МІНІСТЕРСТВО ОСВІТИ УКРА
ОДЕСЬКИЙ НАЦІОНАЛЬНИЙ ПОЛІТЕХНІЧНИЙ УНІВЕРСИТЕТ
ОЛЕЩУК Олег Владиславович
УДК 004.932:656.223
Аналітичні та інформаційні моделі і методи ідентифікації рухомих об'єктів для систем управління вантажопотоками
05.13.06 автоматизовані системи управління та прогресивні
інформаційні технології
автореферат дисертації на здобуття наукового ступеня
кандидата технічних наук
Одеса – 2007
Дисертацією є рукопис
Робота виконана в Одеському національному політехнічному університеті
Міністерства освіти та науки України
Науковий керівник: доктор технічних наук, професор
Копитчук Микола Борисович, проректор ОНПУ,
завідувач кафедри комп’ютерних інтелектуальних систем та мереж
Офіційні опоненти:
доктор технічних наук, професор Федорович Олег Євгенович,
Національний аерокосмічний університет ім. М.Є. Жуковського "ХАІ", завідувач кафедри інформаційних управляючих систем;
доктор технічних наук, професор Нікульшин Володимир Русланович,
Одеський національний політехнічний університет,
завідувач кафедри теоретичної, загальної і нетрадиційної енергетики.
Захист відбудеться 18 жовтня 2007 р. о 1330 годині на засіданні спеціалізованої вченої ради Д 41.052.01 при Одеському національному політехнічному університеті (65044, м. Одеса, проспект Шевченка, 1).
З дисертацією можна ознайомитися у науково-технічній бібліотеці ОНПУ,
65044, м. Одеса, проспект Шевченка, 1
Автореферат розісланий 14 вересня 2007 р.
Вчений секретар
спеціалізованої вченої ради Ямпольський Ю.С.
ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ
Актуальність теми. Для ефективного функціонування системи управління вантажопотоками потрібна наявність оперативних і повномасштабних даних про поточне місце розташування і напрямок руху транспортних засобів. Зараз подібна задача вирішена лише частково. Для одержання інформації про такі характеристики, як маса перевезеного вантажу, широко застосовуються різні інформаційно-вимірювальні засоби, у той же час відсутні ефективні способи виміру атрибутивних характеристик транспортних засобів. Зокрема, при проходженні потягу через пункт обліку задача ідентифікації вагонів покладається на людину-оператора і виконується шляхом візуального зчитування номерів вагонів і занесення їх у базу даних. Як показує практичний досвід, при русі потягу зі швидкістю більше 5 км/год реєстрація номерів оператором ускладнена, а при швидкості більше 10 км/год практично нездійсненна. Якщо врахувати, що при русі через пункти обліку згідно ТУ на залізничні ваги швидкість потягу може досягати 40 км/год, то, напевно, людський фактор є найбільш вузьким місцем у системі контролю вантажоперевезень.
Один з перспективних напрямів вирішення задачі автоматизованої ідентифікації вагонів заснований на використанні візуальної інформації про вагони та її обробки з метою локалізації зони розташування номера і його розпізнавання. В останні роки аналогічні системи почали впроваджуватися на автомобільних магістралях та пунктах обліку. Це дозволило автоматизувати контроль за транспортним потоком, надало змогу отримувати своєчасну інформацію про ситуацію на дорогах.
Економічний ефект від упровадження прогресивних інформаційних технологій у сфері залізничного й автомобільного транспорту буде полягати у підвищенні пропускної здатності магістралей, вірогідності і повноти інформації.
Таким чином, проблема розробки автоматизованих систем ідентифікації транспортних засобів як повнофункціональної складової єдиної інформаційної системи України є актуальною.
Зв'язок роботи з науковими програмами, планами, темами. Цільова спрямованість дисертаційної роботи тісно пов'язана з планами наукових досліджень кафедри комп'ютерних інтелектуальних систем та мереж Одеського національного політехнічного університету (ОНПУ).
Основні наукові дослідження дисертації виконані відповідно до завдань держбюджетної науково-дослідної роботи ОНПУ № 326-62 “Апаратно-програмні засоби автоматизованих систем” та госпдоговірних науково-дослідних робіт ОНПУ “Исследование и разработка аппаратно-программных компонентов интеллектуальных информационных измерительных систем”, договір №1338-139/62 від 02.01.00 р., “Дослідження та розробка апаратно-програмних засобів для електронно-тензометричних систем”, договір №1370-139/62 від 02.01.02 р.
Мета і задачі дослідження. Метою дослідження є підвищення пропускної спроможності пунктів обліку за рахунок автоматизації процесу реєстрації вантажоперевезень у територіально-розосередженій системі управління вантажопотоками шляхом розробки інформаційних моделей рухомих об'єктів і процесів переробки інформації, розробки і вдосконалення методів ідентифікації та реалізації апаратно-програмної системи ідентифікації номерів залізничних вагонів.
Для досягнення поставленої мети в роботі потрібно розв'язати такі основні задачі:
- виконати аналіз і формалізацію основних та допоміжних функцій автоматизованих систем реєстрації та ідентифікації рухомих транспортних засобів;
- розробити і дослідити інформаційну модель процесів ідентифікації рухомих об'єктів;
- розробити моделі зображень рухомих об'єктів, які враховують особливості вимірювальних засобів, параметри руху об'єктів та умови освітлення;
- розробити методи та алгоритми виявлення, локалізації та розпізнавання ідентифікаційних ознак рухомих об'єктів;
- розробити апаратно-програмні засоби автоматизованої системи ідентифікації та реєстрації залізничних вагонів.
Об’єкт дослідження – автоматизована система ідентифікації та реєстрації залізничних вагонів.
Предмет дослідження – моделі, методи та апаратно-програмні засоби ідентифікації рухомих об'єктів для автоматизації процесу реєстрації транспортних засобів в автоматизованих системах управління вантажопотоками.
Методи досліджень. Для розробки теоретичних основ створення автоматизованих систем ідентифікації та реєстрації рухомих об'єктів використовуються положення теорії системного аналізу, теорії ймовірностей і математичної статистики та теорії інформації. Розробка математичної моделі інформаційних сигналів і алгоритмів визначення їх інформативних параметрів базується на теорії математичного моделювання, методах та засобах обробки сигналів і зображень. Для перевірки отриманих результатів застосовані методи експериментальних досліджень в реальних умовах експлуатації.
Наукова новизна одержаних результатів полягає у розв’язанні важливої народногосподарської задачі, пов’язаної з ідентифікацією та реєстрацією залізничних вагонів.
До захисту виносяться такі основні наукові результати:
- вперше запропоновані і досліджені аналітичні та інформаційні моделі зображень рухомих об'єктів, які на відміну від існуючих враховують особливості вимірювальних засобів, параметри руху об'єктів та умови освітлення;
- вперше розроблений метод відстеження меж, що базується на запропонованій інформаційній моделі ідентифікаційного елемента та виявлених статистичних залежностях співвідношень яскравостей на границях ідентифікаційних елементів;
- набули подальшого розвитку методи порівняння з еталонами: запропоновано попередню обробку зображень зробити складовою частиною етапу ідентифікації та, окрім еталонів одиночних символів, використовувати двох- та трьохсимвольні послідовності (дисими і трисими);
- вперше запропонована комплексна інформаційна модель процесу ідентифікації рухомих об'єктів, в якій застосовані аналітичні моделі динамічних зображень та нові методи ідентифікації.
Практичне значення одержаних результатів полягає у розробці автоматизованої системи ідентифікації та реєстрації залізничних вагонів. Система створена на базі стандартної апаратури та розробленого програмного забезпечення. Вона використовується як інформаційне джерело про номери залізничних вагонів, час та швидкість перевезення вантажу, а також формує контрольні дані для служби безпеки.
Практична реалізація розробленої системи впроваджена у 2004 р. на Маріупольському металургійному комбінаті "Азовсталь", у 2005 р. у концерні "Стірол" (м. Горловка), у 2006 р. на Запорізькому металургійному комбінаті "Запоріжсталь", у 2007 р. на "Алчевському металургійному комбінаті".
Особистий внесок здобувача. Основні наукові положення, висновки і рекомендації, що викладені в дисертації та виносяться на захист, отримані здобувачем особисто. У роботах, опублікованих у співавторстві, особистий вклад здобувача складає:
[1] – розробка методу визначення параметрів сигналу;
[2] – розробка методу розпізнавання символу;
[3] – розробка математичної моделі зображення;
[5] – розробка методу попередньої обробки зображень.
Апробація результатів дисертації. Основні положення дисертації розглядалися та обговорювалися на засіданнях кафедри “Комп’ютерних інтелектуальних систем та мереж” ОНПУ; міжнародній конференції
“Автоматика – 2001”, Одеса, 2001; шостій міжнародній конференції “Оброблення сигналів і зображень та розпізнавання образів”, Київ, 2002.
Публікації. Основні результати дисертації опубліковані в 7 наукових працях: 5 статей у фахових наукових журналах та збірниках наукових праць; 2 доповіді на науково-технічних конференціях.
Структура та обсяг роботи. Дисертаційна робота складається з вступу, 5 розділів, висновків, списку використаних джерел з 104 найменувань та 2 додатків. Містить 61 рисунок, 6 таблиць. Загальний обсяг роботи складає 159 сторінок, включаючи 148 сторінок основного тексту.
ОСНОВНИЙ ЗМІСТ РОБОТИ
У вступі обґрунтована актуальність теми дисертації, сформульована мета роботи, виділений перелік проблем та питань, що розглянуті в дисертації, наведено характеристику отриманих теоретичних та практичних результатів.
У першому розділі проведено аналіз існуючих методів ідентифікації транспортних засобів і виділено ряд найбільш перспективних з них.
Було запропоновано виконувати ідентифікацію за рахунок використання візуальної інформації про транспортний засіб, її обробки з метою локалізації зони розташування номера і його розпізнавання.
Стосовно до залізничних вагонів, з огляду на обов'язкову наявність на них номерів і їхню гарантовану унікальність у межах підприємства чи держави, а також безпосереднє використання номера вагона у супровідних документах, можна розглядати обрані вихідні дані як найбільш універсальні і зручні для використання в системах документообігу.
Був проведений аналіз сучасного стану апаратно-програмних засобів одержання й обробки відеоданих, проаналізовані основні класи перешкод, що виникають при зйомці транспортних засобів у реальних умовах. Зроблено висновок, що потрібна розробка моделей, які описують зображення об'єктів, отриманих з використанням телекамер з черезстроковим розгорненням, а також потрібні методи і засновані на них алгоритми, що дозволяють розпізнавати символи в умовах високого рівня перешкод.
У другому розділі на підставі аналізу зображень технологічних об'єктів, таких як залізничні состави, що отримані у реальних умовах а також даних про апаратні та програмні засоби, що використовуються для отримання та відцифровки відеоінформації розроблено відповідні математичні моделі.
Зображення загального виду пропонується представити як квантовану функцію яскравості
, ()
де – просторові координати, дискретизовані з кроком один, у діапазоні
– дискретний час у діапазоні ,
де – кількість відліків по горизонтальній та вертикальній координатах відповідно,
– час спостереження.
Модель зображення буде називатися дискретним динамічним зображенням (ДДЗ). Таким чином, ДДЗ – це обмежена квантована функція двох дискретних просторових змінних та дискретного часу, задана на обмеженій прямокутній області при обмеженому часі спостереження.
Замість залежності від часу також доцільно використовувати залежність від номеру кадру . При рівномірному відліку часових інтервалів із кроком
.
де – ціле число в діапазоні ,
де – кількість кадрів зображення.
Тоді ДДЗ буде представлено як
,
Враховуючи фізичну суть вимірюваного сигналу, отримаємо
, ()
де – відбивна здатність об'єкту по дискретних просторових координатах в момент часу .
– освітленість в точці з дискретними просторовими координатами в момент часу .
Аналітична модель зображення є основою для побудови моделей, що враховують особливості вимірювальних засобів, параметри руху об'єктів та умови освітлення.
Особливістю найбільш розповсюджених відеодатчиків є черезстроковий метод сканування, але для обробки зображень більш зручне прогресивне сканування. Нехай є черезстрокове зображення об'єкту, що заповнює усе поле зору відеодатчиків і рухається рівномірно і прямолінійно в напрямку, перпендикулярному погляду відеодатчиків (рис. ).
Рис.. Черезстрокове зображення рухомого об'єкту
У цьому випадку відбивна здатність об'єкту у визначеній точці простору за рахунок переміщення об'єкту буде змінюватися за законом
,
де – інтервал часу між вимірами відбивної здатності об'єкту,
– швидкість руху об'єкту.
Тоді черезстрокове зображення буде записане у вигляді
. ()
де – інтервал часу між напівкадрами,
– ціле число у діапазоні .
Якщо швидкість руху об'єкту відома й освітленість не змінюється у часі, то черезстрокове зображення приводиться до прогресивного по формулі
. ()
де – прогресивне зображення.
Якщо у полі зору відеодатчиків рухається об'єкт, але заповнює не усе поле зору, а заздалегідь відому його частину, а в частині, що залишилася, видне нерухоме тло, тоді модель зображення буде відповідати виразу
, ()
де – зображення об'єкту, що рухається,
– зображення фону,
– функція присутності об'єкту.
Якщо об'єкт, що рухається, у момент часу є присутнім у точці з координатами , то , інакше .
Тоді модель черезстрокового зображення буде представлена як
, ()
і за умови незмінної освітленості перетворення черезстрокового зображення в прогресивне прийме вигляд
. ()
З огляду на те, що , то фактично використовуються значення функції присутності в точці з координатою у моменти часу й . В залежності від комбінації значень функції присутності (табл. ) в довільній точці зображення виникають особливості.
У першому випадку об'єкт, що рухається, відсутній на зображенні як у момент виміру першого напівкадру, так і в момент виміру другого. При цьому функція перетворення черезстрокового зображення в прогресивне вироджується у функцію, що відповідає нерухомому зображенню. Аналогічним чином четвертий випадок вироджується у функцію , відповідний наявності об'єкту, що рухається, у заданій точці простору під час виміру кожного напівкадру.
Таблица .
№ | Примітка
1 | 0 | 0 | Зображення тла
2 | 0 | 1 | Об'єкт поверх тла
3 | 1 | 0 | 0 | Зникнення об'єкту
4 | 1 | 1 | Зображення об'єкту
В другому випадку виникає ситуація, коли об'єкт, що рухається, був відсутній у заданій точці простору в момент часу , але з'явився в цій точці в момент часу . У даному випадку як нерухомий об'єкт розглядається тло, розташований у віддаленні в порівнянні з об'єктом, що рухається, тому прогресивне зображення в даній точці повинне визначатися по формулі . Для обліку подібної ситуації, коли відбувається накладення об'єкту на фонову ділянку, формула перетворюється до вигляду
. ()
Третій випадок відповідає ситуації, коли в момент виміру першого напівкадру об'єкт, що рухається, знаходився в заданій точці простору, а в момент виміру другого напівкадру в тій же точці видна фонова ділянка. Формула у даному випадку дає нуль як значення пікселя прогресивного зображення незалежно від реальних яскравостей тла й об'єкту, що рухається. Більш правильно в даному випадку говорити про те, що точка прогресивного зображення, відновлена з черезстрокового, не визначена. Причина такого явища в тім, що даний кадр черезстрокового зображення не містить у собі інформацію про яскравість тла в даній точці простору, у той час, як у прогресивному зображенні вона повинна бути присутня.
Формули –, є аналітичними моделями зображень та перетворень. Вони покладені в основу розглянутих далі методів обробки і розпізнавання зображень.
У третьому розділі на базі математичних моделей, що розглядалися у попередньому розділі, розроблено ряд методів, що дозволяють усунути вплив перешкод завдяки попередній обробці зображень. Запропоновані та удосконалені методи, що дозволяють знайти, локалізувати та розпізнати текстову інформацію, що присутня на зображенні.
Ідентифікаційний елемент представлений інформаційною моделлю
, ()
де – зона напису,
– зона невизначеного типу,
– довжина зони невизначеного типу,
– максимально допустима довжина зони невизначеного типу.
Зона напису представляється у вигляді кортежу
,
де – множина зображень символів ідентифікаційного елемента,
– множина переходів між символом та фоном,
– множина міжсимвольних фонових ділянок.
Метод відстеження меж, базуючись на моделі , використовує наступні допущення:
- значення сусідніх пікселів, що належать фону, у меншій мірі різняться між собою, чим сусідні пікселі символу і фону;
- область, що належить напису, більш різнорідна, ніж фонова область;
- напис розташований строго горизонтально.
Спочатку ставиться завдання виявити потенційні переходи напис-фон у вигляді набору кортежів та .
де – ліва і права координати вершин відрізка, що розмежовує напис і фон у верхній частині напису;
– ліва і права координати вершин відрізка, що розмежовує напис і фон в нижній частині напису.
– координати верхньої і нижньої меж напису.
Для всіх та , де -ий рядок належить фону, а -ий – напису, з припущення про однорідність фону і відмінність між фоном і написом умови
, ()
()
одночасно будуть істинними з ймовірністю, значення якої очікується таким, що належать діапазону , де
()
()
де – кількість пікселів уздовж межі фону і напису, де з двох сусідніх по горизонталі пікселів один належить символу, інший – фону, –
кількість пікселів уздовж межі, де обидва сусідніх по горизонталі пікселя належать символу.
– кількість пікселів уздовж межі, де обидва сусідніх по горизонталі пікселя належать фону,
– кількість пікселів уздовж горизонтальної межі напису,
.
У перехідній області символ-фон умова очікується істинною, тому у вирази та обов'язково входить величина . На ділянках уздовж межі, де зіставляється фон поза написом з фоном між символами, відбувається, по суті, порівняння двох величин з однаковими статистичними характеристиками, тому найймовірніше, що умова буде істинною в 50% випадків. Те ж стосується умови . Саме тому величина враховується з ваговим коефіцієнтом . Щоб врахувати можливі відхилення від найбільш ймовірного значення, у виразі можна використовувати коефіцієнт, менший, ніж , а у виразі – більший. Величина визначає ширину діапазону ймовірності , оскільки на відрізку, де пікселі напису належать символам, умова очікується істинною, а істинність умови у загальному випадку невідома.
Горизонтальні ділянки, де відношення кількості точок, що задовольняють умовам та , до загальної кількості точок уздовж границі напису знаходиться в діапазоні , є ймовірними верхніми межами напису.
Нижні межі напису визначаються аналогічним чином. Обчислення верхніх і нижніх меж виконується незалежно, а потім із списків меж вибираються верхня і нижня межі, що перекриваються по горизонталі, і відстоять один від одного по вертикалі на відстань, відповідну очікуваній висоті напису. Тобто з кожної пари кортежів та , що задовольняє вказаним умовам, формується новий кортеж , де та – ліва і права, а та – верхня і нижня межа напису відповідно. Кортеж визначає прямокутну ділянку, усередині якої імовірно знаходиться напис.
У загальному випадку обчислені координати по верхній і нижній межах напису не співпадають, оскільки вираженість меж уздовж всього напису може розрізнятися за рахунок зсуву та/або спотворення символів, нерівномірності фону і неоднорідності освітлення. Рис. демонструє, що деяке зменшення масштабу двох останніх символів і особливості зображення цифри "4", привели до того, що верхня межа напису визначена не повністю. Тому як ліву межу слід вибирати менше із значень та , а як праву – більше з та .
Використання тих чи інших методів фільтрації зображень безсумнівно виправдано, коли точно відомо, якого роду перешкоди присутні на конкретному зображенні і який їхній внесок у спотворення. В інших випадках фільтрація може привести до таких змін зображення, що вихідний символ стане невпізнанний. Але, щоб оцінити перешкоди, необхідно мати представлення про ідеальний сигнал, тобто знати, який символ міститься на неспотвореному зображенні, але ця інформація відсутня, доки не прийняте рішення про приналежність символу до одного з класів , а будь-яке прийняте рішення не може вважатися достовірним, доки не усунутий вплив перешкод.
Рис.. Відстеження межі напису
У задачі, зворотній розпізнаванню символів, відомо, що ідеальне зображення являє собою еталон , приналежний класу . Потрібно дати кількісну оцінку одному чи декільком параметрам множини функцій, що спотворюють, . Параметри, що представляють інтерес залежать від вигляду функції . Це може бути амплітуда, частота, кількість пікселей, де не дорівнює нулю та ін.
У загальному випадку зображення може бути піддано впливу декількох функцій, що спотворюють, тоді сумарні витрати на перекручування визначаються як
, ()
де – -ий оцінюваний параметр -ої функції, що спотворює,
– ваговий коефіцієнт обліку -ої функції, що спотворює,
– кількість оцінюваних параметрів -ої функції, що спотворює,
– функціональна залежність всіх оцінюваних параметрів, -ої функції, що спотворює.
Вигляд функції варто визначати в залежності від функцій, що спотворюють, та обраних параметрів, що підлягають оцінюванню. Значення вагових коефіцієнтів вибираються експертом виходячи зі ступеня впливу -ої функції, що спотворює.
У спрощеному випадку, коли для кожної функції, що спотворює, вибирається тільки один визначальний параметр, вираз записується як
.
У цьому випадку на параметри накладаються наступні обмеження:
- визначальний параметр повинний бути ненегативною величиною;
- при зростанні впливу -ої функції, що спотворює, значення визначального параметра повинно збільшуватися.
Тоді рішення поставленої задачі може бути зведене до пошуку такого набору значень параметрів при якому значення сумарних витрат на перекручування буде мінімальним. Значення величини буде визначати мінімально необхідні витрати на перетворення зображення, що спостерігається, до еталона чи від даного еталона до зображення, що спостерігається.
Для розпізнавання символу спочатку висловлюється припущення, що на зображенні був присутній еталонний зразок , який піддався впливу перешкод. Ставиться задача визначити послідовність впливів на еталон, що у результаті дадуть зображення, що спостерігається. Потім ті ж дії повторюються для всіх інших еталонів. В отриманому в результаті наборі витрат на перекручування знаходиться мінімальне значення і приймається рішення про приналежність зразка до того класу, до якого належить еталон на підставі того, що витрати на приведення зразка до цього еталона мінімальні.
У методі еталонно-залежної обробки вихідне зображення безпосередньо бере участь в обробці під кожен еталон окремо. З огляду на те, що підібрана послідовність впливів на вихідне зображення при заданому наборі функцій, що спотворюють, завжди оптимальним образом дозволяє виключити вплив перешкод, то інформація, що присутня на вихідному зображенні, використовується з максимальною ефективністю, що дозволяє одержати бажану точність розпізнавання при меншій кількості еталонів у порівнянні зі стандартним підходом.
У четвертому розділі пропонуються алгоритми, які дозволяють відшукати на зображеннях написи та розпізнати символи, з яких вони складаються. Розглядаються характерні перекручування зображень і пропонується набір базових функцій, що спотворюють, а саме: спотворення бінаризації, спотворення діапазону яскравості та інверсія зображення.
Розглядаються випадки, коли символи в написі розташовані упритул один до одного і утворюють злиту групу. В таких умовах коректне розмежування їх на будь-яких етапах, що передують безпосередньому розпізнаванню, не представляється можливим. Для рішення виникаючої в цьому випадку проблеми вводиться поняття трисим. Найпростішою еталонною одиницею є окремий символ. Для перетворення його в трисим необхідно ліворуч від еталонного символу розмістити праву частину кожного еталона, а праворуч від центрального еталона – праву частину (рис. б).
Рис.. Типи еталонів: а) – одиночний символ, б) – трисим, в) лівосторонній дисим, г) – правосторонній дисим.
Перехід до використання трисимов у загальному випадку підвищує кількість еталонів на два порядки, але на практиці немає необхідності користатися винятково трисимами. Краще встановити розмір вікна по горизонталі, через яке проглядається підлягаюче розпізнаванню зображення, рівним розміру найбільш широких символів і для всіх еталонів, ширина яких незначно відрізняється від максимальної, використовувати лише одиночні еталони. Еталони символів, ширина яких менше максимальної приблизно в півтора разу, варто доповнити дисимами, тобто одиночними еталонами, до однієї зі сторін яких додані частини інших еталонів (рис. в та г). Еталони найбільш вузьких символів повинні містити в собі одиночні символи, дисими і трисими (рис. а-г). Іншою можливістю скорочення загального числа еталонів є знаходження груп символів, подібних за написанням правої і лівої частин. Надалі при побудові дисимів і трисимів до центрального символу додається тільки один представник від кожної групи.
Ширина розпізнаного символу відповідає ширині центрального еталона, а не розміру вікна, через яке виробляється спостереження.
У п'ятому розділі запропонована комплексна інформаційна модель процесу ідентифікації рухомих об'єктів (КІМПІРО), яка дозволила спроектувати інформаційну технологію ідентифікації рухомих об'єктів (ІТІРО), розглянута апаратно-програмна реалізація автоматизованої системи ідентифікації та реєстрації залізничних вагонів (АСІРЗВ), обґрунтоване розташування відеодатчиків, засоби передачі, перетворення і зберігання відеоданих.
Вхідними сигналами КІМПІРО (рис. ) є відеодані та тензодані . У блоці синхронізації (БС) для кожного вагону визначаються динамічні характеристики рухомого об'єкту, такі як швидкість та часовий інтервал спостереження , де
, ()
. ()
де , – початковий та кінцевий моменти часу відповідно, коли об'єкт знаходився у полі зору відеодатчиків,
– час спостереження тензосигналу.
Селектор кадрів (СК), базуючись на характеристиках та , вибирає множину кадрів для подальшого аналізу, де
()
Рис.. Загальний порядок взаємодії блоків обробки інформації в КІМПІРО
Кадри та множина еталонів , отримана на -ому кроці адаптації АСІРЗВ, надають змогу у блоці розпізнавання (БР) отримати розпізнаний номер , де
. ()
У блоці контролю (БК) обчислюються параметри
, ()
()
де – множина перевірених номерів, сформована на -ому та -ому кроках адаптації АСІРЗВ відповідно,
– ознака невірного розпізнавання,
– критерій якості розпізнавання поточного зразка,
– порогове значення критерію якості розпізнавання.
Початковий перелік вірних номерів формується із зовнішніх джерел.
При одиничному значенні величини активізується формувач еталонів (ФЕ) для розширення множину еталонів у базі даних еталонів (БДЕ), Множина еталонів розглядається як функціональна залежність
, ()
де – початкова множина еталонів.
Результат роботи АСІРЗВ зберігається у базі даних вагонів (БДВ) і представляється у вигляді кортежу
. ()
Таким чином, КІМПІРО – це послідовність перетворень інформації, яка виражена сукупністю функціональних залежностей –.
АСІРЗВ тісно пов'язана з підсистемою зважування вагонів (ПЗВ) (рис.), на яку крім основної функції – одержання маси вагонів – покладаються задачі повідомлення про точний момент наїзду составу на ваги і визначення допоміжних характеристик вагонів. Програма зважування (ПЗ) одержує в реальному часі сигнали тензодатчиків (ТД) і з появою граничної маси на ваговій платформі (ВП) негайно передає в модуль відеозахоплення (МВ) сигнал про початок руху составу, і МВ починає фіксувати сигнали відеодатчиків (ВД). Аналогічно повідомляється про завершення проходження составу. До додаткової інформації від ПЗ відносяться такі параметри як кількість вагонів у составі, довжина, швидкість руху і час перебування кожного вагона на вагах. Значна частина даних у ПДВ не є обов'язковою, тому що аналогічні параметри можуть бути визначені шляхом обробки відеоданих, але такий підхід вимагає значно більше обчислювальних ресурсів.
Рис. . Структурна схема АСІРЗВ
Власне система розпізнавання складається з двох основних відносно незалежних частин – відеозахоплення й обробки відеоданих.
Перша частина являє собою додаток, виконаний у вигляді окремого програмного модуля, що функціонує в автономному режимі під керуванням ПЗ. По закінченні відеозапису починає роботу модуль обробки відеоданих. Основна його задача на першому етапі – поставити у відповідність кожному вагону ділянку відеофайлу, протягом якого він знаходився у полі зору телекамер, тобто виконати синхронізацію тензо- і відеоданих. Щоб довідатися про місце розташування вагонів у кожен момент часу, основуючись на вмісті відеофайлу, використовується блок визначення переміщення (БВП). Задача визначення місця розташування номера вирішується в блоці пошуку номера (БПН).
Для подальшої обробки необхідний набір еталонних символів для порівняння. На початку еталони створюються вручну за допомогою редактора еталонів (РЕ) і заносяться в БДЕ. На наступних двох етапах у блоці попереднього розпізнавання (БПР) і блоці розпізнавання символів (БРС) порівнюються зображення, що можливо містять номер, з набором еталонів. Розходження цих етапів тільки в кількості використовуваних еталонів і поставлених цілях. Для попереднього розпізнавання використовується базовий список еталонів, що містить лише один еталон для кожної цифри. Задача даного етапу – визначити, чи міститься номер на даному зображенні.
Етап розпізнавання символів використовує повний список еталонів з метою найбільш правильного розпізнавання всіх присутніх на зображенні цифр. Результат роботи цього етапу – це перелік виявлених символів з ймовірностями їхнього правильного розпізнавання, що використовується у формувачі номера (ФН) для вибору найкращого зображення номера і відкидання помилкових цифр (елементів конструкції, неоднорідностей тла і інших ділянок, сприйнятих як цифри). Кінцевим результатом роботи системи розпізнавання є номер вагона в текстовому вигляді і набір стоп-кадрів по кожному вагону, що дозволяє візуально визначити номер при його невірному розпізнаванні чи прочитати іншу інформацію, що присутня на вагоні.
З метою адаптації системи розпізнавання до рідко зустрічається накресленню символів або до забруднених чи перекошених символів передбачений блок навчання (БН).
Розроблена ІТІРО (рис.) дозволяє отримати інформаційний опис стану рухомого об'єкту після його проходження повз зону спостереження, де за допомогою телекамер проводиться отримання відеоданих.
Для отримання детальної інформації про рух об'єкту бажано використовувати додаткові вимірювальні засоби, такі як ваги, лічильники осей, датчики руху, тощо. Відеодані, інформація про рух та заздалегідь створений набір еталонів виступають у якості вихідних даних етапу розпізнавання, на якому для кожного вагону вирішуються дві основні задачі: отримання номера у цифровому виді та формування набору зображень вагонів, який містить повну візуальну інформацію про написи на бортах вагонів та вантаж, що в них перевозиться.
Допоміжною функцією етапу розпізнавання є видача рекомендацій щодо поповнення набору еталонів символів. Якщо окремі символи у написі, розпізнані невірно або невпевнено, вони заносяться у БД для їх подальшого аналізу наладчиком АСІРЗВ. Ознайомившись з результатами розпізнавання, набором зображень вагонів або з відеоданими, наладчик може прийняти рішення про необхідність розширення переліку еталонів або відхилити рекомендації програми розпізнавання, наприклад, на підставі надто великої зашумленості зразка, що розпізнається.
Рис. . Інформаційна технологія ідентифікації рухомих об'єктів
Розпізнані номери проходять перевірку з використанням додаткової інформації, такої як контрольна сума цифр номеру, перелік номерів вагонів, які могли проїхати повз пункт контролю, тощо. Перевірені і у разі потреби скореговані номери разом із зображеннями вагонів відправляються у БД верхнього рівня, де у поєднанні з інформацією про пункт відправки, пункт призначення, вид вантажу та іншою формують інформаційний опис стану об'єкту.
У висновках наведено основні результати роботи і перспективи їх подальшого застосування та розвитку.
У додатках наведено результати впровадження автоматизованої системи реєстрації та ідентифікації залізничних составів.
ВИСНОВКИ
У дисертації наведені теоретичні та практичні засоби вирішення однієї з найважливіших проблем автоматизації системи обліку вантажопотоків. Моделі, методи та алгоритми, що запропоновані вперше чи вдосконалені на базі існуючих аналогів, а також технологія побудови АСІРЗВ, основаної на зчитуванні і обробці візуальної інформації про транспортні засоби, дозволили створити і ввести в експлуатацію промисловий зразок системи.
Основні наукові і практичні результати дисертаційної роботи такі:
1. На підставі проведеного аналізу систем ідентифікації та реєстрації транспортних засобів виконана формалізація функцій цих систем і розроблена комплексна інформаційна модель процесу ідентифікації рухомих об'єктів.
2. Розроблені математичні моделі статичних та динамічних зображень у їх неперервній та дискретних формах, завдяки чому стало можливим відстежити основні проблеми, що виникають підчас отримання та перетворення зображень.
3. Розроблені аналітичні моделі зображень, отриманих за допомогою черезстрокового методу сканування. Доведено, що за умов незмінного освітлення чи освітлення, що змінюється за відомим законом, для об'єктів, що рухаються рівномірно та прямолінійно черезстрокові динамічні зображення можуть бути перетворені у більш зручні для обробки зображення з прогресивним методом сканування.
4. Завдяки розробці інформаційної моделі ідентифікаційного елемента вдалося виявити статистичні залежності співвідношень яскравостей на границях ідентифікаційних елементів і використати їх у методах відстеження меж, тим самим вирішивши задачу локалізації написів.
5. Запропоновано метод еталонно-залежної обробки, який дозволяє усунути вплив перешкод заздалегідь відомих класів. Проведено порівняльний аналіз із загальноприйнятою послідовністю дій при розпізнаванні і показано, що метод еталонно-залежної обробки за умови вірно встановлених класів перешкод, що оказують вплив на вихідне зображення, та оптимально підібраних вагових коефіцієнтах дозволяє коректно розпізнавати символи при високому рівні перешкод.
6. Забезпечена можливість розпізнавання злитих груп символів за рахунок використання дисимів і трисимів. Запропоновані способи їх побудови, що дозволяють зменшити сумарну кількість еталонів при використанні трисимів.
7. Спроектована діюча апаратно-програмна реалізація АСІРЗВ, проведено її тестування в реальних умовах. Обґрунтований вибір апаратних засобів для реалізації системи і запропоновані шляхи її подальшого розвитку.
8. АСІРЗВ впроваджена на чотирьох великих металургійних підприємствах України: на Маріупольському металургійному комбінаті "Азовсталь", у концерні "Стірол" (м. Горловка), на Запорізькому металургійному комбінаті "Запоріжсталь", на "Алчевському металургійному комбінаті". Перевірено функціонування АСІРЗВ в умовах природного та штучного освітлення, а також при наявності атмосферних осадків. Забезпечено розпізнавання 98% чистих номерів, у чотири рази підвищена пропускна спроможність пунктів обліку.
СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ
1. Копитчук М.Б., Огінський В.М., Олещук О.В. Использование метода циклического интегрирования для определения параметров сигнала при ограниченном времени наблюдения // Труды Одесского политехнического университета. – 2001. – Вып. 1(13). – С. 158-162.
2. Копитчук М.Б., Олещук О.В. Использование метода развертки изображения для распознавания символов // Праці УНДІРТ (Українського науково-дослідного інституту радіо і телебачення). – 2001. – №3(27). – С. 63-68.
3. Копитчук М.Б., Олещук О.В. Поиск изображения текста с заданными характеристиками среди набора изображений различных объектов // Електромашинобудування та електрообладнання. – 2002. – Вип. 59. – С. 89-92.
4. Олещук О.В. Система распознавания номеров железнодорожных вагонов, Вісник ЧІТІ (Черкаського інженерно-технологічного інституту). – 2004. – №2. –
С. 17-22.
5. Копитчук М.Б., Олещук О.В. Предварительная обработка изображений, Вісник ЧІТІ (Черкаського інженерно-технологічного інституту). – 2004. – №3. –
С. 75-80.
6. Копитчук М.Б., Огинский В.Н., Олещук О.В. Распознавание символов с помощью развертки изображения // Праці міжнародної конференції з управління “Автоматика-2001”. – Том 2. – Одеса: ОДПУ. – 2001. – С. 152-154.
7. Копитчук М.Б., Олещук О.В. Попередня обробка зображень // Праці шостої всеукраїнської міжнародної конференції “Оброблення сигналів і зображень та розпізнавання образів”. – К.: Інститут кібернетики ім. В.М. Глушкова. – 2002. –
С. 127-130.
Олещук О.В.. Аналітичні та інформаційні моделі та методи ідентифікації рухомих об'єктів для систем управління вантажопотоками. – Рукопис.
Дисертація на здобуття наукового ступня за спеціальністю 05.13.06 – Автоматизовані системи управління та прогресивні інформаційні технології. – Одеський національний політехнічний університет, Одеса, 2007.
Дисертація присвячена розробці теоретичних основ і засобів побудови автоматизованої системи ідентифікації та реєстрації залізничних вагонів (АСІРЗВ). Показано, що можлива й економічна виправдана побудова АСІРЗВ на базі одержання й обробки візуальної інформації про транспортні засоби.
Розроблено математичні моделі перетворення зображень, отриманих шляхом черезстрокового сканування, у зображення з прогресивним розгорненням. Удосконалено методи відстеження границь за рахунок використання виявлених статистичних залежностей співвідношень яскравостей на границях ідентифікаційних елементів. Розроблено метод еталонно-залежної обробки для розпізнавання при високому рівні перешкод.
Створено апаратно-програмну реалізацію АСІРЗВ на основі запропонованих моделей, методів і алгоритмів. Промисловий зразок продемонстрував працездатність АСІРЗВ і перспективність її впровадження для автоматизації обліку вантажопотоків.
Ключові слова: інформаційна система, система управління вантажопотоками, інформаційна модель, обробка зображень, розпізнавання, ідентифікація.
Oleshchuk O.V. Analytic and informational models and methods of moving objects identification for control systems of freight flows. – Manuscript.
Thesis for candidate’s degree in technical science by speciality 05.13.06 – the automated control systems and progressive information technologies. – Odessa national polytechnic university, Odessa, 2007.
The thesis is dedicated to development of theoretical bases and facilities of construction of the automated system of railroad carriages authentication and registration (ASRCAR). It is shown that construction of ASRCAR on the base of receiving and processing of visual information about the vehicles is possible and economic justified.
The analytical models of transformation of interlaced images to progressive image are developed. The edge sensing methods are improved due to the using of discovered statistical dependences of brightness correlations on the identification elements borders. The method of template-dependent processing is developed for recognition at the high level of noise.
Hardware and software realization of ASRCAR is created on the basis of the offered models, methods and algorithms. An industrial prototype showed ASRCAR efficiency and availability of its introduction for automation of control systems of freight flows.
Key words: information system, automated control system of freight flow, information model, image processing, recognition, identification.
Олещук О.В. Аналитические и информационные модели и методы идентификации движущихся объектов для систем управления грузопотоками. – Рукопись.
Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 – Автоматизированные системы управления и прогрессивные информационные технологии. – Одесский национальный политехнический университет, Одесса, 2007.
Диссертация посвящена разработке теоретических основ и средств построения автоматизированной системы идентификации и регистрации железнодорожных вагонов (АСИРЖВ). Показано, что возможно и экономически оправдано построение АСИРЖВ на основе получения и обработки визуальной информации о транспортных средствах.
Анализ существующих аппаратных средств получения и оцифровки видеоданных показал, что необходима разработка математических моделей для преобразования изображений, полученных путем чересстрочного сканирования, в изображения с прогрессивной разверткой. Предложенные модели основаны на использовании априорной информации о наблюдаемом объекте, что позволяет выполнить преобразование практически без потерь информации.
Разработаны методы получения из видеофайла первичной информации, такой как скорость движения состава, количество вагонов и интервал времени нахождения каждого из них в поле зрения видеодатчика, что позволяет проектировать АСИРЖВ без использования дополнительных источников информации.
Для обнаружения и локализации участка изображения, содержащего надпись, усовершенствованы методы отслеживания границ за счет использования выявленных статистических зависимостей соотношения яркостей на границах идентификационных элементов. Предварительный отсев ложных надписей, обеспечивается двухэтапных алгоритмом распознавания.
Анализ статистических данных и существующих методов распознавания символов показал необходимость применения предварительной обработки изображений, полученных в условиях значительной зашумленности, с целью устранения влияния помех. В то же время предварительная обработка зачастую приводит к недопустимым искажениям изображенного символа, что делает невозможным дальнейший процесс распознавания. Разработка метода эталонно-зависимой обработки позволила устранить вышеописанные сложности за счет модификации непосредственно исходного изображения под каждый эталон. С целью повышения быстродействия предложен ряд комбинированных методов, использующих как стандартную последовательность действий при распознавании, так и эталонно-зависимую обработку.
Разработана информационная технология, позволяющая достоверно идентифицировать транспортные средства за счет применения методов обнаружения и распознавания, сохраняющих работоспособность при высоком уровне помех, а также за счет интеграции с информационной системой предприятия.
Создана аппаратно-программная реализация АСИРЖВ на основе предложенных моделей, методов и алгоритмов. Промышленный образец, прошедший тестирование в реальных условиях, продемонстрировал работоспособность АСИРЖВ и перспективность ее внедрения для автоматизации учета грузопотоков.
Ключевые слова: информационная система, система управления
