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 задачи 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) – 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,

где A и B – множества 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

Таблица 2

Описание исходного изображения и его фрагментов

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 платформ № 1 и № 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

Диаграммы 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 эксперимента 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).