Анализ существующих подходов к мониторингу состояния передвижных миксеров

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Анализ существующих подходов к мониторингу состояния передвижных миксеров

Современный этап развития производства сопровождается интенсивным внедрением новых информационных технологий, предназначенных для автоматизации различных технологических процессов. Например, на металлургических предприятиях таковыми являются процессы технической диагностики и мониторинга на всех стадиях производственного цикла. Особое внимание заслуживают процессы эксплуатации и диагностики футерованного оборудования и объектов (ФО), предназначенных для доставки жидких чугуна и стали в доменный, конвертерный, сталеплавильный и другие цеха [1-3]. К таким объектам относятся передвижные миксеры для транспортировки чугуна, ковши для перевозки стали, ковши для перевозки чугуна и др. Данное металлургическое оборудование содержит в своем составе огнеупорный компонент - футеровку. Поскольку изнашивание футеровки передвижного миксера сопровождается повышением температуры его участков и миксера в целом, то возможным путем решения задачи мониторинга футеровки является получение карты температур миксера [4-6]. В качестве таких данных можно использовать изображение термограммы миксера, которое можно получить с тепловизора. Данное изображение показывает картину распределения температурных полей. Таким образом, для мониторинга состояния футеровки необходимо проводить распознавание изображений термограмм миксера. Следовательно, от применения тех или иных методов распознавания изображений зависит достоверность определения состояния футеровки миксера.

Проблеме распознавания разнообразных изображений посвящено большое количество фундаментальных и прикладных работ таких ученых: У. Претта, К. Фукунаги, Т. Павлидиса, Р. Гонсалеса, Р. Вудса, В. Дьяконова, Н.Н. Красильникова и др.

Распознавание образов - это задача идентификации объекта или определения каких-либо его свойств по его изображению (оптическое распознавание) или аудиозаписи (акустическое распознавание) [7].

Распознавание можно разбить на два этапа: предварительная обработка и распознавание.

К предварительной обработке относятся задачи фильтрации и - сегментации. Анализ источников [7-10] показал, что в данное время существует большое количество фильтров, применение которых зависит от поставленной задачи.

Линейные фильтры представляют собой семейство фильтров, имеющих очень простое математическое описание. Будем считать, что задано исходное полутоновое изображение A, и обозначим интенсивности его пикселей A (x, y). Линейный фильтр определяется вещественнозначной функцией F, заданной на растре. Данная функция называется ядром фильтра, а сама фильтрация производится при помощи операции дискретной свертки (взвешенного суммирования).

При действии сглаживающего фильтра изображение становится нерезким, размытым. Простейший прямоугольный сглаживающий фильтр радиуса r задается при помощи матрицы размера (2r + 1) Ч (2r + 1). При фильтрации с данным ядром значение пикселя заменяется на усредненное значение пикселей в квадрате со стороной 2r+1 вокруг него.

Если сглаживающие фильтры снижают локальную контрастность изображения, размывая его, то контрастоповышающие фильтры производят обратный эффект. Ядро контрастоповышающего фильтра имеет значение, большее 1, в точке (0, 0), при общей сумме всех значений, равной 1. Эффект повышения контраста достигается за счет того, что фильтр подчеркивает разницу между интенсивностями соседних пикселей, удаляя эти интенсивности друг от друга.

Также существуют линейные фильтры, задаваемые дискретными аппроксимациями дифференциальных операторов (по методу конечных разностей). Данные фильтры применяются для поиска границ на изображении.

Простейшим дифференциальным оператором является взятие производной по x-координате. Данный оператор определен для непрерывных функций. Существует множество способов определить аналогичный оператор для дискретных изображений при помощи линейного фильтра. В частности, распространенными вариантами являются фильтры Превита (Prewitt) и Собеля (Sobel) [11-12].

Фильтры, приближающие оператор производной по y-координате, получаются путем транспонирования матриц. В отличии от сглаживающих и контрастоповышающих фильтров, не меняющих среднюю интенсивность изображения (сумма элементов ядра равна единице), в результате применения разностных операторов получается, как правило, изображение со средним значением пикселя близким к нулю (сумма элементов ядра равна нулю). Вертикальным перепадам (границам) исходного изображения соответствуют пиксели с большими по модулю значениями на результирующем изображении.

Линейные фильтры, несмотря на разнообразие производимых ими эффектов, не позволяют проделывать некоторые операции. Хорошим примером служит пороговая фильтрация. Результатом пороговой фильтрации служит бинарное изображение.

Более сложным фильтром, задействующим в вычислениях окрестность пикселя, является медиана. Медианная фильтрация способна эффективно справляться с помехами в более общем случае, когда помехи независимо воздействуют на отдельные пиксели. Преимущество медианной фильтрации перед линейной сглаживающей фильтрацией заключается в том, что «горячий» пиксель на темном фоне будет заменен на темный, а не «размазан» по окрестности. Анализ источников [9-12] позволяет сделать вывод о том, что, методы предварительной обработки основаны на выделении объектов на изображении и дальнейшем их анализе.

Ослабление действия помех достигается фильтрацией. При фильтрации яркость (сигнал) каждой точки исходного изображения, искаженного помехой, заменяется некоторым другим значением яркости, которое признается в наименьшей степени искаженным помехой.

При существовании стабильных различий в яркостях отдельных областей поля зрения применяются пороговые методы. Методы наращивания областей эффективны при наличии устойчивой связности внутри отдельных сегментов. Метод выделения границ хорошо применять, если границы достаточно четкие и стабильные. Перечисленные методы служат для выделения сегментов по критерию однородных яркостей.

Таким образом, как видно из анализа для сегментации и фильтрации применяется множество фильтров.

Распознавание является конечным этапом обработки изображений, лежащее в основе процессов интерпретации и понимания. Входными для распознавания являются изображения, выделенные в результате сегментации и, частично, отреставрированные. Они отличаются от эталонных геометрическими и яркостными искажениями. Для решения задачи в целом и на отдельных ее этапах применяются различные методы распознавания.

Согласно [7-10, 13-18], методы распознавания изображений делятся на четыре основные категории:

· методы, основанные на теории решений;

· методы ортогонального преобразования;

· структурные методы;

· методы, основанные на теории нейронных сетей.

Методы, основанные на теории решений (корреляционные методы) нашли широкое применение при обнаружении и распознавании изображений в системах навигации, слежения, промышленных роботах. При полностью заданном эталоне многошаговая корреляция путем сканирования входного поля зрения является, по сути, полным перебором в пространстве сигналов. Поэтому эту процедуру можно считать базовой, потенциально наиболее помехоустойчивой, хотя и самой трудоемкой. Все остальные методы направлены на сокращение вычислительных затрат при попытке обеспечения наперед заданной надежности распознавания, габаритно-весовых характеристик вычислителя и стоимости расходов на создание программных и технических средств. Значительно более простые с точки зрения вычислительной сложности методы основаны на переходе в пространство признаков, которые характеризуются существенно меньшей размерностью по сравнению с пространством сигналов (изображений). В зависимости от поставленной цели (например, достижения заданной точности) выполняется корреляционная обработка признаков, полученных от эталона и входного изображения как с использованием порогов по величине сходства, так и без установления порога (когда ищется максимум сходства).

Структурные методы - наиболее разработанные методы в теории распознавания образов. Они основаны как на статистических, так и детерминированных подходах. К структурным относятся признаковые и синтаксические. Главную трудность в признаковых методах составляет выбор признаков.

В первом приближении синтаксические методы можно отнести к признаковым, т.к. они основаны на получении структурно-лингвистических признаков, когда изображение дробится на части - непроизводные элементы (признаки). Вводятся правила соединения этих элементов, одинаковые для эталона и входного изображения. Анализ полученной таким образом грамматики обеспечивает принятие решений.

Хотя признаковые методы и не обладают такой помехозащищенностью как чисто корреляционные или методы частных корреляций (в сигнальных пространствах), однако, благодаря меньшим трудозатратам, их применение полезно на первом этапе, когда решается задача о неэквивалентности. При этом часть входных изображений, признаки которых не соответствуют ни одному из эталонов, отбрасываются сразу.

Наиболее помехоустойчивы при действии, как случайных помех, так и локальных помех являются алгоритмы, основанные на методе частных корреляций. При этом частные коэффициенты корреляций, полученные для отдельных фрагментов эталона в сигнальном пространстве могут рассматриваться как признаки (в общем случае разно шкальные). Обработка таких признаков, т.е. их свертка, зависит от типа изображений, помеховой обстановки (например, степени заслонения полезного изображения, наличия ложных изображений в поле зрения) и может быть осуществлена методами проверки статистических гипотез. Признаковые и синтаксические методы - наиболее разработаны в теории распознавания образов. Они основаны как на статистических, так и детерминированных подходах. Главную трудность в признаковых методах составляет выбор признаков.

Также широкое распространение получили методы ортогонального преобразования, в частности вейвлет-преобразование [19-20]. Как известно, [20] вейвлет-преобразование позволяет сгладить или выделить некоторые детали изображения, увеличить или уменьшить его, выделить важные детали и даже повысить его качество. Вейвлет-преобразование несет огромное количество информации о сигнале, но, с другой стороны, обладает сильной избыточностью, так как каждая точка фазовой плоскости оказывает влияние на его результат.

В настоящее время существует достаточно большое число систем автоматического распознавания изображений для различных прикладных задач. Но в задачах распознавания изображений в реальном времени необходимо создать устойчивые и быстрые системы. Нейронные сети (НС) могут служить теоретической и практической основой для разработки таких систем.

Искусственная нейронная сеть - это параллельно распределенный процессор, который обладает естественной склонностью к сохранению опытного знания и возможностью его предоставления. Главное свойство нейронных нейронных сетей - способность к обучению, что значительно выделяет эту категорию методов обработки изображений среди других [13-18].

В целом проблема распознавания образов для нейронных сетей состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения нейронная сеть должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и различными - на все объекты различных образов. Очень важно, что процесс обучения должен завершиться только путем показов конечного числа объектов без каких-либо других подсказок. В качестве объектов обучения могут быть либо картинки, либо другие визуальные изображения.

Для классификации и распознавания образов сеть обучается важнейшим их признакам, таким, как геометрическое отображение точечной структуры изображения, относительное расположение важнейших элементов образа и другие подобные факторы. Для задач распознавания изображений могут применяться различные модели нейросетей, среди них, такие как нейросети Гроссберга, Хэмминга, Хопфилда.

При рассмотрении возможности применения нейросети Хэмминга [13-18] для распознавания изображений было установлено, что эта нейросеть работает только с бинарными данными, и классифицирует только слабозашумленные изображения. Нейросеть Хопфилда имеет относительную небольшую емкость хранения входных образцов наряду с относительно большими требованиями к оперативной памяти, нейросеть Гроссберга имеет тенденцию неограниченного роста количества нейронов в процессе функционирования.

Применение многослойной НС заключается в обучении сети восстанавливать подаваемые изображения. Подавая на вход тестовое изображение и вычисляя качество реконструированного изображения, можно оценить насколько сеть распознала входное изображение. Положительные свойства этого метода заключаются в том, что сеть может восстанавливать искажённые и зашумленные изображения.

Также существует такая разновидность нейронный сетей как, неокогнитрон [13-15], который является дальнейшим развитием идеи когнитрона и более точно отражает строение зрительной системы, позволяет распознавать образы независимо от их преобразований, вращений, искажений и изменений масштаба. Когнитрон является мощным средством распознавания изображений, однако требует высоких вычислительных затрат, которые на сегодняшний день недостижимы.

На основе вышесказанного, можно сделать вывод о том, что не существует универсальной нейронной сети, которая бы подходила для всех задач и выбор ее структуры обуславливается конкретной задачей. Как известно [13-18], при решении задач классификации изображений высокую эффективность показывают многослойные нейронные сети.

При создании системы мониторинга перевозки жидкого чугуна возможным является использование аппарата нейронных сетей не только потому, что системы основанные на нейронных сетях, показывают высокие результаты в области обработки изображений, но и потому, что в таком случае система будет обладать свойством обучаемости. Это свойство необходимо для системы данного рода, поскольку при переносе системы с одного производства на другое структура изображений термограмм может отличаться от термограмм миксера типа ПМ350т. Это связано с использованием разных материалов производителями миксеров при изготовлении корпуса миксера, из-за чего корпус может нагреваться до разных температур, а следовательно, и карты температур миксеров могут отличаться от образцов миксера типа ПМ 350т. Устранение данной проблемы возможно за счет обучения системы изображениям нового типа миксера. При этом отпадает необходимость создания новой системы, поскольку необходимо адаптировать существующую.

Список литературы

изображение нейронный сеть миксер термограмма

1. Емельянов В.А. Проблема аварийности футерованного оборудования металлургических предприятий [Текст] / В.А. Емельянов // «Наука ХХI века: Теория, Практика, Перспективы»: Сборник статей международной научно-практической конференции. - Уфа, 2014. - С. 15-17.

2. Емельянов В.А. Автоматизированная система мониторинга состояния сталеразливочных ковшей [Текст] / В.А. Емельянов // «Достижения и проблемы современной науки»: Сборник статей международной научно-практической конференции. - Уфа, 2015. - Ч. 1. - С. 12-14.

3. Емельянов В.А. Фрагментированная марковская модель эксплуатации футерованного оборудования [Текст] / В.А. Емельянов // Системы обработки информации. - 2014. - №9 (125). - С. 31-34.

4. Емельянов В.А. Моделирование нейронных сетей распознавания металлографических изображений для диагностики состояния сталей [Текст] / В.А. Емельянов // Электротехнические и компьютерные системы. - 2013. - №12 (88) - С. 125-131

5. Емельянов В.А. Метод обработки изображений теплового контроля футерованных объектов [Текст] / В.А. Емельянов // Научный Вестник Национального горного университета. - Днепропетровск: Изд-во НГУ, 2014. - №6 (144). - С. 137-143.

6. Емельянов В.А. Интеллектуальная информационная технология обработки визуальной информации для диагностики состояния металлов [Текст] / В.А. Емельянов // Научный Вестник Национального горного университета. - Днепропетровск: Изд-во НГУ, 2014. - №4 (142). - С. 66-73.

7. Прэтт У. Цифровая обработка изображений: Пер. с англ. [Текст] / У. Прэтт. - М: Мир, 1982. - 480 с.

8. Фукунага К. Введение в статистическую теорию распознавания образов. [Текст] / К. Фукунага. - М.: Наука, 1979. - 368 с.

9. Васильев В.И. Распознающие системы: Справочник [Текст] / В.И. Васильев. - К.: Наукова думка, 1983.230 с.

10. Павлидис Т. Алгоритмы машинной графики и обработкиизображений: Пер. с англ. [Текст] / Т. Павлидис. - М.: Радио и связь, 1986. - 400 с.

11. Вапник В.Н. Теория распознавания образов (статистические проблемыобучения). [Текст] / В.Н. Вапник А.Я. Червоненкис. - М.: Наука, 1974. - 416 с.

12. Chen C.H. Handbook of pattern recognition and computer vision [Текст] / Chen C.H., Rau L.F. and Wang P.S.P. (eds.). - Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.

13. Горбань А.Н. Обучение нейронных сетей. [Текст] / А.Н. Горбань. - М.: СП «ПараГраф», 1990. - 159 с.

14. Головко В.А. Нейроинтеллект: Теория и применения. Организация и обучение нейронных сетей с прямыми и обратными связями. [Текст] / В.А. Головко. - Брест: БПИ, 1999. - 260 с.

15. Осовский С. Нейронные сети для обработки изображения. [Текст] / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

16. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. [Текст] / Пер. с англ. Ю.А. Зуев, В.А. Точенов. - М.: Мир, 1992. - 185 с.

17. Nguyen D.H. Neural networks for self-learning control systems [Текст] / D.H. Nguyen, B. Widrow // IEEE Control Systems Magazine. - 1990. - Vol. 10, №3. - P. 334-341.

18. Haykin S. Neural Networks. A comprehensive foundation [Текст] / S. Haykin - New York, NY: Macmillan, 1994. - 696 p.

19. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB [Текст] / Н.К. Смоленцев. - М.: ДМК Пресс, 2005. - 304 с.

20. Чуи К. Введение в вэйвлеты: Пер. с англ. [Текст] / К. Чуи. - М.: Мир, 2001. - 412 с.

Размещено на Allbest.ru