3.8.5. РАСПОЗНАВАНИЕ ФОРМЫ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПРОДУКТОВ С ПОМОЩЬЮ ПРЕДСТАВЛЕНИЯ НА ЯЗЫКОВОМ УРОВНЕ [47]

Рассмотренные выше исследования распознавания образов восприняли практически без изменений известные статистические идеи, и только часть статистической обработки была представлена в нечеткой форме. Полной противоположностью этому являются исследования, в которых рисунок представляется на языковом уровне и производится его обработка с помощью нечеткой логики. В отличие от способов распознавания, в которых осуществляется обнаружение контуров рисунка и обычное сопоставление образов, в данном случае распознавание объекта производится с учетом «смысла», заложенного в рисунке.

Прежде всего анализируются признаки контуров эталонных рисунков; локальные и глобальные признаки представляются на естественном языке и накапливаются в базе знаний в форме нечетких множеств. С другой стороны, результаты наблюдения предметов подвергаются численной обработке и выдаются в виде нечетких чисел для каждого признака. Затем с помощью нечеткого сопоставления образов двух видов данных осуществляется распознавание. Такой способ не только удобен для распознавания объектов, для которых трудно определить форму и размеры, как, например, для сельскохозяйственных продуктов, он позволяет благодаря своей способности выражать различный смысл, заложенный в рисунке, производить обработку информации на высоком уровне с применением выводов. Если, например,

имеется рисунок, на котором изображена большая комната, много детей и один взрослый, то можно сделать заключение, что это скорее всего в школе. Другими словами, этот способ представляет собой нечто среднее между обработкой языковой информации в искусственном интеллекте и распознаванием образов. Следовательно, возникает задача представления признаков эталонных рисунков с помощью языка. В настоящее время подобные процедуры доверяются человеку и не подлежат автоматизации. В этом смысле данная система так же, как и экспертные системы, является разновидностью человеко-машинных систем.

Ниже в качестве объектов для распознавания выбрано несколько видов овощей. Сначала с использованием ПЗС-камеры создается монохромное изображение объекта. После сглаживания для удаления шумов контрастность изображения представляется в двоичном коде и производится обработка растяжением и сжатием для восполнения недостающей информации. Обнаружение контуров выполняется на основе обычного метода операторов Лапласа. По полученным контурам фазу же вычисляются длина, ширина и площадь объекта.

Для выделения локальных признаков контура осуществляется его деление на короткие отрезки определенной длины и находятся разности углов смежных отрезков. Определяются линии с изменениями разности углов в пределах 10° и производится их группирование (рис. 3.67). Группы классифицируются по трем эталонным образцам: линия, кривая, угол, и к ним применяется процедура нечеткого сопоставления образов (рис. 3.68). Эталонные образы представляют собой нечеткие множества, элементами которых являются изменения углов, их функции принадлежности определяются как (рис. 3.68). Обнаруженные свойства групп представляются функцией принадлежности F, имеющей форму равнобедренного треугольника, в котором за вершину принимается среднее изменение угла, а за нечеткое основание - отклонение. Для принятия решения относительно подобия F и В используется метод определения обратного значения истинности, основанный на числовых значениях истинности

следующего выражения, предложенного Цукамото:

Локальные признаки групп на рис. 3.67, полученные с помощью этого выражения, приведены в табл. 3.13.

Таблица 3.13. Локальные признаки контура

Получив локальные признаки контура, делают заключение о макропризнаках всей формы. В качестве эталонных макропризнаков выбраны шесть фигур - круг, эллипс, треугольник, квадрат, стержень, дуга, и каждая из фигур представляется на языковом уровне. Например, «признаки круга: отношение высоты к ширине равно примерно 1, большая часть фигуры криволинейна, число углов близко к нулю или больше шести, выпуклая часть занимает около 100%, а вогнутая - около . Это описание задается в виде нечетких

Рис. 3.67. Группирование контура.

Рис. 3.68. Эталонный образ.

множеств, показанных на рис. 3.69. Аналогичным образом для пяти остальных фигур эталонную форму можно представить в виде нечетких множеств локальных признаков. Если исследовать макропризнаки на рис. 3.67 с помощью ранее описанного метода, то получится степень подобия для стержня 0,65, для дуги 0,78.

Описанные в начале размеры и отношение высоты к ширине представляются нечетким показателем типа «крупный», «средний», «малый» и в виде нечетких чисел вводятся в базу

Рис. 3.69. Макропризнаки круга.

Рис. 3.70. Пример распознавания.

знаний. Для того чтобы выразить выпуклость и вогнутость контура, используются локальные признаки группы-кривая и угол. Если состояние, при котором их коды периодически меняются, распространяется на более чем три нечетких числа, то считается, что предмет обладает кривизной.

В качестве конкретного примера рассмотрим распознавание 12 типов овощей (в набор овощей умышленно введены искусственные предметы), показанных на рис. 3.70. В качестве эталонных знашш используется языковое представление (пример языкового представления для банана приведен в табл. 3.14); в виде нечетких множеств оно вводится в базу знаний. Эффективность распознавания неизвестного предмета в большой степени зависит от того, поиск какого признака ведется первым. В результате анализа поведения человека при распознавании было обнаружено, что значимость макропризнаков в данном примере описывается последовательностью: размеры, отношение высоты к ширине, число углов, округлость, дугообразность, кривизна. В такой последовательности построено дерево поиска (табл. 3.14).

Таблица 3.14. Признаки банана

На рис. 3.71 приведены результаты распознавания стручкового перца из числа предметов, показанных на рис. 3.70.

Рис. 3.71. Пример распознавания стручкового перца.