Распознавание оттенка цветовой метки на основе нечёткой кластеризации

Обложка

Цитировать

Полный текст

Аннотация

Рассматривается задача определения текущего положения пневматических исполнительных механизмов. Решение поставленной задачи достигается введением системы технического зрения, позволяющей на основе метода нечеткой кластеризации определять в режиме реального времени координаты центра цветовой метки, установленной на исполнительных механизмах мехатронного комплекса и позицию её смещения. Целью работы является повышение точности распознавания цветовой метки для прецизионного позиционирования исполнительных механизмов мехатронного комплекса и повышение быстродействия дефаззификатора за счет распараллеливания вычислительных процедур в нем. Интеллектуализация процесса распознавания цветового оттенка производится на основе нечёткой кластеризации. Сначала строится нечеткая модель, позволяющая в зависимости от входных параметров интенсивности цвета по каждому из каналов RGB и составляющей цветового тона выделять на изображении заданный цвет. Затем осуществляется бинаризация цветного изображения и подавление шумов. При моделировании нечеткой системы авторами были применены две модели дефаззификации: на основе метода центра тяжести и на основе отношения площадей. Модель, реализованная на основе метода отношения площадей, позволяет убрать зоны нечувствительности, которые присутствуют в модели центра тяжести. Метод на основе отношения площадей определяет принадлежность пикселей к заданному цветовому тону, и после этого расположение цветовой метки в кадре изображения определяется на основе определения центра тяжести распознанных пикселей цветовой метки. В последующем, при перемещении исполнительного механизма в продольном направлении, система технического зрения определяет расположение цветовой метки в новом кадре. Разность положений цветовой метки на исходном и текущем изображениях позволяет определить расстояние смещения цветовой метки. С целью исследования влияния шума на точность распознавания были использованы цифровые фильтры: медианный, Гауссовский, матричный и биноминальный. Анализ точности данных фильтров показал, что лучший результат получен при использовании Гауссовского фильтра. Оценка производилась на основе показателя сигнал-шум. Реализация математической модели распознавания цветовой метки выполнена в среде Matlab/Simulink. Экспериментальные исследования работоспособности системы технического зрения с предложенной нечёткой моделью кластеризации проводились на пневматическом мехатронном комплексе. В ходе экспериментов на корпусе цилиндра закреплялась цветовая метка, после чего цилиндр перемещался по направляющим в продольном направлении. В процессе перемещения выполнялась видеофиксация и распознавание изображений. Для определения точности распознавания цветовой метки рассчитаны коэффициенты PSNR и RMSE, которые составили 38,21 и 3,14 соответственно. Точность определения смещения на основе разработанной модели распознавания цветовых меток достигла 99,7%. Быстродействие дефаззификатора увеличилось до 590 нс.

Об авторах

М. В Бобырь

Юго-Западный государственный университет (ЮЗГУ)

Email: fregat_mn@rambler.ru
50 лет Октября 94

А. Е Архипов

Юго-Западный государственный университет

Email: alex.76_09@mail.ru
50 лет Октября 94

А. С Якушев

Юго-Западный государственный университет

Email: alekseyakushev@yandex.ru
50 лет Октября 94

Список литературы

  1. Иванько Д.В., Карпов А.А. Анализ перспектив применения высокоскоростных камер для распознавания динамической видеоинформации // Труды СПИИРАН. 2016. № 44. С. 98–113.
  2. Чиров Д.С., Чертова О.Г., Потапчук Т.Н. Методика обоснования требований к системе технического зрения робототехнического комплекса // Труды СПИИРАН. 2017. № 51. C. 152–176.
  3. Шапиро Л., Стокман Дж. Компьютерное зрение. / Бином. 2006. 752 с.
  4. Boguslavsky A.A., Sokolov S.M. The real time Vision System for small-sized target tracking // Int. J. Computing Science and Mathematics. 2007. vol. 1. no. 1. pp. 115–127.
  5. J. Chaki, N. Dey, L. Moraru, F. Shi Fragmented plant leaf recognition: Bag-of-features, fuzzy-color and edge-texture histogram descriptors with multi-layer per-ceptron, Optik. 2019. vol. 181. pp. 639–650. doi: 10.1016/j.ijleo.2018.12.107.
  6. R. Boukezzoula, D. Coquin, T. L. Nguyen, S. Perrin Multi-sensor information fusion: Combination of fuzzy systems and evidence theory approaches in color recognition for the NAO humanoid robot, Robotics and Autonomous Systems. 2018. vol. 100. pp. 302–316. doi: 10.1016/j.robot.2017.12.002.
  7. Y.-K. Kim, K.-W. Kim, X. Yang Real time traffic light recognition system for color vision deficiencies, in: ICMA IEEE International Conference in Mechatronics and Automation, 2007. pp. 76–81.
  8. T.L. Nguyen, R. Boukezzoula, D. Coquin, S. Perrin Color recognition for NAO robot usingsugeno fuzzy system and evidence theory,in: 16thWorldCongress IFSA, EUSFLAT. 2015. pp. 1176–1183.
  9. Тимофеев А.В., Косовская Т.М. Нейросетевые методы логического описания и распознавания сложных образов // Труды СПИИРАН. 2013. № 27. С. 144–155.
  10. Пушкарский С.В., Корнейчук Е.Ю., Виноградов И.И. Нейротехнологический подход к автоматизированному распознаванию наземных объектов по данным космических систем дистанционного зондирования земли // Труды СПИИРАН. 2013. № 29. С. 190–200.
  11. Wang, X. Image recognition of English vocabulary translation based on FPGA high-performance algorithm. Microprocessors and Microsystems, vol. 80. doi: 10.1016/j.micpro.2020.103542.
  12. Yu, L., Xiong, J., Fang, X., Yang, Z., Chen, Y., Lin, X., & Chen, S. A litchi fruit recognition method in a natural environment using RGB-D images. Biosystems Engineering. 2021. vol. 204. pp. 50–63. doi: 10.1016/j.biosystemseng.2021.01.015.
  13. Jeffrey Kuo, C.-F., Peng, K.-C., Wu, H.-C., & Wang, C.-C. Automated inspection of micro-defect recognition system for color filter. Optics and Lasers in Engineering. 2015. vol. 70. pp. 6–17. doi: 10.1016/j.optlaseng.2015.01.009.
  14. Fu, J., Caulfield, H. J., Yoo, S.-M., & Atluri, V. Use of Artificial Color filtering to improve iris recognition and searching. Pattern Recognition Letters. 2015. vol. 26. no. 14. pp. 2244–2251. doi: 10.1016/j.patrec.2005.03.032.
  15. Gecer, B., Azzopardi, G., & Petkov, N. Color-blob-based COSFIRE filters for ob-ject recognition. Image and Vision Computing. 2017. vol. 57. pp. 165–174. doi: 10.1016/j.imavis.2016.10.006.
  16. E. Rosten, T. Drummond Fusing points and lines for high performance tracking // IEEE International Conference on Computer Vision 2. vol. 2. pp. 1508 - 1515. doi: 10.1109/ICCV.2005.104.
  17. E. Rosten, T. Drummond, R. Porter FASTER and better: a machine learning ap-proach to corner detection // IEEE Transactions on Software Engineering 32(1):105-19. doi: 10.1109/TPAMI.2008.275.
  18. Пегат А. Нечеткое моделирование и управление пер. с англ.// М.:БИНОМ. 2013. 798с.
  19. Bobyr M.V., Milostnaya N.A., Kulabuhov S.A. А method of defuzzification based on the approach of areas' ratio // Applied Soft Computing. 2017. vol. 59. pp. 19–32 doi: 10.1016/j.asoc.2017.05.040.
  20. Bobyr M.V., Emelyanov S.G. А A nonlinear method of learning neuro-fuzzy mod-els for dynamic control systems // Applied Soft Computing. 2020. vol. 88. 106030. doi: 10.1016/j.asoc.2019.106030.
  21. Устройство дефаззификации на основе метода отношения площадей: пат. 2701841 Рос. Федерация № 2018144147; заявл. 13.12.2018; 01.10.2019. 16 с.
  22. Bobyr M.V., Yakushev A.S., Milostnaya N.A. Three-coordinate Definition of Color Mark and Distance To Objects According to Strereo Image // 3rd School on Dynamics of Complex Networks and Their Application in Intellectual Robotics (DCNAIR). 2019. doi: 10.1109/dcnair.2019.8875548
  23. Bobyr M.V., Yakushev A.S., Dorodnykh A.A. Fuzzy devices for cooling the cutting tool of the CNC machine implemented on FPGA. Measurement. 2020. vol. 152. pp. 107378. doi: 10.1016/j.measurement.2019.107378.
  24. Borges R.E.P., Dias M.A.G., Dória Neto A.D., Meier A. Fuzzy pay-off method for real options: The center of gravity approach with application in oilfield abandonment. // Fuzzy Sets and Systems. 2018. vol. 353. pp. 111–123. doi: 10.1016/j.fss.2018.03.008
  25. Sain, D., Mohan, B. M.. Modeling, simulation and experimental realization of a new nonlinear fuzzy PID controller using Center of Gravity defuzzification. ISA Transactions. 2020. doi: 10.1016/j.isatra.2020.10.048
  26. Karakuzu, C., Karakaya, F., Pavuslu, M.A. FPGA implementation of neuro-fuzzy system with improved PSO learning, Neural Networks 79 (2016). 128–140. doi: 10.1016/j.neunet.2016.02.004.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».