Научный журнал «Инновации. Наука. Образование» Индексация в ринц н Инновации. Наука. Образование
жүктеу/скачать 22,11 Mb. Pdf көрінісі
|
Номер 51 февраль 2022 года
- Бұл бет үшін навигация:
- Инновации. Наука. Образование
| Инновации. Наука. Образование
Рисунок 1 – Два пакета с детским соком. Слева сок без внешних дефектов, справа пакет сока с явными внешними дефектами Для детектирования дефектов в подобных случаях предлагается использовать методы технического зрения и нейронные сети. На Рисунке 2 показан алгоритм распознавания дефекта на изображении. Следует отметить, что это задача не является задачей детектирования объекта, то есть выделения участка на изображении, где находится дефект. Эту задачу мы упрощаем до задачи классификации – изображение содержит брак упаковки или нет. Рисунок 2 – Алгоритм классификации изображений с упаковкой Рассмотрим алгоритм подробнее. В начале изображение должно пройти предобработку. В этот этап входит resize изображения – изменение размера изображения под заданный (обычно определяется архитектурой нейросети, а точнее размером изображений, на которых была обучена конкретная модель нейросети). После этого возможна обработка изображения по яркости, например, если общий уровень яркости изображения не устраивает разработчика (если общий уровень яркости всего изображения сильно отличается от тех изображений, на которых была обучена нейросеть). После предобработки изображения необходимо определить контуры объектов на изображении. Сделать это можно с помощью бинарного порогового преобразования [4]. Выделение контуров объекта происходит на основе сравнения каждого пикселя 807 Научный журнал «Инновации. Наука. Образование» Индексация в РИНЦ н Инновации. Наука. Образование изображения с некоторым пороговым значением. Упрощая математику этого метода, скажем, что если значение пикселя (его яркость) выше порогового значения, то он становится равным 1. В противном случае пиксель принимает значение 0. В результате получаем черно-белое изображение, на котором видим четкие контуры объектов. Иногда применяют использования адаптивного порогового преобразования, в таком случае, алгоритм не меняется, однако пороговое значение изменяется в зависимости от ближайшей области данного пикселя. То есть пороговое значение адаптируется к разным участкам, которые могут быть освещены совершенно по-разному. На Рисунке 3 можно увидеть два исходных изображения, на которые применили пороговое преобразования, в результате чего, были получены контуры объектов (упаковок). жүктеу/скачать 22,11 Mb. Достарыңызбен бөлісу:
|