Содержание к диссертации
Введение
1 Анализ текущего состояния вопроса коммерческого осмотра подвижных единицна железнодорожном транспорте 9
1.1 Вводные замечания 9
1.2 Состояние вопроса 9
1.3 Задача реализации системы идентификации и методы ее решения 22
1.3.1 Основные виды признаков и классов 22
1.3.2 Основные методы идентификации 25
1.4 Выводы 42
2 Разработка методов экспертной подсистемы идентификации 43
2.1 Постановка задачи 43
2.2 Общая структура подсистемы идентификации 45
2.3 Математическая формализация задачи идентификации подвижных единиц железнодорожного транспорта 46
2.4 Разработка метода идентификации бортового номера объекта 52
2.5 Разработка идентификации кузова объекта 62
2.6 Разработка метода идентификации бортового номера на основе технологической информации 67
2.7 Разработка метода и модели экспертной подсистемы идентификации подвижных единиц железнодорожного транспорта 72
2.7.1 Разработка метода синтеза программно-математического обеспечения экспертной подсистемы идентификации
подвижных единиц и обеспечивающего модуля АСОУП 76
2.7.2 Описание методики идентификации объекта на основе паттерна его контура 77
2.7.3 Выбор и исследование метода предварительной обработки исходных данных 78
2.7.4 Реализация метода выделения паттерна контура объекта 85
2.7.5 Определение множества признаков идентификации
2.7.6 Определение множества классов идентифицируемых объектов 92
2.7.7 Способ определения начальных весов синапсов в нейронной сети 96
2.7.8 Алгоритм классификации подвижных единиц 97
2.7.9 Разработка метода оценки эффективности резервируемой системы 103
2.8 Выводы
3 Экспериментальные данные работы устройства идентификации подвижных единиц железнодорожного транспорта 107
3.1 Разработка полезной модели устройства идентификации подвижных единиц 107
3.2 Результаты экспериментальной работы устройства идентификации 114
3.3 Выводы 127
4 Определение архитектуры подсистемы идентификации подвижных единиц железнодорожного транспорта 128
4.1 Определение метода сбора первичной информации о подвижных единицах 128
4.2 Определение метода передачи информации о подвижных единицах 130
4.3 Описание оборудования подсистем сбора и передачи информации 143
4.4 Выводы 147
Заключение 148
Список литературы
- Задача реализации системы идентификации и методы ее решения
- Математическая формализация задачи идентификации подвижных единиц железнодорожного транспорта
- Описание методики идентификации объекта на основе паттерна его контура
- Результаты экспериментальной работы устройства идентификации
Введение к работе
Актуальность
Важным элементом перевозочного процесса на сегодняшний день является операция коммерческого осмотра вагонов в пути следования на пунктах коммерческого осмотра поездов и вагонов (ПКО). Задача сокращения продолжительности выполнения этой операции оказывает влияние на ускорение оборота вагона, ускорение продвижения вагонопотоков. В условиях работы железных дорог решение этих проблем осуществляется за счет внедрения автоматизированных систем коммерческого осмотра поездов и вагонов. Внедрение подобных систем ведется с 1996 года и осуществляется в рамках государственной программы по повышению безопасности движения в соответствии с указанием МПС №М-4y от 04.01.96г. Решение задачи повышения качества идентификации вагонов, позволит повысить уровень безопасности и скорости доставки перевозимых грузов.
Область автоматизации и управления процессами охватывает довольно широкий круг сфер применения, таких как транспорт, машиностроение, робототехника. По теме автоматизации и управления процессами на транспорте опубликованы работы таких авторов как Белявский Г.И., Бутакова М.А., Вагин В.Н., Еремов А.П., Киселев В.В., Ковалев С.М., Кузнецов М.М., Львова Е.И., Нгуен Д.Т., Хорн Б.К.П., Храмов В.В. и др.
Значительный вклад в теорию и практику внедрения интеллектуальных систем на железнодорожном транспорте внесли Гуда А.Н., Долгий И.Д., Жданов С.М., Иванченко В.Н., Кулькин А.Г., Лябах Н.Н., Салыгин В.И., Скляров В.Н., Солодовников В.В., Федорчук А.Е., Шабельников А.Н.
Целью диссертационного исследования является разработка методов идентификации подвижных единиц железнодорожного транспорта, позволяющих улучшить качество и ускорить процесс автоматизированного коммерческого осмотра.
Объектом исследований являются системы автоматизированного коммерческого осмотра подвижного состава на железнодорожном транспорте.
Методы исследований основаны на применении теории вероятностей, теории надежности систем, методов параметрической идентификации.
Решенные задачи: проведен анализ современных отечественных и зарубежных систем автоматизированной идентификации подвижных единиц железнодорожного транспорта; разработан метод считывания данных с движущегося поезда, основанный на применении фотоинформации о подвижных единицах; разработаны методы идентификации подвижных единиц, основанные на обработке двумерных изображений бортового номера и кузова и привлечении дополнительной технологической информации; разработан метод резервирования источников первичной информации о подвижных единицах с целью повышения вероятности успешной идентификации и обеспечения контроля достоверности технологической информации; осуществлен синтез программно-математического обеспечения модели идентификации и обеспечивающего модуля АСОУП.
Практическое значение. Результаты исследований предоставляют возможность автоматизации, улучшения качества и ускорения процесса коммерческого осмотра подвижных единиц на железнодорожном транспорте, а также снижения требований к используемому вычислительному оборудованию.
Научная новизна диссертации заключается в следующем:
разработан метод построения экспертной подсистемы идентификации подвижных единиц, основанный на объединении методов идентификации бортовых номеров, форм кузова, сопроводительной технологической информации о составе поезда и нейросетевой модели классификации, позволяющий повысить качество автоматизированного коммерческого осмотра;
разработан метод контроля достоверности технологической документации, основанный на кворумном резервировании источников первичной информации о подвижных единицах, позволяющий повысить качество осмотра;
разработан метод синтеза программно-математического обеспечения экспертной подсистемы идентификации подвижных единиц и обеспечивающего модуля АСОУП, позволяющего организовать взаимодействие экспертной модели идентификации подвижных единиц с АСОУП с целью осуществления контроля достоверности технологической информации и удаленного мониторинга за передвижением подвижных единиц.
Выполненная диссертация соответствует паспорту специальности 05.13.06 «Автоматизация и управление технологическими процессами и производствами (на транспорте)»: пунктам 10, 12, и 16.
Апробация работы. Основные положения диссертации докладывались на Научно-практической конференции «Транспорт-2007» (г. Ростов н/Д, 2007 г.), Всероссийской научно-практической конференции «Транспорт-2007» (г. Ростов н/Д, 2007 г.), Девятом всероссийском симпозиуме по прикладной и промышленной математике (г. Москва, 2007 г.), Научно-практической конференции «Транспорт-2009» (г. Ростов н/Д, 2009 г.), Третьей Всероссийской научной конференции «Нечеткие системы и мягкие вычисления» (г. Волгоград, 2009 г.), Международном Форуме «Инновации. Инвестиции. Технологии» г. Ростов н/Д, 2011 г.).
Публикации. По результатам исследований опубликовано 12 печатных работ, из которых 4 статьи - в изданиях, рекомендованных ВАК РФ, учебное пособие. Получен патент №133082 на полезную модель «Устройство идентификации подвижных единиц железнодорожного транспорта»
Задача реализации системы идентификации и методы ее решения
ARSCIS построена на базе оптоэлектронного метода считывания данных и состоит из (рис. 1.4): двух камер видеонаблюдения на каждую из боковых сторон подвижной единицы; двух пар датчиков, фиксирующих положение колесных пар, расположенных на путях в зонах: голова, хвост подвижной единицы; вычислительной подсистемы, предназначенной для обработки входных сигналов; источника освещения, предназначенного для регулирования освещенности зоны осмотра; телекоммуникационного оборудования, предназначенного для передачи сигналов от приемников к вычислительной подсистеме.
Система делится на несколько модулей: ARSCIS-l, ARSCIS-2 ARSCIS-3, ARSCIS-4. - ARSCIS-1 автоматизирует процессы ввода и записи на жесткий диск ПК телевизионного сигнала в реальном режиме времени, просмотра и упорядочивания записанных видеофрагментов. Модуль интегрирован с программным обеспечением по сопровождению натурного листа подвижного состава АРМТК; - ARSCIS-2 обеспечивает: автоматическую диагностику появления и прохождения состава в зоне контроля; автоматическое определение направ 16 ления движения состава; оповещение оператора при появлении движущихся объектов в зоне контроля; - модуль ARSCIS-3 позволяет организовать просмотр записанного видеофрагмента путем выполнения предварительного автоматического подсчета количества объектов в составе поезда с присвоением каждому объекту локального порядкового номера и автоматической локализации границ этих объектов; - основной задачей модуля ARSCIS-4 является автоматическое выявле-ние и идентификация номеров на вагонах, цистернах и платформах.
По заходу подвижной единицы в зону осмотра срабатывают датчики положения колесной пары. Формируются сигналы наличия объекта осмотра и включения видеокамер. Далее в работу включаются четыре видеокамеры и формируют видеосигналы, которые передаются посредством блока передачи информации в вычислительную машину.
Для анализа и идентификации полученного видеоизображения в работу включается модуль ARSCIS-4. По итогам его работы формируется отчетная документация о проходящем составе.
Подводя итоги, необходимо отметить, что система имеет относительно простую конструкцию, сравнительно низкую стоимость. Также система до-пускает возможности включения человека в контур наблюдения, осмотра иностранных подвижных единиц и идентификации бортовых номеров непосредственно с объектов осмотра.
К недостаткам системы следует отнести то, что система все же работает с видеоданными, которые перед идентификацией требуют раскадровки и выделения нужного кадра. Данный процесс требует больших временных затрат и больших системных требований к оборудованию по сравнению с обработкой цифровых фотоизображений. Вероятность успешной идентификации бортовых номеров подвижных единиц по заявлению производителя составляет 93 %. Система RailwayDisp
Система идентификации номеров железнодорожных вагонов и цистерн RailwayDisp - это цифровая система видеонаблюдения, обеспечивающая автоматическую видеорегистрацию и идентификацию номеров вагонов и цистерн, проходящих через точку контроля, формирование видеоархива и базы данных.
Система разработана компанией Intlab (г. Ярославль) и предназначена как для учёта и оптимизации транспортных потоков предприятий за счёт по-лучения оперативной информации о местонахождении единиц подвижного состава, так и для использования в целях обеспечения безопасности. RailwayDisp реализована на основе оптоэлектронного метода. Основными ее компонентами являются: набор видеокамер от одной до четырех штук на один железнодорожный путь; инфракрасные датчики, индуктивные датчики счета осей, фоновый щит с нанесенным шахматным рисунком; плата видеозахвата, предназначенная для обработки видеосигналов от видеокамер; вычислительная подсистема для обработки входных сигналов; источник освещения, предназначенный для освещения подвижной единицы в темное время суток; подсистема коммуникаций для передачи сигналов от приемников сигналов к вычислительной подсистеме.
При заходе подвижной единицы в зону осмотра срабатывает разделитель подвижных единиц, формируя сигнал наличия объекта осмотра. Далее в работу включаются видеокамеры. Посредством подсистемы коммуникаций полученные кадры передаются в вычислительную машину. Разработанное программное обеспечение позволяет осуществлять вывод видеоизображения на экран дисплея оператора, подсчет количества подвижных единиц в составе поезда, идентификацию бортовых номеров.
Характеристики системы RailwayDisp сведены в таблицу 1.2. Таблица 1.2 - Технические характеристики Вероятность идентификации бортовых номеров 90% Угол отклонения камеры от горизонтали макс 20 Угол отклонения камеры по вертикали макс 20 Высота установки камеры 3-3,5 метра для считывания бортовых номеров, 1,5 метра для считывания номеров на шасси Максимальная скорость движения состава До 60 км/ч Расстояние от камеры до вагона от 1 до 15 метров Ширина зоны контроля 5-8 метров К достоинствам системы RailwayDisp можно отнести: довольно простую конструкцию; сравнительно низкую стоимость; наличие возможности включения человека в контур наблюдения; наличие возможности осмотра иностранных подвижных единиц и возможности идентификации бортовых номеров непосредственно с объектов осмотра.
К недостаткам системы следует отнести: наличие необходимости предварительной обработки (раскадровки) видеоданных перед идентификацией; повышенные требования к оборудованию для обработки видеоинформации; заявленную производителем вероятность идентификации бортовых номеров приблизительно равную 90 %. Система «Транзит-Инспектор» «Транзит-Инспектор» - система идентификации номеров вагонов. Основные функции системы: автоматизация процесса учета прибывающих или проходящих через железнодорожную станцию составов; идентификация номеров вагонов; запись в базу данных идентифицированных номеров и другой информации о проходящих составах; поддержание базы данных; формирование отчетности.
В состав системы входит следующий набор оборудования: от одной до четырех цифровых или аналоговых видеокамер, предназначенных для считывания данных непосредственно с подвижного состава; световой барьер, предназначенный для отделения подвижных единиц друг от друга. Источником излучения является пара красных светодиодов; плата видеоввода, предназначенная для обработки видеосигналов от видеокамер; инфракрасный прожектор короткой дальности (до 10 м) со встроенным фотодатчиком, предназначенный для освещения подвижных единиц в темное время суток; вычислительная машина.
По заходу подвижной единицы в зону осмотра реагирует световой барьер, формируя сигнал наличия объекта осмотра, включаются видеокамеры и начинают передачу видеосигнала на плату видеоввода. Далее посредством //ге/77е -оборудования и линий коммуникаций полученные кадры передаются в вычислительную машину. Обработанное видеоизображение отображается на экране автоматизированного рабочего места оператора ПКО.
К достоинствам системы необходимо отнести: довольно простую конструкцию; наличие возможности включения человека в контур наблюдения, возможности осмотра иностранных подвижных единиц и возможности идентификации бортовых номеров непосредственно с осматриваемых объектов.
Отличительной особенностью данной системы по отношению к ее аналогам является определение типа подвижной единицы на основе считанного бортового номера, синтаксический контроль номеров и сверка с контрольной суммой вагонов.
Математическая формализация задачи идентификации подвижных единиц железнодорожного транспорта
Самоорганизация нейронной сети - это способность сети приспосабливаться к внешним условиям с целью отображения выходных данных, удовлетворяющих заданным условиям. Обычно такие сети используются применительно к задачам кластеризации некоторого множества.
Для этого метода обучения достаточно сложно сформулировать общий алгоритм, поскольку метод обучения сильно зависит от применяемой архитектуры конкретной сети.
При обучении сети необходимо решить вопрос о количестве наблюдений в наборе данных. В зависимости от сложности задачи и с увеличением количества признаков количество наблюдений возрастает нелинейно. Данная проблема получила название «проклятие размерности». Если количества исходных данных недостаточно, возможно использование линейной модели. Решение об используемой структуре сети полностью принимается исследователем. Здесь необходимо определиться с количеством слоев и нейронов в каждом слое с целью минимизации ошибок классификации, назначить веса и смещения.
К преимуществам нейронных сетей можно отнести способность к обучению, гибкость и универсальность механизмов обучения, возможность па-раллельного функционирования их элементов.
Способность нейронной сети к обучению избавляет исследователя от необходимости поиска ключевых признаков, их значимости и отношений между признаками. Нейронные сети обладают хорошей обобщающей способностью и могут успешно распространять опыт, полученный на конечном обучающем наборе, на всё множество классов.
Персептрон. Простейшей моделью искусственной нейронной сети является однослойный персептрон. Он способен решать простые задачи и имеет простой алгоритм обучения. В 1960-х годах эта модель вызвала большой интерес и послужила толчком к развитию искусственных нейронных сетей. Классическим примером такой нейронной сети является однослойный трех-нейронный персептрон, приведенный на рисунке 1.11.
Элемент Ni умножает каждый вход Хі на вес Wni и суммирует взвешенные входы. Если сумма больше порога, на выходе появляется логическая 1, иначе 0. Однослойный персептрон может решить задачу идентификации, в которой рассматриваемые классы разделены гиперплоскостью. Но в связи с использованием линейной разделяющей поверхности решаемый персептро-ном круг задач весьма ограничен. М. Минский и С. Пейперт в своей работе показали, какие задачи в принципе не может решить однослойный персептрон. К примеру, невозможно выполнение логической операции «исключающее ИЛИ».
Самым привлекательным свойством искусственных нейронных сетей является их способность обучаться. Подобно биологическим системам, нейронные сети сами моделируют себя в процессе коррекции своего поведения с целью приближения выходных данных к заданным нормативам.
Обучение персептрона осуществляют, подавая на его вход экземпляры объектов и корректируя веса до тех пор, пока не будет достигнуто требуемое выходное значение. Существует ряд проблем, связанных с обучением персептрона: - сложность определения достижения условия разделимости для обучающего множества; - изменчивость во времени входных данных; - неизвестность количества шагов, необходимых для обучения сети; - недоказанность того, что персептронный алгоритм обучения более быстр по отношению к алгоритму полного перебора всех значений весов.
Самоорганизующиеся сети Кохонена
Самоорганизующиеся нейронные сети Кохонена способны обеспечить упорядочивание входного пространства образов. Они позволяют топологически отображать входное «-мерное пространство в выходное /и-мерное, при условии, что т«п. Объект, поданный на вход, проецируется на определенную позицию в сети, кодируемую как положение активированного узла.
Упорядочивание классов с использованием сети Кохонена сохраняет на выходе подобие входных объектов. Данное свойство очень полезно при наличии большого набора классов. К примеру, при классификации отдельных участков графического изображения используется большое число классов, переход между которыми практически непрерывен. Это значительно усложняет процесс кластеризации, поскольку довольно затруднительно определить границы классов. Подобные сети строятся на основе однослойного персептрона, где слой может быть организован в и-мерную решётку, где значение п определяется в зависимости от размерности выходного пространства. Каждый нейрон связан со всеми входными нейронами.
Настройка весов синапсов осуществляется методом конкурентного обучения, где корректируется только вес нейрона-победителя, с максимальной активностью. Существует еще и модификация метода конкурентного обучения. Здесь корректируется не только вес нейрона-победителя, но и веса нейронов, соседних с победителем.
В самоорганизующихся картах Кохонена, по отношению к векторным квантователям, нейроны-решётки связаны с соседними нейронами. Сила связей зависит от расстояния между нейронами. Отличительной особенностью самоорганизующихся нейронных сетей Кохонена является высокая скорость обучения.
Еще одной разновидностью сети Кохонена является нейронная сеть с радиально-базисной функцией. В этой сети за конкурентным слоем находится ещё один слой, который обучается по методу обратного распространения. Здесь на выход нейронов конкурентного слоя подаются значения функции Гаусса при условии использования нормального закона распределения. Расстояние между центром кластера, и его ближайшими соседями характеризует ширина радиально-базисной функции.
Подводя итоги, заметим, что однослойные нейронные сети способны формировать линейные разделяющие поверхности. Это свойство весьма полезно при решении задачи кластеризации множества признаков. Поскольку самоорганизующиеся сети Кохонена обладают весьма высокой скоростью обучения, воспользуемся данным преимуществом при кластеризации нашего множества признаков.
Описание методики идентификации объекта на основе паттерна его контура
Математическое описание метода Обозначим: К - класс подвижной единицы железнодорожного транспорта (п.е.ж.д.т.); Т - форма кузова п.е.ж.д.т.; L - длина кузова п.е.ж.д.т.; Н - высота кузова п.е.ж.д.т.; О - овальная форма кузова п.е.ж.д.т.; R - прямоугольная форма кузова п.е.ж.д.т.; Z - трапецеидальная форма кузова п.е.ж.д.т. KfTLHJ, TfORZJ K[TLH]=(t,l,h), где f ЄТ, І Єї, h ЄН, Т=[Ті,Т2,Тз], L=[Li,L2,...,Ln], Н=[Ні,Н2,...,Нп] TfORZJ=(o,r,z), где о ЄО, r ER, z Z, 0=[Oi,02,...,03], R=[Ri,R2,..,Rn], Z=[Zi, Z2,-; Zn] Тогда KfTLHJ=[X,X2X3] TfORZJ =[Y1+Y2+Y3J S3ft, I, hJ=X, (t) ЛХ2О) AX3(h) S4[orz]=Y,(o) VY2(r) VY3(z) Как видно из рисунка 2.6, логическая структура метода идентификации по параметрам кузова имеет более глубокую структуру по отношению к логической структуре, рассмотренной выше. Но здесь по-прежнему имеется родительская сущность «Тип подвижной единицы». Данная сущность имеет уже два ключевых параметра, «Название подвижной единицы» и «Кузов», и одну дочернюю сущность - Экземпляр «Кузов подвижной единицы». Ключевые параметры являются независимыми, поскольку, как зная только название подвижной единицы, так и зная только информацию о кузове, мы можем определить тип вагона. После внимательного анализа модели, можно заметить, что параметры «Название подвижной единицы» и «Кузов» наследуются всеми сущностями. Но ключевыми они являются только для сущностей «Тип подвижной единицы» и «Кузов подвижной единицы». Это связано с тем, что не представляется возможным, к примеру, определить длину вагона, зная только его название или форму кузова. Сущность «Кузов подвижной единицы» включает в себя несколько параметров: форма кузова, длина кузова, высота кузова. Только при условии наличия информации обо всех трех параметрах становится возможным определить, что за вагон перед нами. Именно поэтому родительская сущность «Кузов подвижной единицы» ассоциируется (связан) с дочерними сущностями («Длина кузова», «Высота кузова», «Форма кузова») неидентифицирующей связью. Т. е., зная только высоту кузова, мы не можем сказать о том, какова форма кузова, и наоборот.
Алгоритм (рис. 2.7) показывает нам порядок обработки исходных дан-ных в процессе идентификации. Как и описанный выше (рис. 2.4), метод идентификации подвижной единицы по параметрам кузова работает с цифровыми фотоизображениями. Но если предыдущий метод в качестве исходных данных использовал изображения бортового номера, то текущий метод предназначен для обработки изображения всего кузова подвижной единицы. Порядок предварительной подготовки исходных данных имеет аналогичную схему. Далее осуществляется выделение контура кузова, определение геометрических параметров кузова и расчет числовых коэффициентов. Такие геометрические параметры, как длина и высота, определяются с учетом масштабного коэффициента на основе контура кузова. Для определения формы кузова производится расчет числовых коэффициентов. Результаты расчета коэффициентов формы записываются в массив данных размером [3 32]. Первый столбец содержит 32 числовых коэффициента, ячейка [2;1] содержит длину кузова, а ячейка [3;1] - высоту кузова.
Очевидно, что существует некоторая вероятность ошибки правильной идентификации формы кузова вагона. Опишем математический аппарат, учитывающий возможные ошибки идентификации.
Утверждение 3 - идентификация типа подвижной единицы железнодорожного транспорта возможна на основании информации о геометрической форме и габаритах кузова, представленной в виде функций контуров f(s). Доказательство
Допустим, получено графическое изображение кузова подвижной единицы железнодорожного транспорта. К изображению применены методы предварительной обработки и устранения шума. Обработанное изображение приведено к бинарному виду. В результате выделения паттерна контура формы кузова объекта получены функции контура. Для каждой из функций контура рассчитан вектор коэффициентов формы {Ф ; Ф„}.
Определимся с особенностями размещения числовых коэффициентов в «-мерном пространстве. С этой целью возьмем эталоны каждой из форм кузова и рассчитаем для них числовые коэффициенты. Необходимо также учитывать габариты кузова и некоторые особенности конструкции кузова, т. е. к примеру, трапеция или овал может выглядеть немного иначе по сравнению с ее правильной геометрической фигурой. Это связано с тем, что вагоны имеют люки для загрузки и выгрузки. Результаты расчетов приводим к табличному виду аналогично таблице 2.1. Полученные данные кластеризуем с помощью программного комплекса Deductor. Результаты кластеризации представлены на рисунке 2.8. а отображает расположение кластеров («Трапеция», «Прямоугольник», «Овал») по отношению друг к другу. Кластеризация выполнена на гексагональном растре. Каждая ячейка растра (рисунок 2.8.6) отображает расстояния между соседними кластерами. Здесь цвет каждой ячейки характе 66 ризуется числовым значением. Значения каждой ячейки варьируются в диапазоне [0.0001 ;2.73] (от синего цвета к красному), т. е. если цвет точки темно-синий, значит, расстояние между соседними точками =0.0001. Границы между кластерами обозначены сплошной линией черного цвета. На рисунке 2.8, б видно, что межкластерные границы сильно отличаются от содержимого самих кластеров, что свидетельствует о хорошей разделимости признакового пространства. Также можно заметить, что длина и степень разделимости кластеров каждой границы различны. Обладая информацией о длинах границ и расстояниях между кластерами, мы можем определить степень разделимости самих кластеров. Здесь чем больше значение граничного коэффициента, тем меньше вероятность перепутать соседние кластеры в процессе идентификации. Расчет степени разделимости между кластерами осуществляем согласно формуле (2.14). «Овал» 1,82 1,86 Значения из таблицы 2.6 характеризуют степень разделимости межкластерных границ. Чем выше степень межкластерной границы, тем меньше вероятность перепутать два соседних кластера в процессе идентификации. С целью описания процесса идентификации в контексте теории вероятностей и определения коэффициента эффективности системы введем обозначения: Р, - вероятность успешной идентификации /-го типа кузова вагона; д, - вероятность ошибки идентификации г -го типа кузова вагона. Положим, что в процессе идентификации символов бортового номера возможны 3 варианта решений («Трапеция», «Прямоугольник», «Овал»). Из таблицы 2.6 выбираем минимальное значение степени межкластерной границы C JOB Сщов,т 1,82 и обозначим его ?ф. Данные границы являются самыми слабыми по степени разделимости кластеров, следовательно, вероятность ошибки идентификации в данном случае мак 67 симальна. Тогда расчет вероятностей ошибок идентификации остальных межкластерных границ произведем по формуле (2.15). Таким образом, вероятностная матрица идентификации выглядит следующим образом (табл. 2.7).
Результаты экспериментальной работы устройства идентификации
Принцип работы устройства заключается в кворумном резервировании источников информации об объекте. Кворумное резервирование основано на одновременном использовании трехой более независимых источников информации об объекте - изображения идентификационного номера объекта, изображения кузова объекта и ранее введенной технологической информации об объекте (номер поезда, количество вагонов в составе поезда, бортовые номера вагонов), получаемой от АСОУП посредством сети Intranet.
Модель состоит из следующих блоков: - фотоэлектрический датчик наличия объекта в зоне осмотра (ДНО); - блок ввода информации об идентификационном номере объекта (БВИН). Блок получает цифровую информацию от фотокамеры № 1, предназначенной для считывания бортового номера с движущегося объекта; - блок ввода информации о кузове объекта (БВИК). Блок получает цифровую информацию от фотокамеры № 2, предназначенной для считывания всего кузова движущегося объекта; - блок ввода технологической информации (БВТИ). Блок получает электронную информацию о составе поезда (номер поезда, количество вагонов в составе, бортовые номера вагонов) из АСУОП; - блок предварительной обработки информации о бортовом номере объекта (БПОН) осуществляет: бинаризацию изображения (преобразование к двуцветному виду: черный, белый); формирование двоичной матрицы изображения; фильтрацию изображения бортового номера объекта с целью устранения шума; анизотропную фильтрацию с целью сглаживания контуров символов бортового номера; нормализацию изображения; - блок предварительной обработки информации о кузове объекта (БПОК) осуществляет: бинаризацию изображения; формирование двоичной матрицы изображения; фильтрацию изображения кузова объекта, с целью устранения шума; анизотропную фильтрацию с целью сглаживания контура кузова; нормализацию изображения. В связи с отличающимися 109 особенностями фильтрации изображения кузова сравнительно с изображением номера БПОК и БПОН являются отдельными блоками; - блок преобразования технологической информации (БПТИ) в удобный для чтения вид и проверки прочитанной информации о бортовых номерах путем расчета и сравнения контрольного восьмого знака. В результате работы на выходе формируется массив из восьми символов и на основании этих данных определяется тип объекта (полувагон, цистерна и т. д.); - блок выделения контуров каждого из символов бортового номера (БВН) методом цепного кодирования и расчета числовых коэффициентов (признаков идентификации) на основе полученного кода с использованием ортогональных экспоненциальных функций. Для каждого символа бортового номера формируется множество признаков, характеризующих его форму. Поскольку на изображении могут присутствовать посторонние символы, не являющиеся частью бортового номера, разработаны правила отказа от выделения текущего символа и перехода к следующему. Правила основаны на учете длины контуров символов и позволяют рассматривать символы только определенного размера шрифта; - блок выделения контура кузова (БВК) объекта методом цепного кодирования и расчета числовых коэффициентов (признаков идентификации) на основе полученного кода с использованием ортогональных экспоненциальных функций. В результате на выходе формируется множество признаков, характеризующих форму и габариты кузова объекта. Различия блоков БВН и БВК заключаются в правилах выбора объекта кодирования и количественном показателе выходной информации; - трехслойная искусственная нейронная сеть (ИНС1) предназначена для идентификации символов бортового номера объекта на основании входного множества признаков идентификации. В результате работы на выходе формируется массив из восьми символов и на основании этих данных определяется тип объекта (полувагон, цистерна и т. д.); - трехслойная искусственная нейронная сеть (ИНС2), предназначенная для идентификации кузова объекта на основании входного множества признаков идентификации. В результате работы на выходе получают тип геометрической фигуры кузова объекта (прямоугольник, овал, трапеция) и на основании этой информации определяют тип объекта (полувагон, цистерна и т. д.); - блок памяти (БП) предназначен для хранения информации о кодировании типов объектов с целью определения типа на основании результатов идентификации. Помимо этого, здесь хранятся настройки весов синапсов для ИНС1 и отличные от них настройки для ИНС2. В процессе эксплуатации устройства нейронные сети могут обучаться и, соответственно, корректировать настройки весов синапсов; - блок управления (БУ) предназначен для синхронизации блоков устройства путем подачи сигналов активации блоков. БУ контролируется вычислительной машиной (ПВМ); - блок сравнения типов (БСТ) предназначен для принятия решения по классификации текущего объекта на основании данных о типах вагонов, полученных от ИНС1, ИНС2, БПТИ. Принятие решения осуществляется методом голосования. В случае, когда все данные не противоречат друг другу, принимается однозначное решение по классификации. В противном случае производится принятие решения по большинству и передается сообщение на ПВМ. Если все три источника противоречивы - на ПВМ отправляется сообщение об ошибке; - персональная вычислительная машина (ПВМ) предназначена для мониторинга, управления процессом идентификации объектов, формирования и передачи отчетов в АСОУП;
