ИДЕНТИФИКАЦИЯ СОСТОЯНИЯ ОБОРУДОВАНИЯ ДЛЯ ОЦЕНКИ УПРАВЛЕНИЯ ЕГО РАБОТОСПОСОБНОСТИ

Современное состояние идентификации оборудования позволяет прибегать к множеству методов контролинга. Тенденции аутентификации элементов полезности. Одним из способов является идентификация по визуализации.

Сложность и высокая интенсивность процессов в различных сферах человеческой деятельности, необходимость обеспечения безопасности персонала часто требует автоматической обработки визуальной информации. Решением данной проблемы является замена человека роботизированными комплексами и системами, способными выполнять требуемые операции в зоне повышенного риска. Для функционирования таких систем необходим компьютерный анализ изображений, обеспечивающий обработку информации и идентификацию изображений. Такие задачи возникают в медицине и сейсмологии, при распознавании рукописных символов и транспортных регистрационных номеров, в задачах обработки изображений, поиска заданного участка местности на аэрофотоснимке, сравнения выпускаемой продукции с эталоном и др.

Для решения задач данного класса необходимо создание информационной системы, реализующей технологию анализа информации и идентификации различных видов изображений и способной управлять объектом в условиях существенных помех (возмущений), что требует разработки соответствующих методов, моделей, алгоритмов и программно-аппаратных средств. Кроме того, технология идентификации изображений должна быть инвариантной по отношению к возмущениям, порождаемым движениями и деформациями объектов, требует разработки критериев оценивания количества информации и близости образов в задаче идентификации объектов в оптическом диапазоне.

Задача разработки методов, моделей и информационных технологий, позволяющих выполнять идентификацию объектов в оптическом диапазоне и способных противостоять воздействию помех и возмущений, является актуальной.

Теоретической базой для диссертационного исследования стали работы отечественных и зарубежных ученых:  Глушкова В.М., Бондаренка М.Ф., Васильева В.И., Винцюка Т.К., Воробеля Р.А., Грицыка В.В., Ивахненка А.Г., Машталира В.П., Скурихина В.И., Шлезингера М.И., Шабанова-Кушнаренка Ю.П., Шевченка А.И., Кухтенка А.И., Петрова Б.Н., Ходакова В.Е., Петрова Э.Г., Г. Хермена, Ф. Уоссермена и других.

Для нахождения центров кластеров используются несколько различных алгоритмов кластеризации, среди них можно выделить как относительно простые (алгоритм максиминного расстояния) так и более сложные (алгоритм К внутригрупповых средних, алгоритм Isodata (ИСОМАД)) [23]. После проведения операции кластеризации необходимо уточнить, правильно ли прошел процесс, т.е. все ли предъявленные образы правильно распределены по кластерам. Т.к. кластеризация проводится практически «вслепую», т.е. мы не в состоянии зрительно оценить геометрические особенности многомерного пространства, существуют определенные трудности с оценкой результатов кластеризации. Для этого полезно знать расстояния между центрами полученных кластеров, дисперсии образов внутри кластера, информацию о ближайшей и наиболее удаленной точке кластера, среднее расстояние между центрами кластеров.

Строго говоря, задачу кластеризации можно сформулировать как задачу идентификации классов в заданном множестве образов.

Следующей группой методов построения систем идентификации оптических образов являются статистические методы, предусматривающие создание классификатора, основанного на использовании статистических свойств классов образов [2]. Т.к. воспринимающая система подвержена влиянию шумов, а сами природные объекты могут быть весьма изменчивы, то мы не можем со 100% вероятностью утверждать, что предъявленный образ х правильно отнесен классификатором к классу wi. Мы можем утверждать, что значения определяющего признака х распределены в соответствии с неким законом f(x). При этом, появление объекта класса wi оценивается априорной вероятностью р(wi). Т.е. суждения классификатора о принадлежности предъявленного образа х классу wi выносятся с некоторой вероятностью р(wi½x). При таком подходе к распознаванию, для правильного выбора границы, разделяющей классы, целесообразно ввести функцию потерь (штрафов), которая определяла бы убытки при ошибочно вынесенном суждении классификатора [1]. Если классификатор относит объект х к классу wj, в то время как в действительности он принадлежит классу wi, то классификатор терпит убытки, равные cij. Штрафы при правильных и ошибочных решениях составляют элементы платежной матрицы С:

Величина условного риска, связанная с решением хÎwi определится по формуле [2]:

Решение о принадлежности объекта хÎwi принимается исходя из условия:

В случае, когда классов два, а граница представляет собой просто точку на прямой значений признака, пороговое значение коэффициента правдоподобия определится как:

При этом, если известны виды и параметры распределений случайных величин, можно достаточно несложно определить и само пороговое значение. Для нормально распределенных случайных величин при известных математических ожиданиях m1,2 и дисперсиях s1,2 значение х0 определится из соотношения:

Классификатор, построенный на основе критерия Байеса, минимизирует математическое ожидание общих потерь. Для случая, когда известны виды и параметры распределения случайных величин, определены значения штрафов и заданы априорные вероятности появления объектов того или иного класса, критерий Байеса можно признать оптимальным.

Скелетом изображения будем считать такое множество точек, которые будут принадлежать исходному изображению. Точки, принадлежащие данному множеству можно представить виде кривой AB, по обе стороны которой будет лежать равное количество точек. Возможны два частных случая: соединение и пересечении линий.

Определение базовых точек изображения фильтром Превитта следующим образом [1-2]:

Шаг 1: задаются две матрицы, которые будут представлять Х и Y, определяемые по формулам 2.4 и 2.5.

,                                .

Шаг 2: потом следует разбиение изображения на матрицы размером 3х3:

,

где  – показывают уровень серого цвета каждого пикселя в матрице.

Шаг 3: далее с помощью матриц, производится расчет Х и Y по формулам:

,

.

Шаг 4: на завершающем этапе вычисляется градиент Превитта характеризующий уровень контрастности базовой точки по формуле:

.

При использовании алгоритмов поиска границ в качестве предобработки изображения могут появляться «потерянные» точки на кривой, а также небольшие отклонения от идеальной формы прямой, круга или эллипса. Из-за этого, группировка выделенных границ – является довольно сложной задачей, не используя дополнительные преобразования. Задача векторизации бинарного изображения заключается в группировке выделенные границы в соответствующий им набор прямых.

Проведя повышений контраста каждой составляющей, получаем функции ,  и . Устанавливая порог для каждой составляющей исходя из анализа гистограмм, преобразуем изображения в монохромный вид.

Список литературы:

1. Емельянова Н.Ю. Метод автоматизированной оценки технического состояния передвижного миксера / Н.Ю. Емельянова // Системи обробки інформації: сб. науч. тр. Харьковский университет воздушных сил им. Кожедуба. – Вип.8(98). – Х., 2011. – С.67-70.
2. Емельянова Н.Ю. Информационная модель системы мониторинга процесса транспортировки жидкого чугуна / Н.Ю. Емельянова // Системи обробки інформації: сб. науч. тр. Харьковский университет воздушных сил им. Кожедуба. – Вип.1(99). – Х., 2012. – С.32-36.