ЦИФРОВИЗАЦИЯ
Оригинальная статья
УДК 622:[628.9 + 004.932.2] © Я.В. Попинако, М.С. Никитенко, Д.Ю. Худоногов, П.В. Черкасов, С.А. Кизилов, 2024
ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь № 11S-2024 /1187/
DOI: http://dx.doi.org/10.18796/0041-5790-2024-11S-171-179
Название
Экспериментальные исследования зависимости влияния освещенности на качество распознавания лазерной линии машинным зрением
Авторы
Попинако Я.В., инженер ФГБНУ «Фeдеральный исследовательский центр Угля и углехимии Сибирского отделения Российской академии наук», 650065, г. Кемерово, Россия, e-mail: popinakoya@gmail.com
Никитенко М.С., канд. техн. наук, старший научный сотрудник ФГБНУ «Фeдеральный исследовательский центр Угля и углехимии Сибирского отделения Российской академии наук», 650065, г. Кемерово, Россия
Худоногов Д.Ю., научный сотрудник ФГБНУ «Фeдеральный исследовательский центр Угля и углехимии Сибирского отделения Российской академии наук», 650065, г. Кемерово, Россия
Черкасов П.В., инженер ФГБНУ «Фeдеральный исследовательский центр Угля и углехимии Сибирского отделения Российской академии наук», 650065, г. Кемерово, Россия
Кизилов С.А., канд. техн. наук, научный сотрудник ФГБНУ «Фeдеральный исследовательский центр Угля и углехимии Сибирского отделения Российской академии наук», 650065, г. Кемерово, Россия
Аннотация
В статье рассмотрен подход к обнаружению геометрического соответствия заданному объекту системой машинного зрения. Основной целью исследования являлось изучение влияния освещенности на качество распознавания лазерной линии машинным зрением. Объектами исследования являлись видеоизображения системы машинного зрения, а предметом – параметры и методы их обработки. Разработана методика проведения эксперимента, представлены результаты распознавания различных генераторов лазерной линии в полевых условиях при изменяющемся уровне освещенности. Показана последовательность операций обработки видеосцены для наиболее точного обнаружения геометрического соответствия. Сделан вывод, что в задаче распознавания светового маркера, дополняющего видеосцену, при использовании фильтра Кэнни, пороговые значения яркости пикселей не влияют на фоновый шум, при использовании фильтра Лапласа, установка наименьшего значения порогового значения пикселей ведет к появлению разрывов распознаваемых линий, а большего значения – к появлению мелких объектов в регионе интереса. Полученные результаты в виде алгоритмов обработки видеосцены могут применяться при решении промышленных задач управления движением автономных транспортных средств.
Ключевые слова
Автономное транспортное средство, система управления, машинное зрение, световой маркер, распознавание образов, алгоритмы управления, освещенность, функции математической морфологии, лазерная линия.
Список литературы
1. Распоряжение «Программа развития угольной промышленности России на период до 2035 года» от 13 июня 2020 г. № 1582-р // Российская газета.
2. Измерение производительности питателя при выпуске угля из подкровельной толщи на основе технологии машинного зрения / М.С. Никитенко, С.А. Кизилов, Ю.Н. Захаров и др. // Горные науки и технологии. 2022. Т. 7. № 4. С. 264-273. Nikitenko M.S., Kizilov S.A., Zakharov Yu.N., Khudonogov D.Yu., Ignatova A.Yu. Measurement of feeder performance during coal discharge from an underroof seam using machine vision. Gornye naukiitekhnologii. 2022;7(4):264-273 (InRuss.).
3. Распознавание препятствий машинным зрением на основе искажения сетки световых маркеров / Д.О. Верховцев, Я.В. Попинако, М.С. Никитенко и др. // Наукоемкие технологии разработки и использования минеральных ресурсов. 2023. № 9. С. 233-238. Verkhovtsev D.O., Popinako Ya.V., Nikitenko M.S., Khudonogov D.Yu., Kizilov S.A. Recognition of obstacles by machine vision based on distortion of the grid of light markers. Naukoemkie tekhnologii razrabotki i ispol’zovaniya mineral’nyh resursov. 2023;(9):233-238 (In Russ.).
4. Nikitenko M.S., Khudonogov D.Yu., Popinako Ya.V., Kizilov S.A. Determining the route and roadway condition in front of autonomous vehicle. Third International Conference on Digital Technologies, Optics, and Materials Science, 2024. https://doi.org/10.1117/12.3036935.
5. Об утверждении федеральных норм и правил в области промышленной безопасности. Правила безопасности при ведении горных работ и переработке твердых полезных ископаемых. Приказ Ростехнадзора от 08 дек. 2020 г. № 505. Доступ исправ.-правовой системы «КонсультантПлюс». [Электронный ресурс]. URL : https://www.consultant.ru/document/cons_doc_LAW_372372/ (дата обращения: 15.10.2024).
6. Klinger T. Image Processing with LabVIEW and IMAQ Vision. Prentice Hall PTR , 2020, pp. 319.
7. Ханова А.А., Озерова М.И. Обзор методов выделения контуров на изображениях / Информационные технологии в науке, образовании и производстве (ИТНОП-2020): сборник материалов VIII Международной научно-технической конференции (г. Белгород, 24-25 сентября 2020 г.). С. 89-92.
8. Титов И.О., Емельянов Г.М. Выделение контуров изображения движущегося объекта // Вестник Новгородского государственного университета. 2010. № 55. С. 27-31. T itov I.O., Yemelyanov G.M. Selection of contours of the image of a moving object. Vestnik Novgorodskogo gosudarstvennogo universiteta. 2010;(55):27-31 (In Russ.).
9. Chaple G.N., Daruwala R.D., Gofane M.S. Comparisions of Robert, Prewitt, Sobel operator-based edge detection methods for real time uses on FPGA . International Conference on Technologies for Sustainable Development (ICTSD). IEEE, 2015, pp. 1-4.
10. Zhou R.G., Yu H., Cheng Y., Li F.X. Quantum image edge extraction based on improved Prewitt operator. Quantum Information Processing. 2019;18(9):261.
11. Song Y., Ma B., Gao W., Fan S. Medical image edge detection based on improved differential evolution algorithm and Prewitt operator. Acta Microscopia. 2019;28(1).
12. H oang N.D., Nguyen Q.L. Metaheuristic optimized edge detection for recognition of concrete wall cracks: a comparative study on the performances of roberts, prewitt, canny, and sobel algorithms. Advances in Civil Engineering, 2018.
13. Imran N., Hameed S., Hafeez Z., Faheem Z., Waseem M., Latif U., Amin M.S. Image Watermarking Approach Using LSB and Laplacian Filter. Journal of Physics: Conference Series, 2021, pp. 2129, 012015. DOI: 10.1088/1742-6596/2129/1/012015.
14. R elf C. Image acquisition and processing with LabVIEW. CRC Press, 2004, pp. 244.
15. Конушин А.С. Компьютерное зрение. ВМК МГУ, 2023.
16. A mit Y., Felzenszwalb P., Girshick R. Object detection. Computer Vision: A Reference Guide. Springer International Publishing, 2021, pp. 875-883.
Поддержка
Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках комплексной научно-технической программы полного инновационного цикла «Разработка и внедрение комплекса технологий в областях разведки и добычи полезных ископаемых, обеспечения промышленной безопасности, биоремедиации, создания новых продуктов глубокой переработки из угольного сырья при последовательном снижении экологической нагрузки на окружающую среду и рисков для жизни населения», утвержденной Распоряжением Правительства Российской Федерации от 11.05.2022 № 1144-р (Соглашение от 28.09.2022 № 75-15-2022-1199).
Для цитирования
Экспериментальные исследования зависимости влияния освещенности на качество распознавания лазерной линии машинным зрением / Я.В. Попинако, М.С. Никитенко, Д.Ю. Худоногов и др. // Уголь. 2024;(11S):171-179. DOI:10.18796/0041-5790-2024-11S-171-179.
Информация о статье
Поступила в редакцию: 15.09.2024
Поступила после рецензирования: 21.10.2024
Принята к публикации: 31.10.2024
