DOI: 10.17586/2226-1494-2017-17-4-685-693


УДК004.9

ИДЕНТИФИКАЦИЯ УЧАСТКОВ ПОВЕРХНОСТИ ОТДЕЛЬНЫХ ОБЪЕКТОВ НА 2D-ИЗОБРАЖЕНИИ В ЗАДАЧАХ ОЦЕНКИ СОСТОЯНИЯ ИХ МАССОВОГО КОЛИЧЕСТВА

Остапов Д. С., Усатиков С. В.


Язык статьи - русский

Ссылка для цитирования: Остапов Д.С., Усатиков С.В. Идентификация участков поверхности отдельных объектов на 2D-изображении в задачах оценки состояния их массового количества // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т. 17. № 4. С. 685–693. doi: 10.17586/2226-1494-2017-17-4-685-693

Аннотация

Рассмотрено математическое обеспечение подсистемы идентификации и оценки состояния участков поверхности массового количества материальных объектов как генеральной совокупности. Предлагаемое решение дополняет функциональные возможности системы компьютерного зрения распознавания типов и видов объектов на 2D-изображении. Предложены основанные на критерии Пирсона алгоритмы качественной и количественной оценки состояния каждого единичного материального объекта (элемента генеральной совокупности), чувствительные к деталям их видимой поверхности. Показана эффективность подсистемы на различных изображениях. Рассмотрены возможности уменьшения времени обработки видеокадра в рабочем режиме системы компьютерного зрения (СКЗ) за счет снижения вычислительной сложности алгоритмов и повышения производительности последовательных вычислений и организацией параллельных вычислений. Точность рассчитывалась как отношение количества верно идентифицированных СКЗсостояний участков поверхности к их общему количеству. На изображениях с инспекционного конвейера с фруктовым сырьем СКЗ имеет точность 98,5%; на объектах в виде таблеток аспирина точность 93,2%, а на объектах зерновой массы риса – 95,4%.


Ключевые слова: системы компьютерного зрения, подсистема идентификации состояния, массовое количество объектов

Список литературы

1. Зиятдинова В.А., Шаззо А.Ю., Усатиков С.В., Погорелова И.И. Оценка качества риса с использованием современных методов анализа цветовых характеристик единичных зерен // Известия ВУЗов. Пищевая технология. 2015. № 2-3. С. 100–104.
2. Da-Wen Sun. Computer Vision Technology for Food Quality Evaluation. Academic Press, 2008. 600 p.
3. Бородихин А.С., Горонков К.А., Руденко О.В., Троянова Т.Л., Усатиков С.В. Блок распознавания растительного сырья экспертной системы мониторинга показателй безопасности и качества при производстве консервов // Фундаментальные исследования. 2011. №8-3. С. 607–612.
4. Остапов Д.С. Подходы к идентификации состояния 3D-поверхности по 2D-изображениям единичных объектов и их массового количества // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. 2016. № 4. С. 55–64.
5. Остапов Д.С., Усатиков С.В. Повышение эффективности программной реализации алгоритмов распознавания изображений с детальной оценкой состояния массового количества объектов // Научный журнал КубГАУ. 2016. №124. С. 611–622. doi: 10.21515/1990-4665-124-037
6. Serre T., Wolf L., Poggio T. Object recognition with features inspired by visual cortex // Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, USA, 2005. V. 2. P. 994–1000.
7. Gujjar H.S., Siddappa M. Recognition and classification of different types of food grains and detection of foreign bodies using neural networks // International Journal of Computer Applications. 2014. P. 12–17.
8. Yao B., Khosla A., Fei-Fei L. Combining randomization and discrimination for fine-grained image categorization // Computer Vision and Pattern Recognition. 2011. P. 1577–1584. doi: 10.1109/CVPR.2011.5995368
9. Ciresan D., Meier U., Schmidhuber J. Multi-column deep neural networks for image classification // Computer Vision and Pattern Recognition. 2012. P. 3642–3649. doi: 10.1109/CVPR.2012.6248110
10. Korytkowski M., Rutkowski L., Scherer R. Fast image classification by boosting fuzzy classifiers // Information Sciences. 2016. V. 327. P. 175–182. doi: 10.1016/j.ins.2015.08.030
11. Xingha Y., Weifeng L., Dapeng T., Jun C. Canonical correlation analysis networks for two-view image recognition // Information Sciences. 2017. V. 385–386. P. 338–352. doi: 10.1016/j.ins.2017.01.011
12. Panda P., Ankit A., Wijesinghe P., Roy K. FALCON: feature driven selective classification for energy-efficient image recognition // IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 2017. V. PP. N 99. P. 1–13. doi: 10.1109/tcad.2017.2681075
13. Stepinski T., Niesterowicz J., Stepinski J. Pattern-based regionalization of large geospatial datasets using complex object-based image analysis // Procedia Computer Science. 2015. V. 51. N 1. P. 2168–2177. doi: 10.1016/j.procs.2015.05.491
14. Romei A., Ruggeieri S. A multidisciplinary survey on discrimination analysis // Knowledge Engineering Review. 2014. V. 29. N 5. P. 585–638. doi: 10.1017/S0269888913000039
 

Информация 2001-2017 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика