Регистрация / Вход
Прислать материал

Система распознавания образов с использованием искусственных нейронных сетей

Сведения об участнике
ФИО
Игонин Дмитрий Михайлович
Вуз
Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования национальный исследовательский университет «Московский авиационный институт»
Тезисы (информация о проекте)
Область наук
Информационные технологии и вычислительные системы
Раздел области наук
Информационные технологии
Тема
Система распознавания образов с использованием искусственных нейронных сетей
Резюме
В работе рассмотрена система распознавания образов летательных аппаратов на фоне подстилающей поверхности , в качестве алгоритмов распознавания использованы принципы работы искусственных нейронных сетей. Разработан вариант структурной схемы системы распознавания образов, а также приведены результаты распознавания образов ряда летательных аппаратов, на зашумленном фоне при использовании искусственной нейронной сети типа однослойный персептрон.
Ключевые слова
распознавание образов, подстилающая поверхность, искусственная нейронная сеть, радиолокатор с синтезированной апертурой
Цели и задачи
Разработать систему распознавания образов летательных аппаратов аэродромного базирования на фоне подстилающих поверхностей. Оценить пригодность искусственных нейронных сетей к решению поставленной задачи.
Введение

В большинстве существующих систем обнаружения и распознавания, действия, в основном, производятся оператором. Поэтому в работе ставится задача автоматизации этих процедур. В работе выбрана система распознавания образов и принятия окончательного решения на наземном пункте управления Основным назначением системы обнаружения является поиск объекта, а основным назначением системы распознавания образов является отыскание решения о принадлежности некоторому классу. Один из важных подходов к задаче предполагает правильную обработку входной информации. В условиях, когда мы обладаем лишь немногочисленными априорными сведениями о распознаваемых образах, при построении распознающей системы лучше всего использовать нейросетевые процедуры

Методы и материалы

Основная задача РО состоит в обучении и распознавании искусственной нейронной сети. Процесс обучения состоит из создания и изменения таблиц весов соответствующих образам.

Для упрощения распознавания образы как и подстилающая поверхность должны представлять собой черно-белые изображения. Для этого система РО преобразует массивы данных по следующему алгоритму: массив данных представляет собой массив оттенков серого (изображение с радиолокатора с ситензированной аппертурой) и (или) цветное RGB (в случае с фотокамерой). По выбранному заранее порогу (уровня оттенка серого, и (или) уровня цвета) в случае если значение массива выше порога - это черный цвет, если ниже порога - это белый цвет.

На вход искусственной нейронной сети подается изображение, для которого входные данные представляют собой двумерный массив (черно-белое изображение) состоящее из чисел «0» (белый цвет) и «1» (черный цвет).

Описание и обсуждение результатов

1)      Рассмотрена система распознавания образов летательных аппаратов на фоне подстилающей поверхности с обработкой и принятием решения  на наземном пункте управления;

2)      Предложены и формализованы признаки распознаваемого образа, применение которых снижает вероятность перепутывания сложных образов летательных аппаратов;

3)      Предусмотрено разбиение распознаваемого изображения на области уплотнения пикселей, что позволяет сократить время распознавания по сравнению с обычным перебором всей подстилающей поверхности;

4)      Для улучшения качества работы алгоритма разбиения на области в математическую модель была введена процедура фильтрации шумов;

5)      Для распознавания образов с разным масштабом и ракурсом предусмотрен специальный блок обработки представляемых образов;

6) Применение технологии искусственных нейронных сетей позволяет распознавать образы летательных аппаратов на фоне подстилающей поверхности. Разработанная математическая модель однослойного Персептрона с возможностью обучения с учителем, на которой был произведен эксперимент по распознаванию образов пяти летательных аппаратов на подстилающих поверхностях размером 512х512 пикселей с разным уровнем зашумления, показала свою пригодность к решаемой задаче;

7)      При оценке качества распознавания математической модели одного образа летательного аппарата при распознавании самого себя и отличия себя от других образов летательных аппаратов при разном уровне зашумленности подстилающей поверхности, были получены удовлетворительные, а в некоторых случаях и хорошие показатели качества распознавания;

8)      Реализация системы требует также точного выбора порога в пороговом устройстве. Поскольку система будет отбрасывать все маловероятные для нее цели. В такой ситуации существует, что система отбросит и истинную цель, что является пропуском цели, но в тоже время вероятность ложной тревоги падает поскольку отбрасываются маловероятные цели.

Используемые источники
1) Сосулин Ю.Г., Фам Чунг Зунг; Нейросетевое распознавание двумерных изображений; Радиотехника и электроника; 2003; т 48№8 с 969-978;
2) Кивокурцев А.Л.; Повышение эксплуатационной надежности интегрированного комплекса бортового оборудования на основе реконфигурации структуры его вычислительной системы; диссертация на соискание ученой степени кандидата технических наук; М. 2014г.; 195с;
3) Круглов В.В., Борисов В.В.; Искусственные нейронные сети, теория и практика; Горячая Линия – Телеком; М. 2002; 382с.
Information about the project
Surname Name
Igonin
Project title
The pattern recognition system using artificial neural networks
Summary of the project
The paper discusses the pattern recognition system of aircrafts on the background of the underlying surface , as the recognition algorithms used principles of artificial neural networks. A variant of the structural scheme of the system of recognition of images, and the results of image recognition of a number of aircraft, at the distorted background when using artificial neural networks single layer perceptron.
Keywords
pattern recognition, the underlying surface, artificial neural network, synthetic aperture radar