ВВЕДЕНИЕ 4
Глава 1. Методы предобработки объектов по двумерным изображениям 8
1.1. Понятие компьютерного зрения 8
1.2 Понятие изображения 9
1.3 Улучшение изображения или цифровая обработка 13
1.3.1 Фильтрация шумов 14
1.3.3 Бинаризация изображения 21
1.4 Масштабирование 23
1.5 Сегментация 25
1.6 Распознавание 29
1.7 Заключение к первой главе 30
Глава 2. Анализ предметной области распознавания микропараметров
клеточной структуры годичных колец хвойных деревьев 31
2.1 Параметры объекта распознавания 31
2.2. Выявление проблемы измерений микропараметров клеточной структуры
хвойных деревьев 33
2.3. Поиск литературы по теме магистерской диссертации 36
2.4. Научные труды по теме магистерской диссертации 37
2.5. Обзор существующих программных комплексов для определения
параметров годичных колец 39
2.6 Заключение ко второй главе 42
Глава 3. Тестирование разработанного программного продукта и сравнительный анализ полученных результатов с контрольными 44
3.1. Выбор экспериментальных данных 44
3.2. Загрузка изображения 46
3.2. Нахождение порога для изображения методом Оцу 48
3.3. Выделение идеального ряда 52
3.4. Распознавание параметров 54
3.5 Тестирование алгоритма 55
3.5.1 Анализ образцов кедра 56
3.5.2 Анализ образцов лиственницы 60
3.5.3 Анализ образцов пихты 64
3.5.4 Результаты тестирования системы 68
3.5.5 Недостатки алгоритма 69
3.6 Заключение к третьей главе 72
ЗАКЛЮЧЕНИЕ 73
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 74

Купить

В настоящее время задача автоматического распознавания и подсчета объектов с использованием машинного зрения является актуальной и востребованной. Ее решение способно автоматизировать труд человека и повысить производительность. Видеонаблюдение, регулирование движения транспорта, контроль качества деталей на конвейере, дендрология, оценка численности животных — вот далеко не полный перечень областей человеческой деятельности, где необходимо решение данной задачиСистемы машинного зрения широко используются в промышленности как для ав¬томатизации процессов, повышения производительности, так и для повышения качества выпускаемых изделий.
Машинное зрение позволяет решать множество задач, но все их условно можно разделить на четыре группы
• Распознавание положения. Цель машинного зрения в данном применении — определение пространственного местоположения (местоположения объекта относительно внешней системы координат) или статического положения объекта (в каком положении находится объект относительно системы координат с началом отсчета в пределах самого объекта) и передача информации о положении и ориентации объекта в систему управления или контроллер. Примером такого приложения может служить погрузочно-разгрузочный робот, перед которым стоит задача перемещения объектов различной формы из бункера. Интеллектуальная задача машинного зрения заключается, например, в определении оптимальной базовой системы координат и ее центра для локализации центра тяжести детали. Полученная информация позволяет роботу захватить деталь должным образом и переместить ее в надлежащее место.
• Измерение. В приложениях данного типа основная задача видеокамеры заключается в измерении различных физических параметров объекта.
Примером физических параметров может служить линейный размер, диаметр, кривизна, площадь, высота и количество. Пример реализации данной задачи — измерение различных диаметров горлышка стеклянной бутылки.
• Инспекция. В приложениях, связанных с инспекцией, цель машинного зрения подтвердить определенные свойства, например, наличие или отсутствие этикетки на бутылке, болтов для проведения операции сборки, шоколадных конфет в коробке или наличие различных дефектов.
• Идентификация. В задачах идентификации основное назначение видеокамеры — считывание различных кодов (штрих-кодов,2Д-кодов и т. п.) с целью их распознавания средствами камеры или системным контроллером, а также определение различных буквенно-цифровых обозначений. Одним из примеров такого приложения может служить считывание кода даты для отбраковки просроченных продуктов в пищевой промышленности.
В настоящее время в дендрохронологии для моделирования и анализа данных используется достаточно широкий спектр аппаратно-программных средств. Использование программных средств зависит от задач исследования. Это может быть статистическая обработка первичных данных замеров характеристик прироста и получение надёжных обобщённых данных, сопоставление характеристик прироста с факторами внешней среды, моделирование процессов роста, изучение пространственного распределения характеристик прироста и визуализация результатов анализа.
Актуальность выбранной темы состоит в том, для текущих исследований, в области дендрохронологии требуется высокая скорость получения данных, при минимальной потере качества, а в настоящий момент времени большинство дендрологовполучают данные для исследований практически ручным способом. Сбор данных осуществляется специалистами, имеющими глубокие знания в данной предметной области. Так же требуется большое количество времени, чтобы подготовить специалиста, чьи измерения будут иметь систематичный характер и смогут использоваться в научной
деятельности. Обычно обучение длится от одного до двух лет. В то же время существующие программные разработки либо предполагают полуавтоматический способ измерений, что мало отличается от полностью ручного, либо объявляют большие требования к качеству снимков, так как являются неустойчивыми к природным дефектам клеточной структуры,а скорость и объем данных, получаемых при ручной обработке, крайне малы.
Объект исследования - технологии оценки пространственных свойств объектов по двумерным изображениям.
Предмет исследования - анализ распознавания микропараметров клеточной структуры годичных колец хвойных деревьев, на основе технологий предобработки, фильтрации, сегментации и извлечения данных из двухмерного изображения с использованием машинного зрения.
Цель: разработка информационной системы анализа распознавания микропараметров клеточной структуры годичных колец хвойных деревьев.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Исследование и сравнение методовпредобработки двумерных изображений;
2. Анализ предметной области распознавания микропараметров клеточной структуры годичных колец хвойных деревьев;
3. Реализация анализа распознавания микропараметров клеточной структуры годичных колец хвойных деревьев;
4. Тестированиеразработанной «Информационной системы анализа распознавания микропараметров клеточной структуры годичных колец хвойных деревьев»;
5. Анализ результатов.
Купить