Математическая модель и параллельный алгоритм обработки изображений, содержащих символьную информацию

Авторы

Хомяков О. О.^1*, Панищев В. С.^1**, Титов В. С.^1***, Ватутин Э. И.^2****

1. Юго-Западный государственный университет, ЮЗГУ, ул. 50 лет Октября, 94, Курск, 305040, Россия
2. Юго-Западный государственный университет, 305040 г. Курск, ул. 50 лет Октября, 94

*e-mail: homyakov46rus@yandex.ru
**e-mail: gskunk@yandex.ru
***e-mail: titov-kstu@rambler.ru
****e-mail: evatutin@rambler.ru

Аннотация

В данной работе предложена математическая модель и параллельный алгоритм для обработки изображений, содержащих символьную информацию о системах полетных данных. Модель объединяет методы машинного обучения и обработки изображений для точного и быстрого распознавания символов на изображениях. Сущность предлагаемого в работе решения основана на анализе структуры изображений и разработке специализированных методов для распознавания символьной информации. Параллельный алгоритм разработан с учетом архитектуры многопроцессорных систем, обеспечивая высокую скорость обработки данных. Результаты экспериментов показывают значительное улучшение производительности и точности предложенного подхода по сравнению с существующими методами.

Ключевые слова:

распознавание символьной информации, OCR, предобработка изображений, обработка видеопотока, выделение текстовой информации, классификация, распознавание образов, параллельная обработка данных

Библиографический список

1. Копылов И., Казаков А., Малыгин Л. Идентификация маркировок рулонов металлопроката // Вестник череповецкого государственного университета. 2016. № 74. С. 12-15.
2. Провоторов А.В., Орлов А.А. Методика поэтапного обнаружения маркировки слябов // Современные проблемы науки и образования. 2012. № 6. С. 98.
3. Пыж С.В., Ганичева О.Г. Мобильная автоматизированная система инвентаризации металлургической продукции и обеспечения безопасности в складских помещениях. Научно-технический прогресс в чёрной металлургии: сборник статей. - Череповец: Череповецкий государственный университет, 2013. С. 266-271.
4. Панищев В.С., Труфанов М.И., Добросердов О.Г., Хомяков О.О. Распознавание символьной информации для автоматизации производственных процессов // Известия Юго-Западного государственного университета. 2021. № 1. С. 122-137. DOI: 10.21869/2223-1560-2020-25-1-122-137
5. Chung I., Sainath T., Ramabhadran B., Pichen M. et al. Parallel Deep Neural Network Training for Big Data on Blue GeneQ // International Conference for High Performance Computing, Networking, Storage and Analysis, SC, 2015, pp. 745-753. DOI: 10.1109/SC.2014.66
6. Qiu Q., Wu Q., Bishop M., Pino R., Linderman R. A Parallel Neuromorphic Text Recognition System and Its Implementation on a Heterogeneous High-Performance Computing Cluster // IEEE Transactions on Computers, 2013, vol. 62, pp. 886-899. DOI: 10.1109/TC.2012.50
7. Олькина Д.С. Алгоритм семантической сегментации изображений для решения задачи позиционирования летательного аппарата на земной поверхности // Труды МАИ. 2023. № 130. URL: https://trudymai.ru/published.php?ID=174617. DOI: 10.34759/trd-2023-130-18
8. Малыгин И.В., Бельков С.А., Тарасов А.Д., Усвяцов М.Р. Применение методов машинного обучения для классификации радиосигналов // Труды МАИ. 2017. № 96. URL: https://trudymai.ru/published.php?ID=85797
9. Хомоненко А.Д., Яковлев Е.Л. Обоснование архитектуры сверточной нейронной сети для автономного распознавания объектов на изображениях бортовой вычислительной системой // Наукоемкие технологии в космических исследованиях Земли. 2018. № 6. С. 86-93.
10. Lukezic A., Voj'ir T., Cehovin Zajc L., Matas J., Kristan M. Discriminative correlation filter tracker with channel and spatial reliability // International Journal of Computer Vision, 2018, pp. 6309-6318. DOI: 10.1007/s11263-017-1061-3
11. Zivkovic Z., Taylan Cemgil A., Kröse B. Approximate Bayesian methods for kernel-based object tracking. Computer Vision and Image Understanding, 2009, pp. 743-749.
12. Rublee E., Rabaud V., Konolige K., Bradski G. Orb: an efficient alternative to sift or surf. Computer Vision (ICCV) // 2011 IEEE International Conference, 2011, pp. 2564–2571.
13. Алексеев В.В., Лакомов Д.В. Аналитическая модель обработки графических изображений в системах жизнеобеспечения города для выявления повреждений объектов // Труды МАИ. 2018. № 103. URL: https://trudymai.ru/published.php?ID=100810
14. Zhong X., You Z., Qian M., Zhang J., Hu X. Metal stamping character recognition algorithm based on multi-directional illumination image fusion enhancement technology // EURASIP Journal on Image and Video Processing, 2018, pp. 1-11. DOI: 10.1186/s13640-018-0321-7
15. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2012. - 1104 с.
16. Шапиро Л., Стокман Дж. Компьютерное зрение. - М.: БИНОМ, 2013. – 752 с.
17. Ramer U. An iterative procedure for the polygonal approximation of plane curves // Computer Graphics and Image Processing, 1972, pp. 244-256. DOI: 10.1016/S0146-664X(72)80017-0
18. Douglas D.H., Peucker T.K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. Geovisualization, University of Toronto Press, 1973, pp. 112-122.
19. Zhou X., Yao C., Wen H., Wang Y., Zhou S., He W., Liang J. EAST: An Efficient and Accurate Scene Text Detector // Computer Vision and Pattern Recognition (CVPR), 2017. DOI: 10.1109/CVPR.2017.283
20. Силаков Н.В., Тассов К.Л. Обзор алгоритмов обнаружения текстовых областей на кадрах видеопотока // Вестник РГГУ. Серия: Информатика. Информационная безопасность. Математика. 2020. № 2. С. 27-45. DOI: 10.28995/2686-679X-2020-2-27-45

Скачать статью