Вторая глава диссертации посвящена разработке методов и алгоритмов реализации основных этапов процедуры контроля разновысотности ТВС на основе обработки одноракурсных изображений, предложенной в первой главе, с учетом специфики их применения, а именно – этапа улучшения качества изображения, получаемого ТК, и этапа поиска координат центров головок ТВС на изображении.
Рассмотрены существующие методы улучшения качества изображения и показано, что методы и алгоритмы, направленные на обработку одиночных изображений, незначительно повышают показатель PSNR (peek signal to noise ratio (пиковое отношение "сигнал – шум")), в то же время фильтры, использующие серии изображений, достигают высоких значений данного показателя. Поэтому было предложено при разработке метода улучшения качества изображения использовать метод сложения множества изображений ТВС, полученных с одного ракурса ТК при проведении процедуры контроля ТВС. Согласно методу сложения множества изображений необходимо, чтобы изображения были совмещены. Так как при перемещении МП камера колеблется и изображения получаются смещенными, в диссертации предложено использовать алгоритм совмещения изображений, в результате применения которого достигается попиксельная точность совмещения изображений за счет использования метода, основанного на поиске точечных соответствий на изображениях, и метода, основанного на итеративном повышении разрешающей способности изображения.
После совмещения серии изображений можно произвести их сложение с целью получения одиночного незашумленного изображения.
Однако, как показано в диссертации, в связи с импульсными помехами, вызванными работой приводов МП, некоторые изображения серии сильно зашумлены. Поэтому в диссертации предложен метод, учитывающий степень зашумленности каждого изображения в серии.
Основой предлагаемого метода является определение коэффициента вклада каждого изображения в общую сумму. Коэффициент вклада k - это показатель зашумленности изображения; чем сильнее изображение зашумлено, тем меньше коэффициент, аналогично, чем меньше изображение зашумлено, тем больше коэффициент вклада.
В диссертации предложен алгоритмически реализуемый метод медианного сложения, учитывающий зашумленность каждого изображения  серии I, в соответствии с коэффициентом вклада  , схема которого показана на рис. 2.
Рис. 2 – Схема алгоритма медианного сложения серии изображений с учетом коэффициента вклада каждого изображения
С вероятностью, равной значению данного коэффициента  , производится добавление значения яркости пикселя изображения в массив яркостей пикселей для медианного метода улучшения качества изображения. Таким образом, наиболее зашумленные изображения, коэффициент вклада которых  , не будут участвовать в формировании итогового изображения  . В результате выполнения алгоритма получается итоговое изображение .
На рис. 3 представлено сравнение одиночного полутонового изображения  серии I и улучшенного изображения , полученного сложением серии I изображений реакторной зоны ВВЭР.
Рис. 3 – Результат работы алгоритма улучшения качества изображения
Далее, в соответствии с предложенным в первой главе методом контроля разновысотности ТВС, необходимо произвести поиск элементов верхней поверхности, соответствующих центру головок ТВС. Показано, что стандартные детекторы неприменимы в условиях задачи контроля разновысотности ТВС атомного реактора типа ВВЭР, т.к. необходимо с высокой точностью определить центры эллиптических головок ТВС на изображении, содержащем большое количество деталей изображения, не соответствующих верхней поверхности головок ТВС. Для поиска верхней поверхности эллиптических головок ТВС предложен комбинированный метод детектирования эллипсов на изображении, заключающийся в выделении контуров на изображении и поиске центров эллипсов на бинаризованном изображении.
Для поиска контуров на изображении реакторной зоны ВВЭР предложен алгоритм, основанный на градиентном методе, основная идея которого заключается в процедуре попиксельного обхода изображения и поиске вектора градиента. Чем больше перепад яркости между точками, тем большее значение имеет модуль вектора градиента, и, анализируя его величину, можно судить о том, принадлежит ли точка фону или объекту на нем. После выделения контуров градиентным алгоритмом получаем бинарное изображение, где единичным пикселям соответствуют элементы верхней плоскости головок ТВС.
Далее производится поиск эллипсов на бинаризованном изображении. На рис. 4 представлена схема комбинированного алгоритма поиска центров эллипсов на бинарном изображении,
Рис. 4 – Схема комбинированного алгоритма поиска центров эллипсов на бинарном изображении
суть которого заключается в следующем. Выполняется грубый поиск эллипсов на бинаризованном изображении градиентным методом, после этого уточняются положения центров эллипсов итерационным способом, причем на каждой итерации повышается масштаб изображения и производится уточнение центров эллипсов. Алгоритм завершает работу при достижении оригинального масштаба изображения (см. рис. 4).
На рис. 5а представлено полутоновое изображение, полученное сложением серии изображений активной зоны реактора ВВЭР, получаемых ТК МП. После обработки полутонового изображения градиентным алгоритмом получено бинарное изображение контуров, соответствующих элементам верхней плоскости ТВС, которое представлено на рис. 5б. На завершающем этапе применен алгоритм поиска центра эллипсов на бинарном изображении (см. рис. 4), результат работы алгоритма приведен на рис. 5в.
  
а б в
Рис. 5 – Результаты работы алгоритмически реализуемого метода детектирования верхней эллиптической поверхности головок ТВС
Третья глава посвящена разработке методов и алгоритмов реализации основных этапов процедуры автоматизированной идентификации номеров ТВС, предложенной в 1-й главе, с учетом специфики их применения, а именно:
метода сегментации областей номера ТВС;
алгоритма выделения символов номера ТВС;
алгоритма распознавания символов номера ТВС.
Основной проблемой при идентификации номера ТВС является его произвольная ориентация относительно горизонта, которая затрудняет использование существующих алгоритмов сегментации текстовой информации на цифровых изображениях. С учетом данного обстоятельства предложен алгоритмически реализуемый метод сегментации текстовой области номера ТВС на изображении реакторной зоны, позволяющий производить поиск текстовых областей под произвольным углом, который состоит из следующих 6-ти этапов. (Исходное изображение представлено на рис. 6а.)
Этап 1. Коррекция гистограммы исходного изображения. Исходное изображение содержит малоинформативные зоны слева и справа, поэтому необходимо выполнить процедуру “обрезки” гистограммы слева и справа уровней яркости менее 5% от максимального наполнения гистограммы. Такой процент обусловлен типом используемого фотоприемника и уровнем освещенности активной зоны реактора. Результат выполнения данного этапа представлен на рис. 6б.
Этап 2. Бинаризация изображения. Заключается в просмотре всего изображения по строкам и столбцам. Для каждого пикселя входного изображения при выполнении условия бинаризации производится запись единицы в выходное изображение и нуля при невыполнении данного условия. Результат выполнения этапа 2 представлен на рис. 6в.
Этап 3. Морфологические операции сжатия и расширения. В диссертации предлагается использовать морфологические операции для выделения связных областей пикселей, соответствующих текстовым областям номеров ТВС на изображении в активной зоне реактора типа ВВЭР. Для устранения мелких объектов и линий шириной в 1 пиксель используется морфологическое сжатие. Далее выполняется выделение связных областей с помощью морфологического расширения. Результат выполнения данного этапа представлен на рис. 6г.
Этап 4. Поиск связных областей на изображении, соответствующих номеру ТВС. Для поиска связных областей в диссертации предложено использовать волновой алгоритм. Суть использования волнового алгоритма заключается в следующем – для каждого единичного пикселя изображения распространяется волна в 4-х направлениях по единичным пикселям. На каждом шаге волнового алгоритма пиксели, принадлежащее одной группе, заносятся в соответствующий список, а на входном изображении данным пикселям присваивается нулевое значение для исключения зацикливания алгоритма. Затем найденные области ранжируются по площади, и области, имеющие наибольшую площадь, передаются для дальнейшей обработки. Найденная область с наибольшей площадью представлена на рис. 6д.
Этап 5. Построение ограничивающей четырехугольной области. Для этого изображение сканируется по столбцам и производится поиск пикселей, соответствующих середине столбцов, образующих связанную область. Далее производится поиск пикселей, соответствующих средней линии связанной области. После этого производится поиск параметров прямой, аппроксимирующей точки средней линии. На основе найденных параметров наклона прямой, максимальной ширины связанной области и координаты по оси абсцисс левой и правой крайней точки связанной области производится построение линий, образующих ограничивающую четырехугольную область, представленную на рис. 6е.
Этап 6. Преобразование четырехугольной области в прямоугольную. Текст номера ТВС расположен под некоторым углом относительно основания изображения, в связи с этим в диссертации предложено использовать преобразования четырехугольной области в прямоугольную. Последнее можно осуществить при использовании формул преобразования точки из одной двухмерной плоскости xy в другую x’y’:
 (3)
где a, b, c, d, e, f, g, h - коэффициенты преобразования.
  
а б в
  
г д е
Рис. 6 – Результаты выполнения этапов 1-5 алгоритмически реализуемого метода сегментации текстовой области номера ТВС
Рис. 7 – Четырехугольная и прямоугольная области в двухмерной плоскости
Зная координаты 4-х точек преобразуемой области, а также координаты 4-х точек прямоугольной области, представленные на рис.7, подставляем их в формулу преобразования (3), получаем из каждой пары точек по два уравнения, таким образом, из 4-х пар точек получается 8 уравнений с 8-ю неизвестными. Решая данную систему, получим искомые коэффициенты a, b, c, d, e, f, g, h. Подставляем их в (3) и получаем формулы для преобразования четырехугольной области в прямоугольную. На рис. 8 представлен результат преобразования фрагмента изображения ТВС с определенными вершинами четырехугольной области, ограничивающими область, соответствующую номеру ТВС, в прямоугольную область, пригодную для дальнейшей сегментации и распознавания одиночных символов:
Рис. 8 – Результат преобразования четырехугольной области в прямоугольную
Поскольку сегментированная область с номером ТВС имеет смазанные очертания символов, для повышения резкости изображения предлагается использовать вейвлет преобразования.
Рис. 9 – Повышение четкости изображения с помощью вейвлет преобразования
Для распознавания отдельных символов номера ТВС предлагается использовать однослойную нейронную сеть (НС), обучаемую методом обратного распространения ошибки. Выбор технологии искусственных нейронных сетей, в целом, и НС, указанной выше структуры, в частности, обусловлен спецификой задачи идентификации символов номера ТВС. В решаемой задаче распознавания символов известна классификация учебных данных, т.е. для каждого различного символа номера ТВС возможно составить обучающий набор данных, обучить нейросеть и произвести его нейросетевое распознавание. После операции распознавания номер ТВС представляется оператору.
В четвертой главе приводится описание ПО системы телевизионного контроля ТВС, созданного на основе разработанных методов и алгоритмов, предложенных в предыдущих главах диссертации. На рис. 10 показана структура ПО системы телевизионного контроля ТВС.
Блок ввода/вывода данных используется в ПО для ввода входных данных (серии монохромных изображений, информации о расположении ТВС на плоскости), а также вывода данных результата в виде выходного протокола.
Рис. 10 – Структура ПО системы телевизионного контроля ТВС
Блок улучшения качества входных изображений предназначен для обработки исходных изображений, полученных при помощи модуля ввода данных ТК в соответствии с методом, предложенным в главе 1. В данном блоке реализован комбинированный алгоритм совмещения серии изображений и алгоритм сложения серии изображений, описанные в главе 2, а также модуль устранения оптических искажений.
Блок контроля разновысотности ТВС предназначен для бесконтактного контроля разновысотности ТВС, на основе методов и алгоритмов, предложенных в главе 2.
Блок идентификации номеров ТВС предназначен для идентификации номеров ТВС с использованием методов и алгоритмов, приведенных в третьей главе диссертации.
ПО имеет два режима работы – демонстрационный и автоматизированный. Демонстрационный режим предназначен для настройки и демонстрации поэтапной работы системы, а автоматизированный - для работы системы в реальных условиях. На рис. 11 представлена экранная форма работающей системы телевизионного контроля ТВС в автоматизированном режиме.
Основными элементами главной экранной формы ПО (см. рис. 11) является изображение реакторной зоны, получаемое от ТК, а также данные о положении ТК в пространстве. После обработки каждого ракурса съемки на экранной форме отображаются найденные номера видимых ТВС и увеличивается значение счетчика обработанных ракурсов на единицу. В любой момент времени пользователь может сгенерировать отчет об обработанных ракурсах при помощи нажатия на кнопку "Генерация протокола". В результате пользователю предоставляется экранная форма, содержащая значения повысотных отметок ТВС, которые можно экспортировать в формат .xls.
Рис. 11 – Главная экранная форма ПО системы телевизионного контроля ТВС
Проведено сравнение результатов контроля разновысотности ТВС, полученных контактным методом на энергоблоке №1 РоАЭС в процессе проведения ППР 2011 года, с данными, полученными в результате работы разработанного ПО системы телевизионного контроля ТВС. Сравнение показало, что максимальное отклонение высот, полученное системой телевизионного контроля ТВС, от контактного метода не превышает 1.4 мм. Учитывая, что инструментальная погрешность контактного метода контроля ТВС составляет около 1 мм, то можно сделать вывод, что инструментальная погрешность бесконтактного метода контроля разновысотности ТВС не превышает 2.5 мм, что является допустимым показателем в соответствии с регламентом эксплуатации реактора типа ВВЭР.
Это позволяет сделать вывод о том, что на основе анализа последовательности одноракурсных изображений, получаемых от штатной ТК мехатронного комплекса МП, перемещаемой по активной зоне реактора, с учетом данных о расположении ТВС на плоскости, возможно произвести контроль разновысотности ТВС с инструментальной погрешностью, не превышающей допустимую.
По результатам испытаний системы в ходе ППР 2011 года показано, что количество правильно идентифицированных номеров ТВС по изображениям активной зоны реактора составило 89% от общего числа рассмотренных номеров ТВС. В связи с этим ПО может использоваться в задаче автоматизированной идентификации номеров ТВС в качестве контекстной помощи оператору.
ПО прошло экспериментальную проверку на энергоблоке №1 РоАЭС. Как показали результаты испытаний в производственных условиях, время, необходимое для выполнения работы ПО системы телевизионного контроля ТВС в задаче контроля разновысотности ТВС составляет 1 час, а в задаче идентификации номеров ТВС составляет 2-3 часа. Таким образом, общее время выполнения процедуры контроля ТВС в активной зоне атомного реактора типа ВВЭР уменьшено с 8 часов до 3-4 часов. Сравнение с существующими методами контроля ТВС показало, что разработанное ПО обеспечивает ряд преимуществ, основные из которых следующие:
устранение необходимости использования дополнительного (нештатного) оборудования МП;
устранение механического контакта с ТВС;
контекстная помощь оператору при проведении операции идентификации номеров ТВС.
|
