Аннотация
В работе представлены результаты исследования изображений серных отпечатков поперечного темплета непрерывнолитой заготовки. Авторами работы определена проблема низкой достоверности информации о качестве заготовок. Визуальная оценка изображения приводит к субъективной оценке с большим вкладом человеческого фактора. Авторами разработана схема размещения точек контроля для сбора графической информации в процессе получения заготовок.
Предложено ввести три класса изображений по признаку отношения яркости объекта (темплета) к основному фону. По нарастанию сложности алгоритмов авторами предложена каскадная методика классификации изображения. Методика включает оценку изображения по формообразующим характеристикам гистограммы, по расстоянию до эталонных нормированных гистограмм и на основе методов нечеткой логики.
Результаты опытной эксплуатации каскадной методики упрощенная методика по формообразующим характеристикам однозначно идентифицировала 22 % всех изображений, по оценке расстояния до эталонных нормированных гистограмм – 70 % от оставшихся и только оценка при применении методов нечеткой логики однозначно идентифицировала все оставшиеся изображения. Сто процентный успех классификации достигается только при применении всех каскадов разработанной методики.
Ключевые слова
Изображения серных отпечатков, гистограмма изображения, формообразующие характеристики, расстояния между объектами, правила идентификации объектов, каскадная классификация.
1. Logunova O.S., Matsko I.I., Posohov I.V., Luk’ynov S.I. Automatic system for intelligent support of continuous cast billet production control processes, The International Journal of Advanced Manufacturing Technology, 2014, no.74(9-12), pp. 1407-1418, doi: 10.1007/s00170-014-6056-4.
2. Matsko I.I. Snegirev Y.V., Logunova O.S. Data Acquisition and Preparation Methods for Continuously Cast Billets Quality Analysis Software, Applied Mechanics and Materials, 2012, no.110-116, pp. 3557-3562. Doi: 10.4028/www.scientific.net/AMM.110-116.3557
3. Logunova O.S. Internal-defect formation and the thermal state of continuous-cast billet, Steel in Translation, 2008, no.38(10), pp. 849-852, doi: 10.3103/S0967091208100148.
4. Chapeiie O., Haffner P., Vapnik V. Support Vector Machines for Histogram-Based Image Classification, IEEE Transactions on neural networks, 1999, no. 10(5), pp. 1055 – 1064.
5. Foody, G. A relative Evaluation of MultiClass Image Classificafion by Suuport Vector Machines, IEEE Transactions on geoscience and remote sensing, 2008, no.42(6), pp.1335– 1343.
6. Michael J.L., Budynek J., Akamatsu S. Automatic Classification of Single Facial Images, IEEE Transactions on pattern analysis and machine intelligence, 1999, no.21(12), pp. 1357 – 1362.
7. Leemput K.V., Maes F., Vandermeulen D., Suetens P. Automated Model-Based Tissue Classification of MR Images of the Brain, IEEE Transactions on medical imaging, 1999, no.18(10), pp. 897 – 908.
8. Varma M. Zisserman A. A Statistical Approach to Texture Classification from Single Images, International Journal of Computer Vision, 2005, no.62(1/2), pp. 61–81.
9. Wang F. Fuzzy Supervised Classification of Remote SensingImages, IEEE Transactions on geoscience and remote sensing, 1990, no.28(2), pp. 194–201.
10. Wang F., Newkirk R. Design and implementation of knowledge-base system for remotely sensed change detection, J. Imaging Techn, 1987, no.13, pp. 116 – 122.
11. Cannon R.L., Dave J.V., Bezdek J.C., Kolsky H.G. Segmentation of a thematic Mapper Image using the fuzzy cmeans clustering algorithm, IEEE Trans. Geosci.Remote Sensing, GE-24, 1986, pp. 400–408.
12. Morlini I., Zani S. A New Class of Weighted Similarity Indices Using Polytomous Variables, Journal of Classification, 2012, no.29(2), pp. 199–226, doi: 10.1007 / s00357-012-9107-2.
13. Giordani P., Kiers H. FINDCLUS: Fuzzy INdividual Differences CLUStering, Journal of Classification, 2012, no.29(2), pp. 170–198, doi: 10.1007 / s00357-012-9109-0.
14. Contreras P., Murtagh F. Fast, Linear Time Hierarchical Clustering using the Baire Metric, Journal of Classification, 2012, № 29(2), pp. 118-143, doi: 10.1007 / s00357-012-9106-3.
15. Bar-Hen A., Gey S., Poggi J.-M.Influence Measures for CART Classification Trees, Journal of Classification, doi: 10.1007/s00357-015-9172-4.
16. Шестаков А.Л., Свиридюк Г.А О новой концепции белого шума // Обозрение прикладной и промышленной ма- тематики, 2012. № 19(2). С. 287-288.
17. Шестаков А.Л. Свиридюк Г.А., Худяков Ю.В. Ди- намические измерения в пространствах «шумов» // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника, 2013. № 13(2). С. 4-11.
18. Poynton C. Rehabilitation of gamma, Photonics West'98 Electronic Imaging. International Society for Optics.
19. A Standard Default Color Space for the Internet – sRGB, M. Stokes, M. Anderson, S. Chandrasekar, R. Motta., 1996. URL: http://www.w3.org/Graphics/Color/sRGB.html.
20. Гонсалес Р., Вудс Р. Цифровая обработка изобра- жений. М.: Техносфера. 2005. 1104 с.
21. Шапиро Л., Стокман Дж.Компьютерное зрение. М.: БИНОМ. Лаборатория знаний, 2006. 752 с.
22. Прэтт У. Цифровая обработка изображений: пер. с англ. М.: Мир, 1982. Кн.1, 312 с.
23. Otsu N. A Threshold Selection Method from GrayLevel Histograms, IEEE Transactions on Systems, Man, and Cybernetics, 1979, no.9(1), pp. 62-66.
24. Ridler T.W. and S. Calvard, Picture thresholding using an iterative selection method, IEEE Trans. System, Man and Cybernetics, SMC-8, 1978, pp. 630-632.
25. ОСТ 14-1-236-91. Сталь. Метод контроля макро- структуры непрерывнолитой заготовки для производства сортового проката и трубных заготовок. Взамен ОСТ 14-4-73 в части непрерывнолитой заготовки квадратного сечения. – Введ. 1992–01–01. М.: Министерство металлургии СССР, 1991. 37 с.