Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

Требуется разработать процедуру автоматического распознавания рельсов, учитывающую их особенности.
Предлагаемая процедура распознавания рельсов, представленная на рисунке 37, состоит из четырех основных блоков: формирования цифрового изображения маркировки рельса, выделения информативных признаков, классификации и опознавания маркировки.
Блок выделения информативных признаков предназначен для получения полезной информации путем подавления помех (например, фоновых и контурных искажений символов, пятен на изображении маркировки), а также для уменьшения объема обрабатываемых данных. Назначение блока классификации заключается в отнесении объекта опознавания (отдельного символа маркировки) к одному из классов (набору вариантов изображения конкретного символа).
Блок опознавания маркировки вначале из фрагментов формирует несколько вариантов изображения клейма, а затем, используя дополнительные данные (например, наименование производителя, месяц и год маркировки, номер плавки и ряд других), - результирующее значение маркировки рельса.

Рисунок 37 - Схема автоматического распознавания маркировки рельсов
Моделирование работы опознающей системы было выполнено с использованием 500 различных фрагментов цифрового отображения маркировки натурных объектов - рельсов.
Выделение информативных признаков цифрового изображения в блоке 2 включает в себя следующие действия: приведение изображения фрагмента маркировки к стандартному размеру (рисунок 38а); преобразование цветного изображения в черно-белое, с последующей «очисткой» фона (рисунок 386); уменьшение размера изображения (рисунок 38в и рисунок 39а); бинаризацию изображения (рисунок 396); суммирование кодов цвета пикселей по строкам и столбцам изображения.

Рисунок 38 - Цифровое изображение фрагмента маркировки рельса
в формате BMP
Блок классификации может быть выполнен на базе различных подходов: сравнения с эталоном, дискриминантный, синтаксический и ряда других [86]. Многочисленные аналитические и эмпирические исследования методов классификации, частично представленные в работах [78 ^ 93], показали, что применение нейросе- тевого подхода позволяет обеспечить более высокую эффективность классификации (89,3 ^ 99,4 %) при распознавании, например, печатных и рукописных букв и цифр. Опираясь на эти исследования, для решения задачи классификации применили аппарат искусственных нейронных сетей, а именно многослойный персептрон, с параметрами N = 58, К = 39, М = 20 (где N - число входов, К - число нейронов промежуточного слоя, М - число выходов). В промежуточном и в выходном слое персептрона использовали нейроны сигмоидального типа с униполярной функцией активации.

Рисунок 39 - Представление цифрового изображения (рисунка 38в) в виде последовательности значений цвета пикселей, считанных построчно
При обучении многослойного персептрона наибольшую эффективность показал алгоритм обратного распространения ошибки. Наблюдения обучающей выборки состояли из признаков (Xi(i), X₅₈(i)}, подаваемых на входы сети, и выходных данных {Yi(i),
Y₂o(i)}, представленных в виде кода, полученного следующим образом: в позиции, номер которой совпадал с номером цифры, буквы в маркировочном алфавите, существующем на производстве, стояла единица, в остальных - нули. Маркировочный алфавит был представлен следующим набором [«Б», «Е», «К», «Н», «Р», «Э», «I», «V», «X», «1», «2», «3», «4», «5», «6», «7», «8», «9», «О», «<—»], следовательно, при обучении и последующем распознавании код буквы «Н» имеет следующий вид [0 001000000000000 0 0 0 0]. При расширении маркировочного алфавита длина кода пропорционально увеличивается.
На контрольной выборке фрагментов цифровых изображений маркировки эффективность нейросетевой классификации составила 77,8 %, что свидетельствует о значительном влиянии помех (например, черных пятен, встречающихся на изображениях). Выходные значения нейронной сети при подаче на входы информативных признаков трех изображений из контрольной выборки, а именно буквы «К» и цифр «9», «8» (Y^i) соответствует позиции 1, ..., Y₂o(i) - позиции 20) показаны на рисунке 40, а также на рисунке 41.

Рисунок 40 - Пример работы ИНС, при условии, что признак рассчитывается по уменьшенному очищенному черно-белому изображению

Рисунок 41 - Пример работы ИНС, при условии, что признак рассчитывается по неуменыпенному очищенному черно-белому изображению
Типичный пример маркировки, нанесенной на шейке рельса, имеет следующий вид: «К XII 2005 Р65 <— ЭУН 6445 6», где К - производитель ЕВРАЗ ЗСМК; XII - месяц; 2005 - год; Р65 - тип рельсов; <— направление проката; Э - электросталь; V - ванадий; Н - электросталеплавильная печь «Николай»; 6445 - номер плавки; 6 - номер ручья.
Блок опознавания маркировки рельса, учитывая особенности и его характерные элементы, позволил устранить некоторые ошибки классификации. Например, в позиции, где указывается тип рельса, классификатором была выдана буква «О», что никак не может соответствовать действительности, и ее следует заменить буквой «Р». Однако такая операция не всегда возможна, например, при определении номера ручья, поскольку появление различных его значений (от 1 до 8) однозначно определить невозможно.
Результаты моделирования описанной процедуры с использованием реальных видеокадров, полученных в рельсобалочном цехе ЕВРАЗ ЗСМК, и расчленением их множества на две выборки (обучающую и контрольную) показали возможность достижения 95 -5- 97 % эффективности. Это позволяет на практике достигнуть практически 100 % эффективности при условии участия оператора- контролера в принятии решения в сложных ситуациях.

Постановка задачи распознавания поверхностных дефектов проката

Задача распознавания, согласно Я.3. Цыпкину [96], состоит в отнесении интеллектуальной системой распознавания предъявляемого объекта (ситуации, явления, процесса) к одному из классов. Для решения этой задачи необходимо первоначально заняться ее обучением посредством показа образов, принадлежность которых к тому или иному классу известна. Распознавание образов включает две основные задачи: 1) формирование, отбор и ранжирование информативных признаков; 2) собственно классификация (принятие решения о принадлежности объекта к тому или иному классу на основе анализа значений информативных признаков).
Задача распознавания поверхностных дефектов рельсов содержательно представлена следующим образом.