Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС
В статье рассматривается метод классификации пятен лазерных пучков и его реализация. Обсуждается необходимость фильтрации зашумленных изображений адаптивными методами, такими как параллельно- иерархические (ПИ) сети. Представленная реализация такой сети на базе ПЛИС. У статті розглядається метод к...
Saved in:
| Published in: | Искусственный интеллект |
|---|---|
| Date: | 2014 |
| Main Authors: | , , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2014
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/85265 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС / Л.И. Тимченко, Н.С. Петровский, Н.И. Кокряцкая, Л.В. Марченко // Искусственный интеллект. — 2014. — № 3. — С. 163–174. — Бібліогр.: 15 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859811878038929408 |
|---|---|
| author | Тимченко, Л.И. Петровский, Н.С. Кокряцкая, Н.И. Марченко, Л.В. |
| author_facet | Тимченко, Л.И. Петровский, Н.С. Кокряцкая, Н.И. Марченко, Л.В. |
| citation_txt | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС / Л.И. Тимченко, Н.С. Петровский, Н.И. Кокряцкая, Л.В. Марченко // Искусственный интеллект. — 2014. — № 3. — С. 163–174. — Бібліогр.: 15 назв. — рос. |
| collection | DSpace DC |
| container_title | Искусственный интеллект |
| description | В статье рассматривается метод классификации пятен лазерных пучков и его реализация. Обсуждается
необходимость фильтрации зашумленных изображений адаптивными методами, такими как параллельно-
иерархические (ПИ) сети. Представленная реализация такой сети на базе ПЛИС.
У статті розглядається метод класифікації плям лазерних пучків і його реалізація. Обговорюється
необхідність фільтрації зашумлених зображень адаптивними методами, такими як паралельно-
ієрархічні (ПІ) мережі. Представлена реалізація такої мережі на базі ПЛІС.
In this paper the method of classification of spots of laser beams and its implementation. Discusses the need
for filtering noisy images with adaptive methods, such as parallel-hierarchical (IP) network. Presented
implementation of such a network on FPGA.
|
| first_indexed | 2025-12-07T15:19:58Z |
| format | Article |
| fulltext |
ISSN 1561-5359 «Штучний інтелект» 2014 № 3 163
7Т
УДК 004.415
Л.И. Тимченко, Н.С. Петровский, Н.И. Кокряцкая, Л.В. Марченко
Государственный экономико-технологический университет транспорта, г. Киев
Украина, г. Киев, 49, 03049, ул. Н. Лукашевича
Метод классификации пятен лазерных пучков
с применением параллельно-иерархических сетей
на базе ПЛИС
L.I. Timchenko, N.S. Petrovsky, N.I. Kokryatskaya, L.V. Marchenko
State Economic and Technological University of Transport, Kiev
Ukraine, Kiev, 49, 03049, st. N. Lukashevich
Classification Method of Laser Beam Spots Using
a Parallel-Hierarchical Networks on FPGA
Л.І. Тимченко, Н.С. Петровський, Н.І. Кокряцька, Л.В. Марченко
Державний економіко-технологічний університет транспорту, м. Київ
Україна, м. Київ, 49, 03049, вул. Н. Лукашевича
Метод класифікації плям лазерних пучків
із застосуванням паралельно-ієрархічних мереж
на базі ПЛІС
В статье рассматривается метод классификации пятен лазерных пучков и его реализация. Обсуждается
необходимость фильтрации зашумленных изображений адаптивными методами, такими как параллельно-
иерархические (ПИ) сети. Представленная реализация такой сети на базе ПЛИС.
Ключевые слова: ПИ сети, «грубая-точная» оценка, лазерный пучок.
In this paper the method of classification of spots of laser beams and its implementation. Discusses the need
for filtering noisy images with adaptive methods, such as parallel-hierarchical (IP) network. Presented
implementation of such a network on FPGA.
Keywords: PН network, «rough-accurate» estimate, laser beam.
У статті розглядається метод класифікації плям лазерних пучків і його реалізація. Обговорюється
необхідність фільтрації зашумлених зображень адаптивними методами, такими як паралельно-
ієрархічні (ПІ) мережі. Представлена реалізація такої мережі на базі ПЛІС.
Ключові слова: ПІ мережа, «груба-точна» оцінка, лазерний пучок.
Введение
Одним из направлений современных систем коммуникации, которые быстро
развиваются, есть спутниковые и космические лазерные линии связи [1], [2] .
Внимание к подобным системам вызвано двумя причинами:
1. Энергетическая эффективность – лазерным системам передачи необходимо
значительно меньше энергии чем классическим радиосистемам, для передачи на то
же расстояние, через малое расхождение луча.
Тимченко Л.И., Петровский Н.С., Кокряцкая Н.И., Марченко Л.В.
«Искусственный интеллект» 2014 № 3 164
7Т
2. Скорость – при такой же мощности лазерные системы позволяют передавить
значительно больше информации. Что необходимо в дальнейших исследованиях
солнечной системы.
Однако малое расхождение луча является также одним из основных технических
сложностей в построении подобных систем. Поскольку в принимающее устройство
необходимо попасть лучом с расстояния десятки – сотни тысяч километров, и при этом,
передатчик постоянно движется. А значит, приемник должен отслеживать его положение.
Для таких устройств необходимо находить координаты спутника с высокой
точностью. Однако, проходя сквозь атмосферу лазерное излучение, испытывает зна-
чительные препятствия. Если же энергетическое ослабление лазерного луча при рас-
пространении его в атмосфере приводит к ограничению дальности действия лазерных
устройств коммуникации и навигации, то его влияние на структуру пучка и траекторию
его распространения определяет в определенной степени параметры точности таких
устройств. Световая волна, распространяющаяся в атмосфере, кроме энергетических
потерь имеет флуктуации амплитуды и фазы. Эти флуктуации происходят благодаря
случайно-временному распределению показателя преломления, которое, в свою очередь,
обусловлено турбулентными движениями в атмосфере, влекущие случайное изменение
температуры.
Турбулентность атмосферы вызывает искривление волнового фронта волны, которое
приводит к расширению лазерного пучка, перераспределения энергии внутри пучка
и изменения его «центра тяжести», а также к связанным с этими явлениями флуктуа-
циями общей интенсивности [3], [4].
Конечно, измерения координат объектов происходит с помощью геометрических
моментов [5-7], использование которых в задачах измерения координат энергетических
центров лазерных изображений, которые деформированы атмосферой, приводит к
существенной погрешности при измерении. Погрешность измерения координат энер-
гетических центров лазерных изображений составляет до 10 пикселей. Поэтому актуальной
становится задача классификации изображений протяженной лазерной трассы, в случае,
когда на изображение действует много деформирующих факторов. При этом сохраняя
паритет между скоростью вычислений и энергоэффективностью схемы.
1 Алгоритм прямого параллельно-иерархического преобразования
Обычно для коррекции энергетического «центра тяжести» используют хорошо
проработанные методы, использующие фильтрацию и классификацию изображений,
и не требуют сложных вычислений. К таким методам относится, разработан и реали-
зован на ПЛИС авторами метод сечений [8]. Однако на больших расстояниях не-
обходима адаптивная фильтрация, для чего можно использовать такой класс методов
классификации, как нейронные сети.
Одним из направлений интерпретации работы нейронных сетей является пред-
ставление его в виде возбуждений, одновременно распространяются, и в котором действие
одной нейронной сети возбуждает соответствующий отклик в другой. Тогда восприятие
времени и причинно-следственных связей, настолько сложны для программирования,
закладываются в архитектуру таких нейронных систем, и такие сети называются
параллельно-иерархическими (ПИ) [9].
Рассмотрим сетевой процесс прямого параллельно-иерархического преобразо-
вания [10]. Пусть есть . . .) , , S (S 321= непустых множеств элементов, задающих
информацию. Количество элементов множества назовем его длиной (обозначение
Метод классификации пятен лазерных пучков...
«Штучний інтелект» 2014 № 3 165
7Т
µ
L – длина множества µ ). Количество разнообразных элементов множества назовем
размерностью данного множества (обозначение
µ
R ).
Рассмотрим математическую модель параллельного разложения множества
{ } a µ
i
= , , n i 1= . По следующей модели:
( )
1
1
1 1 0
,
j-n R
j j-
i k
i j k
a n n a a
= = =
∑ ∑
= − −∑
(1)
где 0
i
a ≠ , R – размерность данного множества. Из одинаковых элементов
сформируем подмножества, элементы одного подмножества обозначим через, k
a ,
1k ,R= ,
k
n – количество элементов в k-м подмножестве (т.е. кратность числа ак), а
t
–
произвольный элемент множества {a
k
}, избранный на j-м шаге, 1 ,j ,R= 0
0
0 0a , n .= =
Если в модели (1) осуществить замену знака ∑ на объединение ∪, то резуль-
татом разложения множества µ является объединение элементов (множество разло-
жения
1
µ ).
( )
1
1
1 1 0
j-n R
j j-
i k
i j k
µ a n n a a
= = =
= = − −∑U U
(2)
Преобразование множества µ в множество
1
µ , задаваемой моделью (2), назовем
оператором преобразования G , т.е.
( ) 1
µ µG = ( 3 )
Если для выходных массивов S применим оператор преобразования G , который
задается формулой (2), то для каждого массива получим свое порядковое разложения:
11 1
1 2
1 1 1
1 21 2
1 1 1
,
RR R
s
i i i
si i s i
i i i
µ a , µ a , , µ a
= = =
= = =U U UK (4)
где µ
1
s – множество под номером S на первом уровне, тогда для k-го уровня
множество под номером 1 запишется соответственно k
l
µ
,
R
1
s – количество элементов
во множестве на первом уровне , R
1
s – количество элементов в множестве S на 1-м
уровне, R
1
k – количество элементов в множестве S на k-м уровне. Объединим полу-
ченные элементы (4) в матрицу ,
1
M назовем ее матрицей прямого разложения на
первом уровне. Тогда она будет иметь вид:
1 1 1
11 12 1
1
1
1 1 1
21 22 1
2
2
1
1 1 1
1 2 1
,
R
R
S S
SR
S
a a a X X
a a a
M
a a a X X
=
K K
K K K
K K K K K K
K K
(5)
или
1
1
1
1 1
RS S
si
S i
M a .
= =
= U U (6)
Тимченко Л.И., Петровский Н.С., Кокряцкая Н.И., Марченко Л.В.
«Искусственный интеллект» 2014 № 3 166
7Т
Для удобства записи вакантные места в матрицах будем заполнять значком «Х». Не
нарушая общности для наглядности, вторая строчка в (4) имеет максимальную длину.
Очевидно, что такую длину может иметь любая строчка.
Матрицу
1
M перепишем, сгруппировав ее элементы не по строкам, а по колонкам и
таким способом сформируем новую матрицу:
( )
1
1
1
1 1
.
R SS
T
s i
i S
M a
= =
= U U
(7)
т.е. матрицу
1
M – транспонирует. Обозначим через T оператор транспонирова-
ния матрицы, тогда
( ) 11
.
T
T M M=
Начиная со второго уровня, образования матриц T
k
TT , M,, MM K
32
происходит
не только с помощью транспонирования как в (7). Будем группировать элементы не
по колонкам, а за диагоналями и полученные множества назовем диагональными.
Обозначим оператором S – оператор сдвига строки на величину меньшую номера
данной строки на единицу и исключение первого столбца матрицы
2
M в результат
разложения.
Таким образом, ,
22
" M) S(M = в общем случае ," M) S(M
jj
= , k j 1= .
Последовательное применение трех операторов G, S, T назовем функционалом Ф,
т.е.
11
1
2 2
S kk
t
S
S
t t
T G µФ a
=
= =
=U U (8)
S
µ начальные множества ( ),...,,,S 3 2 1= t
a
11
– элементы разложения начальных
множеств, получаемые по одному на каждом уровне, начиная со второго.
Таким образом, сетевой метод прямого ПИ преобразования заключается в по-
следовательном применении к исходным множествам
1
S
S
S
µ
=
U по одному разу операторов
преобразования G и транспонирования T, а потом ( )1−k раз функционала Ф. На каждом
уровне ПИ преобразования образуются по одному элементу
k
a
11
разложенияS – выходных
множеств, где
k
a
11 – исходная информация прямого ПИ преобразования. Этой инфор-
мацией является диагональные множества с одной диагонального кратного общего
элемента.
Для демонстрации модели рассмотрим числовой пример прямого ПИ преобра-
зования с использованием, например преобразования G , информация которой задана в
виде числовых множеств
1 2 3
µ , µ , µ :
=
=
=
20
15
3
10
9
4
1
7
5
3
2
321
µµµ
Метод классификации пятен лазерных пучков...
«Штучний інтелект» 2014 № 3 167
7Т
Применяя модель вида (2), получим:
( )
( )
( )
1
2
3
( ) 8 3 4 2
( ) 4 9 10 1
( ) 9 24 5
G
G
G
µ
µ
µ
=
=
=
Из полученных результатов построим матрицы:
3
4 1 1
4
5 1 1
6
2 2
1 2 1 6
2
4 1 1
4
4 1 0
8 1 2 4
8 7
1 6
X X
X X
M a
X X
X X X
X X
M X X a
X X
M
= ⇒ =
= ⇒ =
= 5
1 1
6
7 1 1
7
8 1 1
2
1 6 4 1 6
7
4 1 4
4
8 3
1 6 6
3
X
X a
X X
X
M a
X
M a
X
⇒ =
= ⇒ =
= ⇒
( )
( )
8
9 1 1
9
1 0 1 1
1 6
6 3 6
3 3
M a
M a
=
= ⇒ =
= ⇒ =
Результат прямого ПИ преобразования:
( )
3 1010
2
11
12, 16, 2, 4, 16, 4, 16, 6, 3 . 79 .
i i
t
ii
Ф T G µ µ
=
==
= =
∑U
Учитывая вычислительную сложность алгоритма прямого ПИ преобразования
с позиции схемотехники, можно сделать вывод, что наиболее трудоемкой является
операция G преобразования, операции же S и Т по своей сути являются операциями с
памятью, а значит требуют менее сложных аппаратных средств.
2 Разработка метода «грубой-точной оценки» пятен
лазерных пучков с использованием метода
прямого параллельно-иерархического преобразования
Для решения поставленной задачи можно использовать двухэтапный алгоритм
классификации пятен лазерных пучков, на первом этапе которого находятся коорди-
наты изображения и проводится сегментация изображений пятен лазерных пучков,
например на базе параллельной схемы предложенного авторами метода сечений [8].
Изображения лазерных пятен имеют перепад яркости, при переходе к изобра-
жению лазерного пятна, что отчетливо видно на гистограмме рис. 1.
Тимченко Л.И., Петровский Н.С., Кокряцкая Н.И., Марченко Л.В.
«Искусственный интеллект» 2014 № 3 168
7Т
В левой половине гистограммы находятся шумы, которые не несут важной ин-
формации для ПИ преобразования. А значит, сегментация может быть проведена
пороговым фильтром с двойной границей [11], по следующей формуле:
0,5
0,5 0,5 0,75
0,75
0,75 max 0,5 max
( ( , )) 0, ( ( , ))
( ( , )) ( ( , )) , ( ( , ))
( ( , )) 0, ( ( , ))
0,75 0,5
w f x y w f x y W
w f x y w f x y W W w f x y W
w f x y w f x y W
W W і W W
= ≤
= − < <
= ≥
= ⋅ = ⋅
(9)
где ( ( , ))w f x y – значение яркости точки,
max
W – максимальная яркость изображения.
а)
б) в)
Рисунок 1 – Гистограмма яркостей (а) пятна лазерного пучка (б)
и пятно лазерного пучка после сегментации (в)
На втором же этапе проводится корреляционная оценка хвостовых элементов
изображения по методу прямого параллельно-иерархического преобразования.
Таким образом, общий алгоритм высокоточной классификации пятен лазерных
пучков выглядит следующим образом:
1. Находим координаты изображения и проводим сегментацию.
2. Находим хвостовые элементы для сохранённого изображения методом прямого
ПИ преобразования.
3. Формируем эталонное изображение – среднее значение хвостовых элементов
первых 20 изображений.
4. Вычисляем коэффициент корреляции между хвостовыми элементами эталонного
изображения и текущим изображением.
5. Если коэффициент корреляции выше 0,9 то изображение «хорошее».
6. Повторяем пунктик 4 – 6 для каждого следующего изображения.
Для создания схемы обработки изображений проводилось моделирование алгоритма
на компьютере на реальных снимках лазерных трасс, с целью выявления характери-
стик изображений важных для создания схемы.
Как следствие, моделирование прямого ПИ преобразования показало, что макси-
мальное количество строк исходной матрицы при преобразовании не превышает 120 ,
а максимальное число не превышает 210.
Таким образом, можно задаться такими начальными параметрами для создания
схемы ПИ преобразования. Будем использовать 16 разрядные слова. Поскольку исходное
изображение имеет размер 128×128, то и максимальное количество строк для G пре-
образования, тоже составляет 128 .
Метод классификации пятен лазерных пучков...
«Штучний інтелект» 2014 № 3 169
7Т
3 Разработка схемы устройства классификации пятен
лазерных пучков метода «грубо-точной» оценки пятен
лазерных пучков с использованием метода
прямого параллельно-иерархического преобразования
Согласно требованиям, изложенным в предыдущем пункте общая блок схема
разработанного устройства представлена на рис. 2. Моделирование проводилось с
использованием программы Quartus II компании Altera.
Рисунок 2 – Блок схема устройства классификации пятен лазерных пучков
на базе прямого ПИ преобразования
Устройство работает следующим образом:
Данные с камеры подаются на вход CCU – coordinate calculation unit – что на-
ходит координаты энергетического центра, а также значение W0.5 и W0.75, выведен-
ные наружу блока для дальнейшей обработки в пороговом фильтре – FU (filter unit).
Данные после фильтра попадают в запоминающееся устройство RAM. И далее
попадают в блок параллельно- иерархического преобразования PHU . На выходе
этого блока формируются данные G преобразования.
Управляет всем процессом встроенный контролер CPU (типа NIOS II), он же и
отвечает за внешнюю коммуникацию (Out) .
Блок параллельно-иерархического преобразования (PHU), представленный на
рис. 3 . Описание выводов схемы представлен в табл. 1 .
Рис.3 Блок параллельно-иерархического преобразования
Тимченко Л.И., Петровский Н.С., Кокряцкая Н.И., Марченко Л.В.
«Искусственный интеллект» 2014 № 3 170
7Т
Таблица 1 – Выводы блока параллельно- иерархического преобразования
Шина Тип Описание
reset Вход Общее скидывание схемы
clk Вход Вход тактовой частоты
сount_ena Вход Вход разрешения работы счётчика
сount_clr Вход Сброс счётчика
shift_reg_ena Вход Вход разрешения работы регистра сдвига
shift_reg_clr Вход Очистка регистра сдвига
funct_reg_ena Вход Строб функционального регистра.
data [16] Вход Шина ввода данных
read_g Вход Строб считывания с входного буфера
read_g Выход Выход данных (g функции)
g_strobe Выход Выход индикации обработки одного члена рядка
g_empty Выход Выход индикации полностью очищенного буфера
g_end Выход Выход индикации окончания g преобразования
В этот блок введен регистра сдвига (находится в блоке G_SIMD_PI), что позволяет
делать последовательный ввод данных, а также устройство управления (конечный
автомат) на базе счетчика work_count и декодера (decoder). Итак, схема работает
следующим образом.
На первом этапе, после общего сброса схемы, ее приводят в исходное состояние
представлению «1» в течение одного такта на вход shift_reg_clr. Далее подают «1» на вход
shift_reg_ena и через шину данных data загружают последовательно данные в регистр сдвига.
Далее подают «1» в течение одного такта вход funct_reg_ena, в результате чего
данные из регистра сдвига поступают на вход функционально-запоминающих
элементов рис 4:
Рисунок 4 – Функционально-запоминающий элемент
Функционально-запоминающий элемент состоит из следующих блоков: входного
мультиплексора – mux; регистра хранения – REG, блока вычитания – subst, и выходного
компаратора compare.
Таблица 2 – Описание выводов функционально-запоминающего элемента
Название вывода Направление Описание
reset Вход Начальный сброс
substruct Вход Команда проведения вычитания.
shift Вход Команда переноса даннях с входа к регистру
сlk Вход Тактовая частота
in Вход Входная шина данных
out Выход Выходная шина данных
Sub_value Вход Число, которое вычитается
comp_out Выход Выход компаратора
Метод классификации пятен лазерных пучков...
«Штучний інтелект» 2014 № 3 171
7Т
Функционально-запоминающий элемент может работать в двух режимах: загрузка
данных, при этом на вход shift подается «1». Или вычитания, когда от числа, которое
находится в регистре REG, вычитается число, подаваемого на вход Sub_value, для
чего подают «1» на вход substruct. При этом результат операции сохраняется в том
же регистре REG. На выходе же comp_out компаратора – «1» появляется только
тогда, когда в регистре REG число больше «0». Временная диаграмма работы
данного элемента представлена на рис. 5.
Рисунок 5 – Диаграмма работы функционально-запоминающего элемента
На втором этапе подается единица в течение одного такта на вход сount_clr
счетчика work_count, что приводит счетчик в исходное состояние, а затем его вход
сount_ena подают «1», и он начинает через декодер (decoder) подавать команды на
блок G_SIMD_PI, в результате чего данные проходят по двоичному дереву [12],
элементарные блоки которого представлены на рис. 6, а функции входов в табл. 4.
n = L – 1. (10)
Рисунок 6 – Диаграмма работы схемы двоичного поиска
В процессе прохождения по двоичному дереву находится минимальное число,
и на 8 такте это число, умноженное на количество не нулевых элементов строки,
появляется на выходе блока G_SIMD_PI, то есть первый член G преобразования.
Одновременно с этим на выходе g_strobe появляется «1», сигнализируя о том, что
найдено член G преобразования, и позволяет контроллеру забрать его из буфера, не
дожидаясь окончания всего преобразования. На 9 же такте это число заносится в
буфер out_buf .
Далее счетчик начинает считать сначала, и через каждые 9 тактов в буфер
заносится новый член G преобразования, так продолжается до тех пор, пока входная
строка не станет равна нулю, и на выходе g_end появляется единица, сигнализируя о
том, что преобразование закончено.
На третьем этапе контроллер подает «1» на вход read_g, и может считывать
данные из буфера на выходе read_g, по окончании чтения, на выходе g_empty
появляется «1».
Тимченко Л.И., Петровский Н.С., Кокряцкая Н.И., Марченко Л.В.
«Искусственный интеллект» 2014 № 3 172
7Т
Очевидно, что каждая следующая строки данных, работа всех этапов незави-
симая, а следовательно, не дожидаясь окончания первого G преобразования, можно
загрузить в регистр сдвига данные следующей строки, и также одновременно из G
преобразованием возможно забирать данные из выходного буфера.
Таким образом, время работы данной схемы в тактах (для наихудшего случая)
составляет:
2
(log 2).T L L= +
(11)
Моделирование на базе чипа Cyclone IV (EP4CE22F17C6) показало следующие
данные, необходимы для PHI:
Total logic elements 11,678 / 22,320 (52 %)
Total memory bits 2,048 / 608,256 (< 1 %)
Embedded Multiplier 9-bit elements 2 / 132 (2 %)
Fmax-124.32 MHz
Быстродействие же полной схемы при обработке реальных изображений пятен
лазерных пучков составила основной рабочей частоте 100 МГц ) составила :
Средняя – 6 мс/кадр
Максимальное время обработки кадра – 20 мс/кадр.
Средняя погрешность вычисления координат – 0.47.
Итак, разработана схема позволяет проводить одновременные последователь-
ные загрузки и чтения данных.
– Операция G преобразование происходит самостоятельно, и не требует
постоянного участия контроллера, разгружает его для других операций.
– Разработанная схема удовлетворяет начальным требованиям и имеет запас
как по разрядности, так и возможности ее наращивания.
4. Моделирование метода «грубой-точной оценки» пятен
лазерных пучков с использованием прямого параллельно-
иерархического преобразования
С целью проверки разработанных алгоритмов и моделей был создан макет
устройства обработки пятен лазерных пучков, представленный на рис. 7.
Рисунок 7 – Макет устройства обработки пятен лазерных пучков
Для создания макета были использованы следующие компоненты:
– плата разработчика DE0-Nano на базе ПЛИС типа Altera Cyclone ® IV
EP4CE22F17C6N;
– CMOS камера 640 * 480 на базе чипа OV7660;
– дисплей TFT 320 * 240 точек на базе контроллера SPFD5408;
– лазерный диод с длиной волны 532 нм (зеленого цвета).
Поскольку ПЛИС имеет значительно меньшее энергопотребление в сравнении с
обычным компьютером, то было проведено несколько тестов по потреблению мощности
по сравнению с персональным компьютером (на базе процессору AMD Athlon X4 640).
Результаты сравнения представлены в табл. 5.
Метод классификации пятен лазерных пучков...
«Штучний інтелект» 2014 № 3 173
7Т
Таблица 5 – Сравнительная характеристика затрат мощности
при обработке пятен лазерных пучков с помощью параллельно-иерархических сетей
Платформа
Средняя скорость
вычисления, мс
Средняя
мощность, Вт
Производительность
кадров /вт
Персональный
компьютер (AMD Athlon
X4 640)
90 36 0,31
EP4CE22F17C6N 7 2,5 57
Таким образом, с физического моделирования (табл. 5) можно сделать вывод, что
центральный процессор обычного персонального компьютера не может быть использо-
ван для обработки в реальном времени, поскольку среднее время обработки более чем в
два раза превышает время поступления кадров (для камеры со скоростью 25 кадров/с,
соответственно время обработки одного кадра не может превышать 40 мс).
К тому же процессор имеет достаточно большую потребляемую мощность по
сравнению с ПЛИС (14,4 раз).
Для систем передачи данных с помощью лазерного луча важно знать не только
точное местонахождение передатчика в данный момент времени, но и уметь прогно-
зировать его положение в следующий момент времени.
С целью проверки качества классификации разработанного алгоритма было прове-
дено моделирование по обработке полученных координат некоторыми методами прогно-
зирования на реальных изображениях бань трасс, предоставленных ЗАО «КИА Системы»
(г. Москва, Россия).
В табл. 6 представлены данные о средней погрешности прогнозирования не-
которых методов прогнозирования для предварительной обработки по методу сечений и
методами «грубой-точной» оценки координат пятен лазерных пучков с использова-
нием метода прямого параллельно-иерархического преобразования (δxcр – средняя
относительная погрешность метода, рассчитывалась между действительным и про-
гнозируемым значением). Данные алгоритмы были промоделированы в программе
STATISTICA 6.0. Как видно из таблицы, для одних и тех же методов, «грубой-
точной» оценки координат пятен лазерных пучков с использованием метода прямого
параллельно-иерархического преобразования на 15 – 20% лучше, чем отдельно метод
сечений.
Таблица 6 – Сравнительный анализ некоторых методов прогнозирования
для различных видов предварительной обработки данных
Метод прогнозирования
Название метода Метод сечений
δxcр, %
Метод «грубой-точной» оценки,
δxcр, %
Числовые методы [13]
1. Экспоненциальное сглаживание,
аддитивная модель
0.18
0.15
2. Экспоненциальное сглаживание, модель
Винтера (мультипликативная модель)
0.185
0.14
3. Авторегрессионная модель [14] 0.09 0.077
Нейронные сети
4. Радиально-базисная функция РБФ S5
[16]
0,12%
0,085
5. Линейная сеть S5 [17] 0,114 0,076
6. Многослойный персептрон MP5-2-1
с одним сокровенным слоем
0,11%
0,077%
Тимченко Л.И., Петровский Н.С., Кокряцкая Н.И., Марченко Л.В.
«Искусственный интеллект» 2014 № 3 174
7Т
Выводы
В статье рассмотрена проблема прохождения лазерного излучения в атмосфере для
атмосферно-оптических линий связи. Установлено, что для обеспечения позициониро-
вания приемо-передающих устройств необходимо классифицировать изображения, с
целью выделения не зашумленных изображений.
Для выполнения этой задачи с высокой точностью предложено использовать
метод прямого параллельно-иерархического преобразования, который имеет адап-
тивные свойства, похожие на нейронные сети. С целью ускорения операций по обра-
ботке пятен лазерных пучков был создан комбинированный метод «грубо-точной»
оценки лазерных пучков с использованием метода прямого параллельно-иерархиче-
ского преобразования и его реализацию на ПЛИС. Также создан макет для его про-
верки. На основе исследований установлено, что:
1. Установлено, что ПЛИС, за счет распараллеливания процессов, имеет значи-
тельный выигрыш по сравнению с ПК как по быстродействию, так и по экономии
энергии.
2. Отмечено, что разработанный метод имеет погрешность прогнозирования на
15 – 20 % меньше по сравнению с методом сечений.
Кроме этого, стоит отметить, что разработанные методы можно использовать в
лазерной локации и лазерном сканировании.
Список литературы
1. Joshua Buck. NASA Laser Communication System Sets Record with Data Transmissions toand from
Moon / Joshua Buck, Dewayne Washington [Электронный ресурс]. – Режим доступа :
http://www.nasa.gov/mission_pages/ladee
2. http://www.federalspace.ru/19038/
3. Borovoy A.G. Laser beam propagation through the turbulent atmosphere with precipitation / A.G. Borovoy,
G.Ya. Patrushev, A. I. Petrov // Applied Optics. – 1988. – Vol. 27, Issue 17. – P. 3704-3714
4. Hugo Weichel, Laser Beam Propagation in the Atmosphere, SPIE, Vo.: TT03, 1990., p-108.
5. Medina-Carnicer R., Muñoz-Salinas, R. Yeguas-Bolivar, E. Diaz-Mas, L. A novel method tolook for the
hysteresisthresholds for the Cannyedge detector, Pattern Recognition, 44 (6), pp. 1201-1211 (2011).
6. A novel histogram transformation to improve the performance of thresholding methods in edge detection /
Rafael Medina Carnicer, Rafael Muñoz-Salinas, Ángel Carmona Poyato, Francisco José Madrid-Cuevas //
Pattern Recognition Letters. – 2011. – 32 (5). – P. 676-693.
7. Automatic generation of consensus ground truth for the comparison of edge detection techniques / Nicolás Luis
Fernández García, Ángel Carmona Poyato, Rafael Medina Carnicer, Francisco José Madrid-Cuevas // Image
Vision Comput. – 2008. – № 26 (4). – P. 496-511.
8. A new sectioning method for classification of optical objects based on PLD / M. Petrovski,
L. Tymchenko, N. Kokryatskaya, V. Gubernatorov, Y. Kutaev // Journal of Computer Visionand Image
Processing. – 2012. – Vol. 2, № 1. – P. 33-51.
9. Timchenko L.I. A multistage parallel-hierarchic network as a model of a neuro like computations cheme /
L.I. Timchenko // Cybernetics and Systems Analysis. – 2000. – 36, № 2. – P. 251-267.
10. The Q-transformation method applying to the facial images normalization/ V.P. Kozhemyako,
Y.F. Kutaev, L.I. Timchenko, S.V. Chepornyuk, R.R. Hamdi, A.A. Gertsiy, I.D. Ivasyuk // Proc. Inter-
national ICSC/IFAC Symposiumon NEURAL COMPUTATION–NC’98. – Vienna, 1998. – P. 287-291.
11. William K. Pratt, Introduction to Digital Image Processing / William K. – CRC Press, 2013. – 708p.
12. Paolo Giudici. Applied data mining: statistical methods for business and industry / Paolo Giudici. – John
Wiley and Sons, 2003. – P. 111-117.
13. BrockwellandP.J. Introduction to Time Series and Forecasting, secondedition / P.J. Brockwelland,
R.A Davis. – Springer-Verlag, NewYork., 2002,
14. Box George. Time series analysis: forecasting and control / Box George, Jenkins Gwilym. – rev. 3
Prentice Hall PTR Upper Saddle River, NJ, USA, 1994. – 592 p.
15. Haykin S., Neural Networks / Haykin S. – [2nd ed.]. – New Jersey: Prentice Hall, 1999. – 1104 p.
Статья поступила в редакцию 02.04.2014.
|
| id | nasplib_isofts_kiev_ua-123456789-85265 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T15:19:58Z |
| publishDate | 2014 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Тимченко, Л.И. Петровский, Н.С. Кокряцкая, Н.И. Марченко, Л.В. 2015-07-23T13:02:23Z 2015-07-23T13:02:23Z 2014 Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС / Л.И. Тимченко, Н.С. Петровский, Н.И. Кокряцкая, Л.В. Марченко // Искусственный интеллект. — 2014. — № 3. — С. 163–174. — Бібліогр.: 15 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/85265 004.415 В статье рассматривается метод классификации пятен лазерных пучков и его реализация. Обсуждается необходимость фильтрации зашумленных изображений адаптивными методами, такими как параллельно- иерархические (ПИ) сети. Представленная реализация такой сети на базе ПЛИС. У статті розглядається метод класифікації плям лазерних пучків і його реалізація. Обговорюється необхідність фільтрації зашумлених зображень адаптивними методами, такими як паралельно- ієрархічні (ПІ) мережі. Представлена реалізація такої мережі на базі ПЛІС. In this paper the method of classification of spots of laser beams and its implementation. Discusses the need for filtering noisy images with adaptive methods, such as parallel-hierarchical (IP) network. Presented implementation of such a network on FPGA. ru Інститут проблем штучного інтелекту МОН України та НАН України Искусственный интеллект Обучающие и экспертные системы Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС Метод класифікації плям лазерних пучків із застосуванням паралельно-ієрархічних мереж на базі ПЛІС Classification method of laser beam spots using a parallel-hierarchical networks on FPGA Article published earlier |
| spellingShingle | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС Тимченко, Л.И. Петровский, Н.С. Кокряцкая, Н.И. Марченко, Л.В. Обучающие и экспертные системы |
| title | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС |
| title_alt | Метод класифікації плям лазерних пучків із застосуванням паралельно-ієрархічних мереж на базі ПЛІС Classification method of laser beam spots using a parallel-hierarchical networks on FPGA |
| title_full | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС |
| title_fullStr | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС |
| title_full_unstemmed | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС |
| title_short | Метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе ПЛИС |
| title_sort | метод классификации пятен лазерных пучков с применением параллельно-иерархических сетей на базе плис |
| topic | Обучающие и экспертные системы |
| topic_facet | Обучающие и экспертные системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/85265 |
| work_keys_str_mv | AT timčenkoli metodklassifikaciipâtenlazernyhpučkovsprimeneniemparallelʹnoierarhičeskihseteinabazeplis AT petrovskiins metodklassifikaciipâtenlazernyhpučkovsprimeneniemparallelʹnoierarhičeskihseteinabazeplis AT kokrâckaâni metodklassifikaciipâtenlazernyhpučkovsprimeneniemparallelʹnoierarhičeskihseteinabazeplis AT marčenkolv metodklassifikaciipâtenlazernyhpučkovsprimeneniemparallelʹnoierarhičeskihseteinabazeplis AT timčenkoli metodklasifíkacííplâmlazernihpučkívízzastosuvannâmparalelʹnoíêrarhíčnihmerežnabazíplís AT petrovskiins metodklasifíkacííplâmlazernihpučkívízzastosuvannâmparalelʹnoíêrarhíčnihmerežnabazíplís AT kokrâckaâni metodklasifíkacííplâmlazernihpučkívízzastosuvannâmparalelʹnoíêrarhíčnihmerežnabazíplís AT marčenkolv metodklasifíkacííplâmlazernihpučkívízzastosuvannâmparalelʹnoíêrarhíčnihmerežnabazíplís AT timčenkoli classificationmethodoflaserbeamspotsusingaparallelhierarchicalnetworksonfpga AT petrovskiins classificationmethodoflaserbeamspotsusingaparallelhierarchicalnetworksonfpga AT kokrâckaâni classificationmethodoflaserbeamspotsusingaparallelhierarchicalnetworksonfpga AT marčenkolv classificationmethodoflaserbeamspotsusingaparallelhierarchicalnetworksonfpga |