ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

3
Ожидается:
16 Июня 2018

Прогнозирование времени обработки изображений детерминированными методами

Image processing time prediction using determinate methods
Статья опубликована в выпуске журнала № 1 за 2013 год. [ на стр. 52-57 ][ 04.03.2013 ]
Аннотация:Статья посвящена прогнозированию времени обработки изображений с объектами, характеризующимися слу-чайным местом положения и нерегулярной формой. Приведена методика улучшения и сегментации изображения, уменьшающая шумы, возникающие при получении изображений в действующем металлургическом производстве. Представлено математическое описание алгоритмов, применяемых в методике. Получены результаты вычислитель-ного эксперимента, проводимого с целью оценки скорости работы алгоритмов, определения зависимости данной скорости от конфигураций аппаратных платформ и характеристик изображения. Анализ приведенных результатов показал, что скорость работы алгоритмов имеет зависимость, близкую к линейной, от выбранного процессора и при этом практически не зависит от объема оперативной памяти. Описан набор возможных траекторий обработки изо-бражений по исследуемой части методики. Представлены результаты прогнозирования времени обработки по траек-ториям изображений. Максимальная ошибка прогнозирования составила 0,5 с. Определено, что самые затратные по времени работы алгоритмы (эрозия и дилатация) быстрее выполняются на низкоконтрастных и темных изображениях, чем на высококонтрастных и светлых. Для повышения точности прогнозирования времени обработки предлагается выполнять предварительную группировку изображений по уровню яркости и контрастности и проводить стати-стическую обработку для каждой отдельной группы.
Abstract:The article is devoted to the forecast of processing time of images containing objects characterized by random location and irregular shape. The described method of image enhancement and segmentation is aimed at reduction of noise typical for a metallurgical plant. The authors introduce mathematical formulation of algorithms used in the method. They also carried out a computational experiment aimed at estimation of the algorithm operating speed and at finding correlation between that speed and hardware (platform) configuration and image characteristics. The analysis of the experiment results proved that the algorithm operating speed has almost linear relationship with the chosen processor and very little relationship with the RAM capacity. A number of possible trajectories of image processing are also described in the article. Maximum forecast error of the image processing time for different trajectories was 0,5 s. It was found that the most time consuming algorithms (erosion and dilatation) are work faster for low-contrast than for high-contrast images. They are also faster for dark than for light images. To improve the accuracy of the processing time forecast it was offered beforehand to categorize the images by the brightness and contrast level and to carry out statistical analysis for each separate group.
Авторы: Мацко И.И. (MatskoIgor@gmail.com) - Магнитогорский государственный технический университет им. Г.И. Носова, Магнитогорск, Россия, Аспирант , Логунова О.С. ( logunova66@mail.ru) - Магнитогорский государственный технический университет им. Г.И. Носова, Магнитогорск, Россия, доктор технических наук, Посохов И.А. (posohoff@bk.ru) - Магнитогорский государственный технический университет им. Г.И. Носова, Магнитогорск, Россия, Аспирант
Ключевые слова: оценка скорости., автоматизация, прогнозирование, вычислительный эксперимент, обработка изображений
Keywords: performance estimation, automation, forecasting, computing experiment, image processing
Количество просмотров: 5007
Версия для печати
Выпуск в формате PDF (5.29Мб)
Скачать обложку в формате PDF (1.21Мб)

Размер шрифта:       Шрифт:

Одной из частей АСУ технологическим процессом (ТП) являются подсистемы, использующие модули распознавания образов для информации, полученной в графическом виде. Для таких систем выдвигаются дополнительные требования к информационному обеспечению – прежде всего получение в результате распознавания изображений достоверной, полной и точной информации. Немаловажным фактором для успешного функционирования MES-уровня (Manufacturing Execution System – производственная исполнительная система) является время обработки образа, а для оперативного планирования на ERP-уровне (Enter­prise Resource Planning System – система планирования ресурсов производства) необходим точный прогноз этого времени.

Одной из проблем, приводящих к получению и обработке информации графического вида в рамках АСУ ТП металлургического предприятия, является оценка изображений серных отпечатков и фотографий образцов (темплетов), полученных от непрерывно-литой заготовки [1]. Для автоматизации распознавания отпечатков и фотографий требуются проектирование и разработка системы обработки изображений темплетов для определения макродефектов непрерывно-литой заготовки, включающей получение изображения в электронном виде, улучшение, сегментацию и классификацию объектов на его поверхности.

Дефекты, выделяемые на обрабатываемых изображениях темплетов непрерывно-литых заготовок (рис. 1), характеризуются случайным местом положения и нерегулярной формой [1–2]. В ходе анализа полученных изображений были выявлены следующие особенности:

–      перспективные искажения изображения, вызванные геометрическими особенностями темплета;

–      неоднородность фона, окружающего темплет;

–      наличие рукописных отметок с обратной стороны серного отпечатка;

–      наличие областей с повышенной и пониженной яркостью, возникающей за счет неравномерного освещения поверхности;

–      низкая контрастность изображения серного отпечатка, связанная с низким содержанием серы в химическом составе изучаемых темплетов;

–      отсутствие достаточной резкости на изображении из-за геометрических особенностей темплета.

Решение задПодпись:   
  			а 										б
Рис. 1. Изображения темплетов непрерывно-литой 
заготовки: а – фотография темплета 
непрерывно-литой заготовки; б – серный отпечаток 
по методу Баумана темплета непрерывно-литой 
заготовки
ачи автоматизации распознавания изображений, приведенных на рисунке 1, потребовало разработки методики, позволяющей в зависимости от свойств изображения [3] выбрать траекторию его обработки. Суть методики представлена на рисунке 2. Методика использует множество типовых алгоритмов, принятых и используемых в настоящее время [4, 5].

1. Операции [4]:

–      коррекции яркости: =k(g(x, y)–m)+ +m;

–      коррекции контраста: =g(x, y)+s,

где (x, y) Подпись:  Рис. 2. Методика улучшения и сегментации изображения темплета непрерывно-литой заготовки– координаты произвольной точки на изображении;  – функция улучшенного изображения; k – коэффициент контрастности; g(x, y) – функция исходного изображения; m – среднее значение яркости изображения; s – величина сдвига яркостей.

2. Функции пороговой бинаризации:

–      для изображения в градациях серого [4]:

–      для цветного изображения [5]:

где (x, y) – координаты произвольной точки на изображении;  – функция бинаризованного изображения; g(x, y) – функция исходного изображения; t – пороговое значение; rd(x, y), gr(x, y), bl(x, y) – функция интенсивности в исходном изображении красного, зеленого и голубого цветов соответственно.

3. Операции восстановления непрерывности объектов [4]:

–      дилатация: ;

–      эрозия: AÄ;

–      размыкание: Ä;

–      замыкание:ÄB,

Подпись:   а  б Рис. 4. Сравнительные результаты вычислительных экспериментов: а – дилатация, б – эрозиягде A и B – множПодпись:  
Рис. 3. Исходное изображение и разбиение его 
на фрагменты
ества из пространства Z2; z – точка, в которую сдвигают множество ;

–      преобразование успех/неудача: A*B=(AÄÄ,

где A – множество, состоящее из трех подмножеств X, Y и Z; W – окно, описанное вокруг X; (W\X) – локальный фон множества X по отношению к окну W; Ac – дополнение к множеству A.

Для оценки скорости работы алгоритмов построения яркостной диаграммы, определения контраста, коррекции яркости и контраста, пороговой бинаризации, дилатации и эрозии и определения зависимости этой скорости от типа процессора и объема оперативной памяти аппаратных платформ (табл. 1, сортировка по мощности), размера обрабатываемого изображения (табл. 2) был проведен вычислительный эксперимент.

На рисунке 3 представлено тестовое изображение, разбитое на одиннадцать фрагментов (рис. 3), которые обрабатывались в ходе тестирования. В таблице 2 описаны характеристики исходного изображения и его частей (№ 0 – характеристики исходного изображения).

На рисунке 4 представлены результаты тестирования алгоритмов для всех платформ. Анализ приведенных результатов показал, что скорость работы алгоритмов имеет зависимость, близкую к линейной, от выбранного процессора и при этом практически не зависит от объема оперативной памяти.

Таблица 1

Характеристики аппаратных платформ для проведения вычислительного эксперимента

Процессор

Оперативная память, Гб

Intel Atom Processor 330 (1M Cache, 1.60 GHz)

1

Intel Pentium Processor P6000 (3M Cache, 1.86 GHz)

1

Intel Pentium Processor P6000 (3M Cache, 1.86 GHz)

2

Intel Pentium Processor P6000 (3M Cache, 1.86 GHz)

3

Intel Core2 Duo Processor T7250 (2M Cache, 2.00 GHz)

1

Intel Core2 Duo Processor T7250 (2M Cache, 2.00 GHz)

2

Intel Core2 Duo Processor T7250 (2M Cache, 2.00 GHz)

3

Intel Core i3-540 Processor (4M Cache, 3.06 GHz)

2

Intel Core i3-540 Processor (4M Cache, 3.06 GHz)

4

Intel Core i3-2330M Processor (3M Cache, 2.20 GHz)

4

Intel Core i3-2100 Processor (3M Cache, 3.10 GHz)

2

Intel Core i3-2100 Processor (3M Cache, 3.10 GHz)

4

Таблица 2

Описание исходного изображения и его фрагментов

Номер области

Параметр изображения (в точках)

Ширина, шт.

Высота, шт.

Общее количество, тыс. шт.

0

2510

3470

8710

1

400

400

160

2

600

600

360

3

800

800

640

4

1000

1000

1000

5

1200

1200

1440

6

1400

1400

1960

7

1600

1600

2560

8

1800

1800

3240

9

2000

2000

4000

10

2200

2200

4840

11

2400

2400

5760

Линии трендов на графиках экспериментальных данных всех алгоритмов для каждой из аппаратных платформ близки к линейному виду. На рисунке 5 представлены примеры графиков экспериментальных данных алгоритмов для аппаратных Подпись:   	 				а 							б Примечание: на рисунках 6 и 8 приняты следующие обозначения:	Построение яркостной диаграммы	Изменение яркости	Определение диапазона градаций яркости	Изменение диапазона градаций яркости	Дилатация	Эрозия	Пороговая бинаризацияРис. 6. Отклонения экспериментальных данных от расчетных для зависимости времени обработки фрагментов изображения от его размеров: а – абсолютные отклонения; б – относительные отклоненияплатформ № 1 Подпись:    								а 	 							бПримечание: • – экспериментальные данные, ¾ – ап-проксимация данных.Рис. 5. Зависимость времени обработки фрагментов изображения от его размеров, выявленная врезультате вычислительного эксперимента на аппаратных платформах №№ 1 (а) и 12 (б) алгоритма определения контрастаи № 12. Платформа № 1 является малопроизводительной, а платформа № 12 – самой высокопроизводительной из выбранных аппаратных платформ. Точки на графиках – это усредненные значения ста итераций обработки алгоритмами соответствующих областей изображения.

Рисунок 6 иллюстрирует отклонения экспериментальных данных от значений аппроксимирующих формул для всех платформ и алгоритмов при использовании логарифмической шкалы. На все тестируемые алгоритмы большое воздействие на относительные отклонения оказывают параллельно работающие сторонние программы. При этом абсолютные отклонения превышают 25 мс на первых четырех малопроизводительных платформах. На большинстве платформ абсолютные отклонения редко достигают 20 мс. Все платформы показали приемлемую скорость работы алгоритмов. Наиболее точное прогнозирование времени выполнения тестируемых алгоритмов достигается на современных процессорах с объемом оперативной памяти более 1 Гб.

Реализованная часть методики (рис. 2) с декомпозицией процессов изменения яркости, контраста и восстановления непрерывности объектов представлена на рисунке 7. Набор возможных траекторий обработки изображений по реализованной части методики описан в таблице 3.

На всех аппаратных платформах, кроме № 11, проводился эксперимент, в ходе которого обрабатывалось исходное изображение (рис. 3) с различными уровнями яркости и контраста. Сравнительные результаты такой обработки, показывающие время работы тестируемых алгоритмов для всех возможных траекторий, представлены на диаграммах Ганта. Анализ этих диаграмм подтвердил, что объем оперативной памяти слабо влияет на скорость выполнения алгоритмов и при этом не влияет на общую скорость обработки изображения.

Максимальное время обработки изображения было выявлено у аппаратной платформы № 1 для траектории № 7 и составило 7,5 с. Минимальное время (1,1 с) – у платформы № 12 для траектории № 1. При нормальных уровнях яркости и контраста алгоритмы по их изменению не вызываются. Так как эти алгоритмы выполняются относительно быстро, их влияние на общее время обработки минимально.

Таблица 3

Возможные траектории обработки и характеристики обрабатываемых изображений

Траектория

Параметры изображения

Яркость

Средняя яркость

Контраст

1

4®5а®5б®6®7а®9а®9б®10

Низкая

Менее 160

Низкий

2

4®5а®5б®6®7б®9а®9б®10

Низкая

Менее 160

Нормальный

3

4®5а®5б®6®7в®9а®9б®10

Низкая

Менее 160

Высокий

4

4®5а®5в®6®7а®9а®9б®10

Нормальная

От 160 до 230

Низкий

5

4®5а®5в®6®7б®9а®9б®10

Нормальная

От 160 до 230

Нормальный

6

4®5а®5в®6®7в®9а®9б®10

Нормальная

От 160 до 230

Высокий

7

4®5а®5г®6®7а®9а®9б®10

Высокая

Более 230

Низкий

Подпись:   Рис. 7. Реализованная часть методики улучшения и сегментации изображения темплета непрерывно-литой заготовкиДиаграммы Ганта показывают, что самые долго работающие алгоритмы эрозии и дилатации быстрее выполняются на изначально низкоконтрастных изображениях, чем на высококонтрастных, и на изначально темных изображениях, чем на светлых. В связи с этим возникли отклонения экспериментальных данных обработки изображений по траекториям от значений аппроксимирующих формул (рис. 8). Отклонение общего времени обработки от теоретического показано на рисунке 9. Минимальное отклонение у платформы № 9 составило 141 мс, а максимальное у № 4 – 505 мс. При этом относительная погрешность на большинстве платформ не превышает 15 %. Для повышения точности прогнозирования времени обработки следует сгруппировать изображения по уровню яркости и контрастности и проводить статистическую обработку для отдельных групп.

В ходе научной работы создана методика улучшения и сегментации изображения, учитывающая особенности обрабатываемого изображения и позволяющая в автоматизированном режиме улучшить его для последующей сегментации.

Проведение вычислительного эксперименПодпись:   а 						бРис. 8. Отклонения экспериментальных данных от расчетных для обработки изображений по траекториям: а – абсолютные отклонения; б – относительные отклонения    				а 							бПримечание: –––  – общее время обработки изображения.Рис. 9. Отклонения экспериментальных данных от расчетных: а – абсолютные отклонения; б – относительные отклоненията с целью определения скорости работы реализованных алгоритмов и зависимости этой скорости от конфигурации аппаратной платформы и размера обрабатываемого изображения позволяет рационально определить необходимую конфигурацию компьютера для использования в производственных условиях. В ходе вычислительного эксперимента было выявлено, что для реализации рассматриваемых задач при обработке изображений достаточно выбрать современный процессор с тактовой частотой не менее 1,6 ГГц и оперативную память объемом не менее 1 ГБ.

Для реализованной части методики пред- ставлены возможные траектории обработки изображения. Полученные результаты позволяют утверждать, что для прогнозирования времени обработки изображений достаточно использовать линейные зависимости с высокой степенью достоверности результатов.

Для повышения точности прогнозирования времени обработки необходимо выполнить группировку изображений по уровню яркости и контрастности и проводить статистическую обработку для каждой отдельной группы.

Литература

1.     Logunova O.S., Steel in Translation, 2008, Vol. 38, no. 10, pp. 849–852.

2.     Matsko I.I., Snegirev Y.V., Logunova O.S., Applied Mechanics and Materials, Switzerland, Trans. Tech. Publ., 2012, Vol. 110–116, pp. 3557–3562.

3.     Мацко И.И., Логунова О.С. Автоматизированная система принятия решения о качестве непрерывно-литой заготовки: методики улучшения и сегментации изображения непрерывно-литой заготовки // Вестн. национального технич. ун-та: Тем. вып.: Информатика и моделирование. Харьков: НТУ «ХПИ», 2011. № 36. С. 115–121.

4.     Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.

5.     Recommendation ITU-R BT.709-5. URL: http://www.itu. int/dms_pubrec/itu-r/rec/bt/R-REC-BT.709-5-200204-I!!PDF-E.pdf (дата обращения: 07.02.2012).


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=3380
Версия для печати
Выпуск в формате PDF (5.29Мб)
Скачать обложку в формате PDF (1.21Мб)
Статья опубликована в выпуске журнала № 1 за 2013 год. [ на стр. 52-57 ]

Возможно, Вас заинтересуют следующие статьи схожих тематик: