METHODS OF COMPLEX OBJECTS AUTOMATIC RECOGNITION BY FORM

Назва

Англійська

Російська

.

Українська

МЕТОДИКИ АВТОМАТИЧНОГО РОЗПІЗНАВАННЯ СКЛАДНИХ ОБ’ЄКТІВ ЗА ФОРМОЮ

Опис

Англійська

The analysis of literary sources shows that the need to recognize both large and small objects is an important direction in the development of robots’ technical vision modern systems and other automation technical means, which must be able to recognize any object that has fallen into their field of vision by the measured values of attributes, assign it to a certain class, make a decision, and issue a command to the robot's manipulators. The article considers approaches to recognition with the subsequent classification of small objects by such features as the coefficient of ellipticity and the form complexity coefficient. By identifying features and their combinations for identifying similar objects, you can train a machine learning model to recognize the necessary types of patterns. A comparison of the measuring methods the areas of the projections of objects whose shape is close to rectangular, objects of a round shape, and objects that represent a long, elongated figure of a complex shape is carried out. The accuracy of measurement of area and perimeters of complex figures is estimated, errors of selected values of radii of small objects are determined depending on quantization step. The possibility of recognizing objects using traditional image processing methods or modern deep learning networks is considered: an open library for working with algorithms for computer vision, machine learning and image processing OpenCV, the latest recognition models SSD, R-FCN, Faster R-CNN, Mask R-CNN and YOLO, in the architecture of which you can see many improvements and advances in methodologies detection of objects. The advantages of using the popular Faster R-CNN recognition model, which is a combination of RPN and Fast R-CNN models, for fast recognition of small objects of complex shape are shown. It is concluded that automatic recognition systems that work according to this technique, allow to explore a variety of objects, have a sufficiently high speed, but due to the complexity of their use in real time is justified only in cases when these objects have a complex form and cannot be recognized and classified by common simpler methods and means.

Російська

80-84

Українська

Аналіз літературних джерел показує, що необхідність розпізнавання як великих, так і дрібних об’єктів є важливим напрямком розвитку сучасних систем технічного зору роботів та інших технічних засобів автоматизації, які повинні вміти за виміряними значеннями ознак розпізнати будь-який об'єкт, що потрапив у поле їхнього зору, віднести його до деякого класу, прийняти рішення та видати команду маніпуляторам робота. У статті розглядаються підходи до розпізнавання з наступною класифікацією дрібних об’єктів за такими ознаками, як коефіцієнт еліптичності та коефіцієнт складності форми. Виділивши ознаки та їх комбінації для ідентифікації подібних об'єктів, можна натренувати модель машинного навчання на розпізнавання необхідних типів закономірностей. Проведене порівняння методик вимірювання площ проекцій об’єктів, форма яких є близькою до прямокутної, об’єктів круглої форми, та об’єктів, які представляють собою довгу витягнуту фігуру складної форми. Зроблено оцінку точності вимірювання площі та периметрів складних фігур, визначені похибки вибраних значень радіусів малих об’єктів залежно від кроку квантування. Розглянута можливість розпізнавання об’єктів з використанням традиційних методів обробки зображень або сучасних мереж глибокого навчання: відкритої бібліотеки для роботи з алгоритмами комп’ютерного зору, машинним навчанням та обробкой зображень OpenCV, найновіших моделей розпізнавання SSD, R-FCN, Faster R-CNN, Mask R-CNN та YOLO, в архітектурі яких можна побачити багато покращень та досягнень у методологіях виявлення об'єктів. Показані переваги використання популярної моделі розпізнавання Faster R-CNN, що являє собою комбінацію між моделями RPN і Fast R-CNN, для швидкого розпізнавання дрібних об’єктів складної форми. Зроблено висновок, що автоматичні системи розпізнавання, які працюють за даною методикою, дозволяють досліджувати різноманітні об’єкти, відрізняються достатньо високою швидкодією, але у зв’язку зі складністю їх використання в реальному часі виправдане лише у тих випадках, коли ці об’єкти мають складну форму й не можуть бути розпізнані та класифіковані звичайними більш простими методами та засобами

Автор

Українська

Yermilova, N.

Українська

Zourab, Y.

Українська

Iermilov, R.

Тематика

Англійська

recognition

Англійська

object classification

Англійська

ellipticity coefficient

Англійська

form complexity coefficient

Англійська

measurement accuracy

Російська

18

Українська

розпізнавання

Українська

класифікація об’єктів

Українська

коефіцієнт еліптичності

Українська

коефіцієнт складності форми

Українська

точність вимірювання

Видавництво

Українська

Національний університет «Полтавська політехніка імені Юрія Кондратюка»

Тип

info:eu-repo/semantics/article

info:eu-repo/semantics/publishedVersion

Українська

Рецензована Стаття

Формат

application/pdf

Ідентифікатор

https://journals.nupp.edu.ua/sunz/article/view/3159

10.26906/SUNZ.2023.4.080

Джерело

Англійська

Control, Navigation and Communication Systems. Academic Journal; Vol. 4 No. 74 (2023): Control, Navigation and Communication Systems; 80-84

Російська

Системы управления, навигации и связи. Сборник научных трудов; Том 4 № 74 (2023): Системи управління, навігації та зв’язку; 80-84

Українська

Системи управління, навігації та зв’язку. Збірник наукових праць; Том 4 № 74 (2023): Системи управління, навігації та зв’язку; 80-84

2073-7394

10.26906/SUNZ.2023.4

2023. №4 (74)

Мова

uk

Відношення

https://journals.nupp.edu.ua/sunz/article/view/3159/2565

Права

Українська

eNUPPIR

Властивості

Набори елементів 1

Збірник наукових праць. Системи управління, навігації та зв’язку

Інформація про метадані