Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

книги из ГПНТБ / Мясников, В. А. Программное управление оборудованием

.pdf
Скачиваний:
22
Добавлен:
22.10.2023
Размер:
18.36 Mб
Скачать

К матрице различий А слева приписывается матрица А', полу­ ченная из А заменой признаков, отличных от 0 на 1. Результирую­

щая матрица Лрсз является исходной для минимизации описа­ ний деталей на этапе обучения роботов.

Определение 5.

Минимальным покрытием матрицы В ранга d назовем

матрицу В, состоящую из минимального числа строк матрицы В и содержащую в каждом столбце не менее d единиц.

Нахождение минимальных покрытий матриц можно произво­ дить с помощью различных методов, в частности, достаточно эф­ фективно использование метода «ветвей и границ».

Теорема 4.

Минимальное число признаков L (Я), требуемых для разли­

чения s классов деталей при наличии не более чем t

искажений

в изображениях, равно числу строк матрицы Лрез

ранга d ^

Ss 2f + 1.

 

 

Доказательство: а) Необходимость. Пусть число строк ма­

трицы А рез равно L (Л).

Рассмотрим произвольную

матрицу В

с числом строк L (В) <

L (Л), которая получена из

Лрез выбо­

ром некоторых строк. По определению минимального покрытия ранга d (определение 5) матрица В содержит хотя бы один стол­ бец с числом единиц, меньшим d. Пусть номер этого столбца ра­ вен г. Тогда, если г ==£ N, т. е. столбец принадлежит матрице Л',

то система признаков, определяемых

матрицей В, не обеспечивает

различия r-й детали

от «пустой» (с

номером 0). Если же

N <

< г

I N +

^

N[-Nj)

(столбец

принадлежит

Л),

при-

чем

\

/=i+i /=1

/

сравнения

k-й детали

группы N{

r-й столбец получен из

и 2 -й детали группы Njt то матрица В не обеспечивает различе­

ния при наличии ^-кратных искажений i-й и /-й групп де­ талей.

Следовательно, любая матрица В (и соответствующая ей си­ стема признаков) с числом строк, меньшим L (Л), не может обеспе­

чить различения всех s классов деталей.

б) Достаточность следует из того,

что коды первых N столб­

цов различаются на расстоянии d 5 » 2t + 1 , в противном случае

покомпонентное сравнение двух столбцов обязательно в ма­

трице Л дало бы столбец с числом единиц, меньшим d. Однако

по определению 5 в любых столбцах матрицы Лрез содержится

не менее

d единиц. Расстояние, d ^

2t + 1 обеспечивает

одно­

значное

распознавание при наличии

^-кратных искажений

при­

знаков.

Использование теоремы 4 .дозволяет на этапе обучения робота по предъявленным N изображениям и разбиениям на s классов

составить минимальное описание для надежного распознавания

471

фиксированных ориентированных детален при наличии /-крат­

ных искажений.

Пусть s — N,

т. е. в каждой группе содержится

Следствие 1.

только одна деталь. Тогда размер матрицы Лрсз

равен

( т Х п ) Х

X (N + C-N).

Пусть s — 2,

причем Ыг = 1,

а М2 =

N — 1,

Следствие 2.

т. е. требуется «узнать» одну деталь (для определенности, с но­

мером 1 на фоне всех

прочих).

 

 

 

о)

 

 

 

г а?

 

 

 

 

Тл

 

 

I

r/fl':

т

" й

с I I

а

ц

j

VU\/

\ %

 

1

и

4!

 

г

 

 

 

 

 

/

Рис. 217. Пример минимизации числа признаков фиксированных ориентиро­ ванных детален: а — изображение десятичных цифр; 6 — выделенный минималь­

ный набор признаков

Размер матрицы Лрез равен (tnXn)X(2N — 1). Рассмотрим

пример выбора минимального числа признаков для различения деталей, изображения которых предъявлены роботу на этапе обу­ чения. Поскольку цифры могут служить примером деталей до­ статочно сложных форм, в качестве обучающего набора возьмем цифры от 0 до 9, изображения которых приведены на рис. 217, а,

асистема координат с квантованными уровнями на рис. 217, б. Пусть требуется различать все цифры, тогда N — 10, число

исходных признаков т Х п = 3-7 = 21, число классов s — N. Ре­

зультирующая матрица Лрез приведена в табл. 23.

Выбор минимального покрытия матрицы дает решение с но­ мерами признаков 7, 8, 10, 11 и 15, которые приведены ниже.

Лй

 

 

 

 

№ деталей

 

 

 

 

 

 

 

 

 

 

 

 

 

 

признаков

1

2

3

4

5

6

7

8

9

0

 

7

0

0

0

1

0

1

0

1

0

1

8

0

1

0

1

0

0

1

0

0

0

10

0

0

0

1

1

1

0

0

1

1

11

0

0

1

0

1

1

1

1

1

0

15

1

1

1

1

0

0

1

1

1

1

Из приведенного решения видно, что каждой цифре соответ­ ствует свой отличный от всех других код значений признаков.

472

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Т а б л и ц а

23

 

 

 

 

 

 

 

 

 

Результирующая матрица для выборов минимального числа признаков,

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

достаточных для однозначного распознавания десятичных цифр

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1 о 3 4 5 6

 

 

 

 

1 1 1 1 I 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 4 4 4 4 4 4 5 5

5 5 5 6 6 6 6 7 7 7 8

8 9

знаков

7

8

9

0

2

3

4

5

G 7 8

9

0

3

4 5

G 7

8

9

0

4

5

6

7

8 9

0

О G 7

8

9

0 6

7

8

9

0

7 8 9 0 8

9

0

9

0 0

1

0

1

1

0

1

1

1

1

1

1

1

1

0

1

1

1

1

1

1 0

1 0

0

0

0

0

0

1 0

0

0

0

0

0

1

1

1

1

1

1 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

2

0

1

1 0

1

1 0

1

1

1

1

1 0

1

1 0

1

1

1 0

1 0

0

1 0

0

0

1 0

0

1 0

0

0

1

1 0

1

1

1 0

1 0

0

0

1 0

0

0

1

1

1 0

0

0

3

1

1

1

1

1

1 0

1

1

1 0

0

0

0

0

1 0

0

0

0

0

0

0

1 0

0

0

0

0

0

1 0

0

0

0

0

1 0

0

0

0

1 0

0

0

1 0

0

0

1

1

1 0

0

0

4

0

1

1 0

1

1

1

1

1

1

1

1

0

1

1

1

1

1

1 0

1 0

0

0

0

0

0

1 0

0

0

0

0

0

1

1

1

1

1

1 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

5

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

6

1 0

1

1

1

1 0

1

1

1

1 0

0

0

0

1 0

0

0

1

1

1

1 0

1

1

1 0

0

0

1 0

0

0

0

0

1 0

0

0

0

1 0

0

0

1 0

0

0

1

1

1 0

0

0

7

0 0 0 1 0 1 0 1 0 1 0 0 I 0 1 0 1 0

1 0 1 0 1 0 1 0 1 1 0 1 0 1 0 1 1 0 1 0 1 0 1 0 1 0 1 1 0 1 0

1 0 1 1 0 1

8

0

1 0

1 0

0

1

0

0

0

1 0

1 0

0

1

0

0

0

1 0

1

1 0

1

1

1

1 0

0

1 0

0

0

1

1 0

1

1

1 0

1 0

0

0

1 0

0

0

1

1

1 0

0

0

9

1 0

1

1

1

1 0

1

1

1

1 0

0

0

0

1 0

0

0

1

1

1

1 0

1

1

1 0

0

0

1 0

0

0

0

0

1 0

0

0

0

1 0

0

0

1 0

0

0

1

1

1 0

0

0

1 0

0 0 0 1 1 1 0

0 1 1 0 0 I 1 1 0 0 1 1 0 1 1 1 0 0 1 1 1 I 1 0 0 1 1 0 0 1 1 0 0 0 1 1 0 0 1 1 0 0 0

1 1 1 1 0

11

0 0 1 0 1 1 1 1 1 0 0 1 0 1 1 1 1 1 0 1 0 1 1 1 1 1 0 1 0 0 0 0 0 1 1 1 1 I 1 0 0 0 0 0 1 0 0 0 1 0 0 1 0 1 1

12

1

1

0

1

1

1 0

0

1

1 0

1 0

0

0

1

1 0

0

1 0

0

0

1

1 0

0

1

1

1 0

0

1

1 0

0

1

1 0

0

0

1

1 0

0

1

1 0

0

0

1

1

1

1 0

13

1

1 0

1

1

1 0

1

1

1 0

1 0

0

0

1 0

0

0

1 0

0

0

1 0

0

0

1

1

1 0

1

1

1 0

0

1 0

0

0

0

1 0

0

0

1 0

0

0

1

1

1 0

0

0

14

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

15

1

1

1

1 0

0

1

1

1

1 0

0

0

1

1 0

0

0

0

0

0

1

1 0

0

0

0

0

1

1

0

0

0

0

1

1 0

0

0

0

0

1

1

1

1

1

1

1

1 0

0

0

0

0

0

16

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

17

1 0

0

0

0

0

0

0

0

0

1

1 1

1

1

1

1

1

1 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

18

1 1 1 1 0 1 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 1 0

0 0 0 0 0 1 0 0 0 0 0

1 0 0 0 0 0 1 1 1 1 I 0 0 0 0 0 0 0 0 0 0

19

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

20

0

1

1 0

1

1

 

1

1

1

1

1 0

1

1

1

1

1

1 0

1 0

0

0

0

0

0

1 0

0

0

0

0

0

1

1

1

1

1

1 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

21

1

1

1

1

1

1

1

1

1

1 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0 0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

со

Минимальное расстояние между кодами признаков всех цифр равно 2, цифра 1 отличается от «пустого» символа только значе­ нием одного признака. В связи с этим, коррекция ошибок при распознавании невозможна, однако возможно обнаружение не­ которых одиночных и двойных ошибок.

Если требуется выделить только одну цифру на фоне всех остальных, например цифру 6, то минимальное число призна­ ков сокращается до 2-х, как показано ниже.

к»

 

 

 

 

№ деталей

 

 

 

 

 

 

 

 

 

 

 

 

 

 

признаков

1

О

3

4

5

G

7

8

9

0

 

7

0

0

0

1

0

1

0

1

0

1

15

1

1

1

1

0

0

1

1

1

1

Действительно, код признаков будет соответствовать комби­ нации 10 (левый символ соответствует признаку 7, правый — 15) только при предъявлении цифры 6.

'Распознавание фиксированных неориентированных деталей. Для

решения задачи классификации в случае фиксированных не­ ориентированных деталей необходимо выбрать характеристики, инвариантные к поворотам изображений. Такой характеристикой, может служить, например, циклическая автокорреляционная функ­ ция (либо некоторые ее отсчеты). Действительно, если упорядо­ ченное множество сигналов рецепторов, расположенных на за­ данном расстоянии R от фиксированного условного центра изо­

бражения детали представить в виде дискретной функции /д (г), то при повороте изображения вокруг этого центра произойдет циклический сдвиг функции, причем величина сдвига однозначно связана с углом поворота изображения.

Пусть требуется произвести классификацию N деталей при s

классах (число деталей в классах, как и раньше, Nlt N 2, ■■ Ns,

a

S

= N). Преобразуем изображения из декартовых коорди-

 

1=1

нат в полярные с центром новых координат, совпадающим с точкой фиксации изображений (в произвольном случае — с «цен­ тром тяжести» проекции). Для каждого изображения построим

систему булевых функций

(г),

где I = 1 , 2

, . . . , т\ т — число

различных радиусов, z = 0,

1, .

. .,

(п — 1).

Построим матрицу

различий В размером

шХ

X

ЯНГ ** ,

по следующему пра­

 

 

/ = ; + 1

£ = i

определенному радиусу R lt

вилу: каждая строка

соответствует

474

R 2. •

■-I

• •>

i

 

а

каждый столбец — паре

изображений

из

разных

классов

и /

причем

 

 

 

 

 

 

 

 

 

 

 

 

1,

если существует такое

т;/-,

что

 

 

 

 

 

bh а

 

 

IBi, i (Д/) — Buj (т;/) |

d

 

 

 

 

 

 

 

 

О— в остальных случаях,

 

 

 

где

В / , ( т г/-) — отсчет

автокорреляционной

функции на радиусе I

для i-го изображения;

d — минимальное

заданное

расстояние,

необходимое для

надежной

классификации неориентированных

изображений при наличии /-кратных ошибок,

причем

d ^

4/ +

+

1

(поскольку одиночное искажение функции может

изменить

отсчеты автокорреляционной

функции

не

более

чем на

±2).

В данном

случае рассматриваются

бинарно-квантованные

изоб­

ражения для облегчения описания метода, однако

он

несложно

может быть обобщен

и на случай квантования сигналов рецеп­

торов

по

Р уровням.

 

 

 

1

позволяет выбрать

мини­

 

Минимальное покрытие В ранга

мальное число радиусов, достаточных для уверенной классифи­ кации изображений при наличии /-кратных ошибок. Однако для облегчения классификации неориентированных деталей можно на этапе обучения провести минимизацию числа отсчетов по каж­ дой автокорреляционной функции.

Для каждого выбранного диаметра кольца Д,- построим ма­ трицу С следующим образом. Строки матрицы соответствуют раз­

личным отсчетам автокорреляционных функций изображений на данном радиусе В (0), В (I), . . ., В (п — 1). В столбцах матрицы

записаны результаты сравнения отсчетов разных классов изо­ бражений, причем, если отсчеты различаются больше, чем на величину d — 1, то в соответствующей клетке матрицы ставится 1, если же отличие меньше d, то ставится 0. Оптимальное покрытие матриц Ci (i = 1, 2, . . ., т) позволяет на каждом радиусе вы­

брать минимальное число отсчетов автокорреляционной функции. На рабочем этапе распознавание произвольно ориентирован­ ной детали сведется к сравнению вычисленных некоторых авто­ корреляционных функций с соответствующими значениями всех классов деталей, что позволит резко сократить время распозна­

вания.

Для определения угла поворота в режиме обучения выби­ раются для каждой детали радиусы, код которых позволяет однозначно определить ориентацию. Этот код должен удовлетво­ рять только одному условию, чтобы при циклических сдвигах период повторения был бы не меньше п.

После определения принадлежности детали производятся циклические сдвиги соответствующего кода и сравнение его с эта­ лонным. По числу тактов сдвига, обеспечивающих совпадение

475

кодов, определяется угол наклона оси симметрии (условной оси) относительно координат.

На рис. 218 изображены 3 детали в полярных координатах I,

IIи III. Изображения этих деталей предъявляются роботу на этапе

пш

Рис. 218. Изображение неориентированных деталей в по­ лярных координатах

обучения. Коды изображений в полярных координатах приве­ дены ниже:

Угловые дискреты

 

 

 

 

 

 

 

радиуса

1

 

3

4

5

 

7

0

2

6

 

 

 

Для детали

1

 

 

 

1

0

0

0

0

0

0

0

0

2

0

1

1

0

0

0

I

1

3

I

1

1

I

1

1

1

I

4

1

0

1

0

0

0

1

1

 

 

 

Для детали

I)

 

 

 

1

1

1

1

1

1

1

I

1

2

0

0

1

0

0

0

1

1

3

0

1

1

1

0

0

1

1

4

0

0

1

0

0

1

1

0

 

 

 

Для детали

III

 

 

 

1

 

1

1

 

1

1

I

1

2

 

1

0

 

0

1

1

1

3

1

I

0

0

0

1

0

0

4

1

0

0

0

0

0

0

0

476

Вычислим автокорреляционные функции на всех радиусах для всех деталей:

R

I дет.

 

11 дет.

III

дет.

1

0 0 0 0 0 0 0 0

 

8 8 8 8 8 8 8 8

8 8 8 8 8 8 8 8

2

42122212

 

31012101

64544454

3

8 8 8 8 8 8 8 8

 

53234323

31012101

4

30202020

 

31012101

1 0 0 0 0 0 0 0

Построим

матрицу

различий

В, введя

расстояние

d = 5

 

R

I

I

II

 

 

и

III

III

 

 

1

1

1

0

 

 

2

0

0

1

 

 

3

1

1

0

 

 

4

0

0

0

 

Из матрицы видно, что для распознавания деталей при воз­ можных одиночных ошибках (d — 5) достаточно сравнить автокор­

реляционные функции на 1-м и 2-м радиусах (либо на 2-м и 3-м). Пусть в качестве контрольных радиусов взяты 1-й и 2-й.

Найдем минимальное число отсчетов в автокорреляционных функ­ циях, необходимых для однозначного различения фигур. Для 1-го радиуса получим:

X

I. И

I, III

0

1

1

1

1

1

2

1

1

3

1

1

4

1

1

5

1

1

6

1

1

7

1

1

Таким образом, для различения I и II детали, а также I и III детали достаточно взять любой отсчет автокорреляционной функции, например В (0).

477

Для 2-го радиуса:

т

I. Ill

11, 111

0

0

0

1

0

0

2

0

1

3

0

0

4

0

0

5

0

0

С

0

1

7

0

1

Т. е. для

различения

II и III деталей можно взять отсчет

В (2). Если

обозначить

BR (т) — отсчет автокорреляционной

функции на радиусе R с номером т, то можно записать, что для

уверенного различения изображений деталей I, II и III требуется

вычислить Вх (0) и В 2 (2).

В этом случае имеем:

ЛГ9

В, (0)

в, (2)

детали

I

0

1

II

8

0

III

8

5

Предположим, что при передаче изображения III детали про­ изошло стирание одного отсчета (на рис. 218 этот отсчет имеет двойную штриховку). Соответствующие значения отсчетов авто­ корреляционных функций будут иметь вид

Вх (0) = 8 Во (2) = 3

По этим значениям на рабочем этапе распознавания деталь III будет опознана независимо от того, что при вводе изображения один отсчет оказался искаженным.

Для определения угла поворота деталей можно выбрать ра­ диус R 3. Соответствующие коды приведены ниже:

№ детали

Угловые дискреты

01^34567

I10100010 II 01110011 III 11000100

478

Распознавание нефиксированных ориентированных деталей. Этот

случай может быть сведен к предыдущему, если каким-либо об­ разом зафиксировать (определить координаты) любой точки де­ тали. В зависимости от форм деталей можно рассмотреть различ­ ные способы фиксации характерных точек, однако универсаль­ ным способом является фиксация центра тяжести детали, выпол­ няемая по ее плоской проекции. Методы вычисления координат центра тяжести неподвижной либо движущейся плоской фигуры произвольной формы были рассмотрены ранее. После определе­ ния координат центра тяжести могут выполняться процедуры, описанные выше, так как детали могут рассматриваться как фик­ сированные и ориентированные.

Распознавание нефиксированных ориентированных деталей может быть выполнено и без предварительной фиксации точек деталей. Если Я,- (X, Y) — матрица, соответствующая изобра­ жению t-й детали в декартовых координатах, а В\ (X, Y)

матрица автокорреляционных функций, соответствующих строкам

(столбцам)

матрицы

Я,-

(X,

Y), то, как

было

отмечено

ранее,

В\ (X,

Y)

не зависит от смещения изображения

i-й детали в ма­

трице Я,- (X,

Y)

по горизонтали (вертикали). Если по В\ (X, Y)

построить

матрицу

автокорреляционных

функций

В\ (X,

Y),

соответствующих

столбцам

(строкам) матрицы В} (X,

Y),

то

В] (X,

Y)

не зависит

от

горизонтальных

и вертикальных

сме­

щений

изображения

t-й детали в исходной матрице

Я,- (X,

Y).

Минимизация

отсчетов

автокорреляционных

функций

матриц

\В2 (X,

К)}, соответствующих изображениям деталей

{Я (X,

К)},

позволяет найти минимальное число признаков для надежного распознавания нефиксированных ориентированных деталей.

Распознавание нефиксированных неориентированных деталей.

Для решения этой самой общей задачи в случае одиночных де­ талей, предъявляемых роботу, можно воспользоваться методами, описанными выше.

1. Свести эту задачу к распознаванию нефиксированных ориен­ тированных деталей. При этом изображение детали при каждом

угле

поворота рассматривать

как изображение новой детали.

2.

Определить координаты

характерных точек деталей, на­

пример центров тяжести, и тем самым свести ее к задаче распозна­ вания фиксированных неориентированных деталей.

Адаптивный робот, управляемый вычислительной машиной, может использоваться для автоматизации самых разнообразных участков производства. В частности, он может быть использо­ ван для автоматизации таких трудоемких операций, плохо под­ дающихся автоматизации с помощью других средств, как сбо­ рочные операции. При выполнении этих операций робот должен производить распознавание деталей и инструмента, определять их параметры положения и выполнять с ними соответствующие манипуляции. Разнообразие форм деталей и инструмента, а также жесткие временные ограничения на распознавание и определение

479

ориентации требуют использования рассмотренных выше алго­ ритмов для минимизации описаний изображений предметов с по­ мощью управляющей ЦВМ, которые позволили бы основную часть вычислительных работ перенести в режим обучения робота. В рабочем режиме в этом случае распознавание и определение параметров положения деталей и инструмента выполняется быстро н с высокой надежностью. Для конкретной операции сборки либо комплектования деталей и инструмента для сборки обучение ро­ бота может потребовать значительного времени, особенно в тех случаях, когда заранее неизвестна статистика ошибок при вводе изображений. В этом случае обучение должно производиться по группе представителей для каждой детали. Возможно обуче­ ние с заведомо ухудшенными условиями (максимальный разброс параметров деталей, изменение уровня освещенности и анало­ гичные искусственные помехи). Однако такое обучение в рабочем режиме обеспечит надежное распознавание с минимальным вре­ менем реакции робота. «Опыт», полученный одним роботом в ре­ жиме обучения, может передаваться другим роботам в виде вычис­ ленных значений минимального числа признаков для заданной группы деталей, может обобщаться и систематизироваться.

Соседние файлы в папке книги из ГПНТБ