PHƯƠNG PHÁP XÂY DỰNG HỆ THỐNG NHẬN DẠNG SỬ DỤNG LOGIC MỜ TRONG PHÂN LOẠI SẢN PHẨM GẠCH ỐP LÁT TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐINH VĂN NHƯỢNG PHƯƠNG PHÁP XÂY DỰNG HỆ THỐNG NHẬN DẠNG SỬ DỤNG LOGIC MỜ TRONG PHÂN LOI SN PHM GCH P LT Chuyên ngành: Đo lờng M∙ sè: 62.52.62.01 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà nội, năm 2010 Cơng trình hồn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS.TS Phạm Thị Ngọc Yến PGS.TSKH Trần Hoài Linh Phản biện 1: PGS.TS Nguyễn Quang Hoan – Học viên Cơng nghệ Bưu viễn thơng Phản biện 2: PGS.TS Phan Xuân Minh – Trường Đại học Bách khoa Hà Nội Phản biện 3: PGS.TS Ngô Quốc Tạo – Viện CNTT – Viện KH&CNVN Luận án bảo vệ trước hội đồng chấm luận án cấp trường Họp trường Đại học Bách khoa Hà Nội Vào hồi …….giờ……….ngày……….tháng……….năm….…… Có thể tìm hiểu luận án tại: - Thư viện Quốc gia DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ Trần Hoài Linh, Đinh Văn Nhượng, Ứng dụng mạng TSK nhận dạng chất lượng gạch Ceramic, Hội nghị khoa học lần thứ 20 trường Đại học Bách khoa Hà Nội, 10/2006 Trần Hoài Linh, Đinh Văn Nhượng, Nguyễn Thành Trung, Mơ hình tạo đặc tính phân loại chất lượng gạch Ceramic, Hội nghị khoa học lần thứ 20 trường Đại học Bách khoa Hà Nội, 10/2006 Tran Hoai Linh, Dinh Van Nhuong, Application Of Neural Network In Sensor Characteristic Linearization And Its Implementation In Artificial Nose, The Second International Conference on Communications and Electronics, Hoi An, Viet Nam, June 4-6, 2008 Đinh Văn Nhượng, Trần Hoài Linh, Vấn đề khởi tạo mạng TSK ứng dụng toán nhận dạng, Hội thảo khoa học quốc gia lần thứ nghiên cứu, phát triển ứng dụng CNTT truyền thông (ICT.rda’08) tháng năm 2008 Đinh Văn Nhượng, Phạm Thị Ngọc Yến, Trần Hoài Linh, Phương pháp ước lượng cấu hình mạng TSK ứng dụng tốn nhận dạng, Tạp chí khoa học cơng nghệ trường đại học kỹ thuật số 67/2008 Đinh Văn Nhượng, Phạm Thị Ngọc Yến, Trần Hoài Linh, Ứng dụng thuật tốn xử lý ảnh tạo véc tơ đặc tính phân loại chất lượng gạch ceramic, Tạp chí khoa học cơng nghệ trường đại học kỹ thuật số 71/2009 MỞ ĐẦU Đặt vấn đề Các nhà khoa học nghiên cứu xây dựng nhiều mơ hình điều khiển dựa quy tắc suy luận trí tuệ nhân tạo Một hệ thống điều khiển hệ thống điều khiển mờ Điều khiển mờ đem lại chất lượng điều khiển tốt, đặc biệt tốn nhận dạng mà tín hiệu đầu vào có nhiều thơng số Một tốn phải kể đến toán nhận dạng phân loại sản phẩm cơng nghiệp nói chung sản phẩm xây dựng nói riêng Đó lý tác giả chọn nội dung đề tài: “Phương pháp xây dựng hệ thống nhận dạng sử dụng logic mờ phân loại sản phẩm gạch ốp lát”để nghiên cứu Mục đích nghiên cứu a Phân tích nhiệm vụ phân loại gạch ốp lát để đưa mơ hình tốn logic mờ với ý tưởng “mắt nhân tạo” áp dụng hệ chuyên gia ứng dụng mạng nơ ron logic mờ TSK b.Nghiên cứu mạng nơ rôn logic mờ TSK giải vấn đề cịn tồn mạng là: Ước lượng số luật phù hợp với tốn nhận dạng thơng qua việc phối hợp số thống kê c Xây dụng thuật toán xử lý ảnh số tạo vectơ đặc tính mẫu gạch thỏa mãn điều kiện kinh tế, kỹ thuật mơ hình d Thử nghiệm tập số liệu mẫu Đối tượng nghiên cứu - Mạng nơ rôn logic mờ TSK : Phân tích đề xuất giải pháp nhằm thích nghi triển khai ứng dụng nhận dạng, phân loại sản phẩm gạch ốp lát - Ứng dụng xử lý ảnh xác định đồng thời nhiều thông số khác (vectơ đặc tính) mẫu gạch ốp lát để làm sở cho nhận dạng Ý nghĩa khoa học thực tiễn đề tài - Đề xuất, xây dựng mơ hình ”mắt nhân tạo’’ cho hệ thống nhận dạng phân loại sản phẩm - Đề xuất phương pháp ước lượng số lượng luật mờ dưa vào số thống kê: Vh, DA, Dw, tA, PBM, DN để tính số tổng hợp α - Phương pháp tự động khởi tạo giá trị ban đầu cho tham số mạng TSK phù hợp với toán nhận dạng phân loại sản phẩm gạch ốp lát - Xây dựng phương pháp tối ưu hoá tham số mạng điều khiển mờ qua trình học có hướng dẫn thuật tốn giảm bước cực đại - Đề xuất giải pháp thu thập nhiều thông số khác đối tượng dựa vào kỹ thuật xử lý ảnh tạo vectơ đặc tính mẫu gạch gồm 17 thành phần x = [x1 ,x2 ,…,x17 ] - Xây dựng chương trình phần mềm chạy mơ chương trình mơi trường Matlab Kết kiểm chứng sở hàm phi tuyến thực nghiệm nhận dạng số mẫu gạch ốp lát Nội dung gồm Chương I:Thực trạng phân loại sản phẩm cơng nghiệp tốn phân loại sản phẩm gạch ốp lát Chương II: Nghiên cứu ứng dụng mạng nơ rôn logic mờ TSK để xây dựng mô hình nhận dạng Chương III:Thuật tốn xử lý ảnh ứng dụng tạo vectơ đặc tính phân loại gạch ốp lát Chương IV: Kết tính tốn mơ Kết luận kiến nghị CHƯƠNG I THỰC TRẠNG PHÂN LOẠI SẢN PHẨM CƠNG NGHỆP VÀ BÀI TỐN PHÂN LOẠI SẢN PHẨM GẠCH ỐP LÁT 1.1 Mơ hình nhận dạng phương pháp tiếp cận 1.1.1 Nhận dạng mơ hình nhận dạng Nhận dạng trình phân loại đối tượng biểu diễn theo mơ hình gán cho chúng vào lớp dựa theo quy luật mẫu chuẩn 1.1.2 Các phương pháp tiếp cận Trong lý thuyết nhận dạng nói chung, nhận dạng ảnh nói riêng có cách tiếp cận khác [1], [10] 1.2 Nhận dạng sử dụng ảnh số Một hướng nghiên cứu đầu tư phát triển mơ hình nhận dạng với tín hiệu đầu vào ảnh đối tượng Nhiệm vụ trích chọn vectơ đặc tính đối tượng thực thơng qua thuật tốn phân tích ảnh thuật tốn xử lý tín hiệu 2-D (ảnh tĩnh), 3-D (ảnh động) 1.3 Phân tích tốn phân loại gạch ốp lát 1.3.1 Quy trình cơng nghệ Quy trình sản xuất gạch ốp lát giới thiệu luận án 1.3.2 Quá trình phân loại: Hiện nhà máy sản xuất gạch ốp lát nước ta thực phân loại thủ công dựa vào ước lượng kinh nghiệm công nhân 1.4 Phương án đề xuất Xây dựng mơ hình “ mắt nhân tạo”ứng dụng mạng TSK Hình 1.3 Mơ hình hệ thống phân loại tự động KẾT LUẬN CHƯƠNG I Qua việc phân tích tốn phân loại gạch ốp lát, từ đề xuất mơ hình toán với ý tưởng “mắt nhân tạo” để giải toán nhận dạng tự động phân loại sản phẩm gạch ốp lát, thay cho việc nhận dạng phân loại thủ công mà nhà máy thực Hệ chuyên gia sử dụng toán phân loại sản phẩm gạch ốp lát ứng dụng mạng nơ rôn logic mờ (chọn mạng nơ rôn logic mờ TSK để nghiên cứu) đề cập chương II Xác định thông số nhằm đảm bảo yêu cầu phương pháp xử lý ảnh thông qua thu thập camera kỹ thuật số thuật tốn trình bày chương III CHƯƠNG II NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RÔN LOGIC MỜ TSK ĐỂ XÂY DỰNG MƠ HÌNH NHẬN DẠNG 2.1 Mơ hình mạng nơ rơn - Mạng nơ rơn lớp: Đây cấu trúc mạng nơ rôn đơn giản nhất, mạng nơ rôn gồm lớp xuất, khơng có lớp ẩn - Mạng nơ rơn nhiều lớp giải tốn phi tuyến nhờ vào hàm truyền đạt phi tuyến nơ rôn mạng Càng nhiều lớp ẩn khả mở rộng thông tin cao xử lý tốt tốn có nhiều tín hiệu vào [2], [3] 2.2 Một số mạng nơ rôn thường sử dụng toán nhận dạng 2.2.1 Mạng Kohonen Mạng Kohonen [1], [90] hoạt động theo nguyên tắc “tự tổ chức”, có nghĩa mạng hoạt động với vectơ đầu vào x(i) mà khơng có (i)mẫu đầu d (i) Trong (i) c Khi cho vectơ x vào mạng Kohonen ta lưu trữ thơng tin K trọng tâm (i) (i) mạng Kohonen, mạng nơ rôn trọng tâm c gần với x so với no rơn trọng tâm cịn lại Các nơ rôn trọng tâm c(i) xác định sở xác định giá trị cực tiểu hàm mục tiêu: (2.1) E = ∑∑ x − c → p K (i ) ( j) i =1 j =1 2.2.2 Mạng MLP(Multilayer perceptrons Network) Cấu trúc mạng MLP với lớp ẩn thể hình 2.4 với W ma trận trọng số kết nối lớp đầu vào lớp ẩn, V ma trận trọng số kết nối lớp ẩn lớp đầu [56], [83] Hình 2.4 Cấu trúc mạng MLP với lớp ẩn Mặc dù hai mạng có nhiều ứng dụng thực tế với kết tốt, nhiên so sánh với hệ mạng sử dụng logic mờ, ví dụ mạng TSK hai mạng có nhiều hạn chế: Mạng MLP có tất tham số tham gia trình học tham số phi tuyến, mạng lớn, trình học dài xác suất trình thích nghi bị rơi vào điểm cực trị địa phương tăng cao Mạng Kohonen xử lý vectơ đầu vào nên trường hợp mẫu tín hiệu có đầu vào xấp xỉ việc phân biệt mạng Kohonen yêu cầu số lượng trọng tâm lớn q trình học trở nên dài khó thành cơng Mạng TSK sử dụng logic mờ khắc phục nhược điểm 2.3 Mơ hình nhận dạng mạng nơ rôn logic mờ 2.3.1 Khái niệm logic mờ Khái niệm “logic mờ” dùng để việc xử lý thông tin mà giá trị logic xác định rõ, biến thiên theo điều kiện bên [5] 2.3.2 Biểu thức giá trị mờ Để tìm hiểu biểu thức giá trị mờ, xem xét dạng biểu thức mờ sau [5], [14] • x nhỏ nhiều so với A : x A : x≈A • x xấp xỉ A • x lớn nhiều so với A : x A hàm liên thuộc biểu thức giá trị mờ trình bày luận án 2.4 Mạng TSK 2.4.1 Mơ hình mạng TSK 2.4.1.1 Các luật suy luận TSK Một quy tắc suy luận mờ TSK có dạng sau: if x ≈ C then y ≈ f(x)= a0 + a1 x1 +…+ a N xN (2.21) Trong x = ⎡⎣ x1 ,x2 , ,xN ⎤⎦ , C = ⎣⎡C1 ,C2 , ,C N ⎦⎤ ∈ N Để tổng hợp lại đưa đáp ứng nhất, tác giả đề xuất lấy trung bình trọng số đáp ứng riêng lẻ ∑W (x)f (x) (2.24) M y= »Ci i=1 i M ∑W i=1 »Ci (x) 2.4.1.2 Cấu trúc chung mạng nơ rôn logic mờ TSK Phát triển từ hệ suy luận tác giả Takaga, Sugeno Kang đề xuất mơ hình mạng TSK để mơ hệ suy luận Mạng thuộc hệ thống hệ suy luận mờ, ngày áp dụng rộng rãi kỹ thuật Để mô hoạt động hệ thống ta có cấu trúc mạng [61], [87], [88] trình bày cụ thể hình vẽ 2.11a: Hình 2.11a Mơ hình mạng TSK 2.4.1.3 Cải tiến cấu trúc kinh điển thuật toán xây dựng mạng TSK [61], [83] Trong mẫu truyền thống, độ mạnh quy tắc mờ thứ i phụ thuộc khoảng cách véc tơ đầu vào mẫu quy tắc tính tốn (2.26) μ (x)= ∏ μ (x )= ∏ ⎛ (x -c ) ⎞ ⎟ 1+ ⎜ N i N ij j=1 j 2bij j=1 j ⎜ ⎝ σ ij ij ⎟ ⎠ Để làm giảm số lượng tham số phi tuyến ta sử dụng công thức đo khoảng cách Phương pháp thể dạng tổng quát sau: (2.27) d (x,c)= (x - c) × S × ( x - c ) Trong S ma trận xác định dương, đối xứng Hàm mờ hiệu chỉnh xác định (2.28) T μi (x)= ⎛ x - ci ⎞ 1+ ⎜ ⎟ ⎝ σi ⎠ 2bi mẫu hiệu chỉnh mạng TSK có M × (N + 2) tham số điều chỉnh phi tuyến Hiệu chỉnh thực theo bước: Hiệu chỉnh tham số tuyến tính aij hàm TSK giá trị cố định tham số phi tuyến Hiệu chỉnh tham số phi tuyến giá trị cố định tham số tuyến tính Các tham số phi tuyến hiệu chỉnh cách sử dụng phương pháp bước giảm cực đại ∂E (t ) (2.35) cαβ (t + 1) = cαβ (t ) − ηc ∂cαβ σ α (t + 1) = σ α (t ) − ησ (2.36) ∂E (t ) ∂σ α ∂E (t ) ∂bα bα (t + 1) = bα (t ) − ηb (2.37) 2.4.2 Khởi tạo tự động quy tắc suy luận mờ, thuật toán Gustafson – Kessel Thuật toán G-K thể với bước sau [61], [86], [87]: Khởi tạo tạm thời cách ngẫu nhiên trọng tâm ci với i = 1,2, , M , tính ma trận U Xác định vị trí trọng tâm theo công thức p ∑u ci = j=1 p ∑ m ij xj (2.44) u ijm j=1 Tính hiệp biến nhóm F ( i ) ma trận Si (i = 1, 2, , M ) theo p ∑u Fi = m ij (x j - ci )(x j - ci )T (2.45) j=1 p ∑ uijm j=1 Si = N det( Fi ) ⎡⎣ Fi ⎤⎦ Ước tính khoảng cách −1 dij2 (i = 1, , p) T d ij = (x j - ci ) × Si × (x j - ci ) (2.46) véc tơ đầu vào (2.47) xj mẫu nhóm ci 4.Xác định ma trận đầu vào theo uij = (2.48) ⎛ d ij ⎞ ⎟⎟ k =1 ⎝ kj ⎠ M ∑ ⎜⎜ d m −1 2.4.3 Xác định số lượng nhóm thơng qua việc phối hợp số thống kê Chỉ số thể tích mờ nhóm Vh (2.49) V = ∑ det(F ) M h i i =1 Chỉ số mật độ phân bố mờ trung bình DA DA = Trung bình khoảng cách nhóm M M (2.50) SSi ∑ det(S i ) i =1 Dw p M Dw = M ∑ i =1 ∑u k =1 p m ik d ik (2.51) ∑u m ik k =1 Trung bình độ phẳng nhóm t A tA = M (2.52) M ∑t i i =1 5.Chỉ số PBM [79] ⎡ E1 ⎤ PBM (k ) = ⎢ Dk ⎥ ⎣ k Ek ⎦ (2.53) 6.Chỉ số DN [34] DC = NM = ⎧ ⎪ DN (U , C ) = ⎨ ∗ DC ∗ NM Các trường hợp ⎪⎩ DC + NM khác (2.67) Để phối hợp đồng thời số, luận án đề xuất cơng thức tính số tổng hợp α (2.68) α = a1Vh − a2 DA − a3 DW + a4 t A − a5 PBM + a6 DN 2.4.4 Đặt giá trị ban đầu cho hàm suy luận Tác giả đề xuất phương pháp đặt giá trị ban đầu cho giá trị σ Thuật toán sau: Đối với trọng tâm ci , tính khoảng cách cho tất mẫu khác sử dụng Tính hệ số tỷ lệ Ref(i) cách lấy khoảng cách trung bình từ trọng tâm ci tới K (thường chọn K=5) mẫu số liệu gần có trọng tâm K=M-1 số trọng tâm M