Распознавание оттенка цветовой метки на основе нечёткой кластеризации
Ключевые слова:
нечёткая кластеризация, распознавание цветового оттенка, нечёткая логика, RMSE, PSNR, MAPEАннотация
Рассматривается задача определения текущего положения пневматических исполнительных механизмов. Решение поставленной задачи достигается введением системы технического зрения, позволяющей на основе метода нечеткой кластеризации определять в режиме реального времени координаты центра цветовой метки, установленной на исполнительных механизмах мехатронного комплекса и позицию её смещения. Целью работы является повышение точности распознавания цветовой метки для прецизионного позиционирования исполнительных механизмов мехатронного комплекса и повышение быстродействия дефаззификатора за счет распараллеливания вычислительных процедур в нем. Интеллектуализация процесса распознавания цветового оттенка производится на основе нечёткой кластеризации. Сначала строится нечеткая модель, позволяющая в зависимости от входных параметров интенсивности цвета по каждому из каналов RGB и составляющей цветового тона выделять на изображении заданный цвет. Затем осуществляется бинаризация цветного изображения и подавление шумов. При моделировании нечеткой системы авторами были применены две модели дефаззификации: на основе метода центра тяжести и на основе отношения площадей. Модель, реализованная на основе метода отношения площадей, позволяет убрать зоны нечувствительности, которые присутствуют в модели центра тяжести. Метод на основе отношения площадей определяет принадлежность пикселей к заданному цветовому тону, и после этого расположение цветовой метки в кадре изображения определяется на основе определения центра тяжести распознанных пикселей цветовой метки. В последующем, при перемещении исполнительного механизма в продольном направлении, система технического зрения определяет расположение цветовой метки в новом кадре. Разность положений цветовой метки на исходном и текущем изображениях позволяет определить расстояние смещения цветовой метки. С целью исследования влияния шума на точность распознавания были использованы цифровые фильтры: медианный, Гауссовский, матричный и биноминальный. Анализ точности данных фильтров показал, что лучший результат получен при использовании Гауссовского фильтра. Оценка производилась на основе показателя сигнал-шум. Реализация математической модели распознавания цветовой метки выполнена в среде Matlab/Simulink. Экспериментальные исследования работоспособности системы технического зрения с предложенной нечёткой моделью кластеризации проводились на пневматическом мехатронном комплексе. В ходе экспериментов на корпусе цилиндра закреплялась цветовая метка, после чего цилиндр перемещался по направляющим в продольном направлении. В процессе перемещения выполнялась видеофиксация и распознавание изображений. Для определения точности распознавания цветовой метки рассчитаны коэффициенты PSNR и RMSE, которые составили 38,21 и 3,14 соответственно. Точность определения смещения на основе разработанной модели распознавания цветовых меток достигла 99,7%. Быстродействие дефаззификатора увеличилось до 590 нс.
Литература
2. Чиров Д.С., Чертова О.Г., Потапчук Т.Н. Методика обоснования требований к системе технического зрения робототехнического комплекса // Труды СПИИРАН. 2017. № 51. C. 152–176.
3. Шапиро Л., Стокман Дж. Компьютерное зрение. / Бином. 2006. 752 с.
4. Boguslavsky A.A., Sokolov S.M. The real time Vision System for small-sized target tracking // Int. J. Computing Science and Mathematics. 2007. vol. 1. no. 1. pp. 115–127.
5. J. Chaki, N. Dey, L. Moraru, F. Shi Fragmented plant leaf recognition: Bag-of-features, fuzzy-color and edge-texture histogram descriptors with multi-layer per-ceptron, Optik. 2019. vol. 181. pp. 639–650. doi: 10.1016/j.ijleo.2018.12.107.
6. R. Boukezzoula, D. Coquin, T. L. Nguyen, S. Perrin Multi-sensor information fusion: Combination of fuzzy systems and evidence theory approaches in color recognition for the NAO humanoid robot, Robotics and Autonomous Systems. 2018. vol. 100. pp. 302–316. doi: 10.1016/j.robot.2017.12.002.
7. Y.-K. Kim, K.-W. Kim, X. Yang Real time traffic light recognition system for color vision deficiencies, in: ICMA IEEE International Conference in Mechatronics and Automation, 2007. pp. 76–81.
8. T.L. Nguyen, R. Boukezzoula, D. Coquin, S. Perrin Color recognition for NAO robot usingsugeno fuzzy system and evidence theory,in: 16thWorldCongress IFSA, EUSFLAT. 2015. pp. 1176–1183.
9. Тимофеев А.В., Косовская Т.М. Нейросетевые методы логического описания и распознавания сложных образов // Труды СПИИРАН. 2013. № 27. С. 144–155.
10. Пушкарский С.В., Корнейчук Е.Ю., Виноградов И.И. Нейротехнологический подход к автоматизированному распознаванию наземных объектов по данным космических систем дистанционного зондирования земли // Труды СПИИРАН. 2013. № 29. С. 190–200.
11. Wang, X. Image recognition of English vocabulary translation based on FPGA high-performance algorithm. Microprocessors and Microsystems, vol. 80. doi: 10.1016/j.micpro.2020.103542.
12. Yu, L., Xiong, J., Fang, X., Yang, Z., Chen, Y., Lin, X., & Chen, S. A litchi fruit recognition method in a natural environment using RGB-D images. Biosystems Engineering. 2021. vol. 204. pp. 50–63. doi: 10.1016/j.biosystemseng.2021.01.015.
13. Jeffrey Kuo, C.-F., Peng, K.-C., Wu, H.-C., & Wang, C.-C. Automated inspection of micro-defect recognition system for color filter. Optics and Lasers in Engineering. 2015. vol. 70. pp. 6–17. doi:10.1016/j.optlaseng.2015.01.009.
14. Fu, J., Caulfield, H. J., Yoo, S.-M., & Atluri, V. Use of Artificial Color filtering to improve iris recognition and searching. Pattern Recognition Letters. 2015. vol. 26. no. 14. pp. 2244–2251. doi:10.1016/j.patrec.2005.03.032.
15. Gecer, B., Azzopardi, G., & Petkov, N. Color-blob-based COSFIRE filters for ob-ject recognition. Image and Vision Computing. 2017. vol. 57. pp. 165–174. doi: 10.1016/j.imavis.2016.10.006.
16. E. Rosten, T. Drummond Fusing points and lines for high performance tracking // IEEE International Conference on Computer Vision 2. vol. 2. pp. 1508 - 1515. doi: 10.1109/ICCV.2005.104.
17. E. Rosten, T. Drummond, R. Porter FASTER and better: a machine learning ap-proach to corner detection // IEEE Transactions on Software Engineering 32(1):105-19. doi: 10.1109/TPAMI.2008.275.
18. Пегат А. Нечеткое моделирование и управление пер. с англ.// М.:БИНОМ. 2013. 798с.
19. Bobyr M.V., Milostnaya N.A., Kulabuhov S.A. А method of defuzzification based on the approach of areas' ratio // Applied Soft Computing. 2017. vol. 59. pp. 19–32 doi: 10.1016/j.asoc.2017.05.040.
20. Bobyr M.V., Emelyanov S.G. А A nonlinear method of learning neuro-fuzzy mod-els for dynamic control systems // Applied Soft Computing. 2020. vol. 88. 106030. doi: 10.1016/j.asoc.2019.106030.
21. Устройство дефаззификации на основе метода отношения площадей: пат. 2701841 Рос. Федерация № 2018144147; заявл. 13.12.2018; 01.10.2019. 16 с.
22. Bobyr M.V., Yakushev A.S., Milostnaya N.A. Three-coordinate Definition of Color Mark and Distance To Objects According to Strereo Image // 3rd School on Dynamics of Complex Networks and Their Application in Intellectual Robotics (DCNAIR). 2019. doi: 10.1109/dcnair.2019.8875548
23. 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. pp. 107378. doi: 10.1016/j.measurement.2019.107378.
24. Borges R.E.P., Dias M.A.G., Dória Neto A.D., Meier A. Fuzzy pay-off method for real options: The center of gravity approach with application in oilfield abandonment. // Fuzzy Sets and Systems. 2018. vol. 353. pp. 111–123. doi: 10.1016/j.fss.2018.03.008
25. Sain, D., Mohan, B. M.. Modeling, simulation and experimental realization of a new nonlinear fuzzy PID controller using Center of Gravity defuzzification. ISA Transactions. 2020. doi: 10.1016/j.isatra.2020.10.048
26. Karakuzu, C., Karakaya, F., Pavuslu, M.A. FPGA implementation of neuro-fuzzy system with improved PSO learning, Neural Networks 79 (2016). 128–140. doi: 10.1016/j.neunet.2016.02.004.
Опубликован
Как цитировать
Раздел
Copyright (c) Максим Владимирович Бобырь, Александр Евгеньевич Архипов, Алексей Сергеевич Якушев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).