img048

48

4. Metody minimalnoodległościowe

a)

A ^aa A A A A A A A A A A A A A

X

X

X X XXX X X

b)

*2^

XXX X X X X X X

^xx

A ^AA A A A A A A A A A A A A

->■

*1

Rys. 4.3. Jeśli położenie (a) lub sklasyfikowanie (b) chociaż jednego obiektu ciągu uczącego jest błędne, to wówczas w pewnym obszarze przestrzeni cech mogą być podejmowane błędne decyzje

Przykład. W zadaniu automatycznej wizualnej identyfikacji elementów podawanych przez robot do sterowanego cyfrowo centrum obróbczego przewidywano rozpoznawanie metodą NN z pokazem wzorców rozpoznawanych elementów poprzedzającym proces właściwego rozpoznawania (aby zapewnić elastyczność systemu i jego zdolność do pracy z obiektami o różnych kształtach). Aby uniezależnić rozpoznawanie od powiększenia obrazu (obiekty mogły być bliżej albo dalej od kamery) a także od kąta obrotu (obiekty nadjeżdżały na transporterze w dowolnych, przypadkowych położeniach), rozpoznawanie oparto na dwóch cechach: współczynniku kształtu konturu obiektu (stosunek powierzchni obiektu do kwadratu jego obwodu) i na liczbie występujących w nim otworów.

Rozpoznawaniu poddano łatwo odróżnialne obiekty: owalne pierścienie, prostokątne podkładki z dwoma otworami i trójkątne gładkie pokrywy. Po uruchomieniu systemu doszło do uszkodzenia obrabiarki, ponieważ duża trójkątna pokrywa została przez robot umieszczona w małej szlifierce do pierścieni. Analiza wykazała, że robot zapamiętał wzorzec pokrywy w tej samej klasie, co wzorzec pierścienia, ponieważ odblask reflektora oświetlającego na gładkiej powierzchni pokrywy układ rozpoznający potraktował jako „otwór", zaś liczba otworów silniej wpływała na wartość używanej metryki niż współczynnik kształtu. W rezultacie jeden błędnie zapamiętany wzorzec wygenerował całą klasę fikcyjnych „trójkątnych obiektów z jednym otworem”, rozważanych jako pierścienie.