Дипломы, курсовые, рефераты, контрольные...
Срочная помощь в учёбе

Разработка метода формирования математических моделей физических объектов для управления процессами механической и физико-технической обработки и контроля

Диссертация: Разработка метода формирования математических моделей физических объектов для управления процессами механической и физико-технической обработки и контроля
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Необходимо отметить, что идея создания «зрячей» машины занимала умы ученых по-видимому со дня создания первой ЭВМ, а еще раньше нашла свое воплощение в произведениях фантастов. Однако с первых же попыток реализовать искусственное зрение был вскрыт такой пласт проблем, что и до сегодняшнего дня нет универсального удовлетворяющего всем требованиям, предъявляемым к искусственному зрению, решения… Читать ещё >

Содержание

  • Глава 1. Анализ современного состояния проблемы, цель и задачи исследования
    • 1. 1. Область использования систем искусственного зрения и требования к ним
    • 1. 2. Классификация систем распознавания
    • 1. 3. Структура СТЗ, типы видеодатчиков
    • 1. 4. Существующие реализации процессора изображений
    • 1. 5. Выводы и постановка цели исследования
  • Глава 2. Методы локальных растровых преобразований
    • 2. 1. Алгоритм сглаживания
    • 2. 2. Алгоритм утончения
  • Глава 3. Метод векторизации растровых изображений и нахождения узловых точек
    • 3. 1. Место векторизации в общей концепции метода формирования векторных моделей и требования к входным данным и результатам работы
    • 3. 2. Метод первичного распознавания векторов
    • 3. 3. Метод «сшивки» векторов
    • 3. 4. Совместное использование алгоритмов первичного распознавания и «сшивки» векторов
    • 3. 5. Метод нахождения узловых точек
  • Глава 4. Распознавание дуг и окружностей 105 4.1. Задачи метода распознавания дуги окружностей
    • 4. 2. Метод первичного распознавания дуг и окружностей
    • 4. 3. Метод «сшивки» дуг и окружностей
    • 4. 4. Алгоритм изменения узловой и векторной модели с учетом информации, содержащейся в списке дуг и окружностей
  • Глава 5. Результаты тестирования алгоритмов

Разработка метода формирования математических моделей физических объектов для управления процессами механической и физико-технической обработки и контроля (реферат, курсовая, диплом, контрольная)

Комплексная автоматизация проектирования и производства позволяет кардинально повысить производительность труда, технологический уровень и эффективность производства, существенно сократить его издержки. Эффективным средством решения многих задач комплексной автоматизации являются робототехнические комплексы (РТК), работающие по принципу гибкой «безлюдной» технологии под управлением ЭВМ.

Существенное расширение функциональных возможностей РТК достигается за счет введения в его систему управления элементов адаптации и искусственного интеллекта. Такие РТК с адаптивным управлением могут автоматически приспосабливаться к непредсказуемым изменениям производственной обстановки и условий эксплуатации. Необходимость в адаптации возникает при механической обработке, сварке, окраске, сборке и многих других операциях.

Одним из главных условий адекватной реакции робота на изменившуюся внешнюю обстановку является наличие у него достоверной информации об окружающем мире, на основании которой система управления может принять то или иное решение. Известно, что более 90% от всей совокупности информации, получаемой здоровым человеком составляет видеоинформация, и нет причин для того, чтобы изменять данное соотношение для машин, наделенных искусственным интеллектом [9, 10]. Но для этого требуется преобразовать информацию, передаваемую видеодатчиками к виду, в котором она наиболее полно может быть востребована системой управления, иначе говоря, машину нужно научить не только «смотреть», но и «видеть» и «понимать» увиденное.

Необходимо отметить, что идея создания «зрячей» машины занимала умы ученых по-видимому со дня создания первой ЭВМ, а еще раньше нашла свое воплощение в произведениях фантастов. Однако с первых же попыток реализовать искусственное зрение был вскрыт такой пласт проблем, что и до сегодняшнего дня нет универсального удовлетворяющего всем требованиям, предъявляемым к искусственному зрению, решения. В принципе, существует два пути движения к цели: моделировать работу участков человеческого мозга, отвечающих за зрение или создавать что-то принципиально отличное. Попытки пойти по первому пути не увенчались успехом (хотя, безусловно, и не были бесполезными, т. к. позволили понять некоторые аспекты мозговой деятельности), природа создала такие алгоритмы, что даже суперкомпьютеры с суперпрограммами не могут сравниться по эффективности с относительно маломощным вычислительным устройством человеческим мозгом. Поэтому наиболее реальным представляется второй путь — создание проблемно-ориентированных систем искусственного зрения.

К такого рода исследованиям и относится настоящая работа. Отличительной особенностью объектов, с которыми приходиться работать системам искусственного зрения в составе адаптивных робототехнических комплексов, является то, что они, как правило, ограничены прямыми линиями, дугами и окружностями. Поэтому имеет смысл сосредоточить усилия именно на «понимании» машиной подобных объектов.

Данная работа посвящена проблеме преобразования видеоинформации из растровой формы, в которой она поставляется видеодатчиками, в векторную с распознаванием прямых линий, дуг и окружностей, а также формирования на ее основе узловой модели физического объекта, которая может быть востребована системами управления процессами механической и физико-технической обработки и контроля.

ОБЩИЕ ВЫВОДЫ.

В ходе исследования, описанного в настоящей работе были получены следующие результаты, имеющие научное и практическое значение:

1) произведена адаптация, доработка существующих и разработка новых методов локальных растровых преобразований, позволяющих подготовить исходное растровое изображение к последующей обработке;

2) разработан метод первичного распознавания векторов, отличающийся от существующих тем, что формирование векторной модели осуществляется в результате выдвижения гипотез относительно местоположения векторов, основанных на использовании низкоуровневой априорной информации, с последующей их верификацией;

3) разработан метод «сшивки» векторов, позволяющий достичь максимальной адекватности отражения формируемой векторной моделью топологии исходного физического объекта, отличающийся от существующих тем, что «сшивка» фрагментов в единый вектор осуществляется в результате выдвижения гипотез относительно существования векторов, объединяющих отдельные фрагменты, основанных на использовании низкоуровневой априорной информации, с последующей их верификацией;

4) произведена стыковка результатов работы метода первичного распознавания векторов с входными данными, использующимися процедурой «сшивки» векторов, что позволяет использовать их в рамках единого метода векторизации, значительно превосходящего существующие по быстродействию и позволяющего формировать векторные модели, характеризующиеся высокой адекватностью отражения топологии исходного физического объекта;

5) разработан метод первичного распознавания дуг и окружностей, отличающийся от существующих тем, что формирование распознаваемых объектов осуществляется в результате выдвижения гипотез относительно местоположения объектов, основанных на использовании низкоуровневой априорной информации, с последующей их верификацией;

6) разработан метод «сшивки» дуг и окружностей, позволяющий достичь максимальной адекватности отражения формируемой моделью топологии исходного физического объекта, отличающийся от существующих тем, что «сшивка» фрагментов в единый объект осуществляется в результате выдвижения гипотез относительно существования объектов, объединяющих отдельные фрагменты, основанных на использовании низкоуровневой априорной информации, с последующей их верификацией;

7) разработана структура узловой модели для хранения информации о характерных точках физического объекта с учетом наличия разнородных объектов с различным набором параметров, которая позволяет эффективно использовать указанную информацию как на последующих этапах обработки, так и для непосредственного востребования системами управления для принятия решений;

8) разработан способ формирования узловой модели с одновременной корректировкой исходных данных, отличающийся тем, что формирование производится не путем непосредственного анализа растрового изображения, а на основе информации, предоставляемой методами распознавания прямых линий, дуг и окружностей.

9) выполнена программная реализация методов и алгоритмов, указанных в пп. 1 — 3, 5, 6, 8 и проведены ряд тестов, доказавших их работоспособность и высокую эффективность.

Показать весь текст

Список литературы

  1. П. Язык ассемблера для IBM PC и программирования: Пер с англ. М.: Высш. шк., 1992. — 447 с.
  2. В. А., Гвритишвили П. П., Тернигорев М. А. Системы обработки визуальной информации роботов // Зарубежная радиоэлектроника. 1982. N 8. С. 44−53.
  3. Алгоритм выделения контура двоичного изображения // Вестн. Белорусского ун-та. Сер. 1, 1980, N 1. С. 3−6.
  4. Алгоритмы распознавания, основанные на вычислении оценок // Кибернетика, 1971, N 3. С. 1−11.
  5. Алгоритмы членения машинописной строки при использовании порогового решающего правила // Распознавание образов. Киев, 1978. С. 9−20.
  6. JI. Интерактивная трехмерная машинная графика: Пер. с англ. М.: Сол Систем, 1992. — 218 с.
  7. JI. Принципы программирования в машинной графике: Пер. с англ. М.: Сол Систем, 1992. — 194 с.
  8. JI. Программирование графики на Турбо Си: Пер. с англ. М.: Сол Систем, 1992. — 221 с.
  9. Д. X., Браун К. Зрение: биология бросает вызов технике // Реальность и прогнозы искусственного интеллекта: Пер. с англ. / Под ред. В. JI. Стефанюка. М.: Мир, 1987. С. 103−123.
  10. Ф., Лейзерсон А. Мозг, разум и поведение: Пер. с англ. -М.: Мир, 1988.
  11. В. И., Златопольский А. А., Мучник И. Б. Сегментация изображений (состояние проблемы) // Автоматика и телемеханика, 1987, N 7. С. 3−56.
  12. Ю. А., Ющенко А. С. Промышленные роботы в технологии современного машиностроительного производства. Средства и системы очувствления промышленных роботов. М.: НИИмаш, 1984. С. 30−35.
  13. Быстрые алгоритмы в цифровой обработке изображений / Под ред. Г. С. Хуанга. М.: Радио и связь, 1984. 221 с.
  14. Г. Г., Завалишин Н. В., Мучник И. Б. Обработка визуальной информации роботами: Обзор. // Автоматика и телемеханика. 1974. N 6. С. 99−132.
  15. А. Н. Графическое программирование на языке Паскаль: Справ, пособие. Минск: Выш. шк., 1992. — 143 с.
  16. В. Л. и др. Системы распознавания автоматизированных производств. / В. Л. Генкин, И. Л. Ерош, Э. С. Москалев. Л.: Машиностроение, 1988.
  17. В. М. Кибернетика. Вопросы теории и практики. М.: Наука, 1986. — 488 с.
  18. А. Л. Методы распознавания: Учеб. пособие. 2-е изд., перераб. и доп.- М.: «Высшая школа», 1984. — 208 с.
  19. А. Л. Общая постановка задачи распознавания объектов и явлений // Кибернетика. 1980. N 6.
  20. А. Л., Скрипкин В. А. Об одном методе решения задач классификации объектов и явлений // Техническая кибернетика. 1965. N 1. С. 18−29.
  21. У. Лекции по теории образов. Т. 1. Синтез образов: Пер. с англ. М.: Мир, 1979.
  22. У. Лекции по теории образов. Т. 2. Анализ образов: Пер. с англ. М.: Мир, 1979.
  23. Р. Справочник программиста персональных компьютеров типа 1ВМ РС, ХТ и АТ: Пер. с англ. М.: Финансы истатистика, 1992. 544 с.
  24. Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. М.: Мир, 1976. — 368 с.
  25. А. В. Программирование в среде Turbo Pascal 7.0. -M.: Диалог-Мифи, 1993. 288 с.
  26. Ф. Взаимодействие робота с внешней средой: Пер. с франц. М. Мир, 1985. 285 с.
  27. С. Введение в распознавание образов. Часть 1: Преобразование Хафа // Монитор. 1994. N 8. С. 20−24.
  28. С. Введение в распознавание образов. Часть 2. Утончение // Монитор. 1995. N 1. С. 16−22.
  29. Э. Интеллектуальные производственные системы: Пер. с англ. М.: Мир, 1994. — 180 с.
  30. Кэк А. Датчики интеллектуальных роботов // Справочник по промышленной робототехнике: Пер. с англ. / Под ред. Ш. Нофа. М.: Машиностроение. — 1989. — Т. 1. — С. 187−203.
  31. Кэк А. Стереоскопическое зрение в робототехнике // Справочник по промышленной робототехнике: Пер. с англ. / Под ред. Ш. Нофа. М.: Машиностроение. — 1989. — Т. 1. С. 237−272.
  32. В. И. Алгоритм выделения связных областей на изображении // Проблемы применения современных радиофизических методов для повышения эффективности производства и автоматизации исследований. Минск, 1981. С. 82−83.
  33. К. Практическая обработка изображений на языке Си: Пер. с англ.- М.: Мир, 1994. 124 с.
  34. М. Пейперт С. Персептроны: пер. с англ. М.: Мир, 1971. — 264 с.
  35. М. Фреймы для представления знаний: пер. с англ.1. M.: Мир, 1979. 185 с.
  36. С. И. Системы технического зрения для автоматизации производства // Механизация и автоматизация производства, 1983, N 6. С. 39−42.
  37. Надь. Распознавание образов: Обзор // ТИИЭР. 1968. Т. 56. N 5. С. 57−86.
  38. П., Соухе Д. Язык ассемблера для IBM PC: Пер. с англ. -М.: Издательство «Компьютер», 1993. 352 с.
  39. JI. В., Рабинович Е. В., Фейнберг В. 3. Алгоритм определения взаиморасположения плоских геометрических фигур // Теория и методы автоматизации поектирования. Минск, 1979, вып. 2. С. 13-18.
  40. Н. Обучающиеся машины: пер. с англ. М.: Мир, 1967.
  41. Обработка изображений и цифровая фильтрация. / Под ред. Т. Хуанга. М.: Мир, 1979. — 318 с.
  42. Н. С., Лурье А. М. Технический контроль в механических цехах: Учебник для техн. училищ. 3-е изд., доп. и перераб. — М.: Высш. школа, 1979. — 221 с.
  43. Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. — 420 с.
  44. Пат. 3 069 654 США. Method and means for recognition of complex patterns / Hough P. V. C., Arbor A.- 1962.
  45. Распознавание образов: состояние и перспективы: Пер. с англ. / К. Верхаген, Р. Дейн, Ф. Грун, и др. М.: Радио и связь, 1985. — 104 с.
  46. У., Блюм К. Организация совместной работы робота и системы технического зрения. // Справочник по промышленной робототехнике: Пер. с англ. / Под ред. Ш. Нофа. М.: Машиностроение. — 1989. — Т. 1. — С. 231−237.
  47. Й. Анализ массивов интенсивности с использованием знаний о сценах // Психология машинного зрения: Пер. с англ. / Под ред. П. Уинстона:. М.: Мир. — 1978. С. 112−136.
  48. Системы очувствления и адаптивные промышленные роботы / Под ред. Е. П. Попова, В. В. Клюева. М.: Машиностроение, 1985. — 256 с.
  49. Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение) / А. Н. Писаревский, А. Ф. Чернявский, Г. К. Афанасьев и др.- Под общ. ред. А. Н. Писаревского, А. Ф. Чернявского. Л.: Машиностроение, 1988. — 424 с.
  50. . Применение лазеров: Пер. с англ. М.: Мир, 1974. -184 с.
  51. П. Искусственный интеллект: Пер. с англ. М.: Мир, 1980. — 520 с.
  52. Е., Фельдман Й. Вычислительные машины и мышление: Пер. с англ. М.: Мир, 1968.
  53. . Ф. Лазеры и их применение. М.: Мир, 1973. — 487 с.
  54. Фу К., Розенфельд А. Распознавание образов и обработка изображений // Современные проблемы кибернетики. М.: Знание, 1980. С. 8−41.
  55. Фу К. Структурные методы в распознавании образов: Пер. с англ. М.: Мир, 1977. — 320 с.
  56. Э. Искусственный интеллект: Пер. с англ. М.: Мир, 1978.
  57. Хо Й., Агравала А. Об алгоритмах классификации образов: Введение и обзор // ТИИЭР. 1968. т. 56. N 12. С. 5−19.
  58. . Определение формы по данным о полутонах. // Психология машинного зрения: Пер с англ. / Под ред. П. Уинстона:. М.: Мир. — 1978. — С. 112−136.
  59. Хуанг, Шрейбер, Третьяк. Обработка изображений // ТИИЭР. -1971. Т. 59. N 11. С. 59−89.
  60. М. Оператор нахождения контуров на кодированных изображениях // Интегральные роботы. М.: Мир, 1973. — С. 225 240.
  61. Чэн Ш.-К. Принципы проектирования систем визуальной информации: Пер. с англ. М.: Мир, 1994. — 408 с.
  62. Д. Системы технического зрения. // Справочник по промышленной робототехнике: Пер. с англ. / Под ред. Ш. Нофа. М.: Машиностроение. — 1989. — Т. 1. — С. 203−230.
  63. Ammeraal L. Programs and Data Structures in C. Chichester: John Wiley, 1987, 224 p.
  64. Ando S., Doi Y. Texture modelling and classification // Trans. Soc. Instrument and Control Engineers. 1978. Pp. 84−89.
  65. Atiquzzaman M. Multiresolution Hough Transform An Effecient Method of Detecting Patterns in Images // IEEE Transactions on Pattern Analysis and Machine Intelligence. -1992. Vol. 14. N 11.
  66. Ballard D.H., Brown С. M. Computer Vision. New Jersey: Prentice-Hall, Inc., 1982.
  67. Camera Models and Machine Perception: Technical Report / Standard Artifical Intelligence Project- Sobel I.- AIM-121- California- 1970.
  68. Chang S. K. A TrianGular Scanning Technique for Locating Boundary Curves // Computer Graphics and Image Processing. -1974. N 3. Pp. 313−317.
  69. Chivate P. N., Jablokov A. G. Solid-model generation from measured point data // Computer Aided Design. N 9. 1993. PP 18−36.
  70. Eberlein. An iterative gradient edge detection algorithm. -New York: Academic Press, 1976.
  71. Feature-Based Rewerse Engineering of Mechanical Parts: Technical Report/University of Utah Department of Computer Science- Thompson W., Owen J., Germain H.- UUCS-95−010. Utah, 1995.
  72. Griffith A. K. Edge detection in simple scenes using a priori information // IEEE Trans, on Computers. 1973. N 4.
  73. Grimson W. E. L. A computer implementation of a theory of human stereo vision // Philosophical Transactions Royal Society London.- 1981. Vol. 292. Pp. 217−253.
  74. Grimson W. E. L. From images to surfces: A computational study of the human early visual system. Massachusetts: M.I.T. Press, 1981. — 247 p.
  75. Haralick, Shanmugan, Distein. Textural features for classification // IEEE Trans, on Systems, Man and Cybernetics. 1973.
  76. Hsu C.-C. and Huang J. S. Partitioned Hough Transform for Ellipsoid Detection // Pattern Recognition. 1990. Vol. 23. N 3−4.
  77. Infrared Laser Rangefinder: Technical Report / NASA- Johnston A. R.- NP0−13 460. Pasadena, California- 1973.
  78. Jang B. K., Chin R. T. One Pass Parallel Thinning: Analysis, Properties, and Quantitative Evaluation // IEEE Transactions on Pattern Analysis and Machine Intelligence. -1992. Vol. 14. N 11.
  79. Lam L. Lee S.-W., Suen C. Y. Thinning Methodologies A Comprehensive Survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1992. Vol. 14. N 9.
  80. Marr D. Vision: A Computational Investigation in the Human Representation and Processing of Visual Information. San Francisco: W. H. Freeman, 1981.
  81. Martelli A. Edge Detection Using Heuristic Search Methods // Computer Graphics and Image Processing. 1972. Vol 1. N 2. Pp. 169−182.
  82. Nahi, Habibi. Decision dirtected recursive image enhancement // IEEE Transactions. 1975. Vol. 3. Pp. 168−192.
  83. Nevatia R. Depth measurement by motion stereo. // Computer Graphics and Image Processing. 1976. Vol. 5. Pp. 203−214.
  84. Nitzan D., Brain A., Duda R. The measurment and use of registred reflectance and Range Data in scene analysis // IEEE Transactions. 1977. Vol. 6.
  85. Oshima M. and Shirai Y. Object recognition using three-dimensional information. // IEEE Transactions. 1983. Vol. 5. Pp. 353−361.
  86. Pao D., Li F. Shapes Recognition Using the Staight Line Transform: Theory and Generalization // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1992. Vol. 14. N 11.
  87. Podgio T. A. Theory of human stereo vision // Philosophical Transactions Royal Society London. 1979. Vol. 204. Pp. 301 328.
  88. Pringle K. K., Tenenbaum J. M. An Accomodating Edge Follower. New Jersey: Prentice-Hall, Inc., 1984.
  89. Roberts L. G. Machine Perceptron of Three-Dimensional Solids, in Tippett, J. T. et al., Eds. // Optical and Electro-Optical Information Processing. Cambrige, Massachusetts: M.I.T. Press, 1965. — Pp. 159−197.
  90. Rosenfeld A. Edge and curve detection for visual scene analysis // IEEE Trans, on Computers. 1977. N 5.
  91. Rosenfeld A. Edge detection in noisy images using recursive digital filtering // Computer Graphics and Image Processing. 1977. Vol. 6.
  92. Rosenfeld A. Sequential Operations in Digital Picture Processing // Journal of the ACM. 1966. Vol 13. N 4. Pp. 471 494.
  93. Shirai Y. Recognition of polyhedra with a range finder // Pattern Recognition. Massachusetts, 1972. — Vol. 4. — Pp. 243 250.
  94. Svalbe I. D. Natural Representation for Straight Lines and Hough Transform on Discrete Arrays // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 11. — N 9. -1989.
  95. Sweeney D. W., Hudelson G. D. Optical tracking with Fresnel zone plate coded aperture imaging. Massachusetts: M.I.T. Press, 1984.
  96. Uno T., Mese M., Ejiri M. Defect Detection in Complicated Patterns // Electrical Engineering in Japan. 1973. Vol 95. N 2. Pp. 90−97.
  97. Пример работы алгоритма в условиях низкого качества исходного изображения1. Исходное изображение
  98. Изображение после растровых преобразований
  99. Векторизованное изображение
  100. Примеры работы алгоритма с объектами из «мира кубиков»
  101. Примеры работы алгоритма со смешанными объектами
  102. Исходное растровое изображение
  103. Размер растрового изображения, пикселов1. Время обработки, свремени на растровые преобразованиявремени на векторизацию600×600 800×800 1000×10 002.629 3.25 055 605 045 40 500×800 700×1 000 900×14 001.8
Заполнить форму текущей работой

Заказал и сдал!