Scientific journal
Fundamental research
ISSN 1812-7339
"Перечень" ВАК
ИФ РИНЦ = 1,674

THE BLOCK OF RECOGNITION OF VEGETATIVE RAW MATERIALS OF EXPERT SYSTEM OF MONITORING OF INDICATORS OF SAFETY AND QUALITY BY MANUFACTURE OF CANNED FOOD

Borodihin A.S. 1, 2 Goronkov K.A. 1, 2 Rudenko O. V. 1, 2 Trojanova T.L. 1, 2 Usatikov S.V. 1, 2
1 ГНУ «Краснодарский научно-исследовательский институт хранения и переработки сельскохозяйственной продукции», Краснодар
2 Krasnodar scientific research institute of storage and processing agricultural production, Krasnodar
Are considered neural network and statistical realizations of the block of recognition of a computing kernel of the expert system providing possibility of decision-making in system of continuous monitoring of indicators of safety and quality in the course of manufacture of canned food of groups A, B,C and D. Video the image of seeds and the fruits, subjected to spectral wavelet -transformation, in neural network realizations is an input of a multilayered neural network, target neuron which the decision on rejection, etc. In the block on the basis of statistical methods of recognition of images makes, the wavelet -spectrum is checked on an accessory to reference ellipsoid dispersion.
database
wavelet-transformation
recognition of images
grain crop
neural network

Системы технического зрения решают задачи по дополнению или замене человека в областях деятельности, связанных со сбором и анализом зрительной информации. Уровень их использования в прикладных областях является одним из наглядных показателей уровня развития высоких технологий в различных отраслях промышленности. Применение систем технического зрения - автоматическая классификация с высокой производительностью по параметрам формы, цвета, размеров плодов, семян и других объектов. В условиях ужесточающейся конкуренции производители вынуждены беспокоиться о качестве используемого сырья и выпускаемой продукции, чтобы производимый продукт пользовался спросом. А на производствах малой и средней мощности, где качество сырья и тестовых заготовок на этапах технологического процесса оценивается «на глаз» и зависит от личного опыта технолога без объективных методов контроля, сложно добиться стабильного качества продукции.

На базе КНИИХП и КубГТУ разработано математическое и программное обеспечение продукционного представления знаний ЭС, обеспечивающей возможность принятия решений в системе непрерывного мониторинга показателей безопасности и качества в процессе производства консервов групп А, Б, В и Г [1-3].

Решение ряда задач ЭС наиболее эффективно с помощью применения методов нейронных сетей. Как этап технологического процесса инспекция проводится с целью удаления непригодных для переработки семян и плодов, а также посторонних примесей и предметов. В данной работе рассмотрены нейросетевая и статистическая реализации блока распознавания вычислительного ядра указанной ЭС. В нейросетевом блоке видеоизображение семян и плодов, подвергнутое спектральному вейвлет-преобразованию, является входом многослойной нейронной сети, выходной нейрон которой принимает решение об отбраковке и др. В блоке на основе статистических методов распознавания образов, вейвлет-спектр проверяется на принадлежность к эталонным эллипсоидам рассеивания.

Для разработки ЭС непрерывного мониторинга показателей качества и безопасности на консервных предприятиях в данной работе использована оболочка COMP-P[ascal], поддерживающая продукционное представление знаний и различные методы аргументации логического вывода - прямой, обратный и смешанный [4]. COMP-системы предоставляют разработчикам возможность встраивания компоненты работы со знаниями в виде библиотеки функций языков Object Pascal Delphi и С++ Microsoft Visual и Borland C++ Builder. Проанализировав и тщательно изучив технологию производства четырёх групп консервной продукции в соответствии с системой НАССР, были выбраны параметры, которые необходимо контролировать для получения качественной и безопасной продукции [2-3]. Параметры ввели в экспертную систему в качестве переменных с заранее заданными диапазонами (рис. 1).

pic

Рис. 1. Влияние количества сохранённых гармоник вейвлет-спектра на качество
восстановленного по спектру изображения

Блок распознавания в ЭС включает следующие этапы создания «обучающей» базы данных (БД) для спектрального анализа плоского изображения плодов и последующего распознавания изображений:

1) фотосъёмка плодов на однотонном фоне; для «обучающей» БД - известного сорта, для рабочего режима - сортосмеси, подлежащей распознаванию;

2) применение алгоритмов отделения фона и выделения пиксельных изображений отдельных единичных плодов;

3) установить центр масс объекта, угол поворота относительно начальной системы координат и размеры каждого изображения, перенести начало координат в центр масс объекта и произвести поворот осей координат таким образом, чтобы ось абсцисс проходила вдоль максимального удлинения объекта;

4) нормализовать размеры объекта таким образом, чтобы вне зависимости от разрешения анализируемого изображения геометрические размеры всех объектов совпадали;

5) провести дискретное вейвлет-преобразование цветовых составляющих всех точек (пикселей), принадлежащих выделенной в предыдущих пунктах области; упорядочить полученные коэффициенты; отбросить незначащие элементы полученного упорядоченного массива;

6) для «обучающей» БД - сохранить полученные данные в БД единичных вейвлет-спектров;

7) для нейросетевых (НС) методов распознавания БД единичных вейвлет- спектров является обучающей выборкой. Разработать топологию и провести обучение НС;

8) для рабочего режима вейвлет-спектр элементов сортосмеси, подлежащей распознаванию, подаётся на вход разработанной НС. Выход НС идентифицирует элементы сортосмеси;

9) для статистических методов распознавания построение БД эталонных для каждого сорта эллипсоидов рассеивания;

10) для рабочего режима блока на основе статистических методов распознавания образов, вейвлет- спектр элементов сортосмеси, подлежащей распознаванию, проверяется на принадлежность к эталонным эллипсоидам рассеивания и определяется вероятность идентификации элементов сортосмеси.

Этапы 1-6, 9 описаны в работах [5-7] и далее не рассматриваются.

На этапе 5 в БД сохраняется изображение объекта размером 64×64 пикселя (см. рис. 1). Для получения спектра применяется алгоритм Малла 5-го уровня. В качестве материнского вейвлета выбран вейвлет Хаара. При расчёте вейвлет-спектра создаются аппроксимация и вертикальные, горизонтальные и диагональные коэффициенты. На пятом уровне разложения ширина и высота аппроксимации становятся равными двум пикселям. Как видно из рис. 2 (100 % нулевых коэффициентов детализации в спектре), в этих коэффициентах содержится информация о среднем цвете соответствующих участков исходного изображения. Добавление 1 % (99 % нулевых коэффициентов) детализирующих коэффициентов позволяет восстановить приблизительную форму исходного изображения. Также проявляются основные цвета участков окраски исходного изображения. Последующее добавление коэффициентов вейвлет-спектра ведёт к уточнению границ объекта и детализации окраски. Детализирующие коэффициенты содержат информацию о разнице цветов соседних участков изображения. Чем выше уровень разложения, тем большие участки изображения описываются соответствующими коэффициентами. Наибольшие различия в цвете наблюдаются на границе объекта, где цвет резко изменяется. Как следствие, коэффициенты, отвечающие за участки изображения, захватывающие границу объекта, имеют более высокие значения, чем вейвлет-коэффициенты, описывающие окраску объекта. По этой причине при последовательном добавлении детализирующих коэффициентов в отфильтрованный спектр в первую очередь восстанавливается форма объекта.

pic   pic

а                   б

Рис. 2. а - вариабельность контуров сорта Мастер; б - вариабельность контуров сорта Сур

Рассмотрим результаты нейросетевой реализации блока распознавания вычислительного ядра ЭС.

Первыми объектами исследований являлись сорта подсолнечника. Одним их этапов технологического процесса является разделение масличных культур на сорта и выделение неочищенных зёрен из общей массы. Решение такой задачи классификации осуществлено методами НС. Выбор топологии и обучение НС проведено с помощью известного нейроимитатора STATISTICA Neural Networks (SNN) v.6.0. Данный нейроимитатор позволяет конвертировать построенную сеть в язык С++ и легко интегрировать с экспертной системой. Следует отметить, что противоречивость требований высокой точности распознавания и возможностью настройки на практически любую культуру, существенна только при использовании нейропроцессоров вместо универсальных ЭВМ, т.к. накладываются ограничения на выбор топологии НС. Применение нейроимитаторов, ценой потери скорости распознавания, позволяет оперативно и гибко менять топологию НС.

Для разделения использовались сорта Сур и Мастер, которые относятся к гибридным сортам подсолнечника. Подсолнечник сорта Сур - это ультраранний сорт подсолнечника с масличностью до 49 %, сорт Мастер - высокопродуктивный среднеспелый сорт подсолнечника с масличностью до 54 %.

Архитектура сети: многослойный персептрон с 48 входами, одним промежуточным слоем и двумя выходами. Алгоритмом обучения был BFGS 25 (квази-ньютоновский метод), функция активации нейро-
нов - логистическая f, функция ошибок SOS (равна сумме (взятой по всем наблюдениям) квадратов разностей целевых и фактических значений).

Таблица 1

Матрица классификации для двух сортов

 

Мастер

Сур

Всего

46

34

Правильно

46

32

Не правильно

0

2

Правильно %

100

95

Не правильно %

0

5

Наличие ошибки распознавания обосновано высокой вариабельностью сортов, особенно у сорта Сур, (рис. 3).

pic   pic

а            б

Рис. 3. а - вариабельность контуров пригодных зёрен; б - отбракованных зёрен

Отделение очищенного зерна подсолнечника дает 100 % распознавание. Архитектура сети - персептрон MLP-100-28-2, алгоритм обучения BFGS 7 (квази-ньютоновский метод), функция активации нейронов - радиальная базисная (гауссова) f (0,1). Квази-ньютоновский метод - это современный метод обучения многослойных персептронов (Bishop, 1995; Shepherd, 1997). Он подходит для сетей небольшого размера и основывается на предположении о том, что по квадратичной (т.е. имеющей параболическую форму) поверхности ошибок можно двигаться непосредственно в направлении минимума, вычисляя шаг с помощью матрицы Гессе (матрицы вторых частных производных поверхности ошибок).

Таблица 2

 

Сур

Сур очищенный

Всего

48

34

Правильно

48

34

Не правильно

0

0

Правильно %

100

100

Не правильно %

0

0

Следующим объектом исследования были зерна кукурузы (см. рис. 3), которые очень часто используются для консервирования и замораживания. Архитектура сети - многослойный персептрон с 54 входными нейронами, промежуточный слой из 34 нейронов и один нейрон на выходе. Функция активации нейронов - логистическая f, функция ошибок SOS (равна сумме, взятой по всем наблюдениям, квадратов разностей целевых и фактических значений). Контрольная производительность равна 1, тестовая - 0,928, ошибка обучения - 0,000110.

Таблица 3

 

Годные

Не годные

Всего

14

42

Правильно

14

41

Ошибочно

0

1

% правильных

100

97,62

% ошибочных

0

2,38

Обучение - алгоритм обратного распространения на 100 эпох и метод сопряженных градиентов с восстановлением сети с наименьшей контрольной ошибкой.

Третьим объектом исследования был консервированный зелёный горошек (рис. 4).
Архитектура сети - многослойный персептрон с 250 нейронами на входе, два промежуточных слоя по 127 нейронов и один на выходе. Функция активации нейронов - логистическая f, функция ошибок SOS (равна сумме, взятой по всем наблюдениям, квадратов разностей целевых и фактических значений). Контрольная производительность равна 0,937, тестовая - 0,9937, ошибка обучения - 0,00199.

pic    pic

а            б

Рис. 4. а - вариабельность контуров пригодных зёрен; б - отбракованных зёрен

Таблица 4

 

Годные

Не годные

Всего

43

22

Правильно

42

21

Ошибочно

1

1

% правильных

97,67

95,45

% ошибочных

2,33

4,54

Алгоритмы обучения: первый этап - алгоритм обратного распространения в 100 эпох, второй этап - метод сопряженных градиентов. Для обоих этапов применялась затухающая регуляризация весов с параметром 0,01.

Для сравнения рассмотрим результаты статистической реализации блока распознавания вычислительного ядра ЭС. В блоке на основе статистических методов распознавания образов вейвлет-спектр проверяется на принадлежность к эталонным эллипсоидам рассеивания [7]. Проведено распознавание культур гороха, кукурузы и подсолнечника и отделения примесей в тестовых смесях зёрен.

Таблица 5

 

Мастер

Сур

Всего

46

34

Правильно

42

31

Не правильно

4

3

Правильно %

91,3

91,1

Не правильно %

8,7

8,9

Очищенные зёрна подсолнечника показали лучшие результаты:

Таблица 6

Матрица классификации

 

Сур

Сур очищенный

Всего

48

34

Правильно

45

32

Не правильно

3

2

Правильно %

93,8

94,1

Не правильно %

6,2

5,9

Результаты распознавания зерён кукурузы и горошка:

Таблица 7

Матрица классификации

 

Кукуруза

Горох

Всего

77

83

Хороших

45

59

Плохих

28

24

Признано хорошими

39 (86,7 %
хороших зёрен)

52(88,1 %
хороших зёрен)

Пропущено примесей

1 (3,6 %
примесей)

0 (0 %
примесей)

Процент ошибок

9,1

8,4

Таким образом, применение стандартной топологии нейронной сети - многослойного персептрона, без изменения функции активации и функции ошибки, с использованием градиентных методов обучения первого и второго порядка позволило провести достаточно точную оценку качества входной продукции для разных видов овощных и масличных культур. Блок на основе статистических методов распознавания образов показал худшие результаты.

Данная работа выполнена при финансовой поддержке Российского Фонда фундаментальных исследований и администрации Краснодарского края, грант №08-07-99033-р_офи.


Рецензенты:

Камалян Р.З., д.т.н., зав. кафедрой общей и прикладной математики Академии маркетинга и социально-информационных технологий, г. Краснодар;

Семенчин Е.А., д.ф.-м.н., зав. кафедрой Высшей алгебры и геометрии Кубанского государственного университета, МО РФ, г. Краснодар.

Работа поступила в редакцию 12.04.2011.