Диссертация (1152212), страница 23
Текст из файла (страница 23)
Присваивание производится командой ежась)ага.яегРгхеци, Ь, пеи~Ркле/Ъа/ие), где в качестве входных параметров передаются текущие значения счетчиков цикла и' и Ь, а так же новое значение цвета пиксела ~гекР~хе1Уа1ие. По окончании работы циклов формируется новое изображение (рис. 3.21 справа), которое содержит бинаризированное изображение объектов ~гранул) с выделенными границами, где белый цвет соответствует границе объекта, а черный соответствует заднему фону, а так же грануле. 3.21. Полученное изображение с выделенными границами гранул. В процессе экспериментальных исследований было установлено, что 640 пикселей соответствуют расстоянию в 200 хьн, таким образом, используя формулы 13.1 — 3.3) было расстояние = 0,3125 яьн, соответствующее 1 пикселю на изображении.
Учитывая, что гранулы имеют шероховатую и неровную поверхность, экспериментальным путем было определено, что границы гранул определяются с точностью -2 пикселя. Так же в зависимости от размеров гранул, рецептуры и других характеристик технологического процесса могут возникать дополнительные погрешности в виде рассыпчатой по конвейерной линии крупки в виде пыли, частиц сырья. Для тестирования разработанного программного обеспечения данные погрешности не учитывались, кроме того было произведено несколько допущений, таких как равномерность распределения гранул на участке конвейерной линии и вибрация самой конвейерной линии, а так жс гранул на ее поверхности.
Стоит отметить, что цвет исходного сырья оказывает непосредственное влияние на качество работы алгоритмов системы компьютерного зрения, например при производстве отрубей, гранулы которых имеют глубокий темный цвет поверхности, которая имеет низкий показатель отражения световых лучей, поэтому для корректной работы системы в таком случае необходимо использовать более мощное осветительное оборудование, либо видеокамеры с более широким динамическим диапазоном матрицы, Исходя из цен на современном рынке технологического оборудования можно отметить„ что более выгодным будет использование более мощной подсветки, чем использование дорогой видеокамеры, характеристики матрицы которой позволяют производить съемку очень темных ооъектов.
3.4.4. Использование класса Кес1апд!е как объект для анализа геометрических размеров гранулы. В ходе разработки программно-алгоритмического обеспечения был введен класс Кес1алфе, который при помощи алгоритмов, описанных в главе 2. пп. 2.3- 2.4 позволяет представлять хранить информацию о каждой идентифицированной грануле.
Данный класс является объектом программы, и при идентификации новой гранулы происходит создание нового объекта в оперативной памяти системы. Создание нового объекта осуществляется при помощи создания экземпляра класса через команду Кес1апК1е г11' = пеи 0171ес1~Ц. Запись означает, что создается массив г, размерностью й, элементы которого имеют тип значений Кесгавфе. Переменная А характеризует количество гранул, которые необходимо преобразовать в многоугольники. Созданный массив имеет ссылки на размещенные в оперативной памяти экземпляры класса Кестащ1е, но при этом их параметры не объявлены, поэтому для дальнейшего использования необходимо задать параметры для созданных экземпляров класса. Прежде всего необходимо использовать конструктор класса командой г1'Ц = лен Кес1апфе1л, ра1п7), где г~— выбирающийся итеративно элемент массива многоугольников, которому присваивается значение экземпляра класса Кес(анК1е, где в качестве входных параметров передается л — количество полученных в результате алгоритма (рис.
2.20) вершин многоугольника, двумерный массив ро1л1;,„„размерностью 2хп, который содержит две координаты полученных вершин. Из имеющихся в описании класса Кес1апд1е необходимо отметить следующие методы и функции: соштп~~ у~:Воа1есш — проверка на принадлежность точки с координатами 1,1 многоугольнику. Функция возвращает результат типа Ьаа1еап — значения 1гие либо 1аЬе. 157 Зег1ро1щ Ц):гоЫ вЂ” применение нового значения пиксела, имеющего координаты Ц. В качестве аргументов функции передается экземпляр класса рош~ и соответствующие данному пикселу координаты.
Функция имеет тип 1оЫ, данная запись означает, что она не возвращает никаких значений. цеЯ~ЫЙО:1п[ецег — получение значения в пикселях ширины гранулы, проходящей через центронд 01Ц). Функция возвращает целочисленный тип данных. уе~Неф1пО:1п~е~ег — получение значения в пикселях длины гранулы, проходящей через центроид О~у). Функция возвращает целочисленный тип данных.
хе~Нефй~Ьиеуег Ь):коЫ вЂ” применение нового значения в пнкселях длины гранулы, проходящей через центроид ОЯ). хеМИЙ~Лмеуег и):гоЫ вЂ” применение нового значения в пикселях ширины гранулы, проходящей через центроид О(ц). Вызов методов ке~Не1яМ~Ь) и хегИИЙ(и) происходит только при расчете геометрических размеров гранулы в алгоритме (рис. 2.20), описанном в пп.2.3 глава 2. В качестве аргументов в методы передаются целочисленные значения.
едиаЬ(Яес~апфе г):Воо1еап — функция сравнения двух различных экземпляров класса Кес~апфе, в качестве аргумента передается второй экземпляр классе, сравнение с которым необходимо произвести. Функция возвращает результат типа Ьоо1еап — значения ~гие либо ~аЬе. Так же класс содержит информацию о точке-центроиде ОЯ), после расчетов алгоритмов 2.19 — 2.20 экземпляру класса передаются координаты Ч центр оида. При экспериментальных исследованиях и тестировании алгоритмов было проведено разделение рассматриваемых гранул на продукцию надлежащего качества и продукцию ненадлежащего качества (рис.
3.22). На рисунке представлено изображение в градациях серого продукции надлежащего качества (слева), которая геометрические размеры, соответствующие эталонным размерам с некоторыми допусками. На правом изображении видно, что продукция 158 ненадлежащего качества представлено в виде гранул, геометрические размеры которой меньше порядком двух раз по сравнению с эталоном. Полученное после обработки бинаризированное изображение представлено на рисунке 3.23. Рис. 3.22 Сравнение полугоновых изображений в градациях серого готовой продукции надлежащего качества (слева) и продукции ненадлежащего качества (справа) Рис. 3.23 Сравнение бинаризированных изображений готовой продукции надлежащего качества (слева) и продукции ненадлежащего качества (справа) 159 Визуальный результат работы алгоритма рекурсивного поиска на примере продукции надлежащего качества и ненадлежащего качества можно соответственно наблюдать на рис3.24 и рис.3.25.
Иа данных изображениях представлены 4 окна рабочего приложения системы. В левом верхнем углу представлено полученное из исходного бинаризированное изображение; в правом верхнем углу представлено изображение, получено после детектирования границ объектов; в ннжнем правом углу представлено изображение, получаемое при помощи алгоритма рекурсивного поиска внутри гранулы, которое визуально выглядит как желтая сетка, покрывающая гранулу; в левом нижнем углу представлено дополнительное изображение, на котором показаны вершины многогранника каждой гранулы, а так же представлена линия, характеризующая размер гранулы в поперечнике, Рис.3.24 Визуальный результат работы алгоритма рекурсивного поиска на примере продукции надлежащего качества.
160 Рис.3.25 Визуальный результат работы алгоритма рекурсивного поиска на примере продукции ненадлежащего качества. Как видно из рисунков 3.24, 3.25 продукция, представленная гранулами ненадлежащего качества имеет меньший размер по сравнению с продукцией надлежащего качества, а так же можно видеть, что площадь покрытия сеткой гранул в случае продукции ненадлежащего качества значительно меньше, чем при работе алгоритма с изображением надлежащего качества. ЗАКЛЮЧКНИК В диссертации доказана возможность использования цифровой видеосъемки для построения автоматизированной системы по анализу и мониторингу органолептических показателей качества технологических процессов пищевых производств на примере процесса производства гранулированных отрубей, гранулированного комбикорма и кукурузных палочек.
Дальнейшее использование систем компьютерного зрения в пищевом производстве и сельскохозяйственном производстве позволит не только наблюдать, но и автоматизировать технологические процессы, в которых происходят визуальные изменения перерабатываемого полуфабриката. При этом системы компьютерного зрения превращаются в интеллектуальные датчики, не контактирующие с пищевым полуфабрикатом и работающие в любых, в том числе и в герметичных условиях, что улучшает санитарные условия переработки пищевого сырья. Использование систем компьютерного зрения в производственном процессе и внутри технологического оборудования позволит повысить надежность и продлить срок эксплуатации технологического оборудования, а также снизить затраты на техническое обслуживание и ремонт при одновременном увеличении качества выполняемых диагностических операций.
В результате проведенных исследований получены следующие результаты и выводы: 1. Рассмотрен вопрос о необходимости использования систем компьютерного зрения уже на этапе проектирования соверменного технологического оборудования, поскольку в цеховых условиях пищевых предприятий дополнительный монтаж цифровых видеокамер и прокладка соединительных кабелей внутри технологического оборудования практически невозможны из-за конструкции существующего оборудования и ремонтной базы пищевых предприятий.
2. Для получения изображений изнутри герметичных объемов технологического оборудования необходима разработка недорогих миниатюрных устройств, включающих цифровую видеокамеру и светодиоды для подсветки. 162 3. Существующее математическое обеспечение для обработки цифрового изображения в потоке уже позволяет создавать программное обеспечение для использования цифровых видеокамер в качестве интеллектуальных датчиков. Ведущиеся в мире работы по совершенствованию математических основ анализа изображений позволят сократить время анализа данных, поступающих с системы компьютерного зрения„при повышении надежности распознавания элементов изображения.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
