P1080336

10. Sztuczna inteligencja w robotyce

UCA6410

CEMI

Rysunek 1^_______

Obraz układu scalonego w pierwszej fezie [32,33]

Kamera TV, która zapisała ten obraz, znajdowała się w stałej odległości od analizowanych obiektów, znajdujących się na stanowisku oświetlanym przez lampę halogenową. Uzyskany obraz ma 256 poziomów jasności i wymiary] 512x512 pikseli.

W pierwszym etapie obraz zostaje poddany procesowi binaryzacji. Istotne jest przypisanie każdemu z pikseli obrazu jednego z dwóch poziomów jasności., W tym przypadku założono poziomy 0 i 255, odpowiadające odpowiednio barwom czarnej i białej. Aby przypisać pikselom odpowiedni poziom jasności, musi być zdefiniowana uprzednio wartość progowa. Od niej zależy to, czy na pozyskaj nym z kamery obrazie poziomy jasności pikseli będą znajdowały się poniżej czyj powyżej wartości progowej. Wynikiem procesu binaryzacji jest zawsze znaczna redukcja informacji zawartej w obrazie. Zatem odpowiedni dobór wartości progowej jest bardzo istotny, ponieważ bez niej mogłyby zostać utracone w obrazie informacje, bez których rozpoznanie obiektu stałoby się niemożliwe. Po zdefinio- J waniu wartości progowej w tym przypadku wszystkie piksele staną się czarne lubi białe-rys. 10.9.

UCA 6410 CEMI

Rysunek 10.9 ^    -    ______

Obraz układu scalonego po binaryzacji [32,33]

W drugim etapie wstępnego przetwarzania żbinaryzowany obraz jest pod-j dawany segmentacji. W tym przykładzie ma to na celu wydzielenie z obrazi]! fragmentu przedstawiającego oznaczenia na obudowie układu scalonego. Pomiar] wartości cech opisujących obrazy rozpoznawanych układów scalonych jest dokonywany w ten sposób, że wycinek obrazu o wymiarach 200 x 75 pikseli uzyskany w operacji maskowania, który reprezentuje fragment obudowy układu! scalonego wraz z widocznymi na nim oznaczeniami, jest dzielony pionowymi liniami na określoną liczbę sektorów o ustalonych wcześniej wymiarach. Wiek kość wszystkich sektorów powinna być taka sama lub jak najbardziej zbliżona; Liczba białych pikseli występujących w poszczególnych sektorach zamaskował 318 nego fragmentu obrazu jest przyjęta jako wartości cech opisujących rozpozna*

,_vany obraz układu scalonego. W tym etapie przetwarzania obrazu nastąpiła jeszcze większa redukcja informacji zawartej w obrazie. Z wielu tysięcy warto-Ici określających stopień jasności poszczególnych pikseli na początku przetwa-jjania po segmentacji zostaje stosunkowo niewielki zbiór liczb naturalnych. Tenże zbiór zawiera całą istotną informację potrzebną do rozpoznania obiektu _w obrazie. Analizując osiem typów układów scalonych, przy podziale fragmentu obrazu na cztery równe części o wymiarach 50x75 pikseli, otrzymano wzorowe wartości cech dla każdego z sektorów (tabl. 10.1).

Tablica 10.1. Wzorcowe wartości cech różnych typów układów scalonych [32,331

\Typ Piksele\	UCY 7453	SN 7406N	UCY 7404	SN 7403N	UCY 7417^1	UCY 7438!	UCA 6410	UL 1201
sektor 1	| 83	7! 759	0	570	109	332	99	8. |
sektor 2	|, 707	779	568	526	666	619	458	689 |
sektor 3	706	467	604	835	775	428	698	702 1
sektor 4	i ?^555	| 474	439	627	251	274	| 357	1 240 ^1

Otrzymane w ten sposób liczby stanowią dane wejściowe, na podstawie których można skonstruować zbór treningowy do nauczania sieci neuronowej prawidłowej realizacji zadania rozpoznawania. Po ukończeniu procesu treningu i po podaniu na wejścia liczby odpowiadające białym pikselom w poszczególnych sektorach obrazu sieć powinna wskazać, do której z uprzednio określonych klas przynależności ten układ należy.

Do rozpoznawania układów scalonych można wykorzystać różne rodzaje sieci neuronowych. Mogą to być sieci nieliniowe wielowarstwowe bez sprzężeń zwrotnych, sieci Kohonena, a także sieci Hopfielda.

Dalej pokazano wyniki pracy na nieliniowej sieci neuronowej Hopfielda, składającej się z trzech warstw. Warstwy wejściowe i ukryte składają się z trzech neuronów, a warstwa wyjściowa ma osiem neuronów, co odpowiada liczbie klas przynależności rozpoznawanych układów scalonych. Ten z neuronów, który wykazuje największą wartość sygnału na swoim wyjściu, wskazuje na klasę przynależności aktualnie rozpoznawanego układu scalonego. Po treningu sieci, w przy-u podziału obrazu układu na trzy i cztery równe sektory, otrzymano różne wyniki rozpoznawania.

W przypadku podziału na cztery sektory wyniki stu eksperymentów wyka-% bezbłędne wytypowanie właściwej klasy przynależności układu - tabl. 10.2.

tablica 10.2. Wyniki rozpoznawania obrazów układów scalonych (podział obrazu na 4 sektory)

¹ sieci trójwarstwowej [32, 33]

[UCY 7453	SN 7406N	UCY 74041	SN 7403N \ UCY 7417^1	UCY 74381UCA64\o( UL 1201 \
U ioo	V ^100	100	100 1 100	100 \ 100 100 \
^0	0	0	0 1 0	1 ^0 1 Oj 0

319