Struktura projekta ->

Primarna obrada senzorskih signala i prepoznavanje oblika:

Ovo je jedna od ključnih istraživačkih celina koje se obradjuje u okviru ovog projekta. Centralni problem u primeni optičkih senzora u segmentu dimenzione metrologije ili veštačkog gledanja su obrada i interpretacija signala koje generiše senzor, odnosno optičko električni pretvarač. Praktična iskustva sa projekata koje je do sada realizovao Mašinski fakultet [9, 10], ili iskustva dobijena kroz analizu ovog specifičnog oblika industrijske automatizacije, pokazuju da je to jedan od osnovnih ograničavajućih faktora šire implementacije tehnologije optoelektroničkih senzora u našoj industriji. Po pravilu, obim potrebnih znanja i vrednost ukupnog angažovanja istraživača na nekom konkretnom zadatku primene ovih senzora, daleko prevazilazi tržišnu vrednost samog senzora. Navedene činjenice pokazuju potrebu i opravdanost istraživanja u ovom domenu.

U delu primarne obrade senzorskih signala koriste se tradicionalne tehnike Furijeove analize, odnosno tehnike diskretne brze Furijeove transformacije (DFT) i/ili kratkotrajne Furijeove transformacije (STFT) kada su u pitanju dinamički signali. Ove tehnike se podjednako primenjuju za jednodimenzione senzorske signale kakve tipično generišu laserski triangulacioni senzori, kao i za dvodimenzionalne senzorske signale koji se sreću kod sistema veštačkog gledanja. Pored tehnika baziranih na Furijeovoj transformaciji za primarnu obradu senzorskih signala koriste se različite vrste digitalnih filtera.

U okviru ovog projekta istraživački napori su fokusirani u pravcu primene jedne nove tehnike obrade signala koja je bazirana na vejvlet transformaciji (WT) [11, 12, 13]. Naime, FT kao klasična metoda digitalne obrade signala, ima samo frekventnu, ali ne i vremensku rezoluciju. Situacija je nešto bolja kod STFT gde je prostor vreme-frekvenca uniformno diskretizovan unapred zadatim inkrementima. Ove transformacije se zbog navedenog mogu efikasno primeniti samo u analizi stacionarnih signala. Međutim, u realnosti signali su najčešće nestacionarni – njihove spektralne komponente se  menjaju u vremenu ili prostoru. Za analizu ovakvih signala pogodna je vejvlet transformacija koja signal opisuje superpozicijom elementarnih gradivnih blokova – vejvleta. Ono što ih čini posebnim jeste da mogu biti definisani na konačnom vremenskom intervalu što omogućuje dobru vremensku lokalizaciju signala. Pored toga, mogu imati izuzetno nesimetrične oblike, pa su pogodni za analizu signala sa oštrim promenama u vremenu ili prostoru (kao što su npr. ivice na slici).  Postoje dve vrste WT kontinualna CWT i diskretna DWT. CWT ima bolju rezoluciju u vreme frekvenca prostoru, ali njeno izvođenje zahteva obimna izračunavanja koja nisu pogodna za primenu u realnom vremenu. DWT je koncipirana tako da istovremeno ima veliku vremensku rezolutnost na visokim frekvencijskim sadržajima (precizno vremensko lociranje naglih promena u signalu) i veliku frekvencijsku rezolutnost na niskim frekvencijskim sadržajima (precizno praćenje trendova signala), što je izuzetno značajno u većini slučajeva potreba primarne obrade senzorskih signala. Multirezolucijska analiza (MRA) daje brz hijerarhijski algoritam za izvođenje DWT i čini je izrazito pogodnom za rad u realnom vremenu. Za potrebe analize slike (dvodimenzionog signala) razvijena je dvodimenziona DWT koja se zasniva na sukcesivnoj jednodimenzionoj DWT vrsta i kolona matrica slike. DWT je izuzetno pogodna za detekciju ivica na slici koje predstavljaju naglu promenu u prostoru. Detektovane ivice dalje omogućuju formiranje kontura i segmentiranje slike na konačan broj objekata, što je polazna osnova za prepoznavanje oblika. Pored toga, DWT poseduje inherentna svojstva kompresije signala. Istraživački tim Mašinskog fakulteta tim dosada ima obimna iskustva u primeni DWT i MRA u analizi vremenskih serija, jednodimenzionih signala, kao i u analizi slike [14 - 19].

Druga grupa istraživačkih napora je biti fokusirana na slučaj rekonstrukcije nekompletnih vremenskih serija. Laserski senzori imaju prirodnu tendenciju generisanja nevalidnih rezultata merenja u slučajevima neadekvatnih optičkih svojstava površine objekta koji se skenira. Nekompletnost vektora generisanih senzorskih signala onemogućava primenu gotovo svih tradicionalnih tehnika obrade signala, uključujući DFT, STFT, DWT, ... kao i sve tehnike digitalnog filtriranja. Prethodna istraživanja koja su realizovana u teoretskom domenu i praktično implementirana na projektima laserskih mernih sistema za potrebe industrije prerade elastomera, rezultovala su postavku jedne sasvim nove i originalne metode bazirane na statističkoj karakterizaciji površi skeniranog objekta. U okviru ovog projekta biće  finalizirana ova metoda u teorijskom smislu, detaljno eksperimentalno verifikovana i zaštićena odgovarajućim patentom.
Treća grupa istraživačkih napora je fokusirana u razradi odgovarajućih algoritama primarne obrade senzorskih signala u cilju njihove praktične primene u realnom vremenu korišćenjem industrijskih PC računara ili namenskih integrisanih mikroračunarskih sistema baziranih na DSP i FPGA tehnologiji.

U delu interpretacije primarno obrađenih senzorskih signala istraživanja su usmerena u dva osnovna pravca. Prvi se odnosi na razvoj odgovarajućih tehnika aproksimacije prostornog ili linijskog oblaka tačaka nekim ravanskim ili prostornim geometrijskim primitivom i sintezu ukupnog geometrijskog modela skeniranog objekta u nekom od standardnih grafičkih editora (SOLIDWORKS, CATIA, PROENGINEER, ...). Drugi istraživački pravac se odnosi na istraživanja u domenu sistema veštačkog gledanja, gde će posebna pažnja biti usmerena na problem prepoznavanja oblika, odnosno razvoj inteligentnih algoritama za analizu slike, kao digitalizovane ravanske ili prostorne scene registrovane odgovarajućim optičkim senzorom.

U delu istrživanja koja se odnose na razvoj inteligentnih algoritama za analizu slike, istraživački napori su fokusirani na izgradnju neiterativnih metoda za klasterovanje vektora oblika. Istraživanja koja su sprovođena u više navrata kroz magistarske i doktorske disertacije koje su realizovane na Mašinskom fakultetu, rezultovala su razvojem jedne nove neiterativne metode bazirane na primeni fazi logike i aproksimativnog zaključivanja [20]. Ova metoda je tako koncipirana da se broj fazi klastera ne definiše kao apriorna veličina, već su umesto toga uspostavljeni opšti parametri kompaktnosti klastera i parametri separacije klastera. Proces generisanja klastera je neiterativan i on se vodi praćenjem gradijenta parametara kompaktnosti i separacije. Neiterativnost i autonomnost procesa klasterovanja, odnosno klasifikacije vektora oblika izvedenih iz primarno obrađenih senzorskih signala je vrlo značajna odlika koja dozvoljava njegovu primenu u realnim uslovima. Najnovija istraživanja koja su sprovođena u ovom pravcu i koja su imala čisto teorijsku prirodu proširena su novim tehnikama teselacije prostora osobenosti, korišćenjem Voronoi poligona pomoću kojih se neuniformo diskretizuje ukupni prostor osobenosti na hiperpoligonalne podprostore definisane lokalnim prototipom identifikovanog klastera [21]. Ovakvim pristupom se omogućava drastično ubrzavanje procesa klasifikacije, što je od izuzetnog značaja za praktičnu upotrebljivost u sistemima veštačkog gledanja koji se koriste u okviru robotskih sistema. Proces interakcije robota sa okolinom u lokalnoj povratnoj sprezi po senzoru veštačkog gledanja se tako deli na dva podprocesa, jedan koji je relativno spor i odnosi se na identifikaciju prototipova klastera (specifični oblik proces učenja) i jedan koji je vrlo brz, čija je vremenska baza reda veličine vremenske baze regulacionih petlji regulatora servo aktuatora, koji se koristi za apriornu klasifikaciju kontinualno generisanih vektora oblika u odnosu na poznati skup prototipova klastera i u odnosu na njih generisanih hiperdimenzionih Voronoi poligona. Ova metoda zahteva dodatna teorijska istraživanja, dokazivanje svojstava konvergentnosti i stabilnosti, i eksperimentalnu verifikaciju na fizičkom sistemu u realnim laboratorijskim ili industrijskim uslovima.