|
DOI: 10.14489/hb.2017.06.pp.043-050
Григорьев И. В., Куницкая О. А., Куницкая Д. Е.
ОБОСНОВАНИЕ МЕТОДА РАСПОЗНАВАНИЯ ПЯТЕН КОРЫ НА БАЛАНСАХ ДЛЯ АВТОМАТИЧЕСКОЙ СОРТИРОВКИ ПО КАЧЕСТВУ ОКОРКИ
(c. 43-50)
Аннотация. Для повышения эффективности работы линии изготовления технологической щепы предложено несколько технических решений по автоматизации процесса управления качеством окорки балансов в окорочном барабане. Идея заключается в снабжении линии узлом сканирования, с блоками информации и программирования, установленным на выходе из окорочного барабана, и его связи с приводами сбрасывателя плохо окоренных бревен. Данное решение базируется на возможности автоматической оценки площади бревен, занятой неотделившейся корой. Теоретические исследования алгоритма делятся по смыслу на два подраздела: 1) выделение на снимке непосредственно объекта (баланса); 2) бинаризация изображения, которая должна максимально полно выделить неокоренные участки баланса. На первом этапе необходимо разделить изображение на фон и исследуемый объект (окоренный баланс). В исследуемом случае задача сводится к поиску двух криволинейных разрезов, которые соединяют левый и правый края изображения. Второй этап – разделение полученного изображения на окоренные и неокоренные области. Интересующие неокоренные области зачастую могут оказаться малоконтрастными по сравнению с окоренной древесиной. Таким образом, основной задачей обработки и анализа изображения является качественная сегментация (разделение изображения на области, для каждой из которых выполняется некоторый критерий однородности). В статье рассмотрены три метода бинаризации изображения для получения наиболее качественной сегментации. 1-й метод – пороговая обработка изображения, заключается в сопоставлении яркости каждого из пикселов изображения с заданным пороговым значением яркости. 2-й метод – метод Оцу. При помощи метода Оцу, в случае бинаризации вычисляют порог, при котором к минимуму сводится средняя ошибка сегментации. Значения яркостей пикселов изображения рассматривают как случайные величины, их гистограмму распределения – как оценку плотности распределения вероятностей случайных величин. При известных из гистограммы плотностях распределения вероятностей становится возможным определение оптимального порога для разделения изображения на объект (неокоренный участок) и фон (окоренная древесина). 3-й метод – метод Бернсена. В рамках этого метода все изображение делится на области с заданным размером. Далее, для каждого пиксела изображения в пределах области используется порог, имеющий значение, равное среднему арифметическому наименьшего и наибольшего уровней яркости в исследуемой области. В результате теоретических и экспериментальных исследований установлено, что наиболее оптимальным для решения рассматриваемой задачи является метод Оцу.
Ключевые слова: качество окорки; окорочные барабаны; автоматизация деревообработки; машинное зрение; распознавание образов.
Grigoriev I. V., Kunitsky O. A., Kunitsky D. E.
SUBSTANTIATION METHOD FOR DETECTING SPOTS OF BARK ON THE BALANCE SHEETS FOR THE AUTOMATIC QUALITY SORTING DEBARKING
(pp. 43-50)
Abstract. To improve the efficiency of the line production of wood chips proposed several technical solutions to automate process management, quality debarking in debarking drum. The idea is to supply the line node of the scan, with blocks of information and programming that is installed on the exit of the debarking drum and its connection with the drive collar poorly debarked logs. This decision is based on the automatic evaluation of logs busy square separated not bark. Theoretical studies of the algorithm are divided on the meaning of two subsections: 1) the selection directly on the image of the object (balance); 2) image binarization, which must fully allocate the debarked parts of the balance. The first step is to divide the image into background and object under study (debarked balance). In the studied case, the problem is reduced to finding two curved sections which connect the left and right edges of the image. The second stage separation of the obtained image on debarked debarked and region. Interested in debarked area, it can often be low-contrast in comparison as compared to debarked wood. Thus, the main task of processing and analyzing images is a high-quality segmentation (dividing an image into areas for each of the Kowhich runs some criterion of homogeneity). The article considers three methods of binarezanii image to produce the highest quality segmentation. 1st method – Threshold processing of the image consists in comparing the brightness of each image pixel with a given threshold value of brightness. The 2nd method of Otsu. By using the method of Otsu in the case of the calculated binarization threshold at which minimized is the average error of segmentation. Values of brightness of pixels from image is considered as a random variable, histogram – like estimation of distribution density of probabilities of random variables. When known from the histogram of the probability density functions, it becomes possible to determine the optimal threshold for dividing the image into a object (debarked area) and background (debarked wood). 3rd method – a method of Bernsen. In this method whole image is divided into areas for the data size. Next, for each image pixel within a region is used, the threshold having a value equal to the average between the lowest and highest brightness levels in the study area. As a result of theoretical and experimental researches it is established that the most optimal for solving the above problem is the method of Otsu.
Keywords: The quality of debarking; Debarking drums; Automation; Woodworking; Computer vision; Pattern recognition.
И. В. Григорьев, О. А. Куницкая, Д. Е. Куницкая (Санкт-Петербургский государственный лесотехнический университет им. С. М. Кирова, Санкт-Петербург, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
I. V. Grigoriev, O. A. Kunitsky, D. E. Kunitsky (Saint Petersburg State Forest Technical University under name of S. M. Kirov, Saint Petersburg, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. Куницкая Д. Е. Повышение эффективности работы древесно-подготовительных цехов на основе автоматизации операций сортировки лесоматериалов / Наука и инновации в технических университетах: материалы VIII Всерос. форума студентов, аспирантов и молодых ученых. СПб.: СПбГПУ, 2014. С. 111–112.
2. Автоматизация оценки качества окорки лесоматериалов в окорочных барабанах / О. А. Куницкая, И. В. Григорьев, Б. М. Локштанов, Д. Е. Куницкая, А. Е. Лукин // Справочник. Инженерный журнал. С приложением. 2016. № 7(232). С. 56 – 64.
3. Автоматизация оценки качества окорки бревен в окорочных барабанах / И. В. Григорьев, Д. Е. Куницкая, О. А. Куницкая, Ю. В. Ланских // Актуальные проблемы и перспективы развития лесопромышленного комплекса: сб. науч. тр. III Междунар. науч.-техн. конф. ФГБОУ ВПО «Костромской государственный технологический университет». 2015. С. 132 – 135.
4. Патент РФ на полезную модель № 108001. Линия изготовления технологической щепы / Григорьев И. В., Локштанов Б. М., Гулько А. Е., Куницкая О. А., Орлов В. В.; опубл. 22.04.2011.
5. Патент РФ на полезную модель № 151529. Устройство оперативной автоматизированной оценки качества окорки и управления процессом возврата плохо окоренных бревен на дополнительную окорку / Григорьев И. В., Куницкая О. А., Ланских Ю. В., Чувашев Е. С., Перевозчиков А. А.; опубл. 10.04.2015; Бюл. № 10.
6. Патент РФ на полезную модель № 151530. Устройство оперативной автоматизированной оценки качества окорки и управления процессом возврата плохо окоренных бревен на дополнительную окорку / Григорьев И. В., Куницкая О. А., Ланских Ю. В., Чувашев Е. С., Перевозчиков А. А.; опубл. 10.04.2015; Бюл. № 10.
7. Патент РФ на полезную модель № 151531. Устройство оперативной автоматизированной оценки качества окорки и управления процессом возврата плохо окоренных бревен на дополнительную окорку / Григорьев И. В., Куницкая О. А., Ланских Ю. В., Чувашев Е. С., Перевозчиков А. А.; опубл. 10.04.2015; Бюл. № 10.
8. Патент РФ на полезную модель № 151533. Устройство оперативной автоматизированной оценки качества окорки и управления процессом возврата плохо окоренных бревен на дополнительную окорку / Григорьев И. В., Куницкая О. А., Ланских Ю. В., Чувашев Е. С., Перевозчиков А. А.; опубл. 10.04.2015; Бюл. № 10.
9. Куницкая Д. Е., Григорьев И. В., Хитров Е. Г. Алгоритм распознавания баланса на цифровом снимке // Актуальные направления научных исследований XXI века: теория и практика. 2015. Т. 3, № 9-2 (20-2). С. 197 – 201.
10. Крохина Д., Прун В., Постников В. Использование критерия Оцу в пространстве геометрических разрезов на примере задачи поиска линии горизонта // Информационные технологии и системы: сб. тр. 2014. С. 303 – 307.
11. Григорьев И. В., Куницкая Д. Е. Модель распознавания окоренного баланса на цифровом снимке // Актуальные направления научных исследований XXI века: теория и практика. 2015. Т. 3, № 5-4 (16-4). С. 283 – 287.
12. Isabelle Guyon Clopinet, André Elisseeff. An Introduction to Variable and Feature Selection. The Journal of Machine Learning Research. 2003. V. 3. Р. 1157 – 1182.
13. Григорьев И. В., Куницкая Д. Е. Бинаризация изображения окоренного баланса / Леса России: политика, промышленность, наука, образование: материалы научно-технической конференции; под. ред. В. М. Гедьо. 2016. С. 109 – 112.
14. Richard O. Duda, Peter E. Hart, David G. Stork. Pattern classification (2nd edition). Wiley, New York, 2001. 711 p.
15. Mineichi K., Sklansky J. Comparison of Algorithms that Select Features for Pattern Classifiers. Pattern Recognition 33 (1), 2000. Р. 25 – 41.
16. Koutroumbas, Konstantinos; Theodoridis, Sergios. Pattern Recognition (4th ed.). Boston: Academic Press, 2008. 345 p.
17. Григорьев И. В., Куницкая Д. Е. Уменьшение количества отходов основного производства древесно-подготовительных цехов за счет автоматизации основных операций / Актуальные направления научных исследований XXI века: теория и практика. Том 3. Номер 2-2 (13-2). Воронеж: ВГЛТА, 2015. С. 409 – 412. DOI: 10.12737/11127.
18. Куницкая О. А., Григорьев И. В. К вопросу рационального использования НКД // Актуальные направления научных исследований XXI века: теория и практика. 2014. Т. 2, № 3-4 (8-4). С. 147 – 151.
1. Kunitskaia D. E. (2014). Increasing the efficiency of wood-preparation shops on the basis of automation of timber sorting operations. Science and innovation in technical universities: proceedings of the VIII All-Russian forum of students, graduate students and young scientists. (pp. 111-112). St. Petersburg: SPbGPU. [in Russian language]
2. Kunitskaia O. A., Grigor'ev I. V., Lokshtanov B. M., Kunitskaia D. E., Lukin A. E. (2016). Automation of evaluation of the quality of debarking wood in the debarking drums. Spravochnik. Inzhenernyi zhurnal, 232(7), pp. 56-64. doi: 10.14489/hb.2016.07.pp.056-064 [in Russian language]
3. Grigor'ev I. V., Kunitskaia D. E., Kunitskaia O. A., Lanskikh Iu. V. (2015). Automation of assessing the quality of debarking logs in bark drums. Actual problems and prospects for the development of the timber industry complex: proceedings of the III International scientific-technical conference. (pp. 132-135). FGBOU VPO «Kostromskoi gosudarstvennyi tekhnologicheskii universitet». [in Russian language]
4. Grigor'ev I. V., Lokshtanov B. M., Gul'ko A. E. et al. (2011). Pulpchips manufacturing line. Ru Patent on utility model No. 108001. Russian Federation. [in Russian language]
5. Grigor'ev I. V., Kunitskaia O. A., Lanskikh Iu. V. et al. (2015). Device for operative automated quality assessment and management of return debarking process of bad debarked logs for additional debarking. Ru Patent on utility model No. 151529. Russian Federation. [in Russian language]
6. Grigor'ev I. V., Kunitskaia O. A., Lanskikh Iu. V. et al. (2015). Device for operative automated quality assessment and management of return debarking process of bad debarked logs for additional debarking. Ru Patent on utility model No. 151530. Russian Federation. [in Russian language]
7. Grigor'ev I. V., Kunitskaia O. A., Lanskikh Iu. V. et al. (2015). Device for operative automated quality assessment and management of return debarking process of bad debarked logs for additional debarking. Ru Patent on utility model No. 151531. Russian Federation. [in Russian language]
8. Grigor'ev I. V., Kunitskaia O. A., Lanskikh Iu. V. et al. (2015). Device for operative automated quality assessment and management of return debarking process of bad debarked logs for additional debarking. Ru Patent on utility model No. 151533. Russian Federation. [in Russian language]
9. Kunitskaia D. E., Grigor'ev I. V., Khitrov E. G. (2015). Algorithm for recognizing the balance in a digital image. Proceedings of the International extramural scientific-practical conference: Current research trends of the XXI century: theory and Practice, Vol. 3, 9-2 (20-2), (pp. 197-201). [in Russian language]
10. Krokhina D., Prun V., Postnikov V. (2014). The use of the Otsu criterion in the space of geometric cuts by the example of the problem of finding the horizon line. Information technology and systems: proceedings, pp. 303-307. [in Russian language]
11. Grigor'ev I. V., Kunitskaia D. E. (2015). Model of recognition of debarked balance in a digital image. Proceedings of the International extramural scientific-practical conference: Current research trends of the XXI century: theory and Practice, Vol. 3, 16-4(5-4), (pp. 283-287). [in Russian language]
12. Isabelle Guyon Clopinet, André Elisseeff. (2003). An introduction to variable and feature selection. The Journal of Machine Learning Research, 3, pp. 1157-1182.
13. Ged'o V. M. (Ed.), Grigor'ev I. V., Kunitskaia D. E. (2016). Binarization of an image of debarked balance. Forests of Russia: politics, industry, science, education: proceedings of the scientific and technical conference, (pp. 109-112). [in Russian language]
14. Richard O. Duda, Peter E. Hart, David G. (2001). Stork. Pattern classification. (2nd edition). Wiley, New York.
15. Mineichi K., Sklansky J. Comparison of Algorithms that select features for pattern classifiers. Pattern Recognition, 33(1), pp. 25-41.
16. Koutroumbas, Konstantinos, Theodoridis, Sergios. (2008). Pattern recognition. (4th ed.). Boston: Academic Press.
17. Grigor'ev I. V., Kunitskaia D. E. (2015). Reducing the amount of waste of the main production of wood-preparatory departments by automating the basic operations. Modern approaches of scientific researches of the XXI century: theory and practice. Collection of scientific papers. Vol. 3. 13-2(2-2). Voronezh: VGLTA, pp. 409-412. doi: 10.12737/11127. [in Russian language]
18. Kunitskaia D. E., Grigor'ev I. V. (2014). Rational use of low-quality wood. Actual directions of scientific research of the XXI century: theory and practice, Vol. 2, 8-4(3-4), (pp. 147-151). [in Russian language].
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа статьи заполните форму:
.
This article is available in electronic format (PDF).
The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please fill out the form below:
.
.
|
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»