют реальным объектам, или их частям, а границы областей соответствуют границам объектов.· Чтение штрих-кодов: декодирование 1D и 2D кодов, разработанных для считывая или сканирования машинами.· Оптическое распознавание символов: автоматизированное чтение текста,например, серийных номеров.· Измерение: измерение размеров объектов в дюймах или миллиметрах.· Сопоставление шаблонов: поиск, подбор, и/или подсчет конкретных моделей.· Инвариантные алгоритмы: обнаружение и сопоставление точечных особенностей на изображениях.· Различные методы восстановления формы объекта по изображениям.
И т.д.В большинстве случаев, СКЗ используют последовательное сочетаниеэтих методов обработки для выполнения полного инспектирования. Важной задачей СКЗ при этом является получение цифрового изображения, обработкаизображения с целью выделения значимой информации на изображении и математический анализ полученных данных для решения поставленных задач.Хотя большинство СКЗ полагается на «черно-белые» камеры, использование цветных камер становится все более распространенным явлением. Крометого, все чаще СКЗ используют цифровые камеры прямого подключения, а некамеры с отдельным захватчиком кадров, что сокращает расходы и упрощаетсистему.
В большинстве практических применений СКЗ компьютеры предварительно запрограммированы для решения отдельных задач, но методы, основанные на знаниях, становятся все более общими. В настоящее время СКЗ востребованы и используются в области контроля качества и инспекции качества различных изделий машиностроения, а также в горной, строительной и текстильной отраслях промышленности.Создание новых методов оценки качества текстильных материалов, в томчисле и нетканых полотен, основанных на обработке изображений этих материалов, получило широкое распространение в результате бурного развития ин-116формационных технологий, ориентированных на обработку цифровых изображений [91, 100, 126, 127]. Для решения задачи автоматизации поиска пороков вдвижущемся по полотну потоке продукции используются механические, инфракрасные и рентгеновские способы регистрации различных видов пороков.Эти способы хорошо описаны в работе Петелина Д.П.
[91]. Графическим методам обработки цифровых изображений иделий на полотне посвящена работа[126, 127]. В работе [168] Ясинским И.Ф. представлена разработка нейросетевой системы для обнаружения и классификации дефектов ткани на мерильнобраковочном оборудовании. Методы математической морфологии для выделения порока по цифровому изображению описаны в работе [37] Гонсалеса Р., гдепоказано, что многие современные фабрики по выпуску нетканых полотен используют оборудование, на некоторых технологических переходах которогополотно может двигаться со скоростью несколько сотен метров в минуту.
Вэтом случае ручной контроль качества просто неприемлем. Решение проблемы– внедрение систем оптического контроля качества выпускаемой продукции,работающих в режиме реального времени. Практически речь идет о системахреального времени с жесткими ограничениями на временные характеристикифункционирования. Нарушение этих ограничений считается отказом системы[37]. Совершенствование волоконно-оптических датчиков физических величинпозволяет использовать их для приема изображений.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
