Цель исследования

izvestswsu

Известия Юго-Западного государственного университета

Proceedings of the Southwest State University

2223-15602686-6757

ЮЗГУ

10.21869/2223-1560-2024-28-2-148-165

izvestswsu-1268

Research Article

Информатика, вычислительная техника и управление

Computer science, computer engineering and IT managment

Интеллектуализация процесса детектирования форм геометрических объектов

Intellectualization of the process of detecting shapes of geometric objects

https://orcid.org/0000-0002-3779-9165

Милостная

Н. А.

Milostnaya

N. A.

Милостная Наталья Анатольевна, доктор технических наук, доцент

ул. 50 лет Октября, д. 94, г. Курск 305040

Natalya A. Milostnaya, Dr. of Sci. (Engineering), Associate Professor

50 Let Oktyabrya str. 94, Kursk 305040

nat_mil@mail.ru

Юго-Западный государственный университетSouthwest State University

2024

28062024

282148165

2024

Милостная Н.А.

Milostnaya N.A.

Данная работа распространяется под лицензией Creative Commons Attribution 4.0.

This work is licensed under a Creative Commons Attribution 4.0 License.

https://izvestswsu.elpub.ru/jour/article/view/1268

Цель исследования

Цель исследования. Разработка программного кода на языке программирования C#, реализующего алгоритм распознавания формы геометрических объектов на входном изображении при обеспечении надежности этого вычислительного процесса.

Методы

Методы. Алгоритм распознавания геометрических форм объектов основан на сочетании традиционных методов обработки изображений и интеллектуальных правил, определяющих вид геометрической формы объекта в зависимости от характеристик контуров, таких как моменты, количество их сторон и т.д. Для реализации данного метода в статье предлагается последовательность математических операций, включающая следующие этапы. Во-первых, метод включает операции размытие, преобразование исходного изображения в градации серого и инвертирование. На втором этапе осуществляется детектирование контуров и определение их характеристик, таких как моменты, периметр и др. На финальном этапе в зависимости от числа сторон, входящих в структуру контура, на основе интеллектуальных правил осуществляется сопоставление каждого найденного контура определенной геометрической фигуры.

Результаты

Результаты. Разработаны алгоритм и инструкции создания программного кода для программной реализации процесса распознавания геометрической формы объектов. Определено, что предложенный алгоритм имеет высокую надежность, составляющую порядка 97%.

Заключение

Заключение. Традиционные методы обработки изображений, такие как размытие и преобразование в градации серого, могут успешно сочетаться с методами выделения контуров и определения их геометрических характеристик. Подобная синергия методов обработки изображений позволяет создать алгоритм распознавания геометрических форм. Важно учитывать, что надежность и эффективность подобного алгоритма зависит от настройки пороговых значений, используемых в функциях обработки изображений, и дальнейшее исследование их характеристик может привести к улучшению результатов рассмотренного в статье алгоритма

Purpose of research

Purpose of research. Development of program code in the C# programming language that implements an algorithm for recognizing the shape of geometric objects in the input image while ensuring the reliability of this computational process is the main goal of the article.

Methods

Methods. The algorithm for recognizing the geometric shapes of objects is based on a combination of traditional image processing methods and intelligent rules that determine the type of geometric shape of an object depending on the characteristics of the contours, such as moments, the number of their sides, etc. To implement this method, the following sequence of mathematical operations which includes the following stages is proposed in the article. Firstly, this method includes the following operations: blur, convert the original image to grayscale, and invert. Detection of contours and determination of their characteristics, such as moments, perimeter, etc., is carried out at the second stage of the method. And at the final stage, the comparison of each found contour of a certain geometric figure is carried out depending on the number of sides included in the structure of the contour.

Results

Results. An algorithm and instructions for creating program code have been developed for the software implementation of the process of recognizing the geometric shape of objects. It was determined that the proposed algorithm has a high reliability approximately equal 97%.

Conclusion

Conclusion. Traditional image processing methods such as blurring and grayscale conversion can be successfully combined with methods for identifying contours and determining their geometric characteristics. This synergy of image processing methods makes it possible to create an algorithm for recognizing geometric shapes. It is important to consider that the reliability and efficiency of such an algorithm depends on the settings of the threshold values used in the image processing functions and further study of their characteristics can lead to improved results of the algorithm presented in the article.

распознаваниевыделение контуровобработка изображенияOpenCVEMGU

recognitioncontour extractionimage processingOpenCVEMGU

Работа выполнена в рамках гранта РНФ №24-21-00055 – «Разработка интеллектуальной высокопроизводительной нейро-нечеткой системы технического зрения»

References1

Гнеушев А. Н., Мурынин А. Б. Адаптивный градиентный метод выделения контурных признаков объектов на изображениях реальных сцен // Известия Российской академии наук. Теория и системы управления. 2003. № 6. С. 153-160.

Gneushev A. N., Murynin A. B. Adaptive gradient method for selecting contour features of objects in images of real scenes. Izvestiya Rossiiskoi akademii nauk. Teoriya i sistemy upravleniya = Izvestia of the Russian Academy of Sciences. Theory and Control Systems. 2003; (6): 153-160. (In Russ.).

Алгоритм группировки геометрических объектов при автоматическом раскрое листового материала с использованием локальных характеристик формы / М. А. Чертов, Г. Е. Руденский, С. Г. Псахье, А. В. Скворцов // Вычислительные технологии. 2006. Т. 11, № 2. С. 93-107.

Chertov M. A., Rudensky G. E., Psakhye S. G., Skvortsov A.V. An algorithm for grouping geometric objects in automatic cutting of sheet material using local shape characteristics. Vychislitel'nye tekhnologii = Computational Technologies. 2006; 11 (2): 93-107. (In Russ.).

Чуканов С. Н. Сравнение изображений объектов методами вычислительной топологии // Труды СПИИРАН. 2019. Т. 18, № 5. С. 1043-1065. https://doi.org/10.15622/sp.2019.18.5.1043-1065.

Chukanov S. N. Comparison of images of objects by methods of computational topology. Trudy SPIIRAN = Proceedings of SPIIRAN. 2019; 18(5): 1043-1065. (In Russ.). https://doi.org/10.15622/sp.2019.18.5.1043-1065.

Чуканов С. Н. Сравнение диффеоморфных изображений на основе формирования персистентных гомологий // Моделирование и анализ информационных систем. – 2019. Т. 26, № 3. С. 450-468. https://doi.org/10.18255/1818-1015-2019-3-450-468.

Chukanov S. N. Comparison of diffeomorphic images based on the formation of persistent homologies. Modelirovanie i analiz informatsionnykh sistem = Modeling and Analysis of Information Systems. 2019; 26 (3): 450-468. (In Russ.). https://doi.org/10.18255/1818-1015-2019-3-450-468.

Шабалин А. С., Рахматуллов И. И., Полянин Н. А. Сравнение двух методов распознавания образов геометрических фигур // Ученые записки УлГУ. Серия: Математика и информационные технологии. 2021. № 2. С. 82-89.

Shabalin A. S., Rakhmatullov I. I., Polyanin N. A. Comparison of two methods of pattern recognition of geometric shapes. Uchenye zapiski UlGU. Seriya: Ma-tematika i informatsionnye tekhnologii = Scientific Notes of UlSU. Series: Mathematics and Information Technology. 2021: (2): 82-89. (In Russ.).

Воронова Л. В., Панишева Е. В. К вопросу выбора метода определения границ и распознавания графического объекта применительно к задаче идентификации номера автомобиля // Технологии и качество. 2022. № 2(56). С. 46-50. https://doi.org/10.34216/2587-6147-2022-2-56-46-50.

Voronova L. V., Panisheva E. V. On the issue of choosing a method for determining boundaries and recognizing a graphic object in relation to the problem of identifying a car number. Tekhnologii i kachestvo = Technology and Quality. 2022; (2): 46-50. (In Russ.). https://doi.org/10.34216/2587-6147-2022-2-56-46-50.

Бобырь М.В., Емельянов С.Г., Милостная Н.А. Алгоритм построения 3d сцен распознанных объектов по картам глубин // Известия Юго-Западного государственного университета. 2023. Т. 27, №2. С. 90-104. https://doi.org/10.21869/2223-1560-2023-27-2-90-104.

Bobyr M. V., Emelyanov S. G., Milostnaya N. A. Algorithm for Creating 3d Scenes of Recognized Objects from Depth Maps. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University. 2023; 27(2): 90-104 (In Russ.). https://doi.org/10.21869/2223-1560-2023-27-2-90-104.

A method for creating a depth map based on a three-level fuzzy model / M. Bobyr, A. Arkhipov, S. Emelyanov, N. Milostnaya // Engineering Applications of Artificial Intelligence. 2023. Vol.117, no. Part B. P. 105629. https://doi.org/10.1016/j.engappai.2022.105629.

Bobyr M., Arkhipov A., Emelyanov S., Milostnaya N. A method for creating a depth map based on a three-level fuzzy model. Engineering Applications of Artificial Intelligence. 2023; 117 (Part B): 105629. https://doi.org/10.1016/j.engappai.2022.105629.

Построение карты глубины с использованием модернизированного фильтра Канни. Часть 1 / М. В. Бобырь, А. Е. Архипов, А. С. Якушев, Ц. Цао // Промышленные АСУ и контроллеры. 2021. № 4. С. 12-20. https://doi.org/10.25791/asu.4.2021.1271.

Bobyr M. V., Arkhipov A. E., Yakushev A. S., Cao Ts. Building a depth map using an upgraded Canny filter. Pt. 1. Promyshlennye ASU i kontrollery = Industrial automated control systems and controllers. 2021; (4): 12-20. (In Russ.). https://doi.org/10.25791/asu.4.2021.1271.

Построение карты глубины с использованием модернизированного фильтра Канни. Часть 2 / М. В. Бобырь, А. Е. Архипов, А. С. Якушев, С. Бхаттачарья // Промышленные АСУ и контроллеры. 2021. № 5. С. 3-15. https://doi.org/10.25791/asu.5.2021.1277.

Bobyr M. V., Arkhipov A. E., Yakushev A. S., Bhattacharya S. Building a depth map using an upgraded Canny filter. Pt. 2. Promyshlennye ASU i kontrollery = Industrial automated control systems and controllers, 2021; (5): 3-15. (In Russ.). https://doi.org/10.25791/asu.5.2021.1277.

Годунов А. И., Баланян С. Т., Егоров П. С. Сегментация изображений и распознавание объектов на основе технологии сверточных нейронных сетей // Надежность и качество сложных систем. 2021. № 3(35). С. 62-73. https://doi.org/10.21685/2307-4205-2021-3-8.

Godunov A. I., Balanyan S. T., Egorov P. S. Image segmentation and object recognition based on convolutional neural network technology. Nadezhnost' i kachestvo slozhnykh sistem = Reliability and quality of complex systems. 2021; (3): 62-73. (In Russ.). https://doi.org/10.21685/2307-4205-2021-3-8.

Лобанов М. Г., Шоломов Д. Л. Об ускорении архитектуры сверточной нейронной сети на базе ResNet в задаче распознавания объектов дорожной сцены // Информационные технологии и вычислительные системы. 2019. № 3. С. 57-65. https://doi.org/10.14357/20718632190305.

Lobanov M. G., Sholomov D. L. On accelerating the architecture of a convolutional neural network based on ResNet in the task of recognizing objects of the road scene. Informatsionnye tekhnologii i vychislitel'nye sistemy = Information Technologies and Computing Systems. 2019; (3): 57-65. (In Russ.).https://doi.org/10.14357/20718632190305.

Кадуков Е. П. Распознавание объектов контроля на радиолокационных изображениях с использованием метода опорных векторов // Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2022. № 9-10(171-172). С. 96-105.

Kadukov E. P. Recognition of control objects on radar images using the method of reference vectors. Voprosy oboronnoi tekhniki. Seriya 16: Tekhnicheskie sredstva protivodeistviya terrorizmu = Questions of defense technology. Series 16: Technical means of countering terrorism. 2022; (9-10): 96-105. (In Russ.).

А. Ю. Поливанов, Ю. В. Иванов Распознавание человека в системе технического зрения мобильного робота на основе метода опорных векторов // Вестник МГТУ "Станкин". 2023. № 3(66). С. 17-27.

Polivanov A. Yu., Ivanov Yu. V. Human recognition in the technical vision system of a mobile robot based on the method of support vectors. Vestnik MGTU "Stankin" = Bulletin of the Moscow State Technical University "Stankin". 2023; (3): 17-27. (In Russ.).

Пугин Е. В., Жизняков А. Л. Алгоритмы обработки изображений для обнаружения объектов с использованием нечётких признаков // Радиотехнические и телекоммуникационные системы. 2020. № 2(38). С. 59-65.

Pugin E. V., Zhiznyakov A. L. Image processing algorithms for detecting objects using fuzzy features. Radiotekhnicheskie i telekommunikatsionnye sistemy = Radio Engineering and Telecommunication Systems. 2020; (2): 59-65. (In Russ.)

Нечетко-логические методы в задаче детектирования границ объектов / М. В. Бобырь, А. Е. Архипов, С. В. Горбачев, Ц. Цао, С. Бхаттачарья // Информатика и автоматизация. 2022. Т.21, №2. С. 376-404. https://doi.org/10.15622/ia.21.2.6

Bobyr M. V., Arkhipov A. E., Gorbachev S. V., Cao Ts., Bhattacharya S. Fuzzy logic methods in the problem of detecting object boundaries. Informatika i avtomatizatsiya = Computer Science and Automation. 2022; (21): 376-404. (In Russ.). https://doi.org/10.15622/ia.21.2.6

Прикладные нейро-нечеткие вычислительные системы и устройства / М. В. Бобырь, С. Г. Емельянов, А. Е. Архипов, Н. А. Милостная. М.: Издательский Дом "Инфра-М", 2023. 263 с. https://doi.org/ 10.12737/1900641. 18. Bobyr M. V., Milostnaya N. A., Bulatnikov V. A. The fuzzy filter based on the method of areas' ratio // Applied Soft Computing. 2022. Vol. 117. P. 108449. https://doi.org/10.1016/j.asoc.2022.108449.

Bobyr M. V., Yemelyanov S. G., Arkhipov A. E., Milostnaya N. A. Applied neurofuzzy computing systems and devices. Moscow: Infra-M; 2023. 263 p. (In Russ.). https://doi.org/10.12737/1900641.

Бобырь М. В., Милостная Н. А. Анализ использования мягких арифметических операций в структуре нечетко-логического вывода // Вестник компьютерных и информационных технологий. 2015. № 7(133). С. 7-15. https://doi.org/10.14489/vkit.2015.07.pp.007-015.

Bobyr M. V., Milostnaya N. A., Bulatnikov V. A. The fuzzy filter based on the method of areas' ratio. Applied Soft Computing. 2022; 117: 108449. https://doi.org/10.1016/j.asoc.2022.108449.

Бобырь М. В., Архипов А. Е., Якушев А. С. Распознавание оттенка цветовой метки на основе нечёткой кластеризации // Информатика и автоматизация. 2021. Т. 20, № 2. С. 407-434. https://doi.org/10.15622/ia.2021.20.2.6.

Bobyr M. V., Milostnaya N. A. Analysis of the use of soft arithmetic operations in the structure of fuzzy logical inference. Vestnik komp'yuternykh i informatsionnykh tekhnologii = Bulletin of Computer and Information Technologies. 2015; (7): 7-15. (In Russ.). https://doi.org/10.14489/vkit.2015.07.pp.007-015.

Emgu CV Library Documentation. VectorOfVectorOfPoint Class. URL: www.emgu.com/wiki/files/3.0.0/document/html/b29e1d11-e75c-6bbe-4b3b-7d8e6395a733.htm (Доступ свободный). 22. Emgu CV Library Documentation. CvInvoke.FindContours Method. URL: www.emgu.com/wiki/files/4.5.5/document/html/M_Emgu_CV_CvInvoke_FindContours.ht m (Доступ свободный). 23. Балун В. Н., Дроздов Н. А., Дорошенко Е. В. Программная реализация алгоритма Дугласа-Пекера для уменьшения числа точек полилинии // Современные тенденции развития и перспективы внедрения инновационных технологий в машиностроении, образовании и экономике. 2019. Т. 5, № 1. С. 157-163.

Bobyr M. V., Arkhipov A. E., Yakushev A. S. [Recognition of the shade of a color label based on fuzzy clustering]. Informatika i avtomatizatsiya = Informatics and Automation, 2021; 20 (2): 407-434. (In Russ.). https://doi.org/10.15622/ia.2021.20.2.6.

Emgu CV Library Documentation. VectorOfVectorOfPoint Class. Available at: www.emgu.com/wiki/files/3.0.0/document/html/b29e1d11-e75c-6bbe-4b3b7d8e6395a733.htm (Доступ свободный).

Emgu CV Library Documentation. CvInvoke.FindContours Method. Available at: www.emgu.com/wiki/files/4.5.5/document/html/M_Emgu_CV_CvInvoke_FindContours.ht m (Доступ свободный). 23. Balun V. N., Drozdov N. A., Doroshenko E. V. Software implementation of the Douglas-Pecker algorithm for reducing the number of polyline points. Sovremennye tendentsii razvitiya i perspektivy vnedreniya innovatsionnykh tekhnologii v mashinostroenii, obrazovanii i ekonomike = Modern development trends and prospects for the introduction of innovative technologies in mechanical engineering, education and economics. 2019; 5 (1): 157-163. (In Russ.).

The authors declare that there are no conflicts of interest present.