Нечетко-логическая система распознавания цвета с помощью быстродействующего дефаззификатора

Цель исследования. Представленное в данной статье исследование нацелено на повышение точности определения оттенка цвета. В качестве предмета исследования использовалась разработанная нечетко-логическая система распознавания цветов. Показателем эффективности выступал результат расчета процента площади чувствительности и RMSE разработанного метода.

Методы. Разработан и реализован метод распознавания цветовой метки на основе нечеткой логики, а именно с помощью нечеткого вывода Мамдани, состоящего из следующих этапов: фаззификация, нечеткий логический вывод, дефаззификация. В процессе фаззификации использовались треугольные функции принадлежности. В качестве композиционного правила использовались 12 входных переменных, объединенных на основе композиционного правила Заде в 27. На этапе дефаззификации использовался метод отношения площадей. Объектом исследования выступала разработанная математическая модель модифицированного метода отношения площадей и метода центра тяжести для определения цвета.

Результаты. Разработана математическая модель, состоящая из 4 шагов, которая гарантирует четкое определение 9 цветов и их оттенков. На основе оценки корня среднеквадратической ошибки сделан вывод, что предложенная модель лучше традиционных вариантов. Выражается тем, что разработанный метод реагирует на промежутке всей поверхности выходных переменных, в то время как традиционные методы имеют зоны нечувствительности к изменению входных переменных.

Заключение. Была разработана нечетко-логическая система распознавания цвета. В ходе экспериментальных исследований было установлено, что показатели RMSE и чувствительности имеют лучшие результаты по отношению к другим системам.

1. Бобырь М.В., Белозеров А.П. Алгоритм распознавания цветовых маркеров // Промышленные АСУ и контроллеры. 2022; № 2: 30-35. DOI 10.25791/asu.2.2022.1348.

2. 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, 107378, ISSN 0263-2241, https://doi.org/10.1016/j.measurement.2019.107378.

3. Bobyr M.V., Emelianov S.G. A nonlinear method of learning neuro-fuzzy models for dynamic control systems // Applied Soft Computing. 2020. Vol. 88, 106030, ISSN 1568- 4946, https://doi.org/10.1016/j.asoc.2019.106030.

4. Титов В.С., Бобырь М.В., Милостная Н.А. Система лазерного контроля обработки деталей в реальном времени // Промышленные АСУ и контроллеры. 2005. № 11: 21-24.

5. Бобырь М.В., Титов В.С., Беломестная А.Л. Стабилизация теплового режима в процессе резания // Мехатроника, автоматизация, управление. 2010. № 6: 38-41.

6. Бобырь М.В., Архипов А.Е., Якушев А.С. Распознавание оттенка цветовой метки на основе нечёткой кластеризации // Информатика и автоматизация. 2021. № 2 (20): 407-434.

7. Титов В.С., Бобырь М.В., Анциферов А.В. Алгоритм высокоскоростной обработки деталей на основе нечеткой логики // Мехатроника, автоматизация, управление. 2012; № 6: 21-26.

8. Bobyr’ M.V., Titov V.S., Nasser A.A. Automation of the cutting-speed control process based on soft fuzzy logic computing // J. Mach. Manuf. Reliab. 2015. 44: 633–641 https://doi.org/10.3103/S1052618815070067

9. Усков А.А. Системы с нечеткими моделями объектов управления. Смоленск: СФРУК, 2013. 153 с.

10. Гридин В.Н., Титов В.С., Труфанов М.И. Адаптивные системы технического зрения. М.: Наука, 2009.

11. Бобырь М.В., Кулабухов С.А. Математическая модель для нового метода Дефаззификации в структуре нечеткого вывода // Мехатроника, автоматика и робототехника: сборник научных трудов международной научно-практической конференции. Новокузнецк, 2018.; С.218-220.

12. Бобырь М.В., Кулабухов С.А. Дефаззификация вывода из базы нечетких правил на основе метода разности площадей // Вестник компьютерных и информационных технологий. 2015; №9: 32– 41.

13. Leekwijck W.V., Kerre E.E. Defuzzification: criteria and classification // Fuzzy Sets Syst. 1999; № 108: 159–178.

14. Построение карты глубины с использованием модернизированного фильтра Канни. Часть 1 / М. В. Бобырь, А. Е. Архипов, А. С. Якушев, Ц. Цао // Промышленные АСУ и контроллеры. 2021; № 4: 12-20. DOI 10.25791/asu.4.2021.1271. EDN DQRLLK.

15. Построение карты глубины с использованием модернизированного фильтра Канни. Часть 2 / М. В. Бобырь, А. Е. Архипов, А. С. Якушев, С. Бхаттачарья // Промышленные АСУ и контроллеры. 2021; № 5: 3-15. DOI 10.25791/asu.5.2021.1277. EDN VOZBTI.

16. Нечетко-логические методы в задаче детектирования границ объектов / М. В. Бобырь, А. Е. Архипов, С. В. Горбачев [и др.] // Информатика и автоматизация. 2022; Т. 21. № 2: 376-404. DOI 10.15622/ia.21.2.6. EDN YSFCPD

17. Бобырь М.В., Кулабухов С.А. Математическая модель для нового метода Дефаззификации в структуре нечеткого вывода // Мехатроника, автоматика и робототехника: сборник научных трудов международной научно-практической конференции. Новокузнецк, 2018. С. 218-220.

18. Vuong P. T., Madni A. M., Vuong J. B. VHDL implementation for a fuzzy logic controller. In 2006 World Automation Congress, WAC’06. IEEE Computer Society. 2006.

19. Титов В.С., Бобырь М.В., Милостная Н.А. АСУ прогнозированием точности обработки деталей // Автоматизация в промышленности. 2008; № 4: 3-4.

20. Бобырь М. В., Милостная Н. А., Ноливос К. А. Комбинация нечеткоцифрового фильтра и ПИД регулятора в задаче управления термоэлементом // Мехатроника, автоматизация, управление. 2022; Т. 23. № 9: 473-480. DOI 10.17587/mau.23.473-480. EDN RJIUSI.

21. Bobyr M. V. Fuzzy devices for cooling the cutting tool of the CNC machine implemented on FPGA / M. V. Bobyr, A. S. Yakushev, A. A. Dorodnykh // Measurement. 2020. Vol. 152. P. 107378. DOI 10.1016/j.measurement.2019.107378. EDN DGESDX.

22. Пегат А. Нечеткое моделирование и управление: пер. с англ. 2-е изд. М.: БИНОМ. Лаборатория знаний, 2013. 798 с.