Резюмета на научните публикации на гл. ас. д-р Александър Пенчев Цокев Равностойни на монографичен труд Научните трудове, равностойни на монография, с

Препис

1 Резюмета на научните публикации на гл. ас. д-р Александър Пенчев Цокев Равностойни на монографичен труд Научните трудове, равностойни на монография, са в областта на професионално направление 5.1. Машинно инженерство, научна специалност Автоматизирани системи за обработка на информация и управление. Анализът на текстури намира редица приложения в автоматизираните системи за обработка на информация и управление. Използвайки цифрово изображение, съдържащо текстура на обект или материал може да се извършат разнородни анализи, свързани с класификация на обекти, откриване на дефекти, разпознаване на морфологични признаци и др., а областите на приложение на тези методи обхващат от инженерните науки до медицината и биологията. В металознанието, металографията и безразрушителният контрол често се използват методи за анализ на материала, базирани на извличане на признаци и определяне на параметри от микроструктури. Тези анализи се извършват от експерти в областта, но въпреки високата квалификация е възможно да има влияние на субективни фактори. Намаляването на субективната оценка чрез използване на специализирани информационни системи би дала възможност за подпомагане на експертите при определянето на крайната оценка от анализа. Използването на методи и алгоритми от машинното зрение и изкуствения интелект за решаване на задачи, свързани с анализ на текстури е актуална научна област. Създаването на експертна система, базирана на изкуствени невронни мрежи и визуални алгоритми за определяне на параметри на материала, на база на микроструктури би дала възможност за намаляване на субективната оценка и повишаване на производителността на експертите. Тези адаптивни алгоритми могат да намерят приложение в анализа на изображения, свързани с различни индустриални процеси разкрояване на дървен материал, изработване на мраморни, гранитни или каменни плочи, изготвяне на пластмасови изделия и др. Представените публикации, равностойни на монографичен труд, могат да бъдат обединени в темата: АДАПТИВНИ МЕТОДИ ЗА АНАЛИЗ НА ТЕКСТУРИ В ИНДУСТРИЯТА. Научни трудове [1.1], [1.6], [1.9], [1.10] и [1.11] (от списъка с равностойни на монографичен труд) са свързани с приложението на машинното зрение и адаптивни алгоритми при анализ на металографски изображения от стоманени образци. В научна публикация [1.7] е представена възможността за приложение на изкуствени невронни мрежи и методи от машинното зрение при автоматизиран анализ на текстури на дървени плоскости, и разработването на специализирани софтуерни 1

2 модули, работещи в реално време и изпълнявани като част от управляващата програма на програмируем логически контролер (ПЛК). Направените изследвания, свързани с анализа на металографски микроструктури и дървени текстури показват висока точност при класифициране и се явяват основа за приложение на разработените алгоритми в автоматизирани системи за разкрояване на каменни, мраморни и гранитни плочи научни трудове [1.2], [1.3], [1.4] и [1.8]. В научен труд [1.5] е показан обобщен модел на централизирана информационна система, използваща адаптивните методи за анализ на текстури в индустрията. [1.1] Topalova, I., Tzokev, A., Mihaylov, A., A Method for Automated Classification of Steel Microstructures Based on Extractions of Informative Parameters and Neural Network Implementation, WSEAS Proceedings, Recent advanced in artificial intelligence, knowledge engineering and databases, Cambridge, Публикация [1.1] представя метод за анализ на металографски микроструктури, базиран на предварително извличане на признаци и класифициране чрез изкуствена невронна мрежа. Целта на научното изследване е да се разработи адаптивен метод за определяне на бала на структурата на метала, избягващ субективната оценка на експерта. За всяко анализирано изображение (работи се в нива на сивото) се изчислява хистограмата и на база на информация от еталонни изображения е обучена невронна мрежа от тип MLP. За верификация на алгоритмите са използвани тестови изображения, които не са участвали в процеса на обучение. Анализът в лабораторни условия на точността на разпознаване на предложения метод показва вярно определяне на бала с точност над 95%. [1.2] Topalova,I., Tzokev,А., Automated Texture Classification of Marble Shades with Real-Time PLC Neural Network Implementation, IEEE World Congress on Computational Intelligence, WCCI 2010, pp , July, 2010, Barcelona, Spain. В публикация [1.2] е разгледан проблема за класифициране на мраморни текстури (в процеса на производство на плочи) в реално време чрез изкуствени невронни мрежи, работещи изцяло на индустриални програмируеми логически контролери (ПЛК). Най-често използваните алгоритми за класифициране на текстури са или сложни от изчислителна гледна точка или изискват много ресурси. Имплементирането на изкуствена невронна мрежа в управляващата програма на ПЛК води до по-висока производителност при използване на малко системни ресурси и бързо пресмятане на резултата. Предложеният метод се базира на обучение на MLP невронна мрежа с хистограми на образци от различни серии мраморни плочи на един производител. Проведени са тестове с ПЛК серия SIEMENS S7-300 и валидиране на резултатите чрез статистически метод. Получената точност на разпознаване за отделните класове варира в интервала 85% до 100%, а осреднената стойност е над 90%. 2

3 [1.3] Topalova, I., Tzokev, A., Automated Classification of Marble Plate Textures with MLP-PLC Implementation, International Conference on Engineering and Meta- Engineering: ICEME 2010, pp , 6-9 April, Orlando, USA. Публикация [1.3] отново разглежда проблема за анализ и класифициране на мраморни текстури с помощта на изкуствена невронна мрежа, работеща в управляващата програма на ПЛК. Анализирани са възможностите за минимизиране на големината на входния вектор и обучение на невронната мрежа с изображения с изкуствено (софтуерно) добавен шум. Целта е да се разработи метод за класифициране на мраморните текстури при тяхното заснемане в движение по поточна линия и при други ситуации с възможност за поява на шум от тип motion blur. Получените резултати от анализ на изображения, които не са включени в обучението на невронната мрежа и с програмно добавен motion blur показват точност на класификация от 100% в лабораторни условия. На база на проведените експерименти е направено заключение, че анализираният подход за анализ на текстури е подходящ и при заснемане на движещи се обекти. [1.4] Tzokev, A., Topalova, I., Image and Data Pre-processing Model for Real-time Communication between Dedicated PC and PLC Neural Network Application in Marble Production, IEEE Region 8 Conference, MELECON 2010, pp , April 2010, Valletta, Malta. Изследването, представено в [1.3] е доразвито в публикация [1.4], където е предложен метод за анализ на гранитни слабове с няколко камери, като заснетите от тях изображения се изпращат през локална мрежа към централизиран сървър, който извършва предварителната обработка на данните и извлича необходимите признаци. Получените резултати се изпращат към ПЛК, на който работи изкуствена невронна мрежа от тип MLP, която се използва за класифициране на типа на текстурата. Лабораторни анализи потвърждават, че паралелната обработка на изображението от сървъра, мрежовата комуникация и класификацията отговарят на изискванията за разработване на индустриална система, работеща в реално време. [1.5] Tzokev, A., Topalova, I., Image and Data Pre-processing Model for Real-time Communication in Centralized Vision Inspection Systems, ХIX National Scientific and Technical Conference with International Participation, AUTOMATION OF DISCRETE PRODUCTION ENGINEERING ADP 2010, ISSN , стр , June, 2010, Sozopol. В публикация [1.5] са обобщени резултатите от [1.4] и [1.3] и е предложен модел за разработване на цялостна интегрирана и централизирана система за класификация на гранитни текстури. Направено е обобщено функционално описание на основните ситемни модули. 3

4 [1.6] Tzokev, A., Topalova, I., Mihaylov, A., Adaptive Approach for Filtering the Sigma Phase in Austenitic Stainless Steel Metallographic Microstructures, 19th Mediterranean Conference on Control and Automation, MED 11, ISSN , pp June 2011, Corfu, Greece. На база на изследванията в [1.1, 1.2, 1.3, 1.4 и 1.5] е направено предположението, че разработените методи за анализ на текстури са подходящи и за определяне на бала на металографски изображения, използвани при безразрушителен контрол на стомани. В научна публикация [1.6] е предложен и тестван адаптивен метод за филтриране на сигма фазата в металографски снимки на образци от аустенитна стомана (12Х18Н12Т). Разработеният алгоритъм се базира на предварителна обработка на изображението, адаптивно извличане на признаци за сигма фазата и аналитични изчисления, водещи до изчисляване на остатъчния ресурс на материала. Използвана е самообучаваща се невронна мрежа (SOM) от тип Кохонен. Обектите в получените клъстери се филтрират с цел премахване на неметалните включвания и шумовете. Анализ на предложеният и разработен алгоритъм показва висока точност при дефиниране на обектите (blob) в изображението, които са сигма фазата и възможност за аналитично изчисляване на остатъчния ресурс на метала. [1.7] Topalova, I., Tzokev, A., Modular Structure of Neural Networks for Classification of Wooden Surfaces with PLC Industrial Implementation, The Seventh International Conference on Autonomic and Autonomous Systems ICAS 2011, ISSN , pp May 2011, Venice, Italy. В научна публикация [1.7] отново на база на изследванията и заключенията в [1.1, 1.2, 1.3, 1.4 и 1.5] е изследвана възможността за класифициране на различни видове дървени текстури чрез използване на структура от паралелно работещи изкуствени невронни мрежи от тип MLP, включени в основната програма на ПЛК. Признакът за определяне на класа отново е интегрален и обхваща стойностите на хистограмата, но изображенията се сегментират в определен брой редове и колони и всеки сегмент се анализира от отделна невронна мрежа. Резултатите от работата на отделните адаптивни структури (невронни мрежи) се анализират и обобщават от отделен алгоритъм, отново изпълняван в основната програма на ПЛК. Направените лабораторни проучвания показват, че при този подход се получава точност на разпознаване варираща в интервала от 88% до 100% в зависимост от анализираната текстура и тип на дървения материал. [1.8] Topalova, I., Tzokev, A., Adaptive Marble Plate Classification System Based On Neural Network And PLC Implementation, 22nd DAAAM International World Symposium DAAAM 2011, ISSN , pp , November 2011, Vienna, Austria. Публикация [1.8] обобщава резултатите от направените изследвания и проучвания за класификация на мраморни текстури с помощта на невронни мрежи, работещи в реално време в ПЛК. 4

5 [1.9] Tzokev, A., Topalova, I., Mihaylov, A., Georgiev, Tz., Vision-based Inspection Algorithm for Identifying the Carbide Phase State in 12CrMoV Steel, The Fourth International Conference on Advanced Cognitive Technologies and Applications COGNITIVE 2012, ISBN: , pp July 2012, Nice, France. На база на изследването, описано в статия [1.7] в публикация [1.9] е представен алгоритъм за определяне на карбидната фаза в стомана 12CrMoV, използващ методи от машинното зрение и обработващ изображения на металографски микроструктури. Предложеният алгоритъм се базира на четири фази предварителна обработка и филтриране на изображението, извличане на признаци, математически модел за определяне на степента на сфероидизация и математически модел за изчисляване на остатъчния ресурс на метала. Прилагат се анизотропна филтрация и метод Bradley Local Threshold за определяне на зони, потенциално съдържащи карбидната фаза и за отделяне на границите на кристалитите. Математическите модели се базират на аналитични изрази, изведени чрез дискриминантен анализ на данни от микроструктурите. Получената точност на определяне на карбидната фаза е висока, което дава възможност алгоритъма да се използва в практически задачи. [1.10] Tzokev A., "Cloud-based Vision-inspection System for Metallography Microstructure Analysis", XXVII International Scientific Conference FIT'2012, ISBN: , pp , October, 2012, Sofia, Bulgaria. В публикация [1.10] е описана структура на облачно-базирана (cloud-based) система за анализ на металографски структури на база на изображения на микроструктурата. Предложеният модел е анализиран от функционална гледна точка и са направени изводи за възможното реализиране на системата. При реализиране системата би дала възможност за централизирана обработка на различни видове металографски изображения и прилагане на разнородни анализи. [1.11] Tzokev A., "Choosing the Morphological Input Parameters for Vision-based Inspection Algorithm for Identifying the Carbide Phase State in 12CrMoV Steel", XXVII International Scientific Conference FIT'2012, ISBN: , pp , October, 2012, Sofia, Bulgaria. Публикация [1.11] доразвива идеята, заложена в изследването от научна статия [1.9]. Чрез дискриминантен анализ и статистическа обработка на данните се търси възможност за оптимизиране на входната информация за алгоритъма за определяне на карбидната фаза при стомана от тип 12CrMoV. Получените резултати показват, че е възможно броя на използваните морфологични параметри да се сведе до 2 или 3 при запазване на високата точност на разпознаване. 5

6 Извън равностойните на монографичен труд [2.1] Автореферат на дисертационен труд, 2008 г. Автореферат на дисертационен труд на тема Автоматизирана система за сортиране на детайли с машинно зрение и невронна разпознаваща структура. [2.2] Boyadjiev, I., Topalova, I., Tzokev, A., Automated 2D Part Orientation Estimation Based on Neural Networks for a Real-time PLC Application, Proceedings of the Lamdamap 9th International Conference 2009, London, В научна публикация [2.2] е предложено решение на задачата за определяне на позицията на двумерни обекти, базирано на адаптивен алгоритъм и машинно зрение. При използване на конвейери за преместване на детайли между отделни производствени звена често пъти се налага да се определи точната позиция на обекта спрямо предварително дефинирана отправна координатна система. В [2.2] на базата на радиалният профил на двумерен обект се подготвя входен вектор за предварително обучена изкуствена невронна мрежа от тип MLP. На изходите на мрежата се получава стойност, показваща ъгъла на завъртане на детайла. Направените анализи показват, че точността е висока и е предложено решение за имплементиране на алгоритъма към управляващата програма на ПЛК с цел работа в реално време. [2.3] T. Mhandjiev, A. Tzokev, I. Topalova, Computer Automated Sperm Analysis Based on Kruger s Criteria, Technik und Wirtshaft in der globalen Krise, FDIBA, Sofia, , ISSN-13`0-3946, pp Приложението на алгоритмите от машинното зрение при анализ на текстури на металографски микроструктури, и по-специално определяне на морфологичните параметри на сигма фазата при стомана се явява основа за търсене на подобно приложение на използваните методи при анализ на биологични клетки. Научен труд [2.3] е в съавторство с преподавател от Медицински университет и представя възможно решение на задача за създаване на автоматизирана система за определяне на параметрите на сперматозоиди при CASA (Computer Assisted Semen Analysis) и оценка на база на критериите на Крюгер. [2.4] Topalova, I., Tzokev, A., Comparison оf Machine Vision Architectures аnd Real- Time Algorithms in Discrete Automated Production, V Международна научна конференция Computer Science'2009, ноември 2009, София. В публикация [2.4] е направен сравнителен анализ на различни архитектури на индустриални системи с машинно зрение и възможностите за интегриране на методи, базирани на изкуствени невронни мрежи в управляващата програма на ПЛК. 6

7 [2.5] Topalova,I., Tzokev,А., Модел за паралелна обработка на изображения при системи с машинно зрение в индустрията, Journal-Informatics & Automation, ISSN , март, Научен труд [2.5] е публикуван в списание Автоматика и информатика. Статията разглежда модел за разработване на специализирана информационна система за паралелна обработка на изображения, получени от индустриален процес чрез камери. Представен е модел на т.нар. СЦВИ (Система с Централизирана Визуална Инспекция), при който заснетите изображения се подават към централизирано устройство чрез мрежова комуникация, а получените резултати се препращат към модулите за контрол на процесите. Алгоритмите за визуална инспекция са разработени за паралелна обработка на области от слаб и са анализирани различни параметри, свързани с производителността на системата. Анализът показва, че представеният модел може да се реализира практически и алгоритмите могат да работят в реално време. [2.6] Topalova, I., Tzokev, A., Projektierung von funktionsmodulen mit analysierender logik in speicherprogrammierbarer steuerung simatic-s7-317, ХIX National Scientific and Technical Conference with International Participation, AUTOMATION OF DISCRETE PRODUCTION ENGINEERING ADP 2010, ISSN , стр , June, 2010, Sozopol. Научната публикация [2.6] разглежда възможността за използване на изкуствена MLP невронна мрежа за класифициране на 10 вида мраморни плочи, на база на изображения на текстурата им. Предложеният алгоритъм е разработен и тестван като програма, изпълнявана на ПЛК Siemens SIMATIC S Получената точност на разпознаване е висока и методът може да намери практическо приложение. [2.7] Нешков, Т., Топалова, И., Цокев, А., Модел за паралелна обработка на изображения при системи с машинно зрение, глава 8, книга Комплексна автоматизация на дискретното производство, 2010, София. В публикация [2.7] отново е разгледан моделът на СЦВИ от [2.5], като акцентът е насочен към използваните алгоритми за визуална инспекция. Този научен труд е включен в юбилейна книга на катедра Автоматизация на дискретното производство при Технически Университет София. [2.8] Цокев, А., Приложение на не SQL бази данни за съхранение на информацията при автоматизиран анализ на металографски изображения, Национална конференция с международно участие Сливен В научна публикация [2.8] е анализирана възможността за приложение на не-sql бази от данни за йерархично съхранение на изображения на металографски микроструктури. Проведени са лабораторни анализи на производителността при последователно съхранение и извличане на изображения в MySQL и HDF5. Резултатите потвърждават предварителното предположение, че HDF5 предоставя по-висока скорост 7

8 при запис и четене и може да се използва като основна база данни при реализиране на софтуерни системи за анализ на текстури в индустрията. [2.9] Цокев, А., Функционален модел на система за автоматизирано заснемане на цялата повърхност на металографски микрошлиф, Национална конференция с международно участие Сливен Научна публикация [2.9] представя функционален модел на интегрирана система за автоматично заснемане на цялата повърхност на металографски шлиф. Системата използва два изпълнителни механизма - за фокусиране на оптиката на микроскоп и за равнинно преместване на образеца спрямо работна зона. Специализирани алгоритми автоматично определят оптималното фокусно разстояние и заснемат последователност от изображения с вариране на стъпката на фокуса. След обработка на цялата повърхност на шлифа се реконструират отделните сегменти и се сглобява цялостно изображение, което може да се съхрани в база данни с архивна цел или за по-късен анализ. 8

9 Съдържание Contents Равностойни на монографичен труд... 1 [1.1] Topalova, I., Tzokev, A., Mihaylov, A., A Method for Automated Classification of Steel Microstructures Based on Extractions of Informative Parameters and Neural Network Implementation, WSEAS Proceedings, Recent advanced in artificial intelligence, knowledge engineering and databases, Cambridge, [1.2] Topalova,I., Tzokev,А., Automated Texture Classification of Marble Shades with Real- Time PLC Neural Network Implementation, IEEE World Congress on Computational Intelligence, WCCI 2010, pp , July, 2010, Barcelona, Spain [1.3] Topalova, I., Tzokev, A., Automated Classification of Marble Plate Textures with MLP- PLC Implementation, International Conference on Engineering and Meta-Engineering: ICEME 2010, pp , 6-9 April, Orlando, USA [1.4] Tzokev, A., Topalova, I., Image and Data Pre-processing Model for Real-time Communication between Dedicated PC and PLC Neural Network Application in Marble Production, IEEE Region 8 Conference, MELECON 2010, pp , April 2010, Valletta, Malta [1.5] Tzokev, A., Topalova, I., Image and Data Pre-processing Model for Real-time Communication in Centralized Vision Inspection Systems, ХIX National Scientific and Technical Conference with International Participation, AUTOMATION OF DISCRETE PRODUCTION ENGINEERING ADP 2010, ISSN , стр , June, 2010, Sozopol [1.6] Tzokev, A., Topalova, I., Mihaylov, A., Adaptive Approach for Filtering the Sigma Phase in Austenitic Stainless Steel Metallographic Microstructures, 19th Mediterranean Conference on Control and Automation, MED 11, ISSN , pp June 2011, Corfu, Greece [1.7] Topalova, I., Tzokev, A., Modular Structure of Neural Networks for Classification of Wooden Surfaces with PLC Industrial Implementation, The Seventh International Conference on Autonomic and Autonomous Systems ICAS 2011, ISSN , pp May 2011, Venice, Italy [1.8] Topalova, I., Tzokev, A., Adaptive Marble Plate Classification System Based On Neural Network And PLC Implementation, 22nd DAAAM International World Symposium DAAAM 2011, ISSN , pp , November 2011, Vienna, Austria [1.9] Tzokev, A., Topalova, I., Mihaylov, A., Georgiev, Tz., Vision-based Inspection Algorithm for Identifying the Carbide Phase State in 12CrMoV Steel, The Fourth International Conference on Advanced Cognitive Technologies and Applications COGNITIVE 2012, ISBN: , pp July 2012, Nice, France

10 [1.10] Tzokev A., "Cloud-based Vision-inspection System for Metallography Microstructure Analysis", XXVII International Scientific Conference FIT'2012, ISBN: , pp , October, 2012, Sofia, Bulgaria [1.11] Tzokev A., "Choosing the Morphological Input Parameters for Vision-based Inspection Algorithm for Identifying the Carbide Phase State in 12CrMoV Steel", XXVII International Scientific Conference FIT'2012, ISBN: , pp , October, 2012, Sofia, Bulgaria Извън равностойните на монографичен труд... 6 [2.1] Автореферат на дисертационен труд, 2008 г [2.2] Boyadjiev, I., Topalova, I., Tzokev, A., Automated 2D Part Orientation Estimation Based on Neural Networks for a Real-time PLC Application, Proceedings of the Lamdamap 9th International Conference 2009, London, [2.3] T. Mhandjiev, A. Tzokev, I. Topalova, Computer Automated Sperm Analysis Based on Kruger s Criteria, Technik und Wirtshaft in der globalen Krise, FDIBA, Sofia, , ISSN-13`0-3946, pp [2.4] Topalova, I., Tzokev, A., Comparison оf Machine Vision Architectures аnd Real-Time Algorithms in Discrete Automated Production, V Международна научна конференция Computer Science'2009, ноември 2009, София [2.5] Topalova,I., Tzokev,А., Модел за паралелна обработка на изображения при системи с машинно зрение в индустрията, Journal-Informatics & Automation, ISSN , март, [2.6] Topalova, I., Tzokev, A., Projektierung von funktionsmodulen mit analysierender logik in speicherprogrammierbarer steuerung simatic-s7-317, ХIX National Scientific and Technical Conference with International Participation, AUTOMATION OF DISCRETE PRODUCTION ENGINEERING ADP 2010, ISSN , стр , June, 2010, Sozopol [2.7] Нешков, Т., Топалова, И., Цокев, А., Модел за паралелна обработка на изображения при системи с машинно зрение, глава 8, книга Комплексна автоматизация на дискретното производство, 2010, София [2.8] Цокев, А., Приложение на не SQL бази данни за съхранение на информацията при автоматизиран анализ на металографски изображения, Национална конференция с международно участие Сливен [2.9] Цокев, А., Функционален модел на система за автоматизирано заснемане на цялата повърхност на металографски микрошлиф, Национална конференция с международно участие Сливен Съдържание