Интеллектуализация процесса детектирования форм геометрических объектов

Цель исследования. Разработка программного кода на языке программирования C#, реализующего алгоритм распознавания формы геометрических объектов на входном изображении при обеспечении надежности этого вычислительного процесса.

Методы. Алгоритм распознавания геометрических форм объектов основан на сочетании традиционных методов обработки изображений и интеллектуальных правил, определяющих вид геометрической формы объекта в зависимости от характеристик контуров, таких как моменты, количество их сторон и т.д. Для реализации данного метода в статье предлагается последовательность математических операций, включающая следующие этапы. Во-первых, метод включает операции размытие, преобразование исходного изображения в градации серого и инвертирование. На втором этапе осуществляется детектирование контуров и определение их характеристик, таких как моменты, периметр и др. На финальном этапе в зависимости от числа сторон, входящих в структуру контура, на основе интеллектуальных правил осуществляется сопоставление каждого найденного контура определенной геометрической фигуры.

Результаты. Разработаны алгоритм и инструкции создания программного кода для программной реализации процесса распознавания геометрической формы объектов. Определено, что предложенный алгоритм имеет высокую надежность, составляющую порядка 97%.

Заключение. Традиционные методы обработки изображений, такие как размытие и преобразование в градации серого, могут успешно сочетаться с методами выделения контуров и определения их геометрических характеристик. Подобная синергия методов обработки изображений позволяет создать алгоритм распознавания геометрических форм. Важно учитывать, что надежность и эффективность подобного алгоритма зависит от настройки пороговых значений, используемых в функциях обработки изображений, и дальнейшее исследование их характеристик может привести к улучшению результатов рассмотренного в статье алгоритма

1. Гнеушев А. Н., Мурынин А. Б. Адаптивный градиентный метод выделения контурных признаков объектов на изображениях реальных сцен // Известия Российской академии наук. Теория и системы управления. 2003. № 6. С. 153-160.

2. Алгоритм группировки геометрических объектов при автоматическом раскрое листового материала с использованием локальных характеристик формы / М. А. Чертов, Г. Е. Руденский, С. Г. Псахье, А. В. Скворцов // Вычислительные технологии. 2006. Т. 11, № 2. С. 93-107.

3. Чуканов С. Н. Сравнение изображений объектов методами вычислительной топологии // Труды СПИИРАН. 2019. Т. 18, № 5. С. 1043-1065. https://doi.org/10.15622/sp.2019.18.5.1043-1065.

4. Чуканов С. Н. Сравнение диффеоморфных изображений на основе формирования персистентных гомологий // Моделирование и анализ информационных систем. – 2019. Т. 26, № 3. С. 450-468. https://doi.org/10.18255/1818-1015-2019-3-450-468.

5. Шабалин А. С., Рахматуллов И. И., Полянин Н. А. Сравнение двух методов распознавания образов геометрических фигур // Ученые записки УлГУ. Серия: Математика и информационные технологии. 2021. № 2. С. 82-89.

6. Воронова Л. В., Панишева Е. В. К вопросу выбора метода определения границ и распознавания графического объекта применительно к задаче идентификации номера автомобиля // Технологии и качество. 2022. № 2(56). С. 46-50. https://doi.org/10.34216/2587-6147-2022-2-56-46-50.

7. Бобырь М.В., Емельянов С.Г., Милостная Н.А. Алгоритм построения 3d сцен распознанных объектов по картам глубин // Известия Юго-Западного государственного университета. 2023. Т. 27, №2. С. 90-104. https://doi.org/10.21869/2223-1560-2023-27-2-90-104.

8. A method for creating a depth map based on a three-level fuzzy model / M. Bobyr, A. Arkhipov, S. Emelyanov, N. Milostnaya // Engineering Applications of Artificial Intelligence. 2023. Vol.117, no. Part B. P. 105629. https://doi.org/10.1016/j.engappai.2022.105629.

9. 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. С. 12-20. https://doi.org/10.25791/asu.4.2021.1271.

10. 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. С. 3-15. https://doi.org/10.25791/asu.5.2021.1277.

11. Годунов А. И., Баланян С. Т., Егоров П. С. Сегментация изображений и распознавание объектов на основе технологии сверточных нейронных сетей // Надежность и качество сложных систем. 2021. № 3(35). С. 62-73. https://doi.org/10.21685/2307-4205-2021-3-8.

12. Лобанов М. Г., Шоломов Д. Л. Об ускорении архитектуры сверточной нейронной сети на базе ResNet в задаче распознавания объектов дорожной сцены // Информационные технологии и вычислительные системы. 2019. № 3. С. 57-65. https://doi.org/10.14357/20718632190305.

13. Кадуков Е. П. Распознавание объектов контроля на радиолокационных изображениях с использованием метода опорных векторов // Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2022. № 9-10(171-172). С. 96-105.

14. А. Ю. Поливанов, Ю. В. Иванов Распознавание человека в системе технического зрения мобильного робота на основе метода опорных векторов // Вестник МГТУ "Станкин". 2023. № 3(66). С. 17-27.

15. Пугин Е. В., Жизняков А. Л. Алгоритмы обработки изображений для обнаружения объектов с использованием нечётких признаков // Радиотехнические и телекоммуникационные системы. 2020. № 2(38). С. 59-65.

16. Нечетко-логические методы в задаче детектирования границ объектов / М. В. Бобырь, А. Е. Архипов, С. В. Горбачев, Ц. Цао, С. Бхаттачарья // Информатика и автоматизация. 2022. Т.21, №2. С. 376-404. https://doi.org/10.15622/ia.21.2.6

17. Прикладные нейро-нечеткие вычислительные системы и устройства / М. В. Бобырь, С. Г. Емельянов, А. Е. Архипов, Н. А. Милостная. М.: Издательский Дом "Инфра-М", 2023. 263 с. https://doi.org/ 10.12737/1900641. 18. Bobyr M. V., Milostnaya N. A., Bulatnikov V. A. The fuzzy filter based on the method of areas' ratio // Applied Soft Computing. 2022. Vol. 117. P. 108449. https://doi.org/10.1016/j.asoc.2022.108449.

18. Бобырь М. В., Милостная Н. А. Анализ использования мягких арифметических операций в структуре нечетко-логического вывода // Вестник компьютерных и информационных технологий. 2015. № 7(133). С. 7-15. https://doi.org/10.14489/vkit.2015.07.pp.007-015.

19. Бобырь М. В., Архипов А. Е., Якушев А. С. Распознавание оттенка цветовой метки на основе нечёткой кластеризации // Информатика и автоматизация. 2021. Т. 20, № 2. С. 407-434. https://doi.org/10.15622/ia.2021.20.2.6.

20. Emgu CV Library Documentation. VectorOfVectorOfPoint Class. URL: www.emgu.com/wiki/files/3.0.0/document/html/b29e1d11-e75c-6bbe-4b3b-7d8e6395a733.htm (Доступ свободный). 22. Emgu CV Library Documentation. CvInvoke.FindContours Method. URL: www.emgu.com/wiki/files/4.5.5/document/html/M_Emgu_CV_CvInvoke_FindContours.ht m (Доступ свободный). 23. Балун В. Н., Дроздов Н. А., Дорошенко Е. В. Программная реализация алгоритма Дугласа-Пекера для уменьшения числа точек полилинии // Современные тенденции развития и перспективы внедрения инновационных технологий в машиностроении, образовании и экономике. 2019. Т. 5, № 1. С. 157-163.