Диссертация (1152203), страница 6
Текст из файла (страница 6)
При значительных изменениях видаобъектов, попадающих в область видимости камеры, следует подготовить новыйнабор фоновых изображений.Исследуемое и фоновое изображения ограничиваются прямоугольникомобласти интереса. Это ограничение повышает точность отделения, так какисключает области изображения, которые также изменились по отношению к фону.Изменения могут быть вызваны движением в область видимости камеры,перемещениями оборудования и персонала и т.д.Получившиеся таким образом обрезанные изображения упрощают поисксвязи между исследуемым и фоновым изображениями [12]. Некоррелирующие38между собой области изображения представляют собой грубое описание границисследуемого объекта с высокой зашумленностью (рисунок 14).Рисунок 14.
Приблизительные контуры границ исследуемого объектаРисунок 15. Бинаризованные контуры границ исследуемого объектаЗашумленность понижается низкочастотным фильтром (фильтр Гаусса).Отфильтрованноеизображениебинаризуетсяпоадаптивномугауссовомуалгоритму (рисунок 15).На бинаризованном изображении оператором Кэнни [73] усиливаютсянайденные контуры, тем самым определяются границы исследуемого объекта(рисунок 16).39Рисунок 16.
Контуры границ исследуемого объектаРисунок 17. Отделённый исследуемый объектСреди полученных контуров находится замкнутая область с наибольшейплощадью, которая закрашивается белым цветом. Области вне этого контуразакрашиваются чёрным, области внутри самого контура закрашиваются белымцветом.Полученное изображение используется как маска для исследуемогоизображения, тем самым отделяя исследуемый объект от остального изображения(рисунок 17).Первый этап классификации по признаку герметичности включает в себяанализ геометрии банки: расположение закаточного шва, вмятина и залом корпусабанки и другие дефекты.
Исходным материалом является изображение банки,подсвеченное контрастным лазерным лучем (рисунки 18 и 19).Рисунок 18. Банка без дефектовРисунок 19. Банка с заломом40Для выделения подсвеченных областей изображения используется тот факт,что спектр лазерного луча сравнительно узок и можно отфильтроватьподсвеченную область по оттенку. В примере подсветки контрастным лазернымлучем (рисунки 17 и 18) использован лазер с длиной волны 660нм. Используяцветовую модель HSV, разделяющую изображение на цветовой тон, насыщенностьи яркость тона, можно выделить на изображении область, соответствую цветузаданной частоты.Поскольку шкала оттенков HSV отображает видимый цветовой диапазон накруговую шкалу с началом отсчёта на отметке 700нм, то интересующий насоттенок располагается в крайне узкой части шкалы оттенков и может быть легковыделен.
Выделенная подсвеченная область фильтруется и загрубляется (рисунок20).Рисунок 20. Отфильтрованныйподсвеченный участок банкиРисунок 21. Подсвеченный участокбанки с изломомНа отфильтрованном изображении чётко выделяется закаточный шов, чтопозволяет анализировать его местоположение и возможные сдвиги. Так же видно,что лазерный луч оставил почти идеально прямую линию, что говорит о гладкостистенки банки, отсутствии на ней повреждений, крупных локальных выделений ит.д.Для банки с заломом и потенциальной разгерметизацией оставленное лучомизображение будет другим (рисунок 21). При этом отчётливо видны границыизлома.Выполнять классификацию напрямую не представляется возможным –шумы, перепады освещённости и случайные засветки сильно влияют на результатклассификации, приводя к ложным срабатываниям.41Второй этап классификации по признаку герметичности основан на поискецветовыханомалий,обособленноевызванныхизображениелокальнымивыделениями.исследуемого объектаужеПолученноеможно былобыклассифицировать, но оно содержит слишком много информации и поисксравнительно небольшого пятна другого цвета может быть либо длительнойоперацией, либо иметь большой процент ложных срабатываний.
Желательноусилить и выделить потенциальные цветовые аномалии перед их классификацией.Исследуемое изображение представлено на рисунке 22, в правой части банкижёлтым маркером нанесено пятно.Рисунок 22. Исследуемый объектс цветовой аномалиейРисунок 23. Цветоразностноеизображение B-GИсходя из того, что исследуемый объект (банка) имеет один и тот же цвет повсей поверхности и этот цвет близок к белому, изображение нормализуется так,чтобы доминирующий цвет изображения поверхности исследуемого объекта, сталсерый. То есть среднее значение яркостей пикселей во всех трёх каналах цветадолжно располагаться посередине диапазона их возможных значений.Так как цвет объекта в данном случае близок к белому, это приводит кравномерному изменению яркостей объекта во всех каналах цвета и, наоборот приотличии от белого, к большей неравномерности между яркостями аномалий вканалах цвета.Затем вычисляются шесть разностных изображений R-G, B-R, G-R,G-B, B-R,B-G, которые будут иметь сравнительно небольшие значения яркости в местах, гдераспределениеяркостипоканалампримерноодинаково;ибольшие42положительные или отрицательные значения там, где значения яркостиотличаются, то есть в областях цветовых аномалий.
Одно из наиболеепоказательных разностных изображений представлено на рисунок 23.Для лучшего усиления цветовой аномалии цветоразностные изображениядальше бинаризуются с достаточно высокой границей отсечки.Финальное изображение получается путём выбора изображения с наивысшейяркостью, то есть содержащего искомые данные (рисунок 24).Рисунок 24. Финальное цветоразностное изображениеРазностное изображение в бинарном виде классифицируется методомопорных векторов с ядерным преобразованием [12].Применительно к задаче классификации цветовых аномалий, метод опорныхвекторов используется для анализа формы ранее выделенных цветовых аномалийв допущении, что границы аномалии, вызванной локальными выделениями,отличаются от границ аномалии, вызванной неравномерностью освещенияисследуемой банки в момент снятия снимка.Выбор ядра для метода опорных векторов, параметров ядра и регуляризацииосуществляется на основе построения и анализа кривых обучения.Для построения кривых обучения был подготовлен набор учебных данных,представляющих собой двухбитные изображения размером 100x100 пикселей.
Изних 76 отпечатков капель, то есть положительно классифицируемых изображенийи 84 отпечатка бликов (рисунок 25), то есть отрицательно классифицируемыхизображений.43Рисунок 25. Положительно (слева) и отрицательно (справа)классифицируемое изображениеОбучение классификатора производилось на учебном наборе данных.
Затемдля проверочного и учебного наборов данных определялась средняя точностьклассификации. Эта операция выполнялась для 1…m записей в учебном наборе,где m - общее количество записей в учебном и проверочных наборах. Выполнениеэтой операции позволило рассмотреть точность классификации как функцию отразмера учебного набора и построить кривые обучения.На языке python [34] была реализована программа, для построения кривых. Спомощью этой программы были построены кривые обучения для различных ядери различного коэффициента регуляризации. Кроме того, для нелинейного ядрабыли построены графики полиномов разной степени (рисунки 26, 27, 28).
На всехграфиках синяя кривая – точность классификации для проверочного набораданных, красная кривая – точность классификации для учебного набора данных.Метод опорных вектором применяется не ко всему бинаризованномуразностному изображению сразу, а к окну поиска, сканирующему изображение. Вслучае, если в ходе сканирования метод опорных вектором классифицируеттекущеесодержимоеокнапоискаположительно,анализизображенияостанавливается и исследуемый объект признаётся негерметичным. В противномслучаепослеокончаниясканированияисследуемыйобъектпризнаётсягерметичным.
Таким образом использование метода опорных векторов ко всемувектору яркостей при анализе геометрических характеристик однозначноклассифицирует банку герметичной или негерметичной.44Из графиков видно, что радиальная базисная функция и сигмоидапоказывают неудовлетворительные результаты: точность классификации даже дляучебного набора непозволительно низка. В свою очередь линейное ядропоказывает склонность к переобучению, которая возрастает с уменьшениемкоэффициента регуляризации. Полиномиальное ядро для полинома 6-го порядкапоказывает высокое отклонение от ожидаемой модели и, следовательно, неточныйуровень распознавания герметичности банки. Для полиномов второго и третьегопорядков стоит отметить графики с регуляризационным коэффициентом 10(рисунок 26) и коэффициентом 1 (рисунок 27), которые показывают хорошуюсходимость и высокую степень точности классификации [12].Исходя из анализа, проведённого выше, показано, что в алгоритме обучениясистемы технического зрения применяемой для распознавания дефектовконсервных банок рекомендуется использовать полиномиальное ядро третьегопорядка с коэффициентом регуляризации 10.Применение метода опорных векторов в сочетании с данным ядромдемонстрирует хорошую точность модели, с аккуратностью более 99.9 % иполнотой в 1, то есть отсутствием ложнонегативных срабатываний, а значитклассификаций дефектной банки как качественной.Рисунок 26.Полиномиальное ядро,коэффициентрегуляризации 10,полином третьей степениРисунок 27.Полиномиальное ядро,коэффициентрегуляризации 1,полином третьей степениРисунок 28.Полиномиальное ядро,коэффициентрегуляризации 0.1,полином третьей степени45Выводы по второй главеПредложено пересмотреть существующую концепцию дефектоскопииконсервов, заменив ручные операции по анализу дефектов консервов системамиавтоматического обнаружения подтеков с использованием средств техническогозрения.Учитывая особенность течения жидкой и газовой фаз через неплотностирекомендовано определять негерметичность потоками веществ, протекающихчерез них.
Выделены основные методы контроля герметичности консервов, аименно пузырьковый, предусматривающий опрессовку объекта избыточнымдавлением c последующим погружением его в воду и манометрический. Показано,что нарушение герметичности сопровождается вязкостным течением продуктов,выделяющихся из негерметичных консервов.
Использование средств техническогозрения позволяет дистанционно с необходимой точностью в автоматическомрежиме определять размер пузырьков и частоту их появления.Приведены зависимости размеров баночных концов при подъеме и сброседавления, что позволяет контролировать давление в банке и ее герметичность безнарушения целостности.Указана возможность использования оптических методов для контролягерметичности, размеров закаточных швов и глубины посадки крышки. Отмеченавозможность использования методов машинного обучения для дефектоскопииконсервов.46ГЛАВА 3.АВТОМАТИЗИРОВАННАЯ СИСТЕМА КОНТРОЛЯГЕРМЕТИЧНОСТИ КОНСЕРВОВ3.1 Управление качеством закаточного шва консервовЗакаточныйшовявляетсяважнейшимфактором,определяющимгерметичность консервов.
Закаточный шов консервов характеризуется внешними(толщина и ширина шва, глубина посадки крышки) и внутренними параметрамизакаточного шва (ширина крючка крышки и корпуса, перекрытие). Управлениекачеством закаточного шва включает в себя измерение вышеуказанныхпараметров, принятие решения об управлении на основе статистического анализарезультатов измерений и реализацию управляющих воздействий, которые, восновном,закаточнойопределяютсямашинызакаточнойможетбытьмашины.Регулированиепараметровручным,автоматизированнымилиавтоматическим. Модернизация управления закаточной машины основана наиспользовании системы технического зрения для контроля внешних параметровзакаточного шва консервов.При поточном изготовлении консервов отдельные операции и процесспроизводства осуществляются в одинаковых условиях.Основная задача поточного производства заключается в достижениинаибольшей воспроизводимости закаточного шва консервных банок при заданнойили максимально возможной производительности линии, определяемой числомбанок, выпускаемых в единицу времени.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
