ГЛАВА 1. Обзор методов для распознавания изображения 7
1.1. Распознавание изображений 7
1.2. Метод на основе конвертации изображения и преобразования HSV. . 8
1.3. Метод с использованием нейронной сети 12
Вывод к Главе 1 17
ГЛАВА 2. Проектирование системы распознавания 18
2.1. Особенности сферы применения 18
2.2. Функциональные требования к системе 21
2.3. Технические требования к системе 21
2.4. Выбор языка программирования для реализации методов 22
2.5. Выбор нейронной сети 25
2.6. Алгоритм распознавания номеров для проектируемой системы 28
Вывод к Главе 2 30
ГЛАВА 3. Основные этапы реализации системы распознавания 31
3.1. Реализация механизма обнаружения контуров с номерами вагонов 31
3.2. Реализация метода на основе конвертации изображения и
преобразования HSV 33
3.2.1. Конвертация изображения в HSV 33
3.2.2. Наложение маски для унификации цвета 34
3.2.3. Распознавание с помощью Tesseract OCR 35
3.3. Реализация метода на основе нейронной сети 36
3.4. Производительность 38
3.5. Сравнение эффективности двух методов 39
3.6. Графический интерфейс 43
Вывод к Главе 3 46
Заключение 47
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 48
ПРИЛОЖЕНИЕ 1 51
ПРИЛОЖЕНИЕ 2 53
ПРИЛОЖЕНИЕ 3 57
Для развития системы автоматизированного управления железнодорожными грузоперевозками, необходимой и одной из основных задач является автоматизация процесса идентификации грузового состава железнодорожного транспорта, а также контроль их передвижения.
В настоящее время на промышленных предприятиях и железнодорожных путях РФ идентификация грузовых вагонов происходит посредством визуального осмотра и занесения регистрационных номеров в журнал. Регистрационный номер представлен в виде метки, которая выглядит как цифровая восьмизначная последовательность. Этот способ подразумевает нахождение оператора на контрольном участке железнодорожного пути и при прохождении поезда просматриваются номера грузовых вагонов проходящего состава. В дальнейшем выполняется их сравнение с записями в передаточной ведомости, также именуемой как натур-лист. Обнаружение несоответствия требует корректировки натур-листа и формирование необходимых управляющих решений.
Недостатками вышеописанной системы идентификации является недостаточная достоверность информации, а также необходимость в постоянной концентрации внимания оператора. При этом существует значительная вероятность ошибок на основе человеческого фактора. Грузовые составы достигают длинной 100 вагонов, что делает трудоёмкость процесса контроля достаточно высокой. К тому же, рядом с контрольным постом проходящему составу необходимо снижать скорость до 5..8 км/ч, либо же делать полную остановку. Это приводит к тому, что пропускная способность станции в целом, где выполняется сортировка, либо ее отдельного контрольного поста, значительно снижается.
Цель работы - разработка системы автоматического считывания номеров вагонов и определения их положения в режиме ONLINE.
Объект исследования - компьютерное зрение.
Предмет исследования - методы автоматического распознавания изображений.
Требуется разработать систему распознавания изображения,
предназначенную для ONLINE обработки видеопотока с выделением из него группы восьмикодовых последовательностей, соответствующих
регистрационным номерам единиц подвижного состава железнодорожного транспорта. Для достижения поставленной цели предполагается решение следующих задач:
Задачи:
• выполнить обзор методов автоматического распознавания изображений;
• сформулировать перечень функциональных требований к проектируемой системе;
• сформулировать перечень технических требований к проектируемой системе;
• выбрать язык программирования для реализации методов распознавания;
• разработать два варианта системы распознавания номеров;
• выполнить сравнительную оценку работоспособности и
эффективности созданных систем распознавания, определить среди них оптимальный вариант;
• разработать GUI интерфейс для системы автоматического распознавания номеров вагонов.
В ходе выполнения выпускной квалификационной работы были изучены принципы распознавания изображения, произведен обзор методов автоматического распознавания изображения. Также был рассмотрены особенности сферы применения сформулированы перечни функциональных требований к проектируемой системе. Выбран язык программирования Python и необходимые библиотек для обработки изображения и реализации поставленной задачи. Выбрана наиболее эффективная нейронная сеть для метода с использованием нейронной сети.
В итоге были реализованы два метода распознавания номеров, проведена сравнительная оценка работоспособности и эффективности созданных систем распознавания, определён оптимальный вариант. Разработан GUI интерфейс для системы автоматического распознавания номеров вагонов.
В результате выполнения проекта была разработана системы автоматического считывания номеров вагонов и определения их положения в режиме ONLINE, удовлетворяющая заданным условиям и задачам.
