Детальная информация

Объект исследования – видеопоток, полученный с экспериментального стенда. Цель работы – создание алгоритма детектирования и классификации замкнутых контуров в видеопотоке. В ходе работы были рассмотрены следующие вопросы: 1. Предметная область решаемой задачи 2. Математическая постановка решаемой задачи 3. Обзор методов обработки изображений 4. Обзор методов поиска контуров на изображении 5. Проектирование и реализация алгоритма детектирования. Работа проведена на базе экспериментального стенда, созданного в рамках гранта РНФ «Оптический датчик наличия и уровня загрязнённости нефтепродуктами и тяжелыми частицами жидкостей». Во время работы были проведены анализ исходных данных, декомпозиция исходной задачи, проектирование и реализация алгоритма детектирования. Созданный алгоритм в совокупности с аппаратной частью датчика позволяет детектировать загрязнения с высокой точностью, используя при этом простые и доступные компоненты. В работе были использованы следующие информационные технологии и программное обеспечение: язык программирования Python, библиотека компьютерного зрения OpenCV, открытый язык вычислений OpenCL и библиотека для работы с ним PyOpenCL.

The object of research is the video stream obtained from an experimental test bench. The goal of the work is to create an algorithm for detecting and classifying closed contours in a video stream. The following aspects were considered during the work: 1. The problem domain of the task. 2. The mathematical formulation of the task. 3. A review of image processing methods. 4. A review of methods for detecting contours in images. 5. Design and implementation of the detection algorithm. The work was carried out on the basis of an experimental test bench created within the framework of the Russian Science Foundation grant "Optical sensor for detecting and measuring the level of contamination by oil products and heavy particles in liquids". During the work, analysis of the initial data, decomposition of the original task, and design and implementation of the detection algorithm were performed. The developed algorithm, combined with the sensors hardware, enables the detection of contaminants with high accuracy while using simple and accessible components. The following information technologies and software were used in the work: the Python programming language, the OpenCV computer vision library, the OpenCL open computing language, and the PyOpenCL library for working with it.