Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту
Розроблено новий метод декомпозитивного розпізнавання креслень шляхом поетапного відокремлення з них і розпізнавання однотипних образів. Описано технологію розділення креслення на блоки графічної та символьної інформації з використанням нейронних схем. Проведено аналіз перспективних технологій штучн...
Збережено в:
| Опубліковано в: : | Математичне та комп'ютерне моделювання. Серія: Фізико-математичні науки |
|---|---|
| Дата: | 2008 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2008
|
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/18682 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту / О.О. Кубик, О.В. Мазурець, С.С. Ковальчук // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2008. — Вип. 1. — С. 109-119. — Бібліогр.: 11 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860243169985167360 |
|---|---|
| author | Кубик, О.О. Мазурець, О.В. Ковальчук, С.С. |
| author_facet | Кубик, О.О. Мазурець, О.В. Ковальчук, С.С. |
| citation_txt | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту / О.О. Кубик, О.В. Мазурець, С.С. Ковальчук // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2008. — Вип. 1. — С. 109-119. — Бібліогр.: 11 назв. — укр. |
| collection | DSpace DC |
| container_title | Математичне та комп'ютерне моделювання. Серія: Фізико-математичні науки |
| description | Розроблено новий метод декомпозитивного розпізнавання креслень шляхом поетапного відокремлення з них і розпізнавання однотипних образів. Описано технологію розділення креслення на блоки графічної та символьної інформації з використанням нейронних схем. Проведено аналіз перспективних технологій штучного інтелекту з метою визначення оптимального методу розпізнавання символьної інформації на графічних зображеннях.
It is designed new method of decompozitive recognitions of the drawings by way of the phased branch from them and recognitions of its parts. Described technology of division of the drawing on blocks of graphic and symbol information with use neural schemes. The organized analysis of perspective technologies of the artificial intelligence for the reason determinations of the optimum method of the recognition to symbol information on graphic images.
|
| first_indexed | 2025-12-07T18:32:29Z |
| format | Article |
| fulltext |
Серія: Технічні науки. Випуск 1
109
фільтраційним потоком викладені та проаналізовані різні методи їх
розв’язання, що можуть бути використані на практиці.
Список використаних джерел:
1. Ивашинцов Д. А. и др. Параметрическая идентификация расчетных мо-
делей гидротехнических сооружений. – СПб.: Изд-во ОАО “ВНИИГ
им. Б. Е. Веденеева”, 2001.
2. Беллендир Е. Н. и др. Вероятностные методы оценки надежности грунто-
вых гидротехнических сооружений. Том 2. – СПб.: Изд-во ОАО “ВНИИГ
им. Б. Е. Веденеева”, 2004.
3. Гроп Д. Методы идентификации систем. – М.: Мир, 1979.
4. Рубан А. И. Идентификация нелинейных динамических объектов на ос-
нове алгоритма чувствительности. – Томск: Томский университет, 1975.
Given are some results of solution of parametric identification prob-
lems of mathematical models of hydraulic structures with using different
methods, namely: direct methods (methods of inversing of direct problem),
method of substitution, which have been reduced to solution of series of di-
rect problems under varying of values of parameters to be searched, and
extreme methods grounded on minimization of discrepancy between de-
sign and in-situ data.
Key words: hydraulic structures, mathematical model, parameters
(coefficients) of model, parametric identification, direct and inverse prob-
lems, numerical methods.
Отримано: 30.04.05
УДК 004.032.26
О. О. Кубик, О. В. Мазурець, С. С. Ковальчук
Хмельницький національний університет
ДЕКОМПОЗИТИВНЕ РОЗПІЗНАВАННЯ СИМВОЛЬНОЇ
ІНФОРМАЦІЇ З КРЕСЛЕНЬ ІЗ ВИКОРИСТАННЯМ
ТЕХНОЛОГІЙ ШТУЧНОГО ІНТЕЛЕКТУ
Розроблено новий метод декомпозитивного розпізнавання
креслень шляхом поетапного відокремлення з них і розпізна-
вання однотипних образів. Описано технологію розділення
креслення на блоки графічної та символьної інформації з ви-
користанням нейронних схем. Проведено аналіз перспектив-
них технологій штучного інтелекту з метою визначення опти-
мального методу розпізнавання символьної інформації на гра-
фічних зображеннях.
Ключові слова: розпізнавання, розпізнавання креслень,
штучний інтелект, нейронні мережі, нейронні схеми.
Вступ. У сучасному світі щодня переводиться з паперу в елект-
ронну форму велика кількість різних документів: друковані тексти,
© О. О. Кубик, О. В. Мазурець, С. С. Ковальчук, 2008
Математичне та комп’ютерне моделювання
110
платіжні доручення, митні або податкові декларації, бюлетені для
голосування, різні анкети й ін. Активно використовуються тисячі
різних систем електронного документообігу практично у всіх сферах
діяльності. При сучасних обсягах потоків документів подібні операції
неможливі без автоматизованої обробки.
Використання паперових креслень є одним із факторів, що ускла-
днюють застосування систем автоматизованого проектування (САПР).
Розробка технології перетворення паперових креслень у електронні
аналоги допоможе зняти існуючі базові протиріччя й перевести проце-
дури зберігання, модифікації та зберігання креслень на єдину базу.
Паперові креслення різних видів мають велику кількість недолі-
ків. Наприклад, паперові креслення старіють і виходять з ладу, потре-
бують місце й спеціальні умови для зберігання, одночасне використан-
ня одного креслення кількома людьми або відділами завжди важке, а
його копіювання найчастіше веде до погіршення якості. Значними є й
вторинні втрати, зокрема втрати часу, коли висококваліфіковані інже-
нери шукають необхідні креслення; або збитки від документів, що губ-
ляться. Навіть ті компанії, які успішно впроваджують системи автома-
тизованого проектування, як і раніше оточені багатьма паперовими
документами. Це і старі архіви самої організації, і паперові креслення,
отримані від підрядників; і “тверді копії” електронних документів.
Ситуація ускладнюється ще й тим, що лише деякі нові проекти
розробляються “з нуля”, без використання попередніх розробок під-
приємства, що зберігаються на папері або плівці. Тому щораз, коли
приходить час випуску модернізованого виробу, організації електро-
нних архівів, впровадження систем документообігу або проводження
реконструкції приміщення чи установки, виникає проблема спільного
використання старих паперових креслень і сучасних програмних за-
собів САПР.
На сьогодні найшвидшим способом перетворення паперового
документу в електронний файл є сканування. Відскановані зображен-
ня можна відразу включати в систему електронного документообігу й
використовувати як довідкову документацію, однак для редагування
растрових зображень і їхнього повноцінного використання в САПР
необхідне спеціалізоване програмне забезпечення. Це обумовлено
принциповими розходженнями між растровою графікою, яка одержу-
ється при скануванні, і векторною графікою, котра створюється й
використовується в автоматизованих системах креслення і проекту-
вання. Для вирішення проблеми з маніпуляцією відсканованими рас-
тровими зображеннями креслень, застосовується ряд методів щодо
їхньої сегментації, розпізнавання і подальшого застосування в САПР.
Тому було поставлене завдання розробити такий метод розпі-
знавання креслень, який дозволить розпізнавати структурні елементи
креслень із растрових зображень.
Серія: Технічні науки. Випуск 1
111
Основна частина. Найбільш ефективним інструментом розпі-
знавання креслень є використання технологій штучного інтелекту для
розпізнавання образів із застосуванням ефективних методів нейрооб-
робки інформації. Відомі схеми аналізу зображень й оцінки даних
малоефективні, тому що вони негнучкі й прив’язані до певного не-
адаптивного алгоритму. З метою визначення найбільш ефективного
методу розпізнавання графічної інформації, було виконано аналіз
технологій штучного інтелекту, серед яких найбільш перспектив-
ними є наступні:
§ Одношарові штучні нейронні мережі.
§ Нейронні мережі із зворотним поширенням помилки.
§ Нейронні мережі Хеба.
§ Нейронні мережі Хопфілда.
§ Нейронні схеми.
Одношарові штучні нейронні мережі [1] складаються із групи
нейронів, що утворюють шар. В них кожен елемент із безлічі входів
окремою вагою з’єднаний з кожним штучним нейроном, а кожен ней-
рон видає зважену суму входів у мережу. Можуть мати місце також
з’єднання між виходами й входами елементів у шарі. Ваги всіх елемен-
тів матриці можна позначити через W. Матриця має m рядків й n стов-
пців, де m – число входів, а n – число нейронів. Наприклад, w2,3 – це
вага, що з’єднує третій вхід із другим нейроном. Таким чином, обчис-
лення вихідного вектора N, компонентами якого є виходи нейронів,
зводиться до матричного множення N = XW, де N і Х – вектори рядка.
Коли в мережі тільки один шар нейронів, алгоритм її навчання із
учителем очевидний, тому що правильні вихідні стани нейронів єди-
ного шару наперед відомі, і підстроювання синоптичних зв’язків
йдуть у напрямку, який мінімізує помилку на виході мережі. На цьо-
му принципі будується, наприклад, алгоритм навчання одношарового
перцептрона. У багатошарових мережах оптимальні вихідні значення
нейронів всіх шарів, крім останнього, як правило, не відомі, і двох
або більше шарів перцептрона неможливо навчити, керуючись тільки
величинами помилок на виходах штучних нейронних мереж. У ме-
реж, розглянутих вище, немає зворотних зв’язків, тобто з’єднань, що
йдуть від виходів деякого шару до входів цього ж шару або попере-
дніх шарів. Це спеціальний клас мереж, названий мережами без зво-
ротних зв’язків, або мережами прямого поширення. У мережах без
зворотних зв’язків немає пам’яті, їхній вихід повністю визначається
поточними входами й значеннями ваг.
Один із варіантів рішення даної проблеми – розробка наборів
вихідних сигналів, відповідних вхідним, для кожного шару штучних
нейронних мереж, що як правило є дуже трудомісткою операцією й
не завжди здійснюється. Другий варіант – динамічне підстроювання
ваг коефіцієнтів синапсів, у ході якої вибираються, як правило, най-
Математичне та комп’ютерне моделювання
112
більш слабкі зв’язки й змінюються на малу величину в ту або іншу
сторону, а зберігаються тільки ті зміни, які спричинили зменшення
помилки на виході всієї мережі. Третій варіант – поширення сигналів
помилки від виходів штучних нейронних мереж до її входів, у напря-
мку, зворотньому прямому поширенню сигналів у звичайному режи-
мі роботи. Цей алгоритм навчання одержав назву процедури зворот-
нього поширення [2].
Нейронні мережі Хеба базуються на концепції, що нервові клі-
тини мозку з’єднані одна з одною великою кількістю прямих і зворо-
тних збудливих зв’язків й утворюють нейронну мережу. Кожен ней-
рон здійснює просторово-тимчасову сумацію вхідних сигналів від
збуджених нейронів, визначаючи потенціал на своїй мембрані. Коли
потенціал на мембрані перевищує граничне значення, нейрон збу-
джується. Нейрон володіє рефрактерністю й втомою. Ефективність
зв’язків може змінюватися в процесі функціонування мережі, підви-
щуючись між одночасно збудженими нейронами. Це приводить до
об’єднання нейронів у клітинні ансамблі – групи кліток, які частіше
усього збуджувалися разом, і до відокремлення ансамблів один від
іншого. При збудженні достатньої частини ансамблю, він збуджуєть-
ся цілком. Різні ансамблі можуть перетинатися: один і той самий
нейрон може входити в різні ансамблі. Електрична активність мозку
обумовлена послідовним порушенням окремих ансамблів.
Ідеї Хеба стали основою для створення нейронних моделей дов-
гострокової пам’яті. Ансамблеву нейронну мережу можна розглядати
як структуру, що реалізує функції розподіленої асоціативної пам’яті.
Формування ансамблів у такій мережі відповідає запам’ятовуванню
образів (ознак, об’єктів, подій, понять), закодованих патерном актив-
ності нейронів, а сформовані ансамблі є їх внутрішнім відтворенням.
Процес порушення всього ансамблю при активації частини його ней-
ронів можна інтерпретувати як витяг запам’ятованої інформації з її
частини – ключу пам’яті. Модель пам’яті на основі ансамблевої ней-
ронної мережі має деякі властивості, властиві біологічній пам’яті,
такі, як асоціативність, розподіленість, паралельність, стійкість до
шумів або збоїв і надійність. Проводяться також структурні аналогії
між ансамблевими моделями нейронних мереж й будовою кори голо-
вного мозку. Є експериментальні дані про синаптичні пластичності,
постульованої Хебом [3].
Серед різних конфігурацій штучних нейронних мереж зустріча-
ються такі, при класифікації яких за принципом навчання не підхо-
дять ні навчання з учителем, ні навчання без учителя. У таких мере-
жах вагові коефіцієнти синапсів розраховуються тільки один раз пе-
ред початком функціонування мережі на основі інформації про обро-
блювання даних, і все навчання мережі зводиться саме до цього роз-
рахунку. З одного боку, представлення апріорної інформації можна
Серія: Технічні науки. Випуск 1
113
розцінювати, як допомога вчителя, але з іншого боку – мережа фактич-
но просто запам’ятовує зразки до того, як на її вхід надходять реальні
дані, і не може змінювати своє поводження, тому говорити про ланку
зворотного зв’язку з учителем не коректно. З мереж із подібною логі-
кою роботи найбільш відомі мережа Хопфілда й мережа Хемінга, які
звичайно використовуються для організації асоціативної пам’яті.
Мережа Хопфілда складається з єдиного шару нейронів, число
яких є одночасно числом входів й виходів мережі [4]. Кожен нейрон
зв’язаний синапсами з усіма іншими нейронами, а також має один
вхідний синапс, через який здійснюється введення сигналу. Вихідні
сигнали утворюються на аксонах.
Серед властивостей штучних нейронних мереж основною є їхня
здатність до навчання, хоча навчаються вони найрізноманітнішими
методами. Більшість методів навчання виходить із загальних переду-
мов, і має багато ідентичних характеристик. Їх навчання нагадує про-
цес інтелектуального розвитку людської особистості.
Можливості навчання штучних нейронних мереж обмежені.
Проте, вже отримано переконливі досягнення і має місце багато
практичних застосувань [5, 6]. Мережа навчається, щоб для деякої
кількості входів давати необхідну кількість виходів. Кожна така вхід-
на (або вихідна) кількість розглядається як вектор. Навчання здійс-
нюється шляхом послідовного пред’явлення вхідних векторів з одно-
часним підстроюванням ваг у відповідності з певною процедурою. У
процесі навчання ваги мережі поступово стають такими, щоб кожен
вхідний вектор виробляв вихідний вектор.
Основним недоліком нейронних мереж є локальність застосу-
вання їх окремих конструкцій, а тому за останні роки значні зусилля
в області розробки систем ШІ були перенаправлені на створення ней-
ронних схем [7]. Теорія нейросхем розглядає будь-яку ділянку біоло-
гічної нервової системи як друковану плату, де ролі мікросхем вико-
нують тіла нейронів, а електричними провідниками є аксони й денд-
рити, підключені один до одного в певній послідовності (аксон зав-
жди передає, а дендрит завжди приймає сигнал). Відповідно, нерво-
вий патерн (сигнал, що передає інформацію між нейронами) розгля-
дається як команда мікропроцесора, передана по одиничному провід-
нику у вигляді бітової послідовності. Нейронні схеми базуються на
використанні базових класів компонентів-примітивів, причому всі
складні елементи утворюються комбінацією більш простих компонен-
тів за єдиним принципом. Як правило, у головному типі реалізовані всі
функції основних схемних взаємодій мікросхем у нейронних схемах.
Перевагами нейронних схем над іншими технологіями штучного
інтелекту є:
1. Модульність: кожний компонент нейросхеми складається з ком-
понентів більш низького рівня, створюваних окремо, що підви-
щує зручність і ефективність їх використання.
Математичне та комп’ютерне моделювання
114
2. Об’єктно-орієнтований підхід: використання компонентів як
класів базового типу, що значно економить час при конструю-
ванні нейросхем.
3. Фрактальність: єдність принципів створення й застосування
компонентів різних рівнів зменшує інформаційне й функціона-
льне навантаження при роботі з нейронними схемами.
4. Універсальність: з нейросхемних компонентів можуть бути
спроектовані нейронні схеми для вирішення будь-яких задач (від
пошуку рішення математичних рівнянь до аналізу складних ба-
гатомірних об’єктів).
5. Функціональність: компоненти, спроектовані для вирішення пе-
вних задач, можуть бути використані в подальшому для вико-
нання аналогічних функцій; створена нейронна схема може бути
модифікована шляхом внесення змін як в архітектуру нейронної
схеми, так і в механізм роботи окремих компонентів.
Розроблений метод декомпозитивного розпізнавання креслень
дозволяє трансформувати відскановані растрові креслення у цифрові
формати шляхом поетапного відокремлення з них однотипних обра-
зів і їх подальшого розпізнавання. Головним етапом його застосуван-
ня є відділення й розпізнавання символьної інформації на графічних
зображеннях. Виходячи з наведених переваг нейронних схем, даний
інструмент був обраний для реалізації технології розпізнавання сим-
вольної інформації на графічних зображеннях.
Відділенню й розпізнаванню символьної інформації передує се-
гментація зображення, яка визначає окремі елементи на кресленні й
дає можливість аналізувати їх диференційовано.
Сегментація зображення складається із двох основних етапів:
§ бінаризація зображення;
§ розділення зображення на окремі складові.
Бінаризація зображення полягає в зведенні кольорової палітри
до двох кольорів і проводиться шляхом збільшення контрастності
чи адаптивно. Авторами було розроблено новий метод автоматизо-
ваного адаптивного аналізу спектрального розподілу, що виконуєть-
ся шляхом ітераційного аналізу поступаючої від нейросхеми інфор-
мації в процесі розподілення кольорового балансу [8]. Автоматизова-
ний аналіз спектрального розподілу виконується шляхом ітераційно-
го аналізу поступаючої від нейросхеми інформації в процесі розподі-
лення кольорового балансу, й модель з найбільшим показником ефе-
ктивності розпізнавання вважається за оптимальну. Таким чином,
реалізується еквівалент роботи генетичного алгоритму при визначен-
ні найбільш ефективної моделі. Результатом бінаризації зображення є
зведення кольорової палітри до кольору образу та кольору фону.
Для кластеризації (розділення зображення на окремі складові)
було розроблено новий метод сегментного заповнення. В процесі
Серія: Технічні науки. Випуск 1
115
його використання проводиться поступовий аналіз пікселів робочої
області зображення (рис. 1) для пошуку кольору образу. При його
знаходженні виконується наступна послідовність:
1. Копіювання знайденого пікселя образу в окрему тестову область
відповідно до його координат.
2. Присвоєння даному пікселю кольору фона на робочій області.
3. Аналіз кольору всіх суміжних пікселей – у випадку, якщо пік-
сель має колір образу, його координати заносяться у динамічний
масив.
4. Вибір з масиву координат останнього пікселю образу й вико-
нання пункту 1.
Рис. 1. Схема шляху аналізу робочої області
Результатом роботи алгоритму є повне визначення знайденого
сегменту (рис. 2) та його переміщення з робочої області в тестову із
запам’ятовуванням координат образу на робочій області. Після чого
проводиться пошук наступного образу, доки всі образи не будуть
зафіксовані. У випадку, коли поданий на матрицю зображення образ
буде розпізнаний із прийнятним рівнем вірогідності, його штамп на
робочій області в наступному буде замінено на штамп фону. Перева-
гою розробленого методу є роздільний аналіз вкладених та суміжних
об’єктів розпізнавання.
Наступним етапом є тестування кожного із знайдених образів
розпізнаванням з метою встановлення, чи є даний образ символом.
Критерієм приналежності образу до символьної множини є високий
відсоток вірогідності розпізнавання його як символу. При цьому
проводиться розпізнавання по наступних категоріях:
1. Друковані букви та цифри (відносяться до символьної інформації).
2. Окремі діактричні знаки – наприклад, верхні елементи українсь-
ких літер “і”, “ї”, “й” (відносяться до символьної інформації за
результатом подальшого аналізу).
Математичне та комп’ютерне моделювання
116
Рис. 2. Визначення сегменту креслення
3. Знаки пунктуації (відносяться до символьної інформації за ре-
зультатом подальшого аналізу).
4. Друковані символи – наприклад, позначення діаметру (відно-
сяться до символьної інформації).
5. Дрібні елементи креслення та розмітки – наприклад, креслення
різьби (будуть віднесені до креслення).
Для базового очищення образу від шумів та спотворень викори-
стовується оптимізація параметрів образу (рис. 3), зокрема фасетко-
ва згортка зображення (рис. 4). Після чого проводиться розпізна-
вання образу.
Рис. 3. Оптимізація параметрів образу для формування
матриці зображення
Рис. 4. Фасеткові моделі образів
Для досягнення поставленого завдання розпізнавання символів
за допомогою комплексної нейросхемної моделі, що використовує
ймовірносно-статистичний аналіз растрових масивів, була побудова-
Серія: Технічні науки. Випуск 1
117
на гібридна програмна модель, випробувана на прикладі розпізнаван-
ня рукописних текстів, але не прив’язана ні до якого конкретного
набору символів і яка може бути застосована для будь-яких алфавітів
і контурних зображень [7].
Точність й ефективність розпізнавання символів безпосередньо
залежить від добре підібраних і відкаліброваних еталонних представ-
ників. Внесення в еталонну БД погано детермінованих й сильно пе-
рекручених об’єктів може викликати труднощі при класифікації об-
разів, що істотно знизить відсоток розпізнавання [9].
Будь-який друкований текст має первинну властивість – шрифт,
яким він надрукований. Із цього погляду існують два класи алгоритмів
розпізнавання друкованих символів: шрифтовий й безшрифтовий [10].
Шрифтові або шрифтозалежні алгоритми використають апріорну
інформацію про шрифт, яким надруковані букви. Це означає, що про-
грамі повинна бути пред’явлена повноцінна вибірка тексту, надруко-
ваного даним шрифтом. Програма вимірює й аналізує різні характери-
стики шрифту й заносить їх у певну базу. По закінченні цього процесу
шрифтова програма оптичного розпізнавання символів готова до розпі-
знавання даного конкретного шрифту. Цей процес умовно можна на-
звати навчанням програми. Далі навчання повторюється для деякої
множини шрифтів, що залежить від області застосування програми.
Другий клас алгоритмів – безшрифтові, або шрифтонезалежні,
алгоритми, що не мають апріорних знань про символи, які надходять
до них на вхід. Ці алгоритми вимірюють й аналізують різні характе-
ристики (ознаки), властиві буквам незалежно від шрифту й розміру,
яким вони надруковані. У граничному випадку для шрифтонезалеж-
ного алгоритму процес навчання може бути відсутнім. У цьому випа-
дку характеристики символів вимірює, кодує й поміщає в базу про-
грами людина. Однак на практиці випадки, коли такий шлях вичерп-
но вирішує поставлене завдання, зустрічаються рідко. Більш загаль-
ний шлях створення бази характеристик полягає в навчанні програми
на вибірці реальних символів.
Умовою для якісного розпізнавання є достатній набір введених
еталонів, використовуючи які можна проводити аналітичні звірення й
далі застосовувати алгоритми нейромережевої ідентифікації. Для са-
модостатності еталонів представники кожного символу БД повинні
мати наступні характеристики: бути класифікованими, не бути силь-
но схожими між собою й не містити сильно деформовані елементи
всередині класу.
У процесі асоціювання нових зображень із об’єктами з БД, мо-
жуть виникати проблеми, пов’язані з образотворчими невизначенос-
тями, коли важко або навіть неможливо людині чи машині дати одно-
значну відповідь, до якого типу образу належить подане зображення.
З метою розпізнавання символів, що розміщені під кутом, про-
водиться циклічний процес розпізнавання для усіх кутів образу із
Математичне та комп’ютерне моделювання
118
кроком 10°. Критерієм вибору вірного кута розташування образу є
максимальний відсоток вірогідності розпізнавання його як символу.
Після розпізнавання, одержується растрове креслення, позбав-
лене символьних надписів, і масив розпізнаних символів, що містить
наступні дані:
а) координати символу на робочій області;
б) кут символу;
в) назву символу;
г) шрифт і розмір символу.
Наведений список даних символів є достатнім для виконання
зворотнього складання растрового креслення або імпорту даних до
спеціалізованих форматів цифрових креслень.
Даний етап є найскладнішим кроком в розпізнаванні растрових
креслень, адже він дозволяє розділити креслення на масиви графічної
та символьної інформації, які потребують відмінні алгоритми для
свого розпізнавання [11].
Висновки. Розроблено новий метод декомпозитивного розпізна-
вання креслень, що заснований на поетапному відокремленні з крес-
лень і розпізнаванні однотипних образів із використанням нейронних
схем. Описано нові методи кластеризації та автоматизованого аналізу
спектрального розподілу. Проведено аналіз перспективних технологій
штучного інтелекту з метою визначення оптимального методу розпі-
знавання символьної інформації на графічних зображеннях. Розроблено
програму, що використовує розроблену методологічну базу й прово-
дить розпізнавання креслень із класифікацією розпізнаних елементів.
Список використаних джерел
1. Rosenblatt F. 1962. Principles of Neurodinamics. New York: Spartan Books. / Ру-
сский перевод: Розенблатт Ф. Принципы нейродинамики. – М: Мир, 1965.
2. Qrossberg S. 1969. Some networks that can learn, remember and reproduce
any number of complicated space-time patterns // Journal of Mathematics and
Mechanics. – 19:53-91.
3. Hebb D. O. Organization of behavior. – New York: Science Edition, 1961.
4. Сотник С. Л, Конспект лекций по курсу “основы проектирования систем
искусственного интеллекта”. – Москва, 1998.
5. Sejnowski T. J., and Rosenberg C. R. Parallel Networks that learn to pro-
nounce English text // Complex Systems 3:145–68. – 1987.
6. DeSieno D. Adding a conscience to competitive learning Proceedings of the
IEEE International Conference on Neural Networks. – San Diego, CA: SOS
Printing, 1988. – P. 117-124.
7. Мазурець О. В., Ковальчук С. С. Застосування багатошарових нейронних
схем для вирішення складних технологічних задач // Збірник наукових
праць за матеріалами другої всеукраїнської науково-технічної конферен-
ції “Актуальні проблеми комп’ютерних технологій 2008”. – Хмельниць-
кий – ХНУ, 2008. – Т.2 – C.22-27.
Серія: Технічні науки. Випуск 1
119
8. Кондратюк А. В., Мазурець О. В. Розробка системи адаптивного аналізу
спектральної інформації для оптимізації розпізнавання зашумлених обра-
зів за допомогою нейронних схем // Збірник наукових праць за матеріа-
лами другої всеукраїнської науково-технічної конференції “Актуальні
проблеми комп’ютерних технологій 2008” – Хмельницький – ХНУ, 2008.
– Т.1 – C.127-135.
9. Ковальчук С. С., Рыбак Л. П., Мазурец А. В. Создание системы для рас-
познавания рукописных текстов на базе нейронных схем // Сборник тру-
дов Международной научной конференции “Нейросетевые технологии и
их применение”. – Краматорск, 2004. – С.89-103.
10. Арлазаров В. Л., Троянкер В. В., Котович Н. В. Адаптивное распознава-
ние символов // “Интеллектуальные технологии ввода и обработки ин-
формации”. – М.: Эдиториал УРСС, 1998.
11. Кубик О. О., Мазурець О. В. Технологія декомпозитивного розпізнавання
символьної інформації з креслень на базі нейросхемних алгоритмів // Збі-
рник наукових праць за матеріалами другої всеукраїнської науково-
технічної конференції “Актуальні проблеми комп’ютерних технологій
2008”. – Хмельницький: ХНУ, 2008. – Т.1 – С.151-161.
It is designed new method of decompozitive recognitions of the draw-
ings by way of the phased branch from them and recognitions of its parts.
Described technology of division of the drawing on blocks of graphic and
symbol information with use neural schemes. The organized analysis of
perspective technologies of the artificial intelligence for the reason deter-
minations of the optimum method of the recognition to symbol information
on graphic images.
Key words: recognitions, recognitions of the drawings, artificial intel-
ligence, neural network, neural schemes.
Отримано: 05.06.2008
УДК 621.396.218
П. Д. Лежнюк, О. Є. Рубаненко, М. І. Пиріжок
Вінницький національний технічний університет
ВИКОРИСТАННЯ ГЕНЕТИЧНИХ АЛГОРИТМІВ
В ОПЕРАТИВНІЙ ДІАГНОСТИЦІ ОБЛАДНАННЯ ЕЕС
В статті розглянуто приклад використання генетичного ал-
горитму в формуванні бази даних для навчання нейронної ме-
режі, яка використовується для оптимізації програмного за-
безпечення мікропроцесорного пристрою діагностики РПН
силових трансформаторів.
Ключові слова: нейронні мережі, автономне адаптивне
діагностування, нейронне моделювання, генетичний алгоритм,
методадаптивної діагностики, РПН, сукупність серії вимірів.
Вступ. Основою електроенергетики країни є Об’єднана енерге-
тична система (ОЕС) України, яка здійснює централізоване електро-
© П. Д. Лежнюк, О. Є. Рубаненко, М. І. Пиріжок, 2008
|
| id | nasplib_isofts_kiev_ua-123456789-18682 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | XXXX-0060 |
| language | Ukrainian |
| last_indexed | 2025-12-07T18:32:29Z |
| publishDate | 2008 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Кубик, О.О. Мазурець, О.В. Ковальчук, С.С. 2011-04-07T19:01:23Z 2011-04-07T19:01:23Z 2008 Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту / О.О. Кубик, О.В. Мазурець, С.С. Ковальчук // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2008. — Вип. 1. — С. 109-119. — Бібліогр.: 11 назв. — укр. XXXX-0060 https://nasplib.isofts.kiev.ua/handle/123456789/18682 004.032.26 Розроблено новий метод декомпозитивного розпізнавання креслень шляхом поетапного відокремлення з них і розпізнавання однотипних образів. Описано технологію розділення креслення на блоки графічної та символьної інформації з використанням нейронних схем. Проведено аналіз перспективних технологій штучного інтелекту з метою визначення оптимального методу розпізнавання символьної інформації на графічних зображеннях. It is designed new method of decompozitive recognitions of the drawings by way of the phased branch from them and recognitions of its parts. Described technology of division of the drawing on blocks of graphic and symbol information with use neural schemes. The organized analysis of perspective technologies of the artificial intelligence for the reason determinations of the optimum method of the recognition to symbol information on graphic images. uk Інститут кібернетики ім. В.М. Глушкова НАН України Математичне та комп'ютерне моделювання. Серія: Фізико-математичні науки Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту Article published earlier |
| spellingShingle | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту Кубик, О.О. Мазурець, О.В. Ковальчук, С.С. |
| title | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту |
| title_full | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту |
| title_fullStr | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту |
| title_full_unstemmed | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту |
| title_short | Декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту |
| title_sort | декомпозитивне розпізнавання символьної інформації з креслень із використанням технологій штучного інтелекту |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/18682 |
| work_keys_str_mv | AT kubikoo dekompozitivnerozpíznavannâsimvolʹnoíínformacíízkreslenʹízvikoristannâmtehnologíištučnogoíntelektu AT mazurecʹov dekompozitivnerozpíznavannâsimvolʹnoíínformacíízkreslenʹízvikoristannâmtehnologíištučnogoíntelektu AT kovalʹčukss dekompozitivnerozpíznavannâsimvolʹnoíínformacíízkreslenʹízvikoristannâmtehnologíištučnogoíntelektu |