Shade Recognition of the Color Label Based on the Fuzzy Clustering

Cover Page

Cite item

Full Text

Abstract

In this article the task of determining the current position of pneumatic actuators is considered. The solution to the given task is achieved by using a technical vision system that allows to apply the fuzzy clustering method to determine in real time the center coordinates and the displacement position of a color label located on the mechatronic complex actuators. The objective of this work is to improve the accuracy of the moving actuator’s of mechatronic complex by improving the accuracy of the color label recognition. The intellectualization of process of the color shade recognition is based on fuzzy clustering. First, a fuzzy model is built, that allows depending on the input parameters of the color intensity for each of the RGB channels and the color tone component, to select a certain color in the image. After that, the color image is binarized and noise is suppressed. The authors used two defuzzification models during simulation a fuzzy system: one is based on the center of gravity method (CoG) and the other is based on the method of area ratio (MAR). The model is implemented based on the method of area ratio and allows to remove the dead zones that are present in the center of gravity model. The method of area ratio determines the location of the color label in the image frame. Subsequently, when the actuator is moved longitudinally, the vision system determines the location of the color label in the new frame. The color label position offset between the source and target images allows to determine the moved distance of the color label. In order to study  how noise affects recognition accuracy, the following digital filters were used: median, Gaussian, matrix and binomial. Analysis of the accuracy of these filters showed that the best result was obtained when using a Gaussian filter. The estimation was based on the signal-to-noise coefficient. The mathematical models of fuzzy clustering of color label recognition were simulated in the Matlab/Simulink environment. Experimental studies of technical vision system performance with the proposed fuzzy clustering model were carried out on a pneumatic mechatronic complex that performs processing, moving and storing of details. During the experiments, a color label was placed on the cylinder, after which the cylinder moved along the guides in the longitudinal direction. During the movement, video recording and image recognition were performed. To determine the accuracy of color label recognition, the PSNR and RMSE coefficients were calculated which were equal 38.21 and 3.14, respectively. The accuracy of determining the displacement based on the developed model for recognizing color labels was equal 99.7%. The defuzzifier speed has increased to 590 ns.

About the authors

M. V Bobyr

Southwest State University (SWSU)

Email: fregat_mn@rambler.ru
50 let Oktyabrya str. 94

A. E Arkhipov

Southwest State University

Email: alex.76_09@mail.ru
50 years of October str. 94

A. S Yakushev

Southwest State University

Email: alekseyakushev@yandex.ru
50 years of October str. 94

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

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».