Полный текст

Введение В настоящее время системы технического зрения (СТЗ) достаточно широко и успешно применяются во многих отраслях промышленности. Данные системы позволяют автоматизировать контроль качества выпускаемой продукции и управление производственными процессами и минимизировать влияние человеческого фактора [1, 2]. Однако существующие методы технического зрения не могут быть применены для управления процессом флотации при обогащении руд [3-10]. Значительной проблемой при использовании технического зрения для управления процессом флотации является большой разброс статистических характеристик от одного обрабатываемого кадра к другому. Поскольку производится обработка только отдельных кадров, получаемых при нужном положении пеногона, усреднение результатов в процессе их получения невозможно. В связи с этим распознавание начала и окончания переходных процессов затруднено. Например, в работе [11] авторы делают вывод о переходном процессе по следующему тренду количества бликов пузырьков в обрабатываемой области кадра (рис. 1). На рис. 1 обозначены также долговременные средние значения, полученные до начала и после окончания переходного процесса. Очевидно, что при обработке потоковых данных в режиме реального времени возникает проблема идентификации момента начала отклонения. Получаемый зашумленный сигнал сложно отфильтровать. Применение неслепых фильтров, таких, например, как фильтр Калмана [12, 13], затруднено из-за того, что их надо периодически перенастраивать. Фильтр Калмана работает в два этапа [14]. На этапе прогнозирования фильтр экстраполирует значения переменных состояния, а также их неопределенности. На втором этапе по данным измерения, полученного с некоторой погрешностью, результат экстраполяции уточняется. Благодаря пошаговой природе алгоритма фильтрации он способен в реальном времени отслеживать состояние объекта, используя только текущие замеры и информацию о предыдущем состоянии и его неопределенности. Иными словами, на вход фильтра время от времени (при изменении характера шума) необходимо подавать «чистый шум», не содержащий информативного сигнала. Это легко реализовать, например, при фильтрации линии связи, но в нашем случае достаточно сложно определить, на каком участке тренда нет переходного процесса (информативного сигнала). Собственно, именно его начало и окончание как раз и требуется определить. Рис. 1. Тренд количества пузырьков в кадре [1] Слепая фильтрация в системах регулирования обычно выполняется методом скользящего среднего [12]. Однако в данном случае его применение вызывает две проблемы. Если использовать малое количество точек, то шум результата не очень отличается от исходного. А если использовать большое количество точек для осреднения (10, 20), то теряется результат (рис. 2). Например, при регрессионном анализе, когда в распоряжении исследователя есть уже весь тренд, как видно из рис. 1, что в точке А около 70-го отсчета переходный процесс уже начался, т.е. его фактическое начало расположено где-то около 65-го отсчета. Рассмотрим подробнее участок этого тренда (рис. 3). Очевидно, что при сглаживании по 10 или 20 точкам нет никакой возможности в моменты отсчета 65-70 идентифицировать начало переходного процесса, а при малом количестве точек идентификация по-прежнему затруднена шумом. Рис. 2. Фильтрация тренда методом скользящего среднего: - исходные; - по трем точкам; - по пяти точкам; - по десяти точкам; - по 20 точкам Рис. 3. Участок начала переходного процесса: - исходные; - по трем точкам; - по пяти точкам; - по десяти точкам; - по 20 точкам 1. Постановка задачи Из всего перечисленного выше следует, что решение задачи уменьшения шума без оказания влияния на идентификацию переходного процесса или, наоборот, улучшения идентификации является практически значимым. Для решения данной задачи предлагается распознавать не единичные кадры, а наборы из N последовательных кадров, так как каждый раз при подсчете количества бликов возникает случайная ошибка, природа которой нам не может быть известна. В каждом из N последовательных кадров мы получим свое количество бликов, свое среднее значение освещенности, цветовых компонентов и т.д. При этом предположительно, количество бликов в нескольких кадрах, снятых подряд с частотой 25-60 fps, должно быть почти одинаковым. Разница может получаться только за счет того, что сколько-то пузырьков покинули обрабатываемую область кадра, а сколько-то в нее вошли. При равномерной пене это должны быть очень близкие значения. 2. Экспериментальная часть Расчеты показали, что использование среднего арифметического количества бликов из N кадров где bi - количество бликов в i-м из N кадров, не приводит к эффективному, значительному уменьшению шума. Исходя из этого, необходимо использовать другую норму вектора . Будем вычислять справочное среднее количество бликов B* в кадре по последним M отсчетам синхронизации пеногона. Из результатов обработки каждых N последовательных кадров будем выбирать значение, которое ближе к среднему, т.е. На рис. 4 представлен фрагмент реального тренда количества пузырей в зависимости от номера кадра при N = 2. Рис. 4. Пояснение к алгоритму фильтрации: - исходные; - средние; - сглаженные Очевидно, что сглаженный тренд будет иметь меньший разброс, чем исходный. При росте N (2, 3, 4 …) эффект сглаживания будет увеличиваться до некоторого предела. На материалах 20 реальных съемок было произведено исследование, насколько изменяется шум в зависимости от N. Визуально снижение шума улучшается при использовании бо́льшего N (рис. 5), результаты получены при M = 6. Рис. 5. Результаты фильтрации с использованием разного количества кадров на участке без переходного процесса: - один кадр; - два кадра; - три кадра; - четыре кадра; - пять кадров Необходимое количество кадров оценили по среднеквадратичному отклонению на съемках участков без переходных процессов. На рис. 6 приведены типичные зависимости для нескольких процессов, а также среднее значение. За 100 % взято среднеквадратичное отклонение, достигаемое при N = 1. Рис. 6. Зависимость среднеквадратичного отклонения шума от количества обрабатываемых одновременно кадров N: - процесс № 1; - процесс № 2; - процесс № 3; - среднее значение Рис. 7. Результаты обработки видеопотока с переходного процесса: - по одному кадру, сглаживание 20; - по трем кадрам, сглаживание 10 Очевидно, что наибольшее снижение шума достигается при N = 2…3. Дальше шум также снижается, однако очень существенно возрастает время обработки видео, поэтому для дальнейшего использования выбрано N = 3. С этой настройкой обработан видеопоток переходного процесса, приведенный на рис. 1. Среднеквадратичное отклонение шума при этом уменьшилось на 7,9 % (с 34,42 до 31,88). Результаты обработки методом скользящего среднего по 20 кадрам (взято с рис. 2) и методом скользящего среднего по 10 кадрам при N = 3 приведены на рис. 7. Видно, что начало переходного процесса (окрестность А) может легче быть идентифицировано по второму графику. Например, для этого можно использовать тот же метод, что применяется для синхронизации пеногона [15]. Идея метода заключается в том, что за окрестность А принимаются такие участки тренда, на которых за заданный, достаточно краткий промежуток времени dt наблюдается существенный рост значения. Термин «существенный» требует расшифровки. Определим максимальное Ymax и минимальное Ymin значения за некоторый достаточно длинный период времени Dt на продолжительном участке тренда (тренд 1 на рис. 5), еще не подвергнутого фильтрации. Будем считать моментом начала переходного процесса t такую точку тренда, значение в которой Y(t) значительно больше, чем Y(t - dt), т.е. Y(t) - Y(t - dt) ³ dY, где порог разности значений dY = (Ymax - Ymin) / R, а R Î [2, 4] в зависимости от условий съемки. Для обработки будем выбирать кадр, поступивший через Dt после момента синхронизации. Рис. 8. Тренды исходного среднемедианного расстояния между бликами и усредненного по трем кадрам и методом скользящего среднего по десяти точкам: - по трем кадрам с усреднением; - по одному кадру В соответствии с выводами работы [15] в некоторых случаях для идентификации начала переходного процесса лучше использовать среднее медианное значение расстояний между бликами. После усреднения при N = 3 и усреднения методом скользящего среднего по 10 точкам, действительно, этот метод и в данном случае позволяет идентифицировать начало переходного процесса (рис. 8). Из-за разной длины скользящего среднего здесь начало тренда сдвинуто на 20 отсчетов относительно рис. 7. Этот метод может использоваться в дополнение к разработанному в данной статье. Выводы Таким образом, поставленная выше задача решена. Обоснован и разработан метод адаптивной фильтрации тренда количества бликов, позволяющий уменьшить среднеквадратичное отклонение на 10-25 % для разных съемок. Соответственно, увеличивается качество распознавания переходного процесса и сигнализации о его начале для флотатора. Метод реализован в программном обеспечении на языке С++. Показано, что новый метод не противоречит ранее полученным результатам. Следовательно, метод может быть применен на практике для обработки видеопотоков с промышленной флотомашины.

Об авторах

К. А Федосеева

Пермский национальный исследовательский политехнический университет

Список литературы

Статистика

Просмотры

Аннотация - 74

PDF (Russian) - 60

Ссылки

• Ссылки не определены.