Overview of Object Recognition Methods Used in Machine Vision Systems
DOI:
https://doi.org/10.22213/2413-1172-2018-4-222-229Keywords:
machine vision, image processing, object recognition, convolutional neural networkAbstract
The paper provides an overview of the recognition methods of objects in image, used in computer vision systems, as well as examples of computer vision systems application in the industrial field and in biological objects analysis. Information on purposes, areas of application and main components of computer vision systems are given in the paper. The paper considered classical and new research methods used in machine vision systems. The paper contains information about the Violla-Jones method and its modifications, designed to improve the performance and accuracy of object recognition. Image recognition methods based on contour analysis, pattern search, matching by key points and convolution neural networks are considered. The paper contains examples of using machine vision systems for automatic detection defects in product quality control, determination of metal cutting place, quality check of product labeling, and searching defects in manufacture printed circuit boards. Information is provided on application of image recognition in medicine with segmentation of left heart ventricle, the detection of heart blood clot, search for area of interest and its improvement on echocardiogram.References
Костылев Д. А., Федотов О. В. Машинное зрение в робототехнических системах. URL: elibrary.ru/download/elibrary_26460760_43398110.pdf (дата обращения: 25.10.2018).
Иванов П. В., Бойков А. В. Области применения систем машинного зрения // Записки Горного института. 2011. Т. 192. С. 190-191.
Forsyth D. A., Ponce J. Computer Vision: A Modern Approach. Prentice Hall, Upper Saddle River, N.J., 2002.
Hefenbrock D., Oberg J., Yhanh N., Kastner R., Baden S. Accelerating Viola-Jones face detection to FPGA-level using GPUs. FCCM, 2010.
Hamdan M., Shehadeh H. Automated Quantification of Eye Blink Rate Using VIOLA-JONES Algorithm. International Journal of Technology Diffusion, 2018, vol. 9, no. 4, pp. 19-20.
Viola P., Jones M. Robust Real-Time Face Detection. International Journal of Computer Vision, 2004, 57, pp. 137-154.
Viola P., Jones M. Rapid object detection using a boosted cascade of simple features. CVPR, 2001.
Tsai P., Hsu Y., Chiu C., Chu T. Accelerating AdaBoost algorithm using GPU for multi-object recognition. IEEE International Symposium on Circuits and Systems (ISCAS), May 2015, pp. 738-741.
Эрман Е. А., Мохаммед М. М. Метод обнаружения лиц на изображении с использованием комбинации метода Виолы - Джонса и алгоритмов определения цвета кожи // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. 2015. № 1. С. 49-55.
Zahra S. T. A Hybrid Face Detection System using combination of Appearance-based and Feature-based methods. International Journal of Computer Science and Network Security, 2009, vol. 9, no. 5, pp. 181-185.
Нургатин А. Р. Метод улучшения алгоритма Виолы - Джонса // Математические структуры и моделирование. 2014. № 4 (32). С. 83-88.
Катанов И. Е. Модификация метода Виолы - Джонса путем фильтрации входного потока с помощью оператора Лапласа. URL: elibrary.ru/download/ elibrary_35627646_30149972.pdf (дата обращения: 01.11.2018).
Сирота А. А., Соломатин А. И. Статистические алгоритмы обнаружения границ объектов на изображениях // Вестник ВГУ. Серия: Системный анализ и информационные технологии, 2008, № 1. С. 58-64.
Canny J. F. Finding edges and lines in images. MIT, Cambridge, USA, 1983, pp. 50-67.
Canny J. A computational approach to edge detection: Pattern Analysis and Machine Intelligence. IEEE Transactions on, PAMI-8(6):679-698, Nov., 1986.
Canny B. Edge Detection Tutorial. Available at: dasl.mem.drexel.edu/alumni/bGreen/www.pages.drexel.edu/_weg22/can_tut.html (accessed 02.11.2018).
Zhang C., Akashi T. Robust Projective Template Matching. The Institute of Electronics, Information and Communication Engineers, 2016.
Mayasari N., Siahaan U. Vehicle Plate Recognition using Template Matching. International journal for innovative research in multidisciplinary field, 2018, vol. 4, no. 10, pp. 259-263.
Райченко Б. В. Практическое применение методов ключевых точек на примере сопоставления снимков со спутника «Канопус - В» // Геометика. 2013. № 2. С. 56-61.
David G. Lowe Distinctive Image Features from Scale-Invariant Keypoints. Accepted for publication in the International Journal of Computer Vision, 2004.
Применение метода статистической дифференциации для координатной привязки аэрофотоизображения к космическому снимку / Р. М. Гафаров, И. О. Архипов, А. В. Коробейников, М. О. Еланцев // Интеллектуальные системы в производстве. 2017. Т. 15, № 2. С. 109-112.
Le Cun Y. Handwritten Digit Recognition with a Back-Propagation Network. Advances in Neural Information Processing Systems 2, Morgan Kaufmann, 1990, pp. 396-404.
Zhang W. Parallel Distributed Processing Model with Local Space-Invariant Interconnections and Its Optical Architecture. Applied Optics, 1990, vol. 29, no. 32.
Zhang W. Image Processing of Human Corneal Endothelium Based on a Learning Network. Applied Optics, 1991, vol. 30, no. 29.
Lollobert R., Weston J. Unifiea Architecture tor Natural Language Processing: Deep Neural Networks with Multitask Learning. Proc. of the 25th International Conference on Machine Learning (IСML '08). New Yoik, NY, USA: ACM, 2008, pp. 160-167.
Ивановский М. Н., Шафеева О. П. Применение метода обратного распространения ошибки для обучения нейронной сети. URL: elibrary.ru/download/ elibrary_35023556_31190926.pdf (дата обращения: 04.11.2018).
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Available at: arxiv.org/abs/1505:04597 (accessed 04.11.2018).
Kendall A., Badrinarayanan V., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. arXiv:1511.00561; October, 2016.
Kendall A., Badrinarayanan V., Cipolla R. Bayesian SegNet: Model Uncertainty in Deep Convolutional Encoder-Decoder Architectures for Scene Understanding. arXiv:1511.02680; November, 2015.
Long J., Shelhamer E., Darrel T. Fully Convolutional Networks for Semantic Segmentation. arXiv:1605.06211; May, 2016.
Форсайт Д., Понс Ж. Компьютерное зрение: Современный подход. М. : Вильямс, 2004.
Решение машинного зрения для металлургической промышленности. URL: mallenom.ru/resheniya/ mashinnoe-zrenie/po-otroslyam/metallurgiia (дата обращения: 07.11.2018).
Васильев Д. Типовые задачи автоматического контроля и идентификации массовой продукции в промышленности // Control Engineering. 2018. № 1 (73). С. 31-33.
Покровская В. Машинное зрение COGNEX: надежное решение для автоматизации и контроля качества производственных и логических процессов // Control Engineering. 2015. № 3. С. 48-51.
Doudkin A. A., Inyutin A. V. The Defect and Project Rules Inspection on PCB Layout Image. International Journal of Computing, 2006, vol. 5, no. 3, pp. 107-111.
Система технического зрения для контроля внешнего вида неметаллических трубчатых изделий / Р. М. Гафаров, А. В. Коробейников, В. А. Куликов, К. А. Шляхтин // Интеллектуальные системы в производстве. 2016. № 2. С. 32-35.
Petrank Y., Smirin N. Using Anatomical Markers for Left Ventricular Segmentation of Long Axis Ultrasound Umages. Available at: arxiv.org/abs/1510.03250 (accessed 04.09.2018).
Lankton S., Tannenbaum A. Localized Region based Active contours. IEEE transactions on Image processing, 2008, vol. 17, no. 11, pp. 2029-2039.
Chaudhary M. A., Patel N. M., Joshi M. J. Thrombus Detection from Echocardiohraphic Images Using Image Processing Techniques. IJETAE, 2015, vol. 5, no. 5.
Jeyashree L. K., Pramila P. V. Robust Identification and Measurement of Intima Media Thickness in Ultrasound Carotid Artery Images.
Richard O. Duda, Peter E. Hart. Use of the Hough Transform To Detect Lines and Curves in Pictures. Comm. ACM, 15, 11-15.
Andrzej Skalski, Pawel Turcza. Heart Segmentation in Echo Images. Metrol. Meas. Syst., 2011, vol. XVIII, no. 2, pp. 305-314.
Boonchieng E., Boonchieng W., Kanjanavanit R. Edge-Detection and Segmentation Methods for Two-Dimensional Echocardiograms: Proc. of Computers in Cardiology u104; 31:541-544. 2004. IEEE.
Narang S., Lal M. Adaptive Image Enehnacement of echocardiographic images using automatic ROI. IJETAE, 2013, vol. 2, no. 7.
Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва : Техносфера, 2005. 1072 с. ISBN 5-94836-028-8.
Kalinovsky A., Kovalev V. Lung Image Segmentation Using Deep Learning Methods and Convolutional Neural Networks: Proc. XIII International Conference on Pattern Recognition and Information Processing, October, 2016.
Фрактальный анализ рентгенограмм / В. П. Иванников, В. Г. Суфиянов, В. В., Белых, В. А. Степанов // Вестник ИжГТУ. 2009. № 3. С. 150-154.
Korobeynikov A., Kamalova Yu., Palabugin M., Basov I. The Use Of Convolutional Neural Network LeNet For Pollen Grains Classification // Приборостроение, электроника и телекоммуникации - 2018 : Сборник статей IV Междунар. форума «IEET-2018». Ижевск, 2018. С. 38-44.
