WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

 

На правах рукописи

Илющенко Владимир Валерьевич

Модели принятия решений в задаче управления качеством продукции деревообрабатывающего производства

05.13.01 – Системный анализ, управление и обработка информации

(промышленность)

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

Санкт-Петербург

2012

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный лесотехнический университет имени С.М.Кирова»

Научный руководитель:

доктор технических наук, профессор Уткин Лев Владимирович

Официальные оппоненты:

доктор технических наук, профессор кафедры «Машин и аппаратов химических производств»  Санкт-Петербургского государственного технологического института (технического университета) Федоров Василий Николаевич

кандидат технических наук, доцент кафедры «Автоматизированных систем обработки информации и управления» Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина), зам. декана по учебной работе со студентами 3-4 курсов Шеховцов Олег Иванович

Ведущая организация:        Санкт-Петербургский государственный технологический университет растительных полимеров (СПбГТУРП (ЛТИ ЦБП))

Защита диссертации состоится «  24  »  мая  2012 г. в  13.30  час. на заседании диссертационного совета Д 212.230.03 при Санкт-Петербургском государственном технологическом институте (техническом университете) по адресу: 190013, Санкт-Петербург, Московский пр., 26 (ауд. 61)

С диссертацией можно ознакомиться в библиотеке института.

Отзывы на автореферат, заверенные печатью, просим направлять по адресу: 190013, Санкт-Петербург, Московский пр., 26, Санкт-Петербургский государственный технологический институт (технический университет), Учёный совет. Тел: (812) 495-75-75, факс (812) 712-77-91. E-mail: dissovet@technolog.edu.ru

Автореферат разослан  «  23  » апреля  2012 года

Ученый секретарь

диссертационного совета 

доктор технических наук, профессор В.И. Халимон

Общая характеристика работы

Актуальность работы

Самым «узким» участком деревообрабатывающей промышленности являются линии сортировки. Принятием решений о сорте продукции занимается рабочий-сортировщик. Высокий процент брака (неверно классифицируемых продуктов деревообработки) является следствием человеческого фактора. Сложность решения этой проблемы – в большом разнообразии пороков древесины, трудности их формализации и различных способах их оценивания, а также в ограниченности времени подготовки производства и в меняющихся условиях производства: освещенности, влажности древесины и засорении оптической системы видеодатчиков вследствие повышенной запыленности на производстве.

Цель диссертационной работы

Целью диссертационной работы является разработка новых моделей управления качеством продуктов деревообработки на основе методов машинного обучения и их реализация в системе управления качеством.

Задачи, которые необходимо решить для достижения поставленной цели

  • провести анализ существующих методов машинного обучения, выявить их недостатки и перспективные направления развития и исследовать возможность их применения в задаче управления качеством продукции деревообрабатывающего производства;
  • осуществить поиск оптимального поля признаков для классификации по порокам древесины и по сортам продукции деревообрабатывающего производства;
  • разработать новые модели классификации, устойчивые к искажению входной информации и способные обучаться при ограниченной статистической информации;
  • разработать эффективные алгоритмы для программной реализации новых моделей классификации.

Объект исследования

Объектом исследования являются системы управления и оптимизации качества продукции деревообрабатывающего производства.

Предмет исследования

Предметом исследования являются модели и методы принятия решений и обработки информации по определению качества продукции деревообрабатывающего производства.

Методы исследования

Для решения указанных задач в работе применялись методы математического моделирования, теории вероятностей и математической статистики, теории принятия решений, методы оптимизации, системного анализа, теории компьютерного зрения.

Научная новизна

  1. Разработана робастная статистическая модель классификации на основе байесовского классификатора с применением логистической регрессии, границ Колмогорова-Смирнова и минимаксной стратегии принятия решений, устойчивая к искажению входной информации при изменении влажности и освещенности поверхности древесины, а также в условиях повышенной запыленности и при вариативности классифицируемых пороков.
  2. Разработана модифицированная модель классификации с применением крайних точек и петлевой функции потерь, оптимизирующая время обучения за счет упрощения целевой функции и уменьшения числа ограничений.
  3. Разработан алгоритм сегментации изображений поверхности древесины, учитывающий неровности и шероховатости поверхности и устойчивый к изменению освещенности и влажности древесины.
  4. Разработан и реализован алгоритм обработки графической информации для анализа качества изделий из древесины и алгоритм принятия решений об отнесении их к определенному сорту.

Практическая значимость работы

Разработано математическое, информационное, алгоритмическое и программное обеспечение системы управления качеством продукции деревообрабатывающего производства. Предложено оптимальное поле признаков для классификации по сортам.

По результатам математического моделирования подтверждена возможность снижения риска выпуска некачественной продукции путем выбора минимаксной стратегии принятия решений при больших степенях зашумления. Повышение доли корректно классифицируемых по сортам изделий составляет 10%.

Реализация и внедрение результатов работы

На основе предложенных методов программный модуль обработки и получения информации из графических представлений дефектов внедрен в опытно-промышленную эксплуатацию ОАО НПП «ОСТЕРМ СПБ».

Достоверность результатов

Достоверность полученных в диссертационной работе основных сформулированных научных положений и выводов обеспечивается корректностью примененного математического аппарата и используемых методов исследования, их практической реализацией, математической строгостью преобразований при получении доказательств, утверждений и аналитических зависимостей и результатами исследований алгоритмов при помощи тестовой программной системы.

Основные положения, выносимые на защиту

  1. Робастная статистическая модель классификации на основе байесовского классификатора с применением логистической регрессии, границ Колмогорова-Смирнова и минимаксной стратегии принятия решений.
  2. Модифицированная модель классификации с применением крайних точек и петлевой функции потерь.
  3. Алгоритм программной реализации робастной статистической модели классификации.
  4. Алгоритм программной реализации модифицированной модели классификации с применением крайних точек и петлевой функции потерь.
  5. Алгоритм обработки информации для анализа качества поверхности древесины, учитывающий неровности и шероховатости поверхности, и алгоритм анализа пороков древесины.

Апробация работы

Основные научные результаты диссертации докладывались и обсуждались на Международных научно-практических конференциях молодых ученых ”Современные проблемы и перспективы рационального лесопользования в условиях рынка” (СПб ГЛТА, Санкт-Петербург, 10-11 ноября 2009 г.; 10-11 ноября 2010; 10-11 ноября 2011); в работе десятой Международной Научной Школы «Моделирование и Анализ Безопасности и Риска в Сложных Системах (МА БР 2010)» (МБИ, Санкт-Петербург, 6-10 июля, 2010); на XIII и XIV Международных конференциях по мягким вычислениям и измерениям (SCM’2010 и SCM’2011) (СПб ГЭТУ, Санкт-Петербург, 2325 июня 2010 г.; 2325 июня 2011 г.); VII-ой Международной научно-технической конференции «Актуальные проблемы развития лесного комплекса» (ВоГТУ, Вологда, 7 9 декабря 2010 г.); Всероссийской конференции молодых ученых «Интернет: инновационные технологии и инженерные разработки» (СПб НИУ ИТМО, Санкт-Петербург, 13-14 октября, 18 ноября 2011 г.); на ежегодных научно-технических конференциях профессорско-преподавательского состава СПб ГЛТУ имени С.М. Кирова 2010-2012 гг.

Основные научные результаты были представлены на следующих конкурсах: на отборочных этапах конкурса научно-технических проектов на получение номинации на статус "У.М.Н.И.К. (Участник Молодежного Научно-Инновационного Конкурса)" в рамках XIII Международной конференции по мягким вычислениям и измерениям SCM’2010, СПбГЭТУ «ЛЭТИ», 24 июня 2010 г., XIV Международной конференции по мягким вычислениям и измерениям SCM’2011, СПбГЭТУ «ЛЭТИ», 24 июня 2011 г., 9-го Международного симпозиума и выставки по электромагнитной совместимости и электромагнитной экологии, СПбГЭТУ «ЛЭТИ», 16 сентября 2011 г. и на экспертном совете конкурса научно-технических проектов на получение статуса "У.М.Н.И.К.", проводимого Фондом содействия развитию малых форм предприятий в научно-технической сфере, СПб, Фонд ТВН, 5-8 декабря 2011 г. Проект является победителем конкурса "У.М.Н.И.К.".

Также имеются: сертификат победителя в номинации "Молодой предприниматель Санкт-Петербурга " (2 место) программы «Бизнес - для меня!» в рамках мероприятий специальной программы "Вовлечение молодежи в предпринимательскую деятельность" при поддержке Комитета экономического развития, промышленной политики и торговли Правительства Санкт-Петербурга и программы "Открытое небо" 2011 г.; диплом победителя (3 место) от 21.03.2012 конкурса «Лучший молодежный проект в области информационных технологий» в рамках 15-го Московского Международного салона изобретений и инновационных технологий «АРХИМЕД» и II Международного молодежного научно-технического форума «Дорога к звездам» в период с 1 сентября 2011 года по 10 марта 2012 года при поддержке Министерства образования и науки Российской Федерации, Правительства Москвы; диплом победителя (2 место) №71/21НП конкурса на лучшую научную публикацию 2010 г. среди студентов, аспирантов, молодых ученых и специалистов СПб ГЛТА, Санкт-Петербург

Публикации

По теме диссертации опубликовано 19 печатных работ. Из них 3 статьи в журналах, рекомендованных ВАК РФ.

Структура и объём работы

Диссертация состоит из введения, четырёх глав, выводов, списка литературы. Диссертация изложена на 161 странице, включает библиографический список из 110 наименований, 35 рисунков, 13 таблиц.

Содержание работы

Во введении обоснована актуальность рассматриваемой проблемы, сформулированы цели и задачи исследований, представлены объект и предмет исследования, научная новизна, практическая значимость работы, апробация и реализация основных результатов диссертационной работы. Приведены све­дения о структуре и объеме диссертации.

В первой главе проведен краткий обзор деревообрабатывающего производства и его современные проблемы в области повышения уровня оценки качества продукции из древесины.

Разобраны понятия продукции, получаемой в результате процесса распиловки бревен или брусьев, и краткое описание процесса принятия решений по получаемой продукции рабочим. Приведен краткий список всех встречающихся в пиломатериалах групп, видов и разновидностей пороков древесины. Под пороками древесины понимаются недостатки отдельных участков древесины, снижающие её качество и ограничивающие возможность её применения.

Проанализированы основные недостатки современных методов дефектоскопии, препятствующие реализации системы поддержки принятия решений (СППР) или системы принятия решений (СПР) и выбран фотографический метод дефектоскопии как самый оптимальный и обладающий самыми существенными достоинствами по сравнению с остальными методами. В диссертации под СППР понимается система, определяющая и распознающая пороки древесины и их размеры, но предоставляющая человеку принятие решение о сорте продукции, под СПР – система, которая не только распознает пороки древесины, но и принимает решение о качестве продукции без участия человека.

Приведены и проанализированы характеристики современных СППР и СПР, построенных на основе фотографического метода дефектоскопии, и определены причины крайней ограниченности применения этих систем.

Кратко описаны основные методы и алгоритмы устранения главного недостатка фотографического метода дефектоскопии. Недостаток заключается в необходимости обработки и точной сегментации пороков от чистой древесины на получаемых изображениях.

Подробно проанализирована российская нормативно-техническая документация на продукцию из древесины, в результате анализа было выбрано оптимальное поле признаков для обучения СПР корректной классификации.

Приведены наиболее популярные модели машинного обучения, из которых выбрана наиболее подходящая для разрабатываемой СПР модель байесовского классификатора. В ходе анализа был определен присущий этой модели ряд недостатков, устранение которых или уменьшение их влияния решено найти и реализовать во 2 главе.

В конце главы были сформулированы задачи для дальнейшего исследования.

Во второй главе описана разработка математической модели классификации на основе байесовского классификатора.

Задача классификации обычно характеризуется неизвестной функцией плотности вероятности (ФПВ) на множестве обучающей выборки , определяемой векторами примеров с m-признаками и соответствующими им классами . Например, в задаче классификации 1 уровня по порокам вектор имеет следующие признаки для распознавания: морфометрические, цветовые и текстурные. На первом уровне классификации класс будет обозначать разновидность порока. В задаче классификации 2 уровня по сортам продукции вектор имеет следующие признаки для классификации:

1. Изменение пороками физических свойств продукции: цветового тона древесины, чистоты цвета, коэффициента отражения, блеска, влагопоглощения древесины, водопоглощения древесины, газопроницаемости древесины, водопроницаемости древесины.

2. Изменение пороками механических свойств древесины: прочности при продольном сжатии, при поперечном сжатии, при продольном растяжении, при поперечном растяжении, при статическом изгибе, при продольном скалывании, при поперечном скалывании, при перерезании поперек волокон, при статических нагрузках, при ударных нагрузках, при раскалывании, ударной вязкости при изгибе.

Соответственно на втором уровне классификации класс будет обозначать сорт продукции, к которому она относится при данных изменениях физико-механических свойств вследствие имеющихся пороков. Общий вид двухуровневой классификации после обучения можно представить следующим образом (Рис. 1):

Рис. 1. Двухуровневая классификация по порокам и по сортам продукции.

Множество обучающей выборки делится на два подмножества. Первое подмножество, обозначенное как , соответствует точкам с : Второе подмножество, обозначенное как соответствует точкам с : Задача состоит в отыскании решающей функции, значение которой для примера определяет принадлежность этого примера к тому или иному классу .

Одним из подходов к решению задачи является построение дискриминантной функции с параметрами , , определяемыми из обучающих примеров посредством алгоритма классификации. Предполагается, что форма дискриминантной функции – линейная. При заданных обучающих данных задача линейного дискриминантного обучения состоит в минимизации следующего функционала риска с логистической моделью функции потерь:

Здесь функция потерь имеет вид

Предполагается, что ФПВ не известна, но некоторые границы (нижняя и верхняя) для множества соответствующих функций распределения вероятностей (ФРВ) известны. Нижняя и верхняя границы обозначены и соответственно. Тогда

В качестве стратегии принятия решений в диссертации использована минимаксная стратегия, которая рассматривается как некоторая страховка от наихудшей ситуации, т.к. эта стратегия минимизирует ожидаемые потери в наименее благоприятном случае. Минимаксный функционал риска может быть получен из решения задачи оптимизации для и , так как множества и получены независимо

Рассматривая подробно задачи и , было отмечено, что в первом случае функция потерь возрастает, во втором случае функция потерь убывает, поэтому сделан вывод о том, что максимум достигается при распределении , а максимум – при распределении . Учитывая, что совместная вероятность равна , можно записать и , где и – априорные вероятности классов. В соответствии с этим функционал риска имеет вид

Достаточно сложно рассматривать эмпирическую ФРВ вектора случайных величин в рамках непараметрического вывода, поэтому в диссертации были применены эмпирические ФРВ и функции  f, обозначенные как и соответственно. Переписанные верхние границы функционалов риска имеют вид

Одним из путей построения границ для множества распределений вероятностей являются границы Колмогорова-Смирнова. На рис. 2 показан пример построения границ Колмогорова-Смирнова для множества -1 и с числом элементов, равным r=6.

Введены следующие обозначения при применении границ Колмогорова-Смирнова:

v – критическое значение статистики для множества -1 (w – для множества +1);

b –количество скачков (ступенек), вышедших за пределы [0;1] для множества -1 (c – для множества +1); 

r – число элементов для множества -1 (t – для множества +1);

g – проекции точек множества -1 (h – для множества +1);

M – индексное подмножество для множества -1 (N – для множества +1).

Рис. 2. Граничные функции распределения вероятностей для случая y=–1.

В общем случае границы Колмогорова-Смирнова имеют вид

где и .

Для минимаксной стратегии нижняя граничная ФПВ для множества теперь имеет вид

а верхняя граничная ФПВ для множества теперь имеет вид

где (f) – функция Дирака.

Принятый порядок расположения точек и накладывает следующие дополнительные ограничения для ФПВ:

После преобразований получен итоговый функционал риска

Учитывая тот факт, что исходная выборка мала, предлагается также априорные вероятности сделать интервальными. Для этого используется обобщенная модель Дирихле, согласно которой, априорные вероятности и могут быть записаны следующим образом:

Интервалы вероятностей получаются путем их максимизации и минимизации по множеству параметра (0,1). Параметр s характеризует степень осторожности в принятии решений. Чем больше s, тем шире границы интервала вероятностей. В соответствии с этим итоговая целевая функция для вычисления верхней границы для функционала риска переписывается как

Для получения линейных моделей логистическая функция приближается линейной единичной (петлевой функцией) потерь и вводятся новые переменные оптимизации , . В итоге оптимальный вектор параметров , минимизирующий верхнюю границу функционала риска , находится решением задачи линейного программирования

при ограничениях

Задача оптимизации решается для каждой пары подмножеств , которые определяют долю «ненулевых» элементов в -1 и +1 в соответствии с границами Колмогорова-Смирнова.

В диссертации также разработана модель принятия решений на основе миниминной стратегии. Сущность миниминной стратегии заключается в выборе «наилучшего» распределения из множества, которое минимизируют функционалы риска. Если минимаксная стратегия рассматривается как пессимистическая, миниминная является оптимистической стратегией. В получаемой задаче оптимизации функционал риска для миниминной стратегии идентичен функционалу риска для минимаксной стратегии. Различие только в ограничениях.

В результате решения задачи оптимизации вычисляется вектор оптимальных параметров для дискриминантной функции , значение которой и будет в дальнейшем определять сорт распознаваемой продукции деревообрабатывающего производства. Вычисляемый в результате распознавания вектор изменения физико-механических свойств будет подставляться в дискриминантную функцию, где производится вычисление суммы произведений признаков на соответствующие им оптимальные параметры. После обучения система принятия решений для задачи управления качеством может определять сорт продукции деревообработки самостоятельно без участия человека. Роль человека заключается только в обучении системы путем присвоения сорта проходящей по линии продукции из древесины с различным набором пороков.

Приведенная задача оптимизации оказалась достаточно сложной из-за необходимости вычисления большого числа задач оптимизации (для каждой пары ). Это отрицательно сказалось на времени обучения, поэтому в следующей главе было решено оптимизировать модель принятия решений с целью упрощения вычислений.

В третьей главе реализуется модель принятия решений с использованием крайних точек и петлевой функции потерь.  Модель разрабатывалась для уменьшения сложности вычислений путем упрощения целевой функции и сокращения числа ограничений. Для рассмотрения выбрана минимаксная стратегия, так как эта стратегия ближе к реальному процессу производства. Это связано с тем, что необходимо учитывать вариативность пороков и изменчивость условий производства, которые невозможно учесть во время обучения другим способом.

Предполагается, что оптимальные ФРВ для записи верхней границы функционала риска неизвестны. Однако точно известно, что эти ФРВ являются ступенчатыми (скачкообразными), и они имеют скачки в n точках. Пусть T(k, y) – это подмножество индексного множества N(y), состоящего из его произвольных k элементов. Если каждый скачок оптимальной ФРВ (вес оптимальной ФПВ) для данного y имеет размер hi, то могут быть записаны следующие ограничения:

Неравенства могут быть переписаны как следующая система линейных неравенств для каждого y:

В дальнейшем применяется запись h(y) вместо hi, i N(y). Вышеприведенные ограничения создают множество распределений вероятности (y). Оптимальные значения вектора параметров    вычисляются путем минимизации верхней границы по

После введения двух переменных оптимизации

получена следующая задача оптимизации

при ограничениях

Полученная задача оптимизации содержит бесконечно много ограничений, т. е. по одному ограничению для каждого распределения вероятностей h(y) (y). Однако множество распределений может быть рассмотрено как многогранник в конечномерном пространстве. Согласно положениям теории линейного программирования, целевая функция при фиксированных значениях достигает своего максимума в крайней точке многогранника размерности ny. Так как множество ((y)) крайних точек конечно, то это подразумевает, что бесконечное множество ограничений уменьшается до конечного множества. Поэтому, ограничения переписаны как

Следующая задача состоит в том, чтобы найти множество ((y))  крайних точек. Эта задача тоже является сложной, но из формы оптимальных ФРВ или ФПВ известно, что распределение вероятностей h(y) соответствует размерам скачков ФРВ, т.е. у ФРВ есть by – 1  скачков равных нулю, один скачок величиной by/ny  – vy  и ny  – by  скачков равных 1/ny. Сумма всех значений скачков равна 1 – vy . Она не равна 1, так как есть точка для нижней ФРВ или для верхней ФРВ со скачком величиной vy. Однако эта точка не зависит от параметров и может быть удалена из рассмотрения.

После подстановки петлевой функции потерь в переписанные ограничения и введения новых неотрицательных величин i 0 таким образом, что i=1 – yif (xi, ), если 1–yif (xi, ) 0, и i = 0, если  1–yif (xi, ), < 0, получается задача оптимизации с целевой функцией

при ограничениях

В итоге получена только одна задача оптимизации с конечным числом ограничений. Задача является линейной, так как f линейна.

Для иллюстрации отличий моделей на основе стандартного метода (эмпирического распределения) и на основе минимаксной и миниминной стратегий приведены графики зависимости точности классификации от степени зашумления. На рис. 3 представлено сравнение всех трех моделей, на рис. 4 представлено сравнение моделей на основе минимаксной и миниминной стратегий по отношению к эмпирическому распределению.

Рис. 3. Сравнение доли корректного распознавания (ACC)  при разной степени зашумления (). Сплошная линия – модель на основе стандартного метода, линия с маркерами – на основе минимаксной стратегии, пунктирная линия – на основе миниминной стратегии.

В результате сравнения доли распознавания при степени зашумления 0,35 минимаксная стратегия была хуже стандартного метода, но при > 0,35, минимаксная стратегия стала показывать больший процент распознавания. Таким образом, модель на основе минимаксной стратегии больше подходит для применения в условиях деревообрабатывающей промышленности.

Рис. 4. Сравнение моделей на основе минимаксной стратегии и миниминной стратегии по отношению к модели на основе стандартного метода (D). Толстая линия – на основе минимаксной стратегии, тонкая линия – на основе миниминной стратегии.

В четвертой главе рассмотрена практическая реализация системы принятия решений для задачи управления качеством продукции. В составе разрабатываемой системы предусмотрено применение следующих датчиков (рис. 5):

  1. Промышленные видеокамеры (сканеры). Являются самым важным компонентом СПР. На рис. 5 показаны следующие датчики: 1 и 2 – для фотографирования пластевой части пиломатериала (до и после переворачивания изделия), 3 и 4 – для фотографирования кромочной части пиломатериала. В некоторых системах управления возможно использование web-камер с высоким разрешением.
  2. Датчики размеров 5-8 для измерения деформации (покоробленности) продукции, обзола, выпавших сучков, при высокой чувствительности датчики могут детектировать трещины. Необходимы для определения размера и вычисления соотношения количества пикселей на единицу длины. Вместо датчиков размеров возможно использование видеокамер.

Рис. 5. Фрагмент упрощенной схемы модернизации участка сортировки пиломатериалов с переворотным механизмом для досок.

  1. Датчики движения (положения) 9 и 10 необходимы для определения момента фотографирования поверхности древесины. Эти датчики могут быть представлены парой фотодиод-светодиод, или их функцию может взять на себя один из группы датчиков измерения размеров 5-8.
  2. Влагомер 14 не является важным компонентом системы, но может использоваться для определения значения порога бинаризации изображения из зависимости порог-влажность для определения породы древесины.
  3. Датчики освещения (яркомеры или люксметры) 12-13 также не являются важным компонентом системы, но могут быть использованы для определения значения порога бинаризации изображения из зависимости порог-освещенность. Учитывая сказанное в пункте 4, получается трехмерная функция зависимости значения порога от влажности и освещенности. В качестве датчика освещения может использоваться видеодатчик, сравнивающий цвет контрольной ленты белого цвета с цветом заложенного цифрового изображения этой ленты.
  4. Плотномер (или весы). С помощью датчика плотности (или данных с датчиков веса 11 и геометрических размеров) можно получить среднее значение плотности изделия из древесины. Исходя из плотности и текстурных признаков древесины, можно определить породу древесины для загрузки из базы данных о пороках, характерных именно для этой породы. Возможно использование только текстурных признаков.
  5. Дополнительно на рисунке представлены: переворачивающее устройство 15 и сметающие ролики для удаления с поверхности древесины мелкого сора и опилок после технологических операций.

Исходя из вышесказанного, в системе принятия решений могут быть использованы только сканеры, но необходим особый программный алгоритм системы. Поэтому разработан общий алгоритм системы принятия решений (рис. 6), в котором особое внимание уделено реализации алгоритма захвата, обработки и сегментации изображения. В связи с тем, что на точность сегментации сказывалось наличие на изображении шероховатости поверхности, в частности мшистости и ворсистости, в алгоритм включено вычисление энтропии интенсивностей элементов локальной окрестности цветного изображения.

Рис. 6. Обобщенный алгоритм системы управления качеством.

Блок «Ввод породы древесины» для загрузки базы данных о пороках соответствующей породы предусматривает ввод значения породы древесины вручную или автоматическое определение системой по значениям плотности и характеристики текстуры, получаемой при обработке изображения.

Блок «Захват изображения» осуществляет захват видеоизображения (запись данных) и непосредственный доступ к фреймам изображений, взятых из исходных видеообъектов.

Блок «Обработка изображений» может включать уменьшение цветного полноцветного изображения для оптимизации расчетов, перевод из одной цветовой системы в другую (например, из YCbCr в RGB), и перевод цветного полноцветного изображения в полутоновое.

После необходимых операций обработки можно приступать к сегментации изображения. После перевода изображения в полутоновое оно обрабатывается с помощью операции эрозии (утончения) со структурным элементом типа «диск». Выполняется морфологическая реконструкция исходного изображения под маскирующее изображение, полученное с помощью эрозии. Увеличивается контрастность изображения для лучшего разделения здоровой поверхности и пороков. Далее изображение бинаризуется по методу Отса. Полученное изображение не учитывает шероховатость поверхности, которая сливается с остальными пороками. Одной из ключевых операций является вычисление энтропии интенсивностей элементов локальной окрестности цветного изображения. Участки изображения, на которых находится шероховатость на полученном изображении, будут выделены желтым (в случае полутонового изображения - более светлым) цветом. После сегментации изображения по желтому цвету, получены области нахождения участков с шероховатостью, которые удаляются из бинаризованного изображения. Описанный алгоритм позволяет проводить сегментацию вне зависимости от влажности древесины и ее освещенности.

В блоке «Фильтрация малых пороков» реализовано удаление объектов, чьи линейные размеры (длина, ширина, диаметр) или площадь меньше пороговых или подсчет их числа на определенной площади с последующим удалением в случае неравномерности их распределения.  (Ограничение по неравномерности необходимо для обнаружения таких пороков, как синева, состоящей из отдельно отстоящих друг от друга небольших пятен):

В блоке «Подсчет количества пороков» происходит не только подсчет пороков, но и расчет их основных признаков для распознавания. Распознавание пороков производится по входному вектору со следующими признаками:

1. Морфометрические признаки: коэффициент выпуклости; коэффициент заполнения; эксцентриситет эллипса с главными осями инерции объекта.

2. Цветовые составляющие пороков: начальные и конечные значения гистограмм R-составляющей (красной); G-составляющей (зеленой); B-составляющей (синей).

3. Текстурные признаки: среднее значение; стандартное отклонение; гладкость; третий момент относительно статистического среднего; степень однородности яркости; энтропия.

В результате определения порока определяются его размеры в зависимости от его разновидности, и на основании этого вычисляется вектор изменений физико-механических свойств продукции из базы данных. Разрабатываемая система имеет двухуровневую классификацию, где на каждом уровне используются разработанные модели классификации.

Выводы

  1. Выполнен анализ нормативно-технической документации, который показал, что наилучшим решением сокращения пространства признаков для модели принятия решений в задаче управления качеством является использование классификации пороков древесины по Лакатошу, которая основана на изменении физико-механических свойств древесины вследствие наличия определенного порока. Определены зависимости изменения физико-механических свойств от разновидности порока.
  2. Разработана новая робастная статистическая модель принятия решений для задачи управления качеством изделий из древесины, основой которой является использование множества распределений вероятностей, заданное границами Колмогорова-Смирнова, нечеткая модель Дирихле и две стратегии принятия решений: пессимистическая (минимаксная) и оптимистическая (миниминная) стратегии.
  3. Разработана модифицированная модель принятия решений с применением крайних точек, минимаксной стратегии принятия и петлевой функции потерь. Cравнение результатов исследований моделей на основе эмпирического распределения, минимаксной и миниминной стратегии показало, что при больших степенях зашумления входной информации модифицированная модель показывает лучшие результаты классификации по сравнению с моделью на основе эмпирического распределения.
  4. Разработан алгоритм сегментации изображений поверхности древесины, позволяющий отделять неровность и шероховатости древесины от других пороков и не зависящий от изменений влажности древесины и ее освещенности.
  5. Разработан общий алгоритм построения системы принятия решений для задачи управления качеством с двухуровневой классификацией по порокам и сортам.

Основные публикации по теме диссертации

В изданиях, рекомендованных ВАК:

  1. Уткин Л.В., Илющенко В.В. Определение оптимальных функций плотностей распределения вероятностей в задаче классификации с использованием границ Колмогорова-Смирнова//Известия Санкт-Петербургской лесотехнической академии. — СПб: СПбГЛТУ, 2011. № 195, 190-200 c.
  2. Уткин Л.В., Илющенко В.В. Робастные статистические модели классификации: Минимаксная стратегия при логистической и петлевой функциях потерь//Известия Санкт-Петербургской лесотехнической академии — СПб: СПбГЛТУ, 2011. № 197, c. 212-222
  3. Илющенко В.В., Спесивцев А.В., Вагин А.В. Снижение рисковых ситуаций в системах идентификации границ изображений объектов на поверхности методами текстурного анализа//Проблемы управления рисками в техносфере. № 4 (20). - СПб.: СПб УГПС 2011. 44-51 c.

В других изданиях:

  1. Филимонов Б.А., Илющенко В.В. Автоматизация линий упаковки готовой продукции. Межвузовской сборник научных трудов «Машины и аппараты целлюлозно-бумажного производства». — СПб: СПбГТУРП 2007. — 35-38 с.
  2. Втюрин В.А., Терентьев И.В., Илющенко В. В. Моделирование процесса сортировки пиломатериалов с помощью изображений. Системный анализ в проектировании и управлении. Сборник научных трудов XIII Международной научно-практической конференции. Часть 2. — СПб: Издательство СПбГПУ, 2009 г. — 287-288 с.
  3. Илющенко В.В. Автоматизация линий сортировки пиломатериалов на основе нейронных сетей в среде MATLAB. SCM’2009. XII Международная конференция по мягким вычислениям и измерениям. Сборник докладов. Том 1. — СПб: Издательство СПбГЭТУ «ЛЭТИ», 2009 г. — 235-238 с.
  4. Илющенко В.В. Принятие решений при распознавании дефектов пиломатериалов с помощью искусственных нейронных сетей. Сборник материалов Международной научно-практической конференции молодых ученых и специалистов: «Современные проблемы и перспективы рационального лесопользования условия рынка» 10-11 ноября 2009. Под ред. авторов. — СПб: СПбГЛТА, 2010. — 141-144.
  5. Уткин Л.В., Илющенко В.В. Критерии выбора обучающих примеров для искусственных нейронных сетей при распознавании дефектов древесины. Материалы международной научно-технической конференции: «Актуальные проблемы развития лесного комплекса». — Вологда: ВоГТУ, 2010. — 149-152 с.
  6. Илющенко В.В. Современные методы дефектоскопии пиломатериалов. Леспроминформ № 1 (67). СПб: Премиум-пресс, 2010. — 142-145 с.
  7. Уткин Л.В., Жук Ю.А., Илющенко В.В. Класс регрессионных моделей с использованием множества распределений Парето. Межвузовский сборник научно-технических статей: «Информационные системы  и технологии» №1(2). — СПб: Издательсво «ПарКом», 2010 — 129-137 с.
  8. Илющенко В.В. Определение границ дефектов пиломатериалов и сравнение двух методов распознавания этих границ с помощью среды MATLAB. SCM’2010. XIII Международная конференция по мягким вычислениям и измерениям. Сборник докладов. Том 1. — СПб: Издательство СПбГЭТУ «ЛЭТИ» 2010 г. — 130-133 с.
  9. Уткин Л.В., Илющенко В.В. Рисковые ситуации в задаче определения границ дефектов пиломатериалов. Труды международной научной школы МА БР-2010: «Моделирование и анализ безопасности и риска в сложных системах». — СПб: ГУАП 2010. — 507-509 с.
  10. Илющенко В.В. Системы распознавания в деревообработке. Способы автоматизации производственных линий и принципы программной обработки сигналов. Сборник материалов Международной научно-практической конференции молодых ученых и специалистов: «Современные проблемы и перспективы рационального лесопользования условия рынка» 10-11 ноября 2010. Под ред. авторов. — СПб: СПбГЛТА, 2010. — 156-160 с.
  11. Гоголевский А.С., Илющенко В.В. Анализ методов линейной классификации при ограниченной обучающей выборке применительно к задачам лесного комплекса. Материалы пятой международной научно-практической интернет-конференции «Леса России в XXI веке». Октябрь 2010. Под ред. авторов. — СПб: СПбГЛТА, 2010. — 37-41 с.
  12. Илющенко В.В., Гоголевский А.С. Выбор метода линейной классификации при ограниченной обучающей выборке применительно к задачам лесного комплекса. Материалы пятой международной научно-практической интернет-конференции «Леса России в XXI веке». Октябрь 2010. Под ред. авторов. — СПб: СПбГЛТА, 2010. — 45-49 с.
  13. Илющенко В.В. Распознавание границ дефектов на поверхности пиломатериала. Информационные системы и технологии: теория и практика. Сборник научных трудов. Выпуск 3, часть 1. Отв. ред. Заяц А.М. — СПб: СПбГЛТА, 2011. — 63-66 с.
  14. Илющенко В. В., Уткин Л. В. Анализ признаков сортообразующих дефектов для обучающейся системы автоматической сортировки.: «Актуальные проблемы развития лесного комплекса: Материалы международной научно-технической конференции. — Вологда: ВоГТУ, 2011. — 75-77 с.
  15. Илющенко В.В. Интервальные статистические модели классификации. Минимаксная стратегия для выбора оптимальной условной плотности. SCM’2011. XIV Международная конференция по мягким вычислениям и измерениям. Сборник докладов. Том 1. — СПб: Издательство СПбГЭТУ «ЛЭТИ» 2011 г. — 218-221 с.
  16. Илющенко В.В. Система комплексной автоматизации линий сортировки с функцией обучения. Тезисы докладов Всероссийской конференции молодых ученых "Интернет: инновационные технологии и инженерные разработки" Санкт-Петербург, 13-14 октября 2011 г. — СПб: НИУ ИТМО ООО «МПСС», 2012. — 65-69 c.



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.