АННОТАЦИЯ 2
ВВЕДЕНИЕ 7
1 ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ 8
1.1 Системы технического зрения и их применение 8
1.2 Методы распознавания объектов, обзор и анализ некоторых
существующих методов 10
1.2.1 Метод сравнения с эталоном 13
1.2.2 Байесовский подход 23
1.2.3 Структурно-лингвистические (синтаксические) методы 25
1.2.4 Точечные методы 27
1.2.5 Нейронные сети 28
1.3 Общие положения способов представления изображений 30
3.3.1 Низкоуровневые 31
3.3.2 Контурные 33
3.3.3 Признаковые 34
1.4 Алгоритмы извлечения признаков на изображениях 34
3.4.1 Требования, предъявляемые к формированию признаков
изображения 34
3.4.2 Основные виды признаков изображения 35
3.4.3 Методы извлечения точечных признаков 37
2 ПРОЕКТИРОВАНИЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
ТЕХНИЧЕСКОГО ЗРЕНИЯ 47
2.1 Выбор программных средств реализации поставленной задачи 47
2.1.1 Выбор конкретных алгоритмов для решения поставленной задачи 49
2.2 Реализация алгоритмов, позволяющих решить поставленную задачу 50
2.2.1 Общий алгоритм для решения поставленной задачи 50
2.2.2 Алгоритм классификации входных изображений 52
2.2.3 Вычисление точек изображения методом SURF 54
2.3 Проектирование структуры проекта программного обеспечения 55
2.3.1 Разработка базы данных для эталонных изображений 55
2.3.2 Предобработка эталонных изображений 56
2.3.3 Программная архитектура системы технического зрения 56
3 ОПИСАНИЕ РАБОТЫ ПРОГРАММЫ 58
Т естирование программы в различных условиях 61
3.2 Комментарии к полученным результатам 62
ЗАКЛЮЧЕНИЕ 64
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 65
ПРИЛОЖЕНИЯ
ПРИЛОЖЕНИЕ А. ИСХОДНЫЙ КОД ПРОГРАММЫ 66
Выбор темы работы, как и ее актуальность можно обосновать все более широким и повсеместным применения систем технического зрения (СТЗ) в современной промышленности, наличии возможностей для оптимизации рутинных процессов, связанных с распознаванием и классификацией образов.
Главным и наиболее распространенным применением СТЗ можно назвать инспекцию и контроль промышленных товаров на финальной стадии производства - поиск брака, недостающих объектов и пр. Так же среди применений СТЗ можно перечислить - сканирование и распознавание штрихкодов, серийных номеров и.т.п., подсчет объектов на конвейере, возможно использование в системах навигации и наведения.
Ранее эту работу выполняли люди, осматривая продукцию и делая соответствующие выводы. Теперь же для этого системами технического зрения используются цифровые камеры, получающие изображения и программные продукты, обрабатывающие изображения.
Преимущества автоматизированных систем:
• Возможность функционирования 24 часа в сутки
• Возможность использования в тяжелых и вредных для человека условиях
• Отсутствие ошибок в виду человеческих факторов (невнимательности, халатности и пр.)
Недостатком можно назвать отсутствие “гибкости” человеческого мышления и быстрой обучаемости.
Теоретическая значимость работы заключается в изучении методов распознавания изображений, практическая - в применении разработанного программного обеспечения для распознавания и подсчета количества деталей на конкретном полученном извне изображении.
Объектом исследования выпускной квалификационной работы являются методы и способы распознавания изображений.
Предметом исследования является программная реализация методов распознавания изображений.
Целью работы является повышение эффективности производства за счет применения разработанного проекта программного обеспечения.
Перечислим основные задачи работы:
1. Анализ структуры изображения в цифровом виде
2. Анализ методов и алгоритмов распознавания объектов
3. Разработка алгоритмов работы программы
4. Разработка и тестирование программного обеспечения
В работе проведен обзор и анализ существующих алгоритмов извлечения признаков и распознавания изображений, в ходе которого выявлены их достоинства и недостатки, а также определены области их применения. Кроме того, проанализированы возможности для реализации алгоритмов распознавания изображений на практике, с учетом которых реализован алгоритм SURF и алгоритм сравнения с эталоном.
Полученное программное решение удовлетворяет основным требованиям инвариантности для решения практических задач. Проведено тестирование в различных условиях - без помех успешно распознано и классифицировано 92% от предложенных объектов, с помехами - 68%. Наилучший результат получен в опыте с использованием снимка высокого разрешения при равномерном освещении и монотонной равномерной поверхности, на которой находились тестовые объекты.
Вопросы устойчивости к некоторым аффинным преобразованиям и распознавания объектов на сильно зашумленных изображениях остаются открытыми. Работа со снимками, имеющими недостаточно высокое качество, возможна после предварительной обработки изображений.
Все поставленные задачи решены, а цель работы достигнута. Практическая значимость исследования заключается в возможности использования разработанного программного обеспечения на производстве.
