chenar marediploma1

1

Mod Coala document. Semn. Data

Elaborat

Controlat Bujeniţa E.

Izvoreanu B. B.

Litera Coala Coli

113 Bohanastiuc V.

UTM. 2153.30.003 ME

Recunoaşterea obiectelor geometrice

U.T.M. FCIM

Grupa AI - 041

N.Contr.Aprobat Izvoreanu B.

CUPRINS

INTRODUCERE...................................................................................................4

1. Analiza metodelor existente de recunoaştere a biectelor geometrice...........5

1.1 Sistemele inteligente în Înteligenţa Artificială ............................................5

1.2 Descrierea obiectelor geometrice..................................................................8

1.3 Clase de imagini .........................................................................................10

1.4 Metode de recunoaştere în selectarea obiectelor........................................13

1.4.1 Metoda decizional teoretică .....................................................................13

1.4.2 Metoda structural sintactică .....................................................................15

1.4.3 Recunoaşterea conexionistă......................................................................17

1.4.4 Proiectarea clasificatorului de recunoaştere statică...................................19

1.4.5 Clasificarea parametrică statistică…………………………………..22

1.5 Proprietăţile comparative a algoritmilor în recunoaşterea imaginilor.........27

1.6 Punerea problemei de recunoaştre ........................................................... ..28

1.6.1 Noţiuni generale........................................................................................29

1.6.2 Strategii de recunoaştere pentru N clase.................................................31

1.7 Filtrarea imaginilor.....................................................................................33

2.Descrierea modelelor de recunoaştere a imaginilor ......................................36

2.1 Modelul de neuroni...................... .............................................................36

2.2 Arhitectura de reţele neuronale..................................................................39

2.3 Algoritmul de antrenare a reţelelor neurale................................................41

2.4 Perceptronul cu un singur strat şi multistrat...............................................42

2.5 Reţeaua Hopfield........................................................................................45

2.6 Reţeaua Hamming......................................................................................46

Coal

Mod Coala Nr Document. Semnat Data

U.T.M.2153.30.003.ME 2

3. Elaborarea algoritmilor în baza mediului Windows NT şi Java ...............47

3.1 Securitatea Windows NT.........................................................................47

3.2 Criptografia şi tipuri de criptare...............................................................49

3.2.1 Algoritmi criptografice cu cheie secretă şi cu cheie publică...............49

3.3 Securitatea Java........................................................................................51

4. Elaborarea interfeţei utilizatorului ................................................................52

4.1 Interfaţa utilizatorului...............................................................................52

4.2 Algoritmul de instruire.............................................................................53

5. Materialul grafic ..............................................................................................58

5.1 Schema funcţională de recunoaştere a obiectelor geometrice .................58

5.2 Algoritmi de recunoaştere........................................................................60

5.2.1 Extragere de contur...............................................................................60

5.2.2 Algoritmi de urmărire de contur...........................................................61

5.2.3 Înlănţuirea elementelor de contur.........................................................64

5.2.4 Reprezentarea contururilor....................................................................67

5.3 Algoritmi de subţiere de contur................................................................68

5.4 Segmentarea obiectelor............................................................................70

6. Calculul fiabilităţii...........................................................................................71

6.1 Noţiuni generale........................................................................................71

6.2 Informatică şi fiabilitate............................................................................72

7. Capitolul organizaţional economică al proiectului......................................76

7.1 Cercetări de marketing..............................................................................77

7.2 Elaborarea bugetului..................................................................................79

7.3 Rezultatele financiare................................................................................88

8. Protecţia mediului ambiant ...........................................................................90

8.1 Protecţia muncii........................................................................................90

8.2 Sanitaria industrială..................................................................................92

8.2.1 Cerinţele igienico sanitare faţă de calitatea aerului zonei de muncă.....92

8.2.2 Microclimatul.......................................................................................93

Coal


U.T.M.2153.30.003.ME 3

8.2.3 Protecţia de zgomot..............................................................................95

8.2.4 Iluminatul de producţie.........................................................................96

8.3 Tehnica securităţii....................................................................................98

8.3.1 Electrosecuritatea..................................................................................98

8.4 Calculul iluminatului natural în încăpere...............................................102

CONCLUZII.......................................................................................................106

BIBLIOGRAFIE.................................................................................................107

ANEXE................................................................................................................108

ANEXA A Materialul grafic...............................................................................108

ANEXA B Codul programului...........................................................................109

Coal


U.T.M.2153.30.003.ME 4

INTRODUCERE

În timpul prezent cînd tehnologiile informaţionale se dezvoltă foarte repede şi

necesităţile umane cresc, inteligenţa artificială (IA) a devenit să joace un rol foarte

important, avînd ca scop de a se apropia de raţionamentul uman. Inteligenţa artificială

permite automatizarea şi uşurarea lucrului uman în atîta, încît omului i se acordă

funcţia de control. IA se deosebeşte foarte mult de roboţi, avînd posibilitatea de

învăţare, luarea deciziilor fără intervenenţa umană, alegerea deciziilor dintr-o gamă

largă de soluţii. Din acest punct de vedere recunoaşterea imaginilor este o problemă

actuală pentru procesul de învăţare şi priire a deciziilor în IA. Se poate de spus că IA a

fost dezvoltată pentru a permite soluţionarea problemelor nerezolvabile prin metode

algoritmice şi ea poate fi definită ca simularea inteligenţei umane procesată de maşini,

în special, de sisteme de calculatoare.

Până în prezent s-au dezvoltat două metode diferite de abordare a IA. Prima metodă

este cunoscută sub numele “top-down approach” sau “symbolic approach to AI” şi

această metodă are dezavantajul că este prea dependentă de maşină şi poate fi utilizată

doar în probleme foarte restrânse. De asemenea, abordarea se bazează în mare măsură

pe cunoştinţele programatorului, absolut nimic nu poate fi adăugat automat. A doua

metodă constă în construirea unei reţele neuronale care să asigure convertirea unei

imagini în informaţie.

Inteligenţa artificială presupune proiectarea şi construirea de sisteme capabile să

realizeze funcţii ale intelectului uman: învăţarea prin experienţă, înţelegerea limbajului

natural, utilizarea unui raţionament pentru rezolvarea unor probleme sau luarea unor

decizii. Toate acestea presupun însă şi acumularea unei anume cantităţi de informaţie

(baza de cunoştinţe, informaţii din mediu etc.). Această informaţie este preluată de

sistemele inteligente prin senzori şi creează o imagine a mediului în momentul preluării

datelor (snapshot). Din imaginea astfel obţinută trebuie extrase informaţiile utile.

Coal


U.T.M.2153.30.003.ME 5

Prelucrarea imaginilor este un domeniu complex, dinamic, cu numeroase aplicaţii în

diverse domenii. Există acum diverse implementări de sisteme de timp real, bazate pe

prelucrarea de imagini, sisteme utilizate în industria militară, medicină, sisteme de

control automat a proceselor industriale. S-au adus diverse îmbunătăţiri pentru sisteme

de procesare a amprentelor digitale, recunoaşterea feţei, a scrisului, obiectelor. Pentru

zonele aglomerate sau de interes strategic au fost proiectate şi implementate sisteme de

securitate şi supraveghere bazate pe vederea artificială (machine-vision). De asemenea,

prelucrarea computerizată a imaginilor are un rol foarte important în medicină, în

domeniul tehnicii medicale: tomografia asistată de calculator, analiza şi interpretarea

imaginilor microscopice celulare.

În lucrarea dată a fost efectuată cercetarea algoritmilor şi metodelor de

recunoaşterea a formelor geometrice şi a fost realizat programul care efectuează

recunoaşterea formelor geometrice în Java.

1. Analiza metodelor existente de recunoaştere a obiectelor geometrice

1.1 Sisteme inteligente în Înteligenţa Artificială

Cînd s-a vorbit prima dată de Inteligenţa Artificială (AI -Artificial Intelligence) în

1956, totul părea o utopie, un vis prea frumos pentru a fi realizat, un stadiu al dezvoltării

considerat a fi greu de atins. În ultimii aproape 50 de ani, termenul a prins contur,

devenind realitate, fiind în prezent folosit în aproape toate ştiinţele care doresc să se

afirme. Iniţiatorul sau, prof. John McCarthy a prezentat noul concept în vara anului

1956 la întrunirea „Darthmouth Summer Research Project on Artificial Intelligence”.

Odata cu dezvoltarea tehnicii de calcul şi a pachetelor software, Inteligenţa

Artificială a devenit o ramura suplimentara a ştiinţelor. Totuşi, vîrful de lance este

ştiinţa computerelor, cea care a introdus termenul şi a facut cel mai mult pentru

afirmarea noului concept.

Termenul de Inteligenţă Artificială este întalnit azi în numeroase publicaţii tehnice,

medicale, militare, ştiinţifice, de obicei, cînd vine vorba de aplicaţii ce realizează

Coal


U.T.M.2153.30.003.ME 6

performanţe de care numai omul era socotit capabil: recunoaşterea şi analiza vocii şi a

imaginilor, traduceri dintr-o limba în alta, diferite jocuri de inteligenţa (sah, bridge),

luarea unor decizii complexe fără intervenţia unui operator uman etc. Iniţial, obiectivele

Inteligenţei Artificiale au fost foarte ambiţioase: maşina trebuia să rezolve diferite

probleme, să înveţe din propria experienţă şi din evenimentele exterioare sistemului sau,

să efectueze raţionamente, să conceapă noi obiecte cu proprietăţi prestabilite.

În mod natural, încă din momentul conştientizării existenţei sale, omul a fost

întotdeauna interesat să cunoască modul de formare şi funcţionare a inteligenţei proprii.

Unii oameni de ştiinţă afirmă că inteligenţa umana este imposibil de atins şi întrecut

pe cale artificială de o maşină. În 1989, matematicianul britanic Roger Penrose a

susţinut ca mecanismele de funcţionare specifice creierului uman nu pot fi replicate de

maşina, nici măcar în principiu. În prezent, creierul uman este considerat a fi cel mai

sofisticat computer cunoscut. Spre a întelege inteligenţa umana, trebuie să întelegem

modul în care se formează cele mai simple gînduri. Încercarea de a trece peste aceste

etape primare şi a cerceta direct acţiunile complexe ale creierului uman este aproape

imposibilă.

O metoda de a înţelege lucrurile este de a le modela pe un computer şi apoi a le

produce artificial. Primul pas pe care ştiinţa computerelor trebuie să îl facă în cercetarea

Inteligenţei Artificiale este să încerce a modela modul de funcţionare a creierului. Pînă

în prezent s-au dezvoltat doua metode diferite de abordare a Inteligenţei Artificiale.

Prima metodă este cunoscută sub numele “top-down approach” sau “symbolic approach

to AI”. Spre exemplu, vederea artificială a unei maşini (controlată de un computer) a

fost abordată prin construirea unor algoritmi şi aplicarea lor pe o serie de date de intrare.

Fiecare pas al procesului de vedere trebuie evaluat, un algoritm urmand să transforme

datele de intrare într-o forma mai uşor de utilizat. Aceasta metoda are dezavantajul că

este prea dependentă de maşină şi poate fi utilizată doar în probleme foarte restrînse. De

asemenea, abordarea se bazează în mare masura pe cunoştinţele programatorului,

absolut nimic nu poate fi adăugat automat.

Coal


U.T.M.2153.30.003.ME 7

A doua metodă constă în construirea unei reţele neuronale care să asigure convertirea

unei imagini în informaţie. În anii 60 preocupările au fost concentrate pentru

constituirea unei astfel de reţele, denumită „perceptron”. Acesta, o combinaţie reuşită de

reţea neuronală şi informaţii pre-procesate, a permis pentru prima dată recunoaşterea

imaginilor de către un computer. Perceptronul s-a bazat pe ceea ce a reprezentat atunci

primul stadiu al vederii artificiale, fiind folosit ulterior în construcţia maşinilor

autoghidate.

Ideile care au stat la baza formării disciplinei inteligenţei artificiale au plecat de la

cercetările privind inteligenţa umană şi raţionamentul formal. Acestea au cuprins în special

cercetări în domeniul ciberneticii, a semanticii şi teorii ale calculului. Ideea principală a

ciberneticii a fost aceea că modul de comportare inteligentă se poate baza pe principiul

"reacţiei negative". Reacţia negativă este indicată pentru controlul mărimilor fizice, dar nu

poate fi generalizată în cazul raţionamentului inteligent .

Alte abordări pentru studiul comportamentului uman s-au bazat pe teoriile privind luarea

deciziilor. Conform acestei orientări, modelul raţional al gândirii este aproape imposibil de

exprimat în termeni cantitativi şi formule analitice, întrucât gândirea umană şi luarea

deciziilor nu depind direct de numere, întrucât raţionamentul numeric este neadecvat

pentru modelarea inteligenţei, a fost aleasă procesarea simbolică drept un model pentru

replicarea cunoaşterii şi a raţionamentului uman.

Evoluţia ştiinţelor cibernetice şi a studiului comportamentului uman au contribuit la

dezvoltarea domeniului raţionamentului şi a demonstrării automate (machine reasoning),

acesta fiind unul dintre primele domenii ale inteligenţei artificiale. Pentru inteligenţa

artificială, anul oficial al începerii acesteia a fost 1956, odată cu proiectul "Summer

Research Project" de la Darmouth College. După 1956, inteligenţa artificială devine o

disciplină de studiu, care pe parcurs s-a dezvoltat şi sistematizat continu. În sensul cel mai

acceptat astăzi, scopul inteligenţei artificiale este replicarea funcţionalităţii minţii umane.

De-a lungul anilor, inteligenţa artificială a inclus diverse domenii. Subordonate scopului

principal, aceste domenii au încercat să reprezinte diferitele facultăţi umane.

Principalele subdomenii ale inteligenţei artificiale sunt considerate următoarele:

Coal


U.T.M.2153.30.003.ME 8

1).Vederea artificială, care încearcă să recunoască diferite structuri tipice

(şabloane) în acelaşi mod ca şi privirea umană;

2). Robotica, ce se ocupă de producerea maşinilor la care se poate controla mişcarea;

3). Procesarea vorbirii, care se ocupă cu recunoaşterea şi sinteza vorbirii umane;

4). Procesarea limbajului natural, care se ocupă cu înţelegerea limbajului natural

scris, precum şi cu producerea acestuia;

5). Demonstrarea teoremelor, care se ocupă cu demonstrarea automată a

teoremelor din logică şi matematică;

6). Rezolvarea generală a problemelor, care încearcă să rezolve clase generale de

probleme exprimate într-un limbaj formal;

7). Recunoaşterea formelor, care se ocupă cu recunoaşterea şi clasificarea diferitelor

şabloane de imagine;

8). Jocurile, care încearcă să creeze programe de jocuri competitive;

9). Învăţarea automată, care se ocupă cu producerea maşinilor capabile să acumuleze

cunoştinţe prin observarea exemplelor;

10). Sistemele inteligente, care se ocupă cu reproducerea expertizei umane.

Unele dintre aceste domenii sunt deja foarte bine conturate şi încep să devină de sine

stătătoare, părăsind câmpul inteligenţei artificiale; exemple concludente sunt recunoaşterea

formelor, procesarea vorbirii şi sistemele inteligente .

În prezent, sistemele inteligente sunt cel mai adesea asociate cu reprezentarea

cunoştinţelor şi cu raţionamentul, în cadrul lor, s-au dezvoltat deja un număr de subdomenii

proprii, cum este achiziţia de cunoştinţe, care este o formă specializată de învăţare

automată. Alte surse ale sistemelor expert includ domenii care sunt în acelaşi timp şi

domenii curente de cercetare în cadrul inteligenţei artificiale. Asemenea surse includ:

explicarea, învăţarea inteligentă, planificarea, rezolvarea distribuită a problemelor, etc.

1.2 Descrierea obiectelor geometrice

Prelucrarea a imaginilor reprezintă un domeniu foarte larg. Acest domeniu are la

bază o teorie matematică riguroasă, bine pusă la punct, dar în general implementările pe

Coal


U.T.M.2153.30.003.ME 9

diverse maşini de calcul sunt destul de mari consumatoare de resurse (putere de calcul,

memorie), în special dacă ne referim la utilizarea în timp real a informaţiilor extrase din

imagini.

Într-un sens cât mai general, o imagine este o descriere a variaţiei unui parametru pe

o suprafaţă. De exemplu, imaginile (în sensul clasic) sunt rezultatul variaţiei intensităţii

luminii într-un plan bidimensional. Dar acest parametru nu este singurul folosit; de

exemplu o imagine poate fi generată de temperatura unui circuit integrat, emisiile de

radiaţii (cu diverse lungimi de undă) ale unor galaxii etc. Însă aceste tipuri de imagine

sunt de obicei, convertite în imagini clasice pentru ca operatorul uman să poată face o

evaluare vizuală a variaţiei unor parametrii. Din aceste considerente, pe parcursul

lucrării toate referirile se vor face la imagini în sensul clasic.

O imagine este deci un semnal bidimensional şi prin urmare prelucrarea imaginilor

poate fi considerată şi o ramură a prelucrării digitale de semnal (care mai include

prelucrarea audio, telecomunicaţii etc.). După cum s-a menţionat anterior, prelucrarea de

imagine şi în general prelucrarea digitală a semnalelor presupune un consum relativ

mare de resurse de calcul şi memorie. Implementarea algoritmilor specifici se poate face

pe sisteme clasice (PC-uri, evoluţia microprocesoarelor oferă puterea de calcul

necesară), dar pentru sistemele dedicate, de timp real, se folosesc în general procesoare

dedicate numite procesoare digitale de semnal (DSP = Digital Signal Processing).

Aceste tipuri de procesoare au implementate hardware diverse optimizări şi paralelisme

pentru a oferi puterea de calcul necesară (de obicei la frecvenţe mult mai mici decât

microprocesoarele clasice); evident ele presupun şi un consum mai mic de energie faţă

de microprocesoare.

Prelucrarea imaginilor include sau este legată de mai multe discipline:

- preluarea, compresia şi stocarea imaginilor;

- restaurarea şi ameliorarea imaginilor prin corecţii geometrice, radiometrice,

ajustări de contrast, filtrarea zgomotului etc;

- fotogrammetrie, adică măsurători ale unor obiecte, fenomene făcute pe baza unor

imagini;

Coal


U.T.M.2153.30.003.ME 10

- recunoaşterea formelor (pattern matching, shape recognition, face recognition);

- vederea artificială (computer vision, robot vision);

- inteligenţa artificială;

- sinteza de imagini, imagini generate de calculator.

Fig. 1.1. Conţinutul imagisticii computerizate.

1.3 Clase de imagini

Imaginile sunt clasificate în patru clase [1]:

- Clasa 1 de imagini include imaginile în scară de gri (sau color).

- Clasa 2 de imagini cuprinde imaginile binare (sau cu câteva culori).

a). b).

Fig. 1.2. Exemplu de imagine din clasa 1 (a) şi clasa 2 (b).

- Clasa 3 de imagini include imagini formate din linii şi curbe continue.

- Clasa 4 de imagini cuprinde imagini formate din puncte izolate sau poligoane.

Coal


U.T.M.2153.30.003.ME 11

c). d). e).

Fig. 1.3. Exemplu de imagine din clasa 3 (c) şi clasa 4 (d).

Din fig.1.3 se pot extrage punctele critice, care vor forma o imagine de clasa 4.

Se remarcă scăderea complexităţii imaginii odată cu numărul clasei, simultan cu

reducerea semnificativă a volumului de date necesar pentru stocarea lor. Astfel

imaginile de clasă 1 sunt cele mai complexe, un exemplu tipic de astfel de imagini fiind

cele de televiziune, obţinute deci cu o cameră TV. Imaginile binare conţin doar două

nuanţe, de obicei alb şi negru (sau doar câteva culori în cazul imaginilor color). Clasa 3

cuprinde imagini şi mai simple, adică conţinând doar linii şi curbe având grosimea de un

pixel. Imaginile din ultima clasă sunt cele mai simple, ele fiind formate din puncte

izolate sau, în cazul graficii computerizate, din poligoane care descriu corpul

tridimensional a cărui reprezentare realistă se doreşte în final .

O taxonomie a domeniului prelucrării de imagini în corelaţie cu grafica

computerizată este prezenat în fig. 1.4 [1].

Fig. 1.4. Taxonomie a imagisticii computerizate.

Coal


U.T.M.2153.30.003.ME 12

Nu au fost reprezentaţi în diagrama anterioară algoritmii de codare/decodare a

imaginilor, care formează un subdomeniu destul de consistent al prelucrării de imagini.

Îmbunătăţirea imaginilor şi filtrările formează un domeniu care se ocupă de

eliminarea zgomotelor, îmbunătăţirea contrastului, accentuarea muchiilor şi detecţia de

muchii. Restaurarea imaginilor îşi propune eliminarea distorsiunilor care afectează

imaginea, distorsiuni datorate unor fenomene fizice cunoscute, modelate matematic sau

estimate.

Segmentarea imaginilor realizează separarea regiunilor uniforme, de interes, din

imagine. Uniformitatea este o noţiune generală ea nereducându-se la constanţa nivelelor

de gri (aceeaşi textură, aceleaşi proprietăţi, etc.). Binarizarea furnizează la ieşire o

imagine de clasă 2, ea putând fi asimilată unei operaţii particulare de segmentare (de

exemplu segmentarea cu prag).

Algoritmii de extragere de contur furnizează la ieşire un contur închis, deci o

imagine de clasă 3. Algoritmii de subţiere de contur realizează tot transformarea

imaginilor de clasă 2 în imagini de clasă 3, dar furnizează la ieşire un graf.

Imaginile de clasă 3 pot fi simplificate în continuare cu algoritmii de segmentare a

curbelor, care furnizează localizarea aşa-numitele puncte critice şi, în plus, parametrii

curbelor care aproximează/interpolează liniile şi curbele din imagine între două puncte

critice succesive. Se poate remarca că, practic, se obţine în această fază o descriere

extrem de simplificată a imaginii iniţiale.

În cazul graficii computerizate, după cum s-a menţionat anterior, se pleacă de la o

descriere a imaginii, urmărindu-se în cazul cel mai general, sinteza unei imagini realiste.

Descrierea iniţială cea mai des folosită conţine o colecţie de poligoane împreună cu

conexiunile dintre ele, ceea ce formează aşa-numita descriere "cadru-de sârmă" (wire-

frame). Obţinerea imaginii realiste (clasa 1) se traduce printr-o secvenţă de algoritmi

care "apropie" imaginea sintetizată de cea reală.

Algoritmii de aproximare/interpolare pleacă de la descrierea "cadru-de-sârmă" şi

urmăresc obţinerea unei curbe netede pentru suprafeţele corpurilor tridimensionale ce se

Coal


U.T.M.2153.30.003.ME 13

reprezintă. Algoritmii de umplere de contur realizează operaţia complementară

extragerii de contur, în timp ce expandarea este operaţia complementară subţierii.

Cunoscând sau deducând regulile de variaţie a nivelului de gri (culorii) de-a lungul

suprafeţelor care mărginesc corpul, prin operaţia de refacere se poate obţine o

reprezentare bidimensională realistă a corpurilor studiate. Se ţine cont de caracteristicile

şi poziţia surselor de lumină şi caracteristicile locale ale corpurilor care se reprezintă

(reflexivitate, transparenţă, etc.).

Alte clase de algoritmi sunt specifice tomografiei computerizate, care realizează

investigarea nedistructivă a corpurilor. Corpul studiat este penetrat de un fascicol de

unde (raze "X", radiaţii electromagnetice, ultrasunete, etc) iar în prelungirea lor (mai

puţin în cazul ultrasunetelor, care măsoară unda reflectată) un set de receptori măsoară

energia rezultată a radiaţiei, energie dependentă direct de proprietăţile locale de

absorbţie ale corpului investigat. Ceea ce se obţine la nivelul receptorilor este proiecţia

1D (deci un vector) a unei secţiuni plane a corpului investigat, într-o anumită direcţie.

Reconstrucţia 2D reface secţiunea plană a corpului studiat dintr-un set de proiecţii

1D, în direcţii diferite, ale secţiunii.

Având la dispoziţie mai multe asemenea secţiuni (paralele sau radiale) ale corpului

studiat, se poate realiza reconstrucţia 3D a corpului studiat. Operaţia inversă se numeşte

proiecţie 2D . Trebuie de remarcat însă că această sinteză nu trebuie văzută rigid,

existând în literatură o multitudine de algoritmi care nu pot fi încadraţi în ea şi, în plus

diferiţi autori încadrează diferit un acelaşi algoritm în categorii diferite. Ca exemplu,

operaţia de codare a datelor poate fi văzută ca o extragere de trăsături regenerative, ceea

ce se obţine fiind în esenţă o descriere a imaginii, scopurile urmărite fiind însă diferite.

1.4 Metode de recunoaştere în selectarea obiectelor

1.4.1 Metoda decizional teoretică

În acest caz, forma este reprezentată printr-un vector n-dimensional al

caracteristicilor (trăsăturilor) extrase, decizia de clasificare bazându-se pe o măsură a

Coal


U.T.M.2153.30.003.ME 14

similarităţii, de exemplu o distanţă [1,2].

Secţiunea de recunoaştere în figura ce urmează conţine extragerea aracteristicilor

şi clasificarea, iar secţiunea de analiză include selecţia caracteristicilor şi învăţarea.

Schema bloc a unui sistem de recunoaştere teoretic-decizională este prezentată în

figura de mai jos:

Fig.1.5. Schema bloc a unui sistem de recunoaştere teoretic - decizională.

Dacă fiecare componentă a vectorului de caracteristici poartă o cantitate mică de

informaţie asupra eşantioanelor, atunci numărul n de caracteristici trebuie să fie foarte

mare, ceea ce îngreunează clasificarea. Din acest motiv, spaţiul originar al

caracteristicilor trebuie transformat într-un spaţiu cu mai puţine dimensiuni, dar care să

conserve informaţia semnificativă pentru clasificare. Această transformare reprezintă

selecţia caracteristicilor.

Selecţia caracteristicilor este o problemă dependentă de formele studiate şi de

numărul de clase. Există criterii de optimizare a selecţiei, care conduc, în spaţiul

caracteristicilor selectate, la maximizarea distanţelor între clase şi minimizarea

distanţelor între componentele aceleiaşi clase. Cu cât dimensiunea spaţiului

caracteristicilor este mai redusă şi separabilitatea claselor e mai mare, cu atât structura

clasificatorului este mai simplă. Cel mai eficient criteriu de optimizare este cel care

minimizează riscul deciziei, adică minimizează probabilitatea de recunoaştere eronată.

Recunoaşterea teoretic-decizională implică existenţa a două etape importante:

Coal


U.T.M.2153.30.003.ME 15

- Proiectarea şi antrenarea clasificatorului.

- Clasificarea formelor necunoscute de intrare.

Proiectarea şi antrenarea clasificatorului. Antrenarea (sau învăţarea) înseamnă

estimarea parametrilor densităţilor de probabilitate dintr-un set de eşantioane, setul de

antrenare, atunci când forma analitică a densităţilor este cunoscută.

Învăţarea presupune existenţa setului de antrenare, format din eşantioane a căror

apartenenţă la clase este cunoscută.

Clasificarea efectuată în urma unei operaţii de învăţare sau antrenare este o

clasificare supervizată.

Dacă nu există un asemenea set de antrenare, se apelează la metode de clasificare

nesupervizată (clusterizare), când numărul claselor şi apartenenţa eşantioanelor de

clasificat nu sunt cunoscute sau insuficient cunoscute.

Clasificarea nesupervizată construieşte clusterele, pe măsură ce procesul

clasificării înaintează, pe baza optimizării unor criterii de similaritate, care realizează o

grupare cât mai naturală a eşantioanelor .

O categorie de clasificatoare des folosite este cea a clasificatoarelor neuronale.

Dintre clasificatoarele cu intrări cu valori continue, clasificare supervizată, cele mai

utilizate sunt perceptroanele cu un singur strat sau cu mai multe straturi, care

implementează fie clasificatorul Gaussian (perceptronul cu un singur strat), fie

clasificatorul celor mai apropiaţi K vecini (perceptronul multistrat). Un clasificator cu

învăţare nesupervizată este harta de trăsături cu auto-organizare Kohonen.

Odată ce clasificatorul a fost proiectat şi antrenat, în situaţia în care densităţile de

probabilitate condiţionate ale vectorilor caracteristicilor selectate sunt cunoscute pentru

fiecare clasă sau pot fi estimate precis dintr-un set de eşantioane, denumit set de

antrenare, se aplică regula de clasificare Bayes, care minimizează probabilităţile de

recunoaştere eronată sau riscul mediu.

În situaţia, mai des întâlnită, când acestea nu sunt cunoscute se utilizează fie

funcţiile discriminant, fie metode neparametrice de clasificare

Metodele neparametrice se bazează pe definirea unei funcţii distanţă şi respectiv

Coal


U.T.M.2153.30.003.ME 16

alocarea unui eşantion necunoscut clasei căreia îi aparţin cele mai multe eşantioane din

cele mai apropiate k eşantioane vecine.

1.4.2 Metoda structural-sintactică

În situaţia în care formele de recunoscut sunt foarte complexe sau numărul claselor

este foarte mare sau nu poate fi determinat din cauză că elementele care constituie

obiectul se pot combina într-o infinitate de moduri, atunci metodele teoretic-decizionale

nu pot fi utilizate în recunoaştere.

Este cazul analizei scenelor, de exemplu în robotică, în cazul în care obiectele

aşezate unele peste altele trebuie recunoscute şi extrase pe rând din stivă.

Forma complexă este văzută ca o combinaţie de forme mai simple care sunt

recunoscute una câte una şi apoi stabilite relaţiile dintre ele în vederea descrierii

obiectului .

Dacă fiecare sub formă este la rândul ei complexă, se reprezintă prin sub forme

mai simple, până când se ajunge la cele mai simple sub forme, denumite primitive. În

figura următoare este prezentată schema unui bloc de recunoaştere structural-sintactică a

formelor.

Forma

Recunoaştere

Analiză

Forme aparţinînd

Setului de antrenare

(estimare)

Fig. 1.6. Schema unui bloc de recunoaştere structural-sintactică.

Prelucrare Extragere primitivilor şi a relaţiilor dintre ele

Inferenţa gramaticală (structurală)

Inferenţa gramaticală (structurală)

Selecţia primitivilor şi a relaţiilor dintre ele

Coal


U.T.M.2153.30.003.ME 17

Secţiunea de recunoaştere constă din prelucrare, extragerea primitivelor şi analiza

structural-sintactică, incluzând selecţia primitivelor şi inferenţa structurală.

În recunoaşterea sintactică, o formă este reprezentată ca un şir de primitive sau

subforme. Regulile care guvernează compunerea primitivelor în forme sunt specificate

de gramatici ale limbajului de descriere a formelor.

Recunoaşterea structurală poate utiliza fie un graf relaţional ale cărui noduri sunt

subformele, iar ramurile specifică fie relaţiile dintre subforme fie alt tip de reprezentări

pentru a pune în evidenţă relaţiile dintre subforme, care să conducă în final la descrierea

obiectului sau formei.

Nu există o regulă generală pentru selecţia primitivelor formelor. De obicei, se aleg

în aşa fel încât să fie uşor de recunoscut. De multe ori trebuie făcut un compromis între

complexitatea subformelor şi cea a limbajului de descriere. În general, cu cât subformele

sunt mai complexe, cu atât relaţiile dintre ele sunt mai simplu de descris şi invers.

După selecţia primitivelor, pasul următor este construcţia unor gramatici care să

genereze unul sau mai multe limbaje pentru descrierea formelor studiate. Selecţia unei

anumite gramatici depinde de primitivele selectate şi de compromisul dintre puterea

descriptivă a gramaticii şi eficienţa analizei sintactice. În descrierea formelor utilizând

şiruri de subforme, operaţia tipică între acestea este concatenarea. Decizia de acceptare

sau recunoaştere a unei forme este luată de analizorul sintactic.

În general, se foloseşte câte o gramatică sau mai multe pentru fiecare formă sau

clasă, clasificarea însemnând determinarea gramaticii care acceptă o reprezentare a unei

forme date ca fiind corectă.

1.4.3 Recunoaşterea conexionistă

Metodele conexioniste se bazează pe utilizarea unei reţele de "procesoare" conectate

intensiv unele cu altele. Fiecare "procesor" poate executa un număr redus de operaţii, de

obicei aceleaşi pentru toate procesoarele din reţea. Gradul lor de programabilitate este

redus. Implementarea acestor reţele de procesoare impune ca o necesitate practică

Coal


U.T.M.2153.30.003.ME 18

limitarea conexiunilor aferente fiecărui procesor, astfel încât el să fie conectat doar la un

număr de procesoare vecine .

Pot fi încadrate în categoriile descrise anterior structurile sistolice, procesoarele

matriceale, reţelele neurale artificiale, etc.

Structurile sistolice fac parte din categoria mai largă a maşinilor paralele complexe

care sunt alcătuite dintr-un mare număr de unităţi procesoare, de obicei identice, fiecare

fiind capabilă să execute o operaţie fixă de bază. Proprietăţile arhitecturale ale

structurilor sistolice le fac potrivite pentru o implementare VLSI. Conectarea celulelor

de calcul se face conform unei topologii regulare, în care fluxul de informaţii este

permis numai spre unităţile adiacente într-un mod "pipe-line". Necesităţile de

comunicare cu exteriorul sunt limitate, conexiunile sunt foarte scurte, ceea ce permite o

viteză mare de operare.

Procesoarele matriceale sunt structuri paralele care realizează aceleaşi operaţii,

simultan, asupra unor date diferite. Ele constituie exemplul tipic de structuri SIMD

(Single Instruction Stream - Multiple Data Stream). Au un grad mai mare de

programabilitate decât structurile sistolice, dar utilizarea lor este limitată la aplicaţii care

cer un paralelism înalt, cum ar fi lucrul cu matrici de date de dimensiuni mari (cazul

imaginilor).

Reţelele neurale (neuronale) artificiale încearcă să se apropie de modelul

creierului uman. Spre deosebire de maşinile Von - Neuman care se caracterizează prin

existenţa unei unităţi procesoare care execută instrucţiuni stocate în memorie, într-o

secvenţă aflată sub controlul numărătorului de program, alte arhitecturi propuse încearcă

să exploateze cât mai eficient paralelismul care este de obicei inerent. "Procesoarele"

care formează reţelele neuronale, sunt denumite neuroni artificiali.

Dacă majoritatea calculatoarelor existente în momentul de faţă dispun de o singură

unitate procesoare, extrem de puternică şi de rapidă, la cealaltă extremă din punctul de

vedere al structurii interne se plasează aceste reţele neurale artificiale, caracterizate

printr-o simplificare extremă a unităţilor componente, alături de o extindere cât mai

largă a conexiunilor între aceste unităţi procesoare. Orice reţea neurală este caracterizată

Coal


U.T.M.2153.30.003.ME 19

de trei elemente: modelul neuronului, arhitectura reţelei şi algoritmul de antrenare

folosit. În ceea ce priveşte modelele de neuroni, cel mai mult folosite în momentul de

faţă sunt cele fără memorie, deci care implementează o relaţie de forma:

, (1.1)

unde yi este ieşirea neuronului "j", xi este intrarea "i" a neuronului, wij este ponderea

conexiunii de la intrarea "i" la neuronul "j", iar θj este pragul ataşat neuronului "j".

Funcţia f este o funcţie neliniară care poate fi de tipul limitare hardware, prag

logic, sigmoidă simetrică sau nu, sau chiar funcţia identică.

1.4.4 Proiectarea clasificatorului de recunoaştere statică

Principii generale. Presupunerea fundamentală care se face este că există pentru

fiecare clasă o funcţie densitate de probabilitate care să poată fi folosită pentru

determinarea probabilităţii ca o formă de intrare să aparţină unei clase. Aceste funcţii

definite pe spaţiul formelor permit clasificarea prin selecţia clasei de probabilitate

maximă.

Vom folosi următoarele notaţii:

P(ωj) - probabilitatea apriorică a clasei ωj;

P(ωj/X) - probabilitatea ca clasa ωj să includă forma X;

P(X/ωj) - probabilitatea ca forma X să fie inclusă în clasa ωj;

F(ωj, ωj) - funcţia de pierdere, care descrie pierderea ce afectează procesul de

recunoaştere când o formă din clasa ωj este clasificată ca aparţinând clasei ωk.

Funcţiile de pierdere uzuale sunt:

a) Funcţia de pierdere simetrică, dată de:

F(ωj/ωj)= (1.2)

care mai poate fi scrisă F(ωj/ωj)= 1-(j,k), unde funcţia (j,k) este funcţia delta

Kronecker.

b) Funcţia de pierdere diagonală, descrisă de:

Coal


U.T.M.2153.30.003.ME 20

F(ωj/ωj)= (1.3)

Pe baza funcţiei de pierdere se defineşte pierderea medie condiţionată sau riscul

condiţionat pentru fiecare clasă prin:

. (1.4)

Folosind formula lui Bayes (sau formula cauzei), avem:

, (1.5)

rezultă pentru riscul condiţionat expresia:

. (1.6)

Decizia de clasificare se ia pe baza riscului minim de eroare, deci conform regulii:

Se remarcă faptul că procesul de luare a deciziei impune calculul a Nc funcţii de

risc condiţionate, unde Nc este numărul de clase.

Trecerea la funcţiile discriminante se face imediat definindu-le prin:

, (1.7)

adică

, (1.8)

care defineşte funcţia de decizie pentru clasificatorul Bayes. Deci regula de decizie

devine:

(1.9)

Pentru funcţia de pierdere simetrică, riscul condiţionat are expresia:

(1.10)

Dar din formula probabilităţii totale avem:

(1.11)

Şi ca urmare:

Coal


U.T.M.2153.30.003.ME 21

(1.12)

Probabilitatea P(X) este aceeaşi pentru toate funcţiile de risc condiţionat, deci putem

folosi:

(1.13)

Rezultă funcţia de decizie a clasificatorului Bayes pentru funcţia de pierdere

simetrică:

(1.14)

Pe baza ei se scrie regula de decizie:

(1.15)

unde cu s-a notat raportul de verosimilitate.

Pentru funcţia de pierdere diagonală, expresia riscului condiţionat este

(1.16)

şi din aceleaşi considerente ca mai sus vom folosi :

(1.17)

Funcţia de decizie a clasificatorului Bayes pentru funcţia de pierdere diagonală este:

(1.18)

iar regula de decizie corespunzătoare se scrie :

(1.19)

Probabilitatea globală de eroare pentru clasificatorul Bayes este:

. (1.20)

1.4.5 Clasificarea parametrică statistică

Coal


U.T.M.2153.30.003.ME 22

În cazul metodelor parametrice se presupun cunoscute caracteristicile statistice ale

formelor de intrare, adică densitatea de probabilitate pentru fiecare clasă şi

probabilităţile apriorice ale claselor [6].

Cel mai des, sistemele reale sunt descrise de legea normală. Pentru cazul

unidimensional avem:

. (1.21)

unde "m" şi " " sunt respectiv media şi dispersia variabilei aleatoare cu distribuţie

normală.

Pentru cazul multidimensional, mediei îi corespunde:

M=EX, (1.22)

iar dispersiei:

Φ =E (X-M)(X-M)2, (1.23)

unde E este operatorul speranţă matematică, iar Φ este matricea de covarianţă a

variabilei aleatoare multidimensionale X=(x1, x2,…, xn) .

Densitatea de repartiţie multidimensională este:

. (1.24)

Deci :

. (1.25)

Pentru funcţia discriminant se preferă folosirea logaritmului:

(1.26)

Renunţând la termenii care sunt independenţi de clasă, rezultă:

(1.27)

Sunt foarte utile unele propuneri simplificatoare:

1) Dacă matricele de covarianţă sunt egale pentru toate clasele se obţine

binecunoscutul clasificator liniar:

(1.28)

Coal


U.T.M.2153.30.003.ME 23

2) Făcând presupunerea suplimentară a clasificării binare, funcţia de decizie se scrie:

(1.29)

3) Dacă probabilităţile apriorice ale claselor sunt egale, funcţia de decizie

multicategorială este:

(1.30)

4) Dacă trăsăturile formei de intrare sunt necorelate, atunci Φ este o matrice

diagonală şi avem:

(1.31)

care este tocmai clasificatorul binar de distanţă minimă.

Divizarea neparametrică de recunoaştere statistică. Pierderea medie condiţionată (riscul condiţionat) pentru un clasificator bayesian este dat de [5]:

(1.32)

Riscul global de clasificare incorectă, a cărui minimizare se doreşte, este dat de:

, (1.33)

unde integrala se calculează peste întreg spaţiul formelor, deoarece, evident:

. (1.34)

Înlocuind prima formulă în cea precedentă, se obţine:

(1.35)

Deoarece orice clasificare multicategorială poate fi realizată folosind clasificatori

binari, formula anterioară devine pentru cazul Nc=2:

(1.36)

Coal


U.T.M.2153.30.003.ME 24

În expresia de mai sus F(ωi , ωi) este valoarea funcţiei de pierdere pentru cazul

clasificării corecte, şi ca urmare, pentru simplificarea calculelor, se poate impune

F(ωi , ωi), de unde obţinem:

(1.37)

Se urmăreşte construirea unui clasificator binar în condiţiile minimizării riscului

global dat de expresia anterioară. Dacă clasificatorul dorit este unul linear, el este

descris de vectorul de ponderi W (care dă normala la hiperplanul de decizie din spaţiul

extins al trăsăturilor), regula de decizie fiind dată în acest caz de:

(1.38)

Condiţia de linearitate impusă clasificatorului nu este restrictivă. Ţinând cont de

dependenţele existente, trebuie făcută înlocuirea:

(1.39)

şi atunci avem:

(1.40)

Planul de decizie, deci parametrii clasificatorului trebuiesc determinaţi din condiţia

minimizării riscului global, adică:

unde . (1.41)

Calculând gradientul riscului global, rezultă expresia:

(1.42)

unde ultimul termen este datorat dependenţei gradientului de limitele de separare a

claselor. Impunând ca funcţia de pierdere F să fie nulă pe aceste limite de separare,

ultimul termen se anulează.

Funcţiile de pierdere care pot fi folosite în construcţia neparametrică a clasificatorilor

bayesieni sunt enumerate în continuare:

Coal


U.T.M.2153.30.003.ME 25

(1) Funcţia de pierdere simetrică:

F(ωk/ωj)= (1.43)

(2) Funcţia de pierdere diagonală:

F(ωk/ωj)= (1.44)

(3) Funcţii de pierdere dependente de distanţa între forma clasificată incorect şi clasa

corectă:

a). b). c).

Fig. 1.7. Funcţii de pierdere dependente de distanţă.

Distanţa se măsoară de la planul de decizie la forma clasificată incorect folosind:

. (1.45)

Dacă d < 0 , înseamnă că forma a fost clasificată corect, deci în acest caz avem:

F(d)=0, pentru d<0.

Pentru o funcţie de pierdere dependentă liniar de distanţa la planul de decizie, avem:

(1.46)

Coal


U.T.M.2153.30.003.ME 26

(1.47)

Se calculează

(1.48)

iar rezultatul se notează cu:

. (1.49)

Ca urmare, gradientul riscului global poate fi exprimat cu:

(1.50)

Aceste metode fiind neparametrice, caracteristicile statistice ale procesului sunt

necunoscute, deci P(ωi ), P(X/ ω1 ) nu se cunosc [4]. De aceea se adoptă o procedură

iterativă de estimare a lui "W", riscul global estimându-se şi el plecând de la formele din

setul de antrenament:

(1.51)

Metoda gradientului descrescător furnizează condiţia ca să fie proporţional cu

deci să avem:

şi pe baza formulei precedente se poate utiliza drept estimaţie a gradientului:

(1.52)

unde cu M1 , M2 s-au notat mulţimile indicilor care, la iteraţia "i" produc o

clasificare corectă.

1.5 Proprietăţile comparative a algoritmilor în recunoaşterea imaginilor

Una din cele mai importante clase de metode de localizare a obiectelor într-o

imagine are la bază aşa-numita "potrivire" a conţinutului unei imagini cu un model al

Coal


U.T.M.2153.30.003.ME 27

obiectului căutat. Aceasta este în esenţă o operaţie de căutare a minimului unei măsuri a

diferenţei între imagine şi model. "Potrivirea" ideală se obţine rareori, datorită prezenţei

zgomotelor, efectelor digitizării imaginii, etc.

Dacă se notează cu f(m,n) imaginea digitală, unde -M m M şi -N n N , iar

cu T(j,k) modelul căutat, o măsură a distorsiunii dintre imagine şi model poate fi scrisă:

"Potrivirea" se obţine pentru valoarea minimă a expresiei anterioare sau când d( n ,

m) scade sub un anumit prag. Relaţia anterioară se poate simplifica mult notând:

(1.53)

unde

Termenul d3(m,n) este constant şi independent de coordonatele (m,n). Energia

imaginii din fereastra de "potrivire" este reprezentată de d1(m,n), în timp ce d2(m,n) este

chiar corelaţia între imagine şi model, în fereastra curentă. Deoarece condiţia de minim

poate fi atinsă pentru valori mari ale corelaţiei d2(m,n) şi ale energiei imaginii, d1(m,n),

chiar în condiţii de "nepotrivire", se utilizează intercorelaţia normalizată drept măsură a

"potrivirii", adică:

(1.54)

Decizia de "potrivire" se ia dacă este îndeplinită condiţia:

(1.55)

1.6 Punerea problemei de recunoaştere

Recunoaşterea formelor Recunoaşterea formelor se ocupă de clasificarea unui set de

obiecte, procese sau evenimente. Clasificarea este un proces fundamental care

Coal


U.T.M.2153.30.003.ME 28

caracterizează nu numai ştiinţele ci şi viaţa socială. Metodele matematice dezvoltate în

cadrul recunoaşterii formelor îşi găsesc aplicaţie în cele mai diverse domenii .

Recunoaşterea formelor are ca scop determinarea clasei din care fac parte

elementele unei mulţimi. Stabilirea numărului de clase este o problemă legată direct de

caracteristicile aplicaţiei. Pot exista aplicaţii cu număr de clase cunoscut aprioric, dar şi

aplicaţii în care numărul de clase trebuie stabilit algoritmic.

Clasificatorul este sistemul care implementează operaţia de recunoaştere a

formelor, deci el realizează o procedură stabilită anterior de clasificare.

Există două abordări ale procesului de recunoaştere: recunoaşterea controlată şi

recunoaşterea necontrolată. Recunoaşterea controlată (supervizată) implică existenţa

unui set de forme a căror apartenenţă la clase este cunoscută. Acest set de forme include

setul de formare (învăţare, antrenare) care este folosit pentru construcţia propriu-zisă a

clasificatorului şi setul de predicţie (testare) al cărui scop este testarea (evaluarea)

clasificatorului respectiv. Construirea clasificatorului este asociată în acest caz

algoritmului de învăţare corespunzător clasificatorului, algoritm care construieşte în

mod iterativ coeficienţii acestui clasificator.

Recunoaşterea necontrolată (nesupervizată) nu necesită cunoaşterea apriorică a

apartenenţei formelor din setul de formare la clase. Această abordare dezvoltă algoritmi

care realizează construcţia claselor pe măsură ce forme analizate sunt luate în

considerare. Ei sunt numiţi algoritmi de grupare (clustering). Schema bloc a unui sistem

de recunoaştere a formelor este dată în continuare fig. 1.8:

Intrare

Decizie

Fig. 1.8. Schema bloc a unui sistem de recunoaştere a formelor.

Translator (extragere trăsături)

Selector trăsături

Clasificator

Coal


U.T.M.2153.30.003.ME 29

1.6.1 Noţiuni generale

În urma extragerii trăsăturilor se obţine un set de "n" trăsături notat:

X=(x1, x1,…, xn)T, (1.56)

care poate fi văzut ca un vector în spaţiul trăsăturilor (formelor), spaţiu notat cu

ΩRn.

Clasificarea este o partiţionare a spaţiului formelor în "K" regiuni (clase), notate

ωjj=1,..k şi care îndeplinesc condiţiile [1]:

Ω;

(1.57)

F,

(1.58)

unde F este mulţimea punctelor care alcătuiesc frontierele între aceste clase. Funcţia

discriminant ataşată unei clase este o funcţie Dj(X):Ω →R dată de:

X Dj(X) >Di(X), i ≠ j, i=1,...,K. (1.59)

Limitele de decizie între clasele ωi şi ωj vor fi definite prin ecuaţia:

Di(X)- Dj(X)=0. (1.60)

Metodele matematice utilizate pentru rezolvarea problemelor de recunoaştere a

formelor se grupează în două mari categorii:

- metode decizional-teoretice şi statistice;

- metode sintactice (lingvistice).

Dintre proprietăţile care permit evaluarea unui clasificator, mai importante sunt

următoarele:

Recunoaşterea este exprimată prin rata de recunoaştere, care este procentul de

forme din setul de formare recunoscut corect de clasificator.

Convergenţa exprimă viteza de răspuns a unui clasificator. În cele mai multe

cazuri se urmăreşte realizarea unui compromis între rata de recunoaştere şi viteza de

răspuns care caracterizează un anume clasificator.

Siguranţa este descrisă prin gradul de încredere al unui clasificator, care

Coal


U.T.M.2153.30.003.ME 30

caracterizează capacitatea clasificatorului de a clasifica corect formele distorsionate

aplicate la intrare.

Predicţia exprimă capacitatea clasificatorilor de a recunoaşte corect forme care nu

aparţin setului de formare. O măsură a acestei proprietăţi este abilitatea predictivă care

exprimă procentul de forme din setul de predicţie (deci cu apartenenţă la clase

necunoscută în prealabil) recunoscute corect.

Între cele două clase de metode există o conexiune directă care asigură

întrepătrunderea lor, după cum rezultă şi din următoarea schemă bloc care descrie

modurile posibile de abordare ale unei probleme generale de clasificare [2]:

Forme de intrare

Decizie

Gramatici utilizate

Descriere/Extragere/primitive

Metode neparametrice

Metode parametrice

Prelucrare preliminară

Clasificare supervizată/

nesupervizată

Metode statistic

e

Metode sintactice

Metode mixte

Coal


U.T.M.2153.30.003.ME 31

Fig. 1.9. Moduri posibile de abordare ale unei probleme de clasificare.

1.6.2 Strategii de recunoaştere pentru N clase

Complexitatea problemei poate fi micşorată împărţind-o în mai multe sarcini mai

mici, şi anume alcătuind câteva grupe de clase şi apoi construind câte un clasificator

pentru fiecare grupă de forme. Trăsăturile extrase se aplică simultan la intrările tuturor

clasificatorilor şi în mod normal unul singur va furniza decizia de recunoaştere.

Schemele bloc pentru două variante ale unui asemenea sistem sunt prezentate în

continuare .

Fig. 1.10. Sistem de recunoaştere pentru N clase, varianta 1.

Coal


U.T.M.2153.30.003.ME 32

Fig. 1.11. Sistem de recunoaştere pentru N clase, varianta 2.

Rolul logicii de decizie este de a furniza o decizie corectă în cazurile cu o oarecare

doză de incertitudine, utilizând informaţiile furnizate de toate clasificatoarele.

Deşi prima variantă este mai simplă, se poate utiliza, pentru optimizarea timpului

de răspuns, un preclasificator care să specifice cărei grupări îi aparţine fiecare formă de

intrare şi în consecinţă, care clasificator elementar trebuie folosit pentru recunoaşterea

efectivă.

De multe ori, orice sistem de recunoaştere include şi un subsistem de tratare a

erorilor de recunoaştere (forme nerecunoscute), un exemplu tipic in acest sens fiind

cazul caracterelor atinse sau fragmentate din sistemele OCR (Optical Character

Recognition). În ambele cazuri, pentru formele nerecunoscute se mai face o încercare în

ipoteza că ele reprezintă forme încă "neînvăţate"; se încearcă reantrenarea

clasificatorului, apoi rezultatul este iarăşi aplicat la intrarea clasificatorului pentru o

nouă încercare .

1.7Filtrarea imaginilor. Filtre spaţiale pentru eliminarea zgomotelor

Coal


U.T.M.2153.30.003.ME 33

Zgomotul este o informaţie nedorită care deteriorează calitatea unei imagini.

Zgomotul din imaginile digitale poate proveni dintr-o multitudine de surse. Procesul de

achiziţie al imaginilor digitale, care converteşte o imagine optică într-un semnal electric

continuu este un proces primar generator de zgomote.

La fiecare pas din procesul de achiziţie există fluctuaţii cauzate de fenomene

naturale şi acestea adaugă o valoare aleatoare la extragerea fiecărei valori a luminozităţii

pentru un pixel dat. În imaginile tipice, zgomotul poate fi modelat fie printr-o distribuţie

gaussiană – figura 1. 12 - a, uniformă – figura 1. 12 – b, sau de tip „salt and pepper“

(„sare şi piper“)– figura 1. 13, c.

Operaţia prin care se elimină zgomotul, datorat unor surse externe, dintr-o imagine

digitală este filtrarea. Filtrarea imaginilor digitale este o operaţie care se aplică local la

nivelul fiecărui pixel din imagine, înlocuind valoarea intensităţii/ culorii pixelului curent

cu o valoare ce depinde de valorile de intensitate/culoare ale pixelilor vecini. Numărul

de vecini luaţi în considerare va determina dimensiunea filtrului.

Filtrele spaţiale pot fi folosite efectiv pentru a înlătura anumite tipuri de zgomote

din imaginile digitale.

Probabilitate Probabilitate

1 B

A

Nivele de gri a b Nivele de gri a b Nivele de gri

Fig. 1.12. Tipuri de zgomot.

b) c)a)

Coal


U.T.M.2153.30.003.ME 34

Aceste filtre spaţiale operează pe vecinatăţi mici, între 3x3 şi 11x11, şi unele pot fi

implementate ca şi măşti de convoluţie.

Principalele categorii de filtrele spaţiale folosite la înlăturarea zgomotelor sunt

filtrele ordonate şi filtrele de mediere.

Filtrele ordonate sunt filtre neliniare implementate prin aşezarea pixelilor vecini în

ordine de la cel cu valoarea cea mai mica a nivelelor de gri la cel cu valoarea cea mai

mare a nivelelor de gri. Această ordonare se foloseşte pentru a selecta valoarea

"corectă", în timp ce la filtrele de mediere se determina, într-un fel sau altul, o valoare

medie a vecinilor [7].

Filtrele de medie sunt în general filtre liniare aplicate printr-o operaţie de

convoluţie a imaginii cu un nucleu (masca) de convoluţie şi lucrează mai bine cu zgomot

uniform sau zgomot gaussian. Filtrele ordonate (in special filtru median) lucrează mai

bine cu zgomote salt-and-peper, zgomote exponenţial negative, zgomote Ryleigh.

Filtrele de mediere au dezavantajul de a voala marginile sau detaliile imaginilor.

Filtrele ordonate nu sunt liniare, astfel ca rezultatele acestora sunt uneori imprevizibile.

În practică ambele tipuri de filtre pierd informaţiile de frecventă înaltă (muchii si detalii)

în încercarea lor de a înlătura zgomotele, şi scopul este de a diminua aceste pierderi de

informaţie când se maximizează înlăturarea zgomotului. Un filtru care işi schimba

comportamentul bazându-se pe caracteristicile nivelelor de gri ale vecinilor este numit

filtru adaptiv, şi aceste filtre sunt folosite in multe aplicaţii practice.

Filtre ordonate. Filtrele ordonate sunt bazate pe un tip specific de statistica a

imaginilor numită statistica ordonată. Aceste filtre operează pe subimagini mici

(ferestre) din jurul pixelului curent, şi înlocuiesc valoarea pixelului central (curent).

Statistica ordonată este o tehnică care aranjează toţi pixelii într-o ordine secvenţială,

bazată pe valoarea nivelelor de gri. Plasarea unei valorii în cadrul acestei mulţimi

ordonate va fi caracterizată de un de rang. Dându-se o fereastra W de NN pixeli,

valorile pixelilor pot fi ordonate crescător după cum urmează: I1 I1 I1… IN2, unde

I1, I1, I1,…, IN2 reprezintă intensităţile (nivelele de gri) valorilor corespunzătoare

Coal


U.T.M.2153.30.003.ME 35

subsetului de pixeli din imagine, care sunt in fereastra W de NN pixeli (care este:

(r,c)W) din jurul pixelului curent.

Exemplu: fie este dată o subimagine cu dimensiunea 3x3 :

858895

104104100

114110110

.

Rezultatul aplicării statisticii ordonate va fi: 85, 88, 95, 100, 104, 104, 110, 110,

114.

Filtrul de maxim - înlocuieşte valoarea pixelului central cu cea mai mare valoare

(IN2 ) din fereastra ordonată de valori ale pixelilor din vecinătatea curenta (in exemplul

de mai sus valoarea selectată ar fi 114).

Filtrul de minim - înlocuieşte valoarea pixelului central cu cea mai mica valoare

(I1 ) din fereastra ordonată de valori ale pixelilor din vecinătatea curentă (in exemplul de

mai sus valoarea selectată ar fi 85) şi este folosit pentru eliminarea zgomotelor salt.

Filtrul punctului de mijloc - înlocuieşte valoarea pixelului central cu media dintre

valoarea minimă (I1 ) şi valoarea maximă (IN2) din fereastra ordonată de valori ale

pixelilor din vecinătatea curentă, este folosit pentru zgomot gaussian si zgomot uniform.

2. Descrierea modelelor de recunoaştere a imaginilor

2.1 Modelul de neuroni

Reţelele neurale (neuronale) artificiale încearcă să se apropie de modelul creierului

uman. Alte arhitecturi propuse încearcă să exploateze cât mai eficient paralelismul care

este de obicei inerent [5,6]. "Procesoarele" care formează reţelele neuronale, sunt

denumite neuroni artificiali.

Dacă majoritatea calculatoarelor existente în momentul de faţă dispun de o singură

unitate procesoare, extrem de puternică şi de rapidă, la cealaltă extremă din punctul de

vedere al structurii interne se plasează aceste reţele neurale artificiale, caracterizate

Coal


U.T.M.2153.30.003.ME 36

printr-o simplificare extremă a unităţilor componente, alături de o extindere cât mai

largă a conexiunilor între aceste unităţi procesoare.

Orice reţea neurală este caracterizată de trei elemente: modelul neuronului,

arhitectura reţelei şi algoritmul de antrenare folosit.

x1 W

x2 a y

… funcţie Ieşire xn activare

Fig. 2.1. Structura neuronului artificial.

În figura 2.1 avem următoarele însemnări:

- "a" reprezintă suma intrărilor ponderate pentru neuronul respectiv;

- f(a) funcţia neliniară de ieşire sigmoidă simetrică , sau chiar funcţie

liniară.

În ceea ce priveşte modelele de neuroni, cel mai mult folosite în momentul de faţă

sunt cele fără memorie, deci care implementează o relaţie de forma [4]:

(2.1)

unde yj este ieşirea neuronului "j", xi este intrarea "i" a neuronului, wij este ponderea

conexiunii de la intrarea "i" la neuronul "j", iar θj este pragul ataşat neuronului "j".

Deci în esenţă, sunt aplicate un set de intrări (x1, x2,.., xn), fiecare reprezentând, de

obicei, ieşirile altor neuroni.

Deci în esenţă, sunt aplicate un set de intrări (x1, x2,.., xn), fiecare reprezentând, de

obicei, ieşirile altor neuroni.

Fiecare intrare este multiplicată cu o pondere corespunzătoare (wi1, wi2,... win)

analog puterii sinapsei, şi apoi toate rezultatele sunt sumate pentru a determina nivelul

de activare al neuronului.

∑f

W1

W2

Wn

Coal


U.T.M.2153.30.003.ME 37

Funcţia Y =(a) este o funcţie neliniară care poate fi de tipul limitare hardware, prag

logic, sigmoidă simetrică sau nu, sau chiar funcţia identică. Limitarea hardware se

implementează în unul din următoarele două moduri, vezi figura 3.2 :

Fig. 2.2. Limitarea hardware.

(2.2)

Pragul logic realizează limitarea domeniului de ieşire la zero pentru valori de

intrare negative (sau uneori la -1) şi la +1 pentru valori ce depăşesc un anumit prag

pozitiv. Pentru anumite aplicaţii se preferă utilizarea neuronului liniar, vezi figura 3.3.

Fig. 2.3. Pragul logic ce realizează limitarea domeniului de ieşire la zero pentru

valori de intrare negative şi la +1 pentru valori ce depăşesc un anumit prag pozitiv.

(2.3)

Funcţia sigmoidă, foarte des folosită, asigură limitarea domeniului de ieşire al

neuronului la gama (0,1) pentru sigmoida asimetrică şi la (-1,+1) pentru sigmoida

simetrică, vezi figura 3.4.

Coal


U.T.M.2153.30.003.ME 38

Fig. 2.4. Funcţia sigmoidă.

(2.4)

Prin această funcţie se obţine un câştig neliniar pentru neuronul artificial. Acest

câştig variază de la valori mici pentru excitaţii negative mari (curba este aproape

orizontală), la valori mari pentru excitaţii mari şi pozitive. Grossberg (1973) a găsit că

acest câştig neliniar caracteristic rezolvă dilema saturării. În ciuda diversităţii de modele

de neuroni, majoritatea sunt bazate pe această configuraţie.

Modele mai sofisticate de neuroni introduc variabila timp, un astfel de model fiind

descris de următoarele relaţii:

(2.5)

unde uj caracterizează starea curentă a neuronului.

2.2 Arhitecturi de reţele neurale

Deşi un singur neuron poate realiza funcţii simple de detecţie de modele, puterea

calcului neural provine din conectarea neuronilor în cadrul reţelelor. O reţea neurală

simplă este aranjarea unui grup de neuroni pe un strat ca în figura 2.5:

y1 y2 yK

w21 w1K

w11 w12 w22 w2K wNK

wN2

Coal


U.T.M.2153.30.003.ME 39

wN1

x1 - x2 --- xN

Fig. 2.5. Reţea neurală cu un strat.

Setul de intrare X are fiecare element conectat cu fiecare neuron, cu cîte o pondere

separată. Fiecare neuron scoate la ieşire o sumă a produsului ponderi-intrări

corespunzătoare. Actualele reţele artificiale şi biologice au unele din conexiuni lipsă dar

conectivitatea totală a fost arătată aici din raţiuni de generalitate. Este convenabil să

reprezentăm ponderile ca fiind elementele unei matrici. Dimensiunile matricei fiind N

linii pe K coloane, unde N este numărul de intrări, iar K numărul de neuroni. În acest fel

putem calcula pentru setul de neuroni cele K funcţii de activare ca simple înmulţiri de

matrici:

(2.6)

unde X, A, Y sunt vectori linie, W este o matrice NK.

Reţelele cu mai multe straturi, mult mai generale şi mai complexe, oferă în general,

o capacitate mare de calcul. Asemenea reţele au fost construite în orice configuraţie

imaginabilă, aranjând neuronii în straturi imitând structura straturilor dintr-o anumită

zonă a creierului. Aceste reţele multistrat au capacităţi sporite, dovedite relativ la

reţelele cu un singur strat, iar în ultimii ani algoritmi performanţi s-au dezvoltat pentru

antrenarea lor. Reţelele multistrat pot fi formate prin simpla cascadare de straturi,

ieşirile unui strat devenind intrări pentru stratul următor.

Reţelele multistrat nu furnizează nici o creştere a puterii de calcul în raport cu

reţelele cu un singur strat dacă nu este prezentă o funcţie de activare neliniară între

straturi.

Calculul ieşirii unui strat liniar constă în înmulţirea vectorului de intrare cu prima

matrice de ponderi, apoi (dacă nu este prezentă o funcţie de activare neliniară)

multiplicând vectorul rezultat cu a doua matrice de ponderi. Aceasta ar putea fi

exprimată prin : Având în vedere că înmulţirea de matrici este asociativă, relaţia poate fi

rescrisă :

Coal


U.T.M.2153.30.003.ME 40

(2.7)

Având în vedere că înmulţirea de matrici este asociativă, relaţia poate fi rescris :

(2.8)

Aceasta arată că reţea liniară cu două straturi este exact echivalentă cu o reţea cu

un singur strat ce are matricea ponderilor egală cu produsul celor două matrici. De aici,

se poate trage concluzia că funcţia de activare neliniară este vitală pentru extinderea

capacităţilor reţelelor faţă de cele cu un singur strat.

Reţelele considerate până acum nu au conexiuni cu răspunsuri spre înapoi

("feedback"), conexiuni care să aplice valorile de la ieşirea unui strat spre intrarea

aceluiaşi strat sau a altui strat. Această clasă specială, numită reţele nerecurente sau cu

răspuns (propagare a fluxului de date) spre înainte ("feed foreward") prezintă un interes

considerabil şi sunt larg aplicate. În general, reţelele care conţin conexiuni feedback sunt

denumite reţele recurente. Reţelele nerecurente nu au memorie, ieşirile fiind

determinate doar pe baza intrărilor curente şi a valorilor ponderilor.

În cîteva configuraţii, reţelele recurente recirculează ieşirile anterioare înapoi spre

intrare, de aici ieşirile lor sunt determinate pe baza intrărilor curente şi ieşirilor

anterioare. Din acest motiv reţelele recurente pot etala proprietăţi similare cu memoria

pe termen scurt a omului.

2.3 Algoritmi de antrenare a reţelelor neurale

Dintre toate caracteristicile interesante ale reţelelor neurale, nici una nu captează

atâta imaginaţie ca abilitatea lor de a învăţa. Antrenarea reţelelor artificiale este însă

limitată, multe probleme dificile rămânând a fi rezolvate.

Algoritmii de antrenare sunt categorizaţi în supervizaţi şi nesupervizaţi. O reţea

este antrenată dacă aplicarea unui set de intrări produce ieşirea dorită sau una apropiată.

Antrenarea este realizată prin aplicarea secvenţială de vectori de intrare, în timpul

fiecărei asemenea operaţii ajustând ponderile din reţea în acord cu o procedură

predeterminată. În timpul antrenării, ponderile din reţea converg gradual spre valori

pentru care fiecare vector de intrare produce vectorul de ieşire dorit.

Coal


U.T.M.2153.30.003.ME 41

Antrenarea supervizată cere pentru fiecare vector de antrenare perechea vector

ţintă care este ieşirea dorită. Acestea sunt denumite pereche de antrenare. Uzual, o reţea

este antrenată după un număr de astfel de perechi de antrenare. Un vector de intrare este

aplicat, ieşirea reţelei este calculată şi comparată cu vectorul ţintă, iar diferenţa (eroarea)

este trimisă înapoi, iar ponderile sunt schimbate în acord cu un anumit algoritm care

tinde să minimizeze eroarea la un nivel acceptabil.

Învăţarea nesupervizată nu cere cunoştinţe apriorice despre datele aplicate la

intrarea reţelei, reţelele se auto-organizează pentru a produce ieşirile dorite. Antrenarea

supervizată a fost criticată ca fiind biologic neplauzibilă. Antrenarea nesupervizată este

un model mai plauzibil de învăţare în sistemele biologice.

Antrenarea nesupervizată nu cere vector ţintă pentru ieşiri, de aceea nu au loc

comparaţii cu răspunsul ideal. Setul de antrenare nu constă decât în vectori de antrenare.

Algoritmul de antrenare modifică ponderile reţelei pentru a produce un vector de ieşire

consistent. Procesul de antrenare este deci extragerea de proprietăţi statistice ale setului

de antrenare şi a vectorilor, dintr-un grup similar de vectori, în clase. Aplicând la intrare

un vector, dintr-o clasă dată, va produce la ieşire un vector specific, dar aici nu este nici

o cale de a determina care model specific va fi găsit la ieşire de un vector de intrare

dintr-o clasă dată.

De aici, ieşirea unei astfel de reţele trebuie în general transformată într-o formă ce

să poată fi înţeleasă, ulterior procesului de antrenare.

Marea majoritate a algoritmilor utilizaţi în prezent au evoluat de la concepţiile lui

Hebb [6]. El propunea un model pentru învăţare nesupervizată unde "tăriile" sinapselor

(ponderile) sunt mărite dacă atît neuronul sursă cît şi neuronul destinaţie sunt active. În

acest fel modelele utilizate în reţele sunt puternice, iar fenomenul de folosire şi învăţare

prin repetiţie este explicat.

O reţea neurală artificială utilizând algoritmul de învăţare al lui Hebb va modifica

ponderile în acord cu produsul nivelelor de excitaţie dintre neuronii sursă şi destinaţie.

Legea de învăţare este descrisă de ecuaţia:

, (2.9)

Coal


U.T.M.2153.30.003.ME 42

unde: wi,j(n) - valoarea ponderii de la neuronul "i" la neuronul "j" înaintea

ajustării;

wi,j (n+1)- valoarea ponderii de la neuronul "i" la neuronul "j" după ajustare;

- coeficientul de învăţare;

Y i - ieşirea neuronului "i" şi intrarea neuronului "j";

Y j - ieşirea neuronului "j".

2.4 Perceptronul cu un singur strat şi perceptronul multistrat

Căutând să descopere modele hardware/software ale neuronului biologic şi a reţelei

sale de interconectare McCulloch şi Pitts au publicat primul studiu sistematic al reţelelor

neurale artificiale [6].

O arhitectură tipică pentru un perceptron cu trei straturi este prezentată în figura

2.6. Capabilitatea perceptronului multistrat rezidă în neliniaritatea folosită în nodurile

sale [6].

z1 z2 zN

w21 (z)

(z) (z) (z) w22 w1N (z) (z)

w11 w12 w2N (z) wM2 wMN

y1 (y) y2 wM1 yM

w21 (y)

(y) (y)w12 (y) w22 w1M (y)wK2 (y)wKM

w11 (y) wK1 xK

x1 (x) x2 (x)

(x) (x) w21 (x) w22 w1K (x)

w11 w12 (x)w2K (x) wL2 wLK wL1

u1 u2 --- uL

Fig. 2.6. Arhitectura tipică a perceptronului cu trei straturi.

Coal


U.T.M.2153.30.003.ME 43

S-a folosit cel mai mult modelul neuronului descris anterior, însă folosind

neliniaritatea prag logic:

(2.10)

Aceste sisteme poartă numele de perceptron. În general, acestea constau într-un

singur strat de neuroni artificiali conectaţi prin ponderi la un set de intrări.

În ciuda limitărilor pe care le prezintă, studiul perceptronilor a fost extins (chiar

dacă nu sunt folosiţi pe scară largă). Teoria lor reprezintă o fundaţie pentru multe alte

forme de reţele neurale artificiale şi au demonstrat că reprezintă principii importante în

acest domeniu. Pentru aceste motive ei reprezintă punctul logic de început în studiul

teoriei reţelelor neurale artificiale.

Valabilitatea teoremei învăţării perceptronilor demonstrează că perceptronii pot

învăţa orice poate fi reprezentat. Este important de făcut distincţia între reprezentare şi

învăţare. Reprezentarea se referă la abilitatea perceptronului (sau a altor reţele) de a

simula o funcţie specifică. Învăţarea reclamă existenţa unei proceduri sistematice de

ajustare a ponderilor din reţea pentru a produce acea funcţie.

Dacă nodurile sunt elemente liniare, atunci un perceptron cu un singur strat avînd

ponderi apropiate poate realiza foarte bine aceleaşi calcule ca şi reţeaua multistrat.

Algoritmul backpropagation este o metodă sistematică de antrenare a reţelelor

neurale artificiale. El are un fundament matematic puternic, dar care nu este întotdeauna

practic. Pentru a antrena reţeaua, un vector X este aplicat la intrare, iar ieşirea Y este

calculată.

Ponderile care conectează intrările sunt modificate la o valoare care să minimizeze

eroarea dintre ieşirea obţinută şi ieşirea dorită. După un anumit număr de paşi, reţeaua

va învăţa să diferenţieze vectorii cu care a fost antrenată de alţi vectori de intrare.

Fiecare neuron are intrările conectate cu ieşirile stratului precedent. Relaţiile care

descriu funcţionarea perceptronului multistrat sunt:

Coal


U.T.M.2153.30.003.ME 44

(2.11)

unde: N - numărul de neuroni de pe stratul de ieşire;

M - numărul de neuroni de pe stratul intermediar (ascuns);

K - numărul de neuroni de pe stratul de intrare (ascuns);

L - numărul de intrări în reţea

z pj - ieşirea neuronului "j" de pe stratul de ieşire pentru forma "p" de intrare;

y pj - ieşirea neuronului "j" de pe stratul intermediar pentru forma "p" de intrare;

x pj - ieşirea neuronului "j" de pe stratul de intrare pentru forma "p" de intrare;

u pj - valoarea aplicată intrării "j" în reţea pentru forma "p" de intrare;

-ponderea conexiunii neuronului "i" de pe stratul intermediar cu neuronul

"j" de pe stratul de ieşire;

- ponderea conexiunii neuronului "i" de pe stratul de intrare cu neuronul "j"

de pe stratul de intermediar;

- ponderea conexiunii intrării "i" în reţea cu neuronul "j" de pe stratul de

intrare.

Funcţia de eroare corespunzătoare formei de intrare "p" este dată de:

. (2.12)

2.5 Reţeaua Hopfield

Acest tip de reţea poate fi folosit ca memorie asociativă sau pentru rezolvarea unor

probleme de optimizare. Foloseşte neuroni cu intrări binare, a căror ieşire conţine

nelinearităţi de tipul limitare hardware (vezi primul paragraf al acestui capitol).

Coal


U.T.M.2153.30.003.ME 45

Arhitectura unei reţele Hopfield cu N neuroni este prezentată în figura 3.8. Ieşirea

fiecărui neuron este aplicată tuturor celorlalte noduri prin intermediul unor ponderi tij.

Hopfield a demonstrat că această reţea converge dacă ponderile sunt simetrice (tij= tji).

Deşi simplitatea ei o face atractivă, această reţea prezintă două limitări majore când este

utilizată ca memorie adresabilă prin conţinut. În primul rând, numărul de forme prototip

care pot fi stocate şi apoi regăsite corect în reţea este limitat la aproximativ 15% din

numărul de neuroni [6].

Dacă se încearcă stocarea prea multor forme prototip, reţeaua ar putea converge

către un prototip fictiv. A doua limitare prezentă la reţeaua Hopfield apare dacă

prototipurile memorate în reţea sunt foarte asemănătoare (prezintă un mare număr de

biţi identici), caz în care reţeaua devine instabilă.

Dacă reţeaua Hopfield este folosită drept clasificator, ieşirea reţelei (după

convergenţă) trebuie comparată cu fiecare formă prototip, după care se poate lua decizia

de apartenenţă la una din clasele ataşate formelor prototip.

Fig. 2.7. Arhitectura reţelei Hopfield.

Coal


U.T.M.2153.30.003.ME 46

2.6 Reţeaua Hamming

Arhitectura reţelei Hamming este prezentată în figura 2.8. Acest tip de reţea poate

fi folosit drept clasificator pentru forme binare afectate de zgomot. Ea conţine neuroni

de tip prag logic. Se remarcă în arhitectura reţelei prezenţa a două straturi,

primul (cel inferior) realizează o valoare proporţională cu distanţa Hamming la un

număr de M forme prototip. Stratul superior selectează nodul cu ieşirea maximă.

Fig. 2.8. Arhitectura reţelei Hamming.

3. Elaborarea algoritmilor în baza mediului Windows NT şi Java

3.1 Noţiuni generale în Microdsoft Windows NT

Începerea realizării sistemului Microsoft Windows NT în 27 iulie 1993, marchează

un pas de hotar important în activitatea Microsoft. "Windows NT” reprezintă nimic

altceva decat o schimbare radicală în modul în care se poate opera în reţele de

calculatoare.

Windows NT a fost primul sistem de operare Windows care combina suportul pentru

aplicaţii de nivel înalt client/server cu aplicaţii de interes personal cu productivitate

ridicată.

Coal


U.T.M.2153.30.003.ME 47

Acest sistem de operare introduce noi posibilităţi privind performanţa şi puterea de

operare şi include un sistem de programare multitasking pentru aplicaţii bazate pe

Windows, lucru în reţea integrat, securitatea serverului de domeniu.

În acelasi timp cu lansarea primei versiuni desktop a lui Windows NT a fost lansat şi

primul sistem de operare pentru server al companiei Microsoft: Windows NT Advanced

Server 3.1. Acesta a fost proiectat să acţioneze ca un server dedicat în mediul

client/server oferind putere, scalabilitate, rezistenţă mare la erori şi interoperabilitate. Ca

server de aplicaţie Windows NT Advanced Server este o platforma puternică pentru

servere de date (ex. Microsoft SQL Server), servere de comunicaţie şi servere de poşta

electronică (ex. Microsoft Mail).

Windows NT este o versiune de 32 de biţi a interfeţei Microsoft cu utilizatorul care

oferă cu adevarat modul de lucru multitasking pentru calculatoarele personale bazate pe

microprocesoare Intel şi pentru staţiile de lucru. Windows NT (New Technology)

rulează exclusiv protejat, permiţînd proiectanţilor de aplicaţii să folosească pînă la 4 GB

de RAM. Windows NT are facilităţi avansate de gestionare a fişierelor, puternice funcţii

de reţea, fiind un adevarat sistem client - server.

Utilizarea ulterioară de programe de actualizare (service pack) şi instalarea de

facilităţi opţionale (option packs) permit utilizarea cheilor publice şi a certificărilor

pentru securizarea datelor şi adaugă noi unelte de administrare pentru personalul tehnic.

Windows NT este un sistem de operare destinat retelelor multifunctionale, sistem care

poate acţiona atît în calitate de client, cît şi ca server într-un mediu de lucru de reţea.

Windows NT este o denumire generica pentru două produse de sine stătătoare:

Windows NT Workstation si Windows NT Server.

Windows NT Workstation oferă urmatoarele avantaje:

1). Mod de lucru performant. Asigură multitasking controlat pentru toate programele.

Windows NT Workstation accepta mai multe procesoare, pentru a realiza o

multiprocesare reală. De exemplu, dacă rulaţi un program multifila cum ar fi Microsoft

Word, puteţi continua lucrul la un document în timp ce tipăriţi un altul.

2). Profil hardware. Creează şi întreţine o listă a componentelor ce alcătuiesc

Coal


U.T.M.2153.30.003.ME 48

configuraţia hardware a unui calculator. De exemplu, dacă folosiţi un calculator laptop

şi un dispozitiv de extensie la locul de muncă, puteţi utiliza un profil hardware pentru a

configura calculatorul astfel încît să funcţioneze cu dispozitivul de extensie. Cand

lucraţi pe laptop acasă, puteţi folosi un alt profil hardware cu o configuraţie care permite

aceluiaşi calculator conectarea telefonică la reţea.

3. Microsoft Internet Explorer. Vă oferă un browser rapid şi usor de folosit, compatibil

cu standardele existente.

4). Sistem de poştă electronică. Recepţionează şi stochează mesajele electronice, dar şi

fişiere şi obiecte create în alte programe.

5). Servicii Web. Oferă un server Web personal, optimizat să funcţioneze cu Windows

NT Workstation, versiunea 4.0.

6). Siguranţa. Garantează securitatea locală a fişierelor, directoarelor, imprimantelor şi

a altor resurse. Utilizatorii pot fi identificaţi fie prin intermediul calculatorului local, fie

printr-un controller de domeniu pentru a avea acces la oricare dintre resursele

calculatorului sau ale reţelei.

7). Stabilitatea sistemului de operare. Accepta orice program în propriul sau spaţiu de

adresare al memoriei. Astfel, programele care prezintă probleme de funcţionare nu mai

pot afecta alte programe.

3.2 Criptografia şi tipuri de criptare

3.2.1 Algoritmi criptografice cu cheie secretă şi cu cheie publică

Criptografia este ştiinţa scrierilor secrete. Ea stă la baza multor servicii şi

mecanisme de securitate folosite în internet, folosind metode matematice pentru

transformarea datelor, în intenţia de a ascunde conţinutul lor sau de a le proteja

împotriva modificării. Istoria moderna a criptografiei cunoaste numeroase inovatii in

aceasta privinta. Doua sunt elementele ce au marcat insa cotitura semnificativa in

Coal


U.T.M.2153.30.003.ME 49

dezvoltarea metodelor criptografice.

Primul este legat de dezvoltarea reţelelor de calculatoare, al caror stimulent

extraordinar s-a manifestat atît prin presiunea exercitată de tot mai mulţi utilizatori cît şi

prin potentarea gamei de instrumente folosite efectiv în execuţia algoritmilor de cifrare.

Cînd cheia secreta are o dimeniune convenabilă şi este suficient de frecvent schimbată,

devine practic imposibilă spargerea cifrului, chiar dacă se cunoaşte algoritmul de

cifrare. Al doilea moment important în evoluţia criptografiei moderne l-a constituit

adoptarea unui principiu diferit de acela al cifrării simetrice. În locul unei singure chei

secrete, criptografia asimetrică foloseste doua chei diferite, una pentru cifrare, alta

pentru descifrare. Deoarece este imposibilă deducerea unei chei din cealaltă, una din

chei este facută publică, fiind pusă la îndemîna oricui doreşte să transmită un mesaj

cifrat. Doar destinatarul, care deţine cea de-a doua cheie, poate descifra şi utiliza

mesajul. Tehnica cheilor publice poate fi folosită şi pentru autentificarea mesajelor, fapt

care i-a sporit popularitatea. Procesul de transformare a textului clar în text cifrat se

numeşte cifrare sau criptare, iar transformarea înversă, a criptogramei în text clar, are

denumirea de descifrare sau decriptare. Atît cifrarea cît şi descifrarea sunt controlate de

către una sau mai multe chei criptografice. Există două tipuri de sisteme criptografice:

- simetrice (cu cheie secreta) care folosesc aceeasi cheie, atît la cifrarea cît şi la

descifrarea mesajelor.

- asimetrice (cu chei publice) care folosesc chei distincte de cifrare şi descifrare (dar

legate una de alta). Una din chei este ţinută secreta şi este cunoscută doar de proprietarul

ei. A doua cheie (perechea ei) este facuta publică, de unde şi numele de criptografie cu

cheie publica.

Algoritmi criptografici cu cheie secretă. Securitatea criptării simetrice (cu cheie

secreta) depinde de protecţia cheii; managementul acestora este un factor vital în

securitatea datelor şi cuprinde următoarele aspecte: generarea cheilor. Pot fi folosite, cu

o tabelă de conversie, proceduri manuale (datul cu banul, aruncarea zarurilor), dar

numai pentru generarea cheilor master (folosite pentru cifrarea cheilor). Pentru cheile de

Coal


U.T.M.2153.30.003.ME 50

sesiune sau de terminal sunt necesare proceduri automate, de generare (pseudo)

aleatoare, care se pot baza pe amplificatoare de zgomot, funcţii matematice şi diverşi

parametri (numarul curent al apelurilor sistem, data, ora etc).

distribuţia cheilor. Cu privire la transportul cheii secrete, problema este în general

rezolvată prin folosirea unei alte chei, numită cheie terminal, pentru a o cripta. Cheile de

sesiune - generate numai pentru o comunicaţie - sunt transportate criptat cu cheile

terminal care, de asemenea, pot fi protejate (cand sunt memorate) cu alta cheie, numită

cheie master.

Cheile terminal, care criptează numai date foarte scurte (chei de sesiune), sunt

foarte dificil de atacat. Cifrul DES (DES simplu, DES cu sub-chei independente, DESX,

DES generalizat GDES, DES cu cutii S alternative, DES cu cutii S dependente de

cheie);

Algoritmi criptografici cu cheie publica. Un moment important în evoluţia

criptografiei moderne l-a constituit crearea, în anul 1976, de către Whitfield Diffie şi

Martin Hellman, cercetători la Univeritatea Stanford din California, a unui principiu

diferit de acela al cifrării simetrice. Ei au pus bazele criptografiei asimetrice cu chei

publice. În locul unei singure chei secrete, criptografia asimetrica foloseste două chei

diferite, una pentru cifrare, alta pentru descifrare. Deoarece este imposibilă deducerea

unei chei din cealaltă, una din chei este facută publică, fiind pusă la îndemîna oricui

doreşte să transmită un mesaj cifrat. Doar destinatarul, care deţine cea de-a doua cheie,

poate descifra şi utiliza mesajul. Tehnica cheilor publice poate fi folosită şi pentru

autentificarea mesajelor prin semnătura digitală, fapt care i-a sporit popularitatea.

Întîlnim următoarele tipuri de sisteme de criptare cu algoritmi cu cheie publică:

sisteme de cifrare exponentiala RSA (Rivert-Shamir-Adleman);

3.3 Securitatea aplicaţiilor Java

Securitatea defineşte starea de a fi protejat în faţa pericolelor. Nu se poate vorbi de

securitate în sens absolut. Sintagma sistem sigur este înşelătoare întrucât implică faptul

Coal


U.T.M.2153.30.003.ME 51

că sistemele sunt fie sigure fie nesigure. În realitate, securitatea este un compromis.

Având la dispoziţie resurse nelimitate, orice formă de securitate poate fi compromisă.

Cu toate acestea, în realitate, resursele de care dispun atacatorii sunt totuşi finite. Având

aceste lucruri în vedere, un sistem poate fi considerat sigur dacă costul pe care un

atacator îl plăteşte pentru a-l compromite este mult mai mare decât recompensa

obţinută.

În sistemele complexe, fiecare componentă trebuie să aibă propriul mecanism de

securitate sincronizat cu al celorlalte. Acest lucru este cel mai adesea dificil de realizat.

Atunci când se evaluează securitatea unui sistem este avută în vedere securitatea celei

mai vulnerabile componente. Spre exemplu, tipizarea limbajului de programare, impusă

de compilator şi verificată de mediul de execuţie, se dovedeşte a fi critică pentru o

platformă care este de altfel sigură per ansamblu. În trecut, multe dintre breşele de

securitate se datorau posibilităţii de a depăşi cu uşurinţă zone tampon (buffer overflow)

sau de a accesa nerestricţionat memoria. În timp aceste breşe de securitate au fost

eliminate prin tipizarea puternică a limbajului de programare şi prin impunerea de către

mediul de execuţie a unor restricţii adecvate.

Securitatea platformei Java se manifestă în două feluri: prin securitatea integrată în

limbajul de programare şi prin protecţia împotriva atacurilor accidentale sau nu asupra

limbajului şi platformei. În ceea ce priveşte securitatea inerentă limbajului de

programare, limbajul Java a fost puternic influenţat de limbajele C şi C++, dar mai ales

de slăbiciunile manifestate de acestea. În acest sens, compilatorul Java notifică

neiniţializarea variabilelor. Limbajul este puternic tipizat, multe dintre construcţiile

nesigure fiind eliminate sau modificate; de exemplu, accesarea tablourilor se face în Java

cu verificarea indexului. De asemenea, prinderea excepţiilor este obligatorie. Această

disciplină a prinderii şi tratării excepţiilor nu are tot timpul implicaţii directe asupra

securităţii. Cu toate acestea, o excepţie netratată poate conduce la o execuţie

imprevizibilă a programului, fapt ce, din punctul de vedere al securităţii, trebuie evitat.

4. Elaborarea interfeţei utilizatorului

Coal


U.T.M.2153.30.003.ME 52

4.1 Interfaţa utilizatorului

Interfaţa utilizatorului este una din etapele principale de creare a imaginilor mai

departe,şi anume prin intermediul interfeţei utilizator program putem efectua paşii de

creare ,adaugare,modificare şi ştergere a figurilor geometrice pentru recunoaştere

lor,această interfaşă arată astfel:

Fig.4.1. Interfaţa utilizatorului.

Prima etapa de lucru al programului este instruirea perceptronului.

Pentru aceasta se crează un obiect nou şi se redenumeşte în dependenţă de numele

lui, aici se adaugă toate imaginile care vor fi analizate după algoritmul de mai jos. În

figura de mai jos în partea stîngă de sus avem procesarea imaginii, unde se

înregistrează toate obiectele geometrice cu ajutorul butoanelor: încarcă imagine, obiect

nou, redenumeşte obiectul şi dacă vrem să modificăm ceva utilizăm butonul şterge.

Alături de această imagine avem interpretare grafică a reţelei neurnale create pe baza

acestei imagini şi recunoaşterea obiectelor. În aşa fel se produce procesul de instruire a

Coal


U.T.M.2153.30.003.ME 53

unui agent inteliget. Mai jos este descrierea procesului de instruire pe care se bazează

programul dat

Fig.4.2. Redenumirea fiecărui obiect geometric.

4.2 Algoritmul de instruire

Se prezenta algoritmul standard pentru instruirea perceptronului cu două clase de

instruire. La primul pas al algoritmului de instruire se iniţializează valorile ponderilor şi

pragul. Ponderile iniţiale sunt componentele vectorului v1. Se aleg pentru ponderile

iniţiale numere reale mici şi nenule. Se alege valoarea constantei de corecţie c (de obicei

0 < c 1).

Coal


U.T.M.2153.30.003.ME 54

Constanta c controlează rata de adaptare a reţelei. Alegerea ei trebuie să satisfacă

cerinţe contradictorii: pe de o parte există necesitatea de a obţine o adaptare rapidă a

ponderilor la intrări şi pe de altă parte trebuie să se ţină seama de necesitatea ca

medierea intrărilor precedente să genereze o estimare stabilã a ponderilor.

Algoritmul de învăţare al perceptronului compară ieşirea produsă de reţea cu clasa

corespunzătoare a vectorului de intrare. Dacă s-a produs o clasificare eronată, atunci

vectorul pondere este modificat. În caz contrar el rămâne neschimbat.

Dacă la p paşi consecutivi nu se produce nici o modificare a vectorului pondere, atunci

toţi vectorii (formele) de instruire sunt corect clasificaţi de ultimul vector ponderere rezultat.

Am obţinut un vector soluţie şi algoritmul se opreşte cu această decizie. Procedura de

instruire descrisă mai sus conduce la algoritmul următor pentru instruirea perceptronului :

ALGORITMUL PERCEPTRONULUI

P1 Se iniţializează ponderile şi pragul.

Se aleg componentele w1,……, wn şi t ale vectorului v1.

Se pune k = 1 (v1 este vectorul pondere la momentul iniţial).

P2 Se alege constanta de corecţie c 0.

P3 Se alege o nouă formă de instruire.

Se reprezintă reţelei o nouă formă de intrare zk şi ieşirea dorită, (aşteptată)

corespunzătoare.

P4 Se calculează ieşirea reală generată de perceptron. Ieşirea reală este dată de

semnul expresiei (vk)T zk.

P5 Condiţia de oprire.

Se repetă pasul P6 până când vectorul pondere nu se modifică la p paşi consecutivi.

P6 Se adaptează ponderile şi pragul.

Se modifică vectorul pondere folosind regula de corecţie

vk +czk , dacă (vk)Tzk 0

vk, dacă (vk)Tzk 0 .

Coal


U.T.M.2153.30.003.ME 55

Se pune k = k + 1.

Dacă algoritmul s-a oprit normal, atunci vectorul vk+1 reprezintă o soluţie a

problemei de instruire . Pentru a ne convinge cum are loc plasarea vectorilor pe obiectul

geometric este arătat in figura de mai jos un exemplu.

Fig.4.3. Iniţializarea vectorilor pondere a obiectului.

Limitele perceptronului. În multe probleme concrete de clasificare şi de instruire

intervin clase de obiecte care nu sunt liniar separabile. Deoarece perceptronul nu poate

discrimina decât clase liniar separabile, aplicarea acestui algoritm în rezolvarea unor

probleme concrete este sever limitată.

Cea mai celebră şi una dintre cele mai simple probleme care nu pot fi rezolvate de

un perceptron este, problema calculării valorilor funcţiei logice sau exclusiv

Problema poate fi rezolvată de un perceptron cu mai multe straturi,(cu două

straturi). Această limitare, nu se datorează algoritmului, ci este legată de topologia

Coal


U.T.M.2153.30.003.ME 56

foarte simplă reţelei utilizate. Dacă problema de instruire necesită regiuni de decizie mai

complicate, atunci trebuie mărită complexitatea reţelei.

2. Urmatorul pas de lucrul al programului este Propagarea înapoi a erorii. Dupa

cum vedem dupa graficul redat din figura de mai jos fiecare iteratie de calcul eroare

devine mai mica. Procesul de calcul al erorii este descris mai jos.

Fig.4.4. Calculul erorii a obiectului geometric pătrat.

Propagarea înapoi a erorii. Algoritmul de propagare înapoi (Back

Propagation) este considerat in mod uzual, ca fiind cel mai important şi mai utilizat

algoritm pentru instruirea reţelelor neuronale.

Algoritmul de propagare înapoi este o metodă de instruire în reţelele neuronale

multistrat cu transmitere înainte (reţele unidirecţionale), în care se urmăreşte

minimizarea erorii medii pătratice printr-o metodă de gradient.

Caracteristica esenţială a reţelelor cu mai multe straturi este că ele proiectează

forme de intrare similare în forme de ieşire similare fapt ce permite să facă

Coal


U.T.M.2153.30.003.ME 57

generalizările rezonabile şi să prelucreze acceptabil forme care nu li s-au mai prezentat

niciodată.

5. Probilistica obiectului geometric pătrat

În ultima instanţă are loc recunoaşterea probabilistică a imaginii.

Fig.4.5. Recunoaşterea probabilistică a obiectului geometric pătrat.

În partea dreaptă a fraimului ecranului este redarea grafică a reţelei neuronale a

obiectului din imagine. Această imagine se obţine la fel ca şi în etapa de instruire a

agentului Inteligent. În partea stîngă a freimului sunt date rezultatele în formă

probabilistica de aparteneţă în grupa de obiecte date la instruire.

5. Materialul grafic

5.1 Schema funcţională de recunoaştere a obiectelor geometrice

Coal


U.T.M.2153.30.003.ME 58

Structura tipică a unui sistem de prelucrarea (evident digitală) ¸ şi analiza

imaginilor este alcătuită din punct de vedere funcţional dintr-un număr mic de blocuri

(vezi figura 5.1):

• sistemul de formare a imaginii (de exemplu sistemul de lentile al camerelor de

luat vederi): strânge radiaţia electromagnetică a obiectului studiat pentru a forma

imaginea trăsăturilor de interes.

• convertorul de radiţie: converteşte radiaţia electromagnetică din planul imaginii

într-un semnal electric.

Sistemul de formare a imaginii ¸ şi convertorul de radiaţie formează senzorul;

acesta reali-zează o proiecţie plană (bidimensională) a scenei reale (care este în general

tridimensio-nală).

Fig.5.1. Schema generală a unui sistem de analiză şi prelucrarea imaginilor.

• sistemul de achiziţie (echivalent unui frame-grabber sau video-blaster): converteşte

semnalul electric al senzorului într-o imagine digitală, pe care o stocheză; acesta nu

este altceva decât un dispozitiv de eşantionare (discretizare a suportului imaginii)

şi cuantizare (discretizare a domeniului de valori a imaginii).

• sistemul de prelucrare (în mod tipic un calculator, fieelPCsausta¸ tie de lucru); în

această categorie se încadrează în săşi maşinile specializate de calcul, calculatoarele

de proces.

• software-ul specializat: implementează algoritmii de prelucrare şi analiză.

Coal


U.T.M.2153.30.003.ME 59

Sfera de aplicabilitate a tehnicilor de prelucrarea şi analiza imaginilor este

deosebit de largă; practic, în orice domeniu de activitate se pot găsi numeroase aplicaţii.

Această clasă de aplicaţii extrem de specifice a fost caracterizată drept “consumul

imaginii” [1] (ima-ginea folosită în vederea analizei, deci a luării unor decizii).

Imaginile preluate de către sateliţi pot fi folosite la descoperirea resurselor terestre,

cartografiere geografică, urmărirea dezvoltării urbane, urmărirea vremii, controlul ¸ şi

prevenirea incendiilor şi inundaţiilor, precum şi alte aplicaţii ecologice şi militare.

Aplicaţiile transmisiei şi compresiei imaginilor se regăsesc în televiziunea digitală,

sistemele de teleconferinţă, transmisiile fax, birotică, comunicaţia pe reţele distribuite,

sisteme de securitate cu cir-cuit închis, aplicaţii militare. În aplicaţiile medicale sunt

prelucrate radiografiile cu raze X, angiogramele, echografiile, tomografiile, imaginile de

rezonanţă magnetică nucleară. Acestea pot fi utilizate pentru monitorizarea pacienţilor şi

pentru descoperirea şi identi-ficarea de boli şi tumori.

O largă clasă de aplicaţii sunt cele industriale, în care componentele de prelucrarea

şi analiza imaginilor sunt folosite în sisteme mai mari de asigurare a calităţii produselor

(metrologie, controlul calităţii - inclusiv defectoscopie nedistructivă).

5.2 Algoritmi de recunoaştere

5.2.1 Extragere de contur

Acest algoritm furnizează la ieşire o imagine binară, conţinând linii cu grosimea de

un pixel în poziţiile în care se estimează prezenţa unei muchii sau graniţa între două

regiuni diferite.

Algoritmii de extragere de contur asigură la ieşire un contur închis, deci o imagine

de clasă 3. Detectorii spaţiali de muchii realizează extragerea de contur dacă sunt urmaţi

Coal


U.T.M.2153.30.003.ME 60

de alte operaţii care să asigure obţinerea imaginii binare conţinând linii cu grosimea de

un pixel. De exemplu, s-ar putea folosi una din următoarele combinaţii de operaţii:

Fig. 5.2. Algoritm de extragere a contururilor.

Evident, există o multitudine de alţi algoritmi de extragere de muchii.

5.2.2 Algoritmi de urmărire de contur

Un prim algoritm ce va fi descris este denumit şi "mersul orbului". Plecând de la o

imagine binară se urmăreşte selecţia pixelilor aparţinând conturului.

1. Se alege un sens de parcurgere a conturului.

2. Se localizează un prim pixel al obiectului, de obicei prin baleiaj linie cu linie

sau coloană cu coloană. Acest pixel se marchează ca fiind pixelul de start. El devine

Coal


U.T.M.2153.30.003.ME 61

a) b)

a)

pixelul curent.

3. Se baleiază vecinii pixelului curent, în sensul de parcurgere ales, plecând de la

precedentul pixel curent, până la găsirea unui nou pixel obiect, care se marchează şi

devine pixel curent.

4. Se repetă pasul 3 până la închiderea conturului, adică până când pixelul de start

devine iar pixel curent.

5. Dacă se doreşte localizarea altor obiecte în imagine, se reia algoritmul cu pasul

2, pentru găsirea altor obiecte..

Dacă există în imagine mai multe obiecte de localizat, pixelul de start se obţine

căutînd perechi de pixeli de forma :

- baleiaj linie cu linie, de la stânga la dreapta;

- baleiaj linie cu linie, de la dreapta la stânga;

- baleiaj coloană cu coloană, de sus în jos;

- baleiaj coloană cu coloană, de jos în sus.

Unde cu gri s-au marcat pixelii obiect, iar cu alb cei de fond.

Funcţionarea acestui algoritm pentru cazul a două imagini simple este ilustrată în

figura 5.3.

Fig. 5.3. Exemple de aplicare a algoritmilor de urmărire de contur.

Un alt algoritm de urmărire de contur, utilizează pentru căutare o fereastră mobilă

cu dimensiunile 2x2, căreia i se ataşează aşa-numitul cod "C", astfel:

c)

Coal


U.T.M.2153.30.003.ME 62

C =8S+4r+2q+p.

Se definesc direcţiile de deplasare elementară a ferestrei fig. 5.4.

Fig. 5.4. Direcţiile de deplasare elementare a ferestrei.

Paşii acestui algoritm sunt următorii:

1. Se alege un tip de conectivitate (contur titra-conecta sau octo-conectat) şi un

sens de parcurgere a conturului.

2. Se determină un prim punct al conturului, de obicei prin baleiaj linie cu linie sau

coloană cu coloană. Acesta este marcat drept pixel de start şi se încadrează într-o

fereastră pătratică 2x2.

3. Se calculează codul "C" corespunzător ferestrei curente şi se extrage din tabelele

următoare, funcţie de tipul de conectivitate şi sensul de parcurs alese, direcţia de

deplasare elementară a ferestrei.

4. Se repetă pasul 3 până când pixelul de start reintră în fereastră.

5. Pentru extragerea conturului altor obiecte din imagine, se reia algoritmul cu pasul

2.

Conturul titra-conectat al obiectului conţine toţi pixelii care au intrat la un moment

dat în fereastra de căutare, mai puţin pixelii marcaţi cu "o" din cazurile (tabelele) (A),

(B), (C), (D). Conturul octo-conectat al obiectului conţine toţi pixelii care au intrat la un

moment dat în fereastra de căutare, mai puţin pixelii marcaţi cu "X" din cazurile (7),

(11), (13), (14).

Tabelul 5.5 - Tabelul A.

Coal


U.T.M.2153.30.003.ME 63

Tabelul 5.6 - Tabelul B. Tabelul 5.7 - Tabelul C.

Fig. 5.8. Parcurgerea secvenţială a liniilor matricei imagine.

Problemele care trebuiesc rezolvate la implementarea unor asemenea algoritmi

(care se mai folosesc şi la umplerea contururilor), ţin de punctele critice ale conturului

(porţiunile orizontale ale conturului, pixeli terminali, pixeli de ruptură, etc.).

Coal


U.T.M.2153.30.003.ME 64

5.2.3 Înlănţuirea elementelor de contur

Cel mai adesea, contururile obţinute prin detecţie de muchii prezintă o serie de

defecte: discontinuităţi, ramificaţii inutile de lungime mică, muchii dublate, etc.

Repararea lor se face cu un set de algoritmi specializaţi, dintre care o parte sunt descrişi

în cele ce urmează.

Metode euristice. Poate fi studiată o metodă euristică de înlănţuire a muchiilor

(elemente de contur)care are la bază examinarea blocurilor de pixeli 4x4. În prima fază

sunt reţinuţi drept "candidaţi" acei pixeli pentru care modulul gradientului depăşeşte un

anumit prag. Apoi prin "potrivire" (matching) liniile cu lungimea de patru unităţi, având

cele opt orientări de bază sunt căutate în imaginea gradient. Dacă raportul între cel mai

bun scor de similitudine şi cel mai slab depăşeşte un al doilea prag, şirul de pixeli de

muchie este considerat drept o linie validă.

Dacă două asemenea linii se găsesc în blocuri adiacente şi diferenţa direcţiilor lor

este în gama (- 230 ,+ 230) , ele se concatenează. Urmează apoi tratarea unor cazuri de

tipul:

Fig. 5.9. Înlănţuirea euristică a muchiilor.

Adică din triunghiuri se elimină laturile corespunzătoare căii mai lungi, iar

dreptunghiurile se înlocuiesc cu diagonala corespunzătoare căii. Ramificaţiile de

lungime mică se elimină, după care urmează completarea micilor spaţii apărute în

lungul muchiilor detectate. Această metodă poate fi utilizată pentru o gamă largă de

detectori de muchii.

O altă metodă similară pentru înlănţuirea muchiilor furnizate de detectorul

Hueckel. Muchiile furnizate de un detector tip "compass" sunt declarate valide dacă

vecinii lui au o direcţie conformă cu una din situaţiile:

Coal


U.T.M.2153.30.003.ME 65

Fig. 5.10. Înlănţuirea euristică a muchiilor.

Metoda poate fi extinsă la vecinătăţi mai mari, dar şi numărul de teste necesare se

măreşte foarte mult.

Parcurgerea euristică a grafurilor. Această metodă, pleacă de la premisa că o

muchie poate fi văzută ca o cale într-un graf format de ansamblul elementelor de muchie

detectate.

Fig. 5.11. Parcurgerea euristică a grafurilor.

Se asociază câte un nod fiecărui pixel care are modulul gradientului semnificativ

(peste un nume prag). Între două noduri există conexiune (arc) dacă diferenţa

orientărilor gradienţilor este în gama (-900 , +900) .

O cale în graf se determină euristic, examinând succesorii fiecărui pixel şi

calculând pentru fiecare cale posibilă o "funcţie de cost". Pentru fiecare nod parcurs se

alege varianta care minimizează funcţia de cost. Acest algoritm nu furnizează calea

optimă între două noduri ale grafului, iar viteza lui depinde de alegerea funcţiei de cost.

Programarea dinamică. Folosind programarea dinamică se poate găsi calea

optimă între două noduri ale unui graf orientat, adică calea care minimizează funcţia de

Coal


U.T.M.2153.30.003.ME 66

cost (sau, echivalent, maximizează o "funcţie de evaluare") şi poate fi propusă

următoarea funcţie de evaluare pentru un graf cu N nivele:

(5.1)

unde ,k=1,...,N - este un vector care indică nodurile de muchie de pe nivelul "k"

al grafului;

- este amplitudinea gradientului pentru nodul ,k=1,...,N;

- este orientarea gradientului;

- este distanţa între nodurile şi ;

, - sunt constante pozitive.

Utilizând principiul optimalităţii al lui Bellman, programarea dinamică furnizează

o procedură care găseşte o cale în graf în condiţiile minimizării funcţiei de evaluare dată

anterior.

5.2.4 Reprezentarea contururilor

Odată determinat conturul, el poate fi reprezentat fie matriceal, ceea ce necesită

însă o mare cantitate de informaţii, fie sub forma şirului coordonatelor pixelilor care

alcătuiesc conturul, fie folosind "codul-lanţ" (chain-code). Acesta din urmă presupune

reţinerea coordonatelor pixelului de start, alături de şirul direcţiilor care indică poziţiile

relative succesive ale pixelilor din contur.

Pentru obiectele din figurile anterioare conţinând imaginile caracterelor "u" şi "A",

codurile lanţ corespunzătoare sunt:

U : [(x0,y0),0,0,6,6,6,6,6,7,0,1,2,2,2,2,2,0,0,6,6,6,6,6,6,6,3,5,4,4,4,3,3,2,2,2,2,2];

A : [(x0,y0),0,6,7,6,7,6,7,6,4,3,4,4,4,5,4,2,1,2,1,2,1,2].

Coal


U.T.M.2153.30.003.ME 67

Fig. 5.12. Prezentarea direcţiilor.

Uneori se mai utilizează pentru reprezentarea contururilor "codul-lanţ diferenţial"

(differential chain-code) care presupune păstrarea coordonatelor pixelului de start a

conturului, a primei direcţii absolute şi a şirului diferenţelor relative între două direcţii

succesive.

Valorile posibile pentru codul-lanţ diferenţial sunt: (0,1, 2, 3, 4). Avantajul

acestei metode devine clar dacă se face observaţia că, cel mai adesea, între valorile

posibile ale acestor diferenţe de direcţii , probabilitatea cea mai mare de apariţie o are

valoarea "0":

P(0)P(1)P(2)P(3)P(4). (5.2)

Utilizând o codare prin coduri de lungime variabilă, se poate obţine o reducere

substanţială a volumului de date necesar pentru reprezentarea conturului.

5.3 Algoritmi de subţiere de contur

Subţierea furnizează la ieşire un graf care este rezultatul unor erodări succesive ale

imaginii, erodări făcute în condiţia nemodificării topologiei imaginii.

Algoritmii de subţiere au la bază un set de reguli:

1. Se elimină doar pixeli aflaţi pe conturul obiectelor.

2. Pixelii terminali (care au un singur vecin octo-conectat) nu se elimină.

3. Pixelii izolaţi nu se elimină (pentru că s-ar modifica topologia imaginii).

4. Pixelii de ruptură nu se elimină.

Uneori, regula 3 nu se aplică pentru iteraţiile iniţiale în scopul eliminării pixelilor

izolaţi a căror apariţie este datorată zgomotelor.

Pixelii de ruptură sunt acei pixeli (diferiţi de pixelii izolaţi şi de cei terminali) a

căror eliminare modifică topologia imaginii. Există şase cazuri de pixeli de ruptură, care

rezultă din figurile următoare:

Coal


U.T.M.2153.30.003.ME 68

Fig. 5.13. Pixeli de ruptură.

unde: - pixel obiect (negru);

- pixel de fond (alb);

- cel puţin un pixel din submulţimea marcată este pixel obiect (negru).

Se remarcă faptul că vecinii octo-conectaţi ai unui pixel de ruptură formează cel

puţin două submulţimi distincte.

Notând 0, 1,…, 7vecinii pixelului curent, situaţiile de mai sus se pot sintetiza

matematic prin numărul de treceri dat de:

(5.3)

unde

(5.4)

Există o multitudine de algoritmi de subţiere. Principala dificultate care apare la

operaţia de subţiere este datorată situaţiei următoare:

Fig. 5.14. Caz de dubiu la operaţia de subţiere.

Conform regulilor anterioare, toţi pixelii care aparţin unor linii cu grosimea de doi

pixeli vor fi şterşi. Se adoptă diferite soluţii.

Coal


U.T.M.2153.30.003.ME 69

Astfel algoritmul clasic operează (verifică condiţiile de ştergere şi apoi, eventual,

şterge) mai întâi asupra tuturor pixelilor care au vecinul dinspre "nord"

aparţinând fondului, apoi pentru cei cu vecinul dinspre "vest" aparţinând fondului,

apoi "sud", apoi "est".

Fig. 5.15. Exemplu de subţiere a unei imagini binare.

Algoritmii asincroni de subţiere încearcă să utilizeze paralelismul evident existent

la operaţiile de erodare. Principial, s-ar putea utiliza procesoare matriceale care să

respecte următoarele restricţii:

- să poată modifica doar pixelul aferent;

- să poată "citi" valorile pixelilor din vecinătatea pixelului aferent.

Se utilizează tehnica "marcării" pixelilor, ceea ce presupune lucrul pe imagini cu

numărul de nivele (de gri) mai mare ca doi. Abia după parcurgerea întregii imagini,

pixelii marcaţi vor putea fi şterşi. Problema liniilor cu grosimea de doi pixeli se

păstrează şi pentru soluţionarea ei se utilizează tot tehnica marcării pixelilor.

Algoritmii rapizi de subţiere încearcă să micşoreze numărul de paşi ceruţi de

algoritmii precedenţi prin analiza grosimii locale (de-a lungul câtorva direcţii) a

obiectelor din imagine pentru găsirea liniei mediane folosind criterii geometrice şi nu

prin erodări succesive. Parcurgerea obiectelor se face folosind teoria grafurilor.

5.4 Segmentarea obiectelor

Segmentarea imaginilor se referă la descompunerea unei scene (imagini) în

componentele sale. În urma procesului de segmentare vor fi extrase din imagine obiecte

distincte, regiuni ce satisfac anumite criterii de uniformitate, sau alte elemente.

Segmentarea unei imagini f este definită ca partiţionarea (completă) a lui f (5.5)

într-un ansamblu de mulţimi disjuncte nevide şi conexe (4.6), ce satisfac fiecare un

Coal


U.T.M.2153.30.003.ME 70

anumit criteriu C(4.7), criteriu ce nu mai este respectat pentru reuniunea oricăror două

elemente ale partiţiei.

(5.5)

(5.6)

(5.7)

Alegerea unei tehnici specifice de segmentare (partiţionare a imaginii) este legată

de mai multe aspecte caracteristice imaginii de analizat şi cerinţelor utilizatorului. După

natura şi conţinutul imaginii, tehnicile de segmentare trebuie să ţină cont de prezenţa în

imagine a diverse categorii de artefacte;

• reflexii, iluminare neomogenă;

• zgomot suprapus informaţiei utile;

• zone texturate;

După primitivele de extras, tehnicile de segmentare se împart în două categorii

fundamentale: tehnicile de segmentare orientate pe regiuni şi tehnicile de segmentare

orientate pe contur. Primitivele extrase din imagine sunt regiuni (forme) şi zone

texturate pentru tehnicile orientate pe regiuni, sau entităţi de tip discontinuitate

(frontiere, segmente de dreaptă, unghiuri) pentru tehnicile orientate pe contur. În cadrul

segmentării orientate pe regiuni se disting câteva categorii principale de tehnici:

• etichetarea imaginilor binare;

• segmentarea pe histogramă;

• creşterea şi fuziunea regiunilor;

• segmentarea texturilor;

• segmentarea prin metode de clustering.

Tehnicile principale de segmentare orientată pe contururi sunt:

• extragerea contururilor prin metode de gradient şi derivative;

• extragerea contururilor prin metode neliniare;

• extragerea contururilor prin metode liniare optimale;

• extragerea contururilor prin modelare matematică.

Coal


U.T.M.2153.30.003.ME 71

6. CALCULUL FIABILITĂŢII

6.1 Noţiuni generale

Fiabilitatea este o noţiune relativ nouă. Ea provine dintr-un domeniu nou care

întregeşte controlul calităţii şi se leagă de studiul în sine a calităţii. Simplu spus

fiabilitatea unui material este însuşirea sa de a nu se defecta în timpul funcţionării. Se

spune adesea că fiabilitatea este siguranţa în funcţionare într-o perioadă de timp definită.

Fiabilitatea unui element sau a unui ansamblu de elemente este definită ca

proprietatea respectivului element de a-şi îndeplini funcţia pentru care a fost conceput în

condiţiile date, într-un timp dat şi respectiv criterii de funcţionare bine definite date.

O altă definiţie a fiabilităţii este: fiabilitatea este proprietatea unui element de a

corespunde în anumite limite date cerinţelor care presupun menţinerea proprietăţilor

elementelor într-o perioadă de timp dată.

Fiabilitatea unui obiect (o componentă sau un sistem) este o funcţie de timp F(t),

definită ca probabilitatea ca, în condiţii de mediu specificate, obiectul să funcţioneze

adecvat în intervalul de timp [0,t).

Coal


U.T.M.2153.30.003.ME 72

Putem face cîteva observaţii foarte importante legate de această definiţie:

Fiabilitatea este o probabilitate, cuprinsă între 0 şi 1.

Nu există sisteme perfect fiabile, pentru care pentru care F(t) = 1 dacă t > 0. Putem

însă vorbi de sisteme ``destul de fiabile'', atunci cînd avem în minte anumite condiţii de

utilizare şi constrîngeri bugetare pentru implementarea sistemului.

Nu putem defini fiabilitatea fără a specifica mediul în care sistemul operează. Un

calculator care funcţionează foarte bine pe birou nu este neapărat potrivit pe un satelit.

Informatică şi fiabilitate . Cercetările de fiabilitate umană datează încă din anii

70, dar numai în ultimul deceniu s-ar putea spune că au devenit un domeniu de vîrf.

Rezultatele sunt interesante, dar ele trebuie să fie mult rafinate.

Principalul subiect al teoriei fiabilităţii (reliability theory) este construirea

sistemelor fiabile din componente nefiabile. Dacă un sistem ar funcţiona, numai atunci

toate componentele sale ar fi funcţionale, ar fi virtual imposibil de construit un sistem

complex, pentru că fiabilitatea ar descreşte exponenţial cu numărul de componente.

Principala unealtă folosită în construirea sistemelor complexe este abstracţia. Un

sistem este construit pe nivele; nivelul B este alcătuit din componente de nivel A. La

rîndul lor, componente de nivel B sunt folosite ca şi cum ar fi atomice, indivizibile,

pentru a construi nivelul C, şi aşa mai departe. Alcătuirea unor nivele din arhitectura

sistemelor de calcul din punctul de vedere al fiabilităţii pe care o oferă nivelele

superioare ,putem distinge:

1.Nivele care măresc fiabilitatea, construind un tot mai fiabil din componente mai

puţin fiabile. Acest lucru este obţinut folosind redundanţă în stocarea sau calculul

informaţiei. Acest tip de nivel este cel mai adesea folosit în construcţia calculatoarelor

contemporane.

2.Nivele care expun lipsa de fiabilitate nivelelor superioare, lăsîndu-le pe acestea să

rezolve imperfecţiunile. Nivelele superioare au adesea informaţii suplimentare despre

cerinţele reale de fiabilitate ale sistemului, şi ca atare pot construi fiabilitate pe măsura

necesităţilor. Arhitectura Internetului, pe care o vom discuta sumar în secţiunea din

numărul viitor al revistei este unul dintre cele mai notorii exemple de acest gen.

Coal


U.T.M.2153.30.003.ME 73

3.În fine, anumite nivele partiţionează resursele în parţi oarecum independente,

izolate una de alta. Partiţionarea are drept efect izolarea defectelor (fault containment /

fault isolation), astfel încît o defecţiune într-o parte să nu afecteze celelalte părţi. În

calculatoare această tehnică este folosită în sistemele de operare şi clustere-le de

calculatoare.

Costul fiabilităţii. Cînd proiectăm un sistem complex este foarte important să

``echilibrăm'' fiabilitatea părţilor. De exemplu, dacă memoria unui sistem are o

fiabilitate mult mai mare decît procesorul, atunci sistemul se va defecta cel mai adesea

cu probleme de procesor. Faptul că memoria este de foarte bună calitate nu ne ajută cu

nimic; dimpotrivă, probabil că am plătit un preţ mai mare pentru memorie decît ar fi fost

strict necesar. În general, o componentă este ``destul de bună'' dacă nu are cea mai mare

probabilitate de defectare.

Întotdeauna cînd discutăm despre fiabilitate trebuie să socotim nu numai costul

componentelor fiabile, ci şi costul întreţinerii sistemului. Cît pierdem pe oră atunci cînd

sistemul nu funcţionează? Dacă cumpărăm componente foarte fiabile plătim prea mult

pentru construcţia sistemului, dar dacă cumpărăm componente cu fiabilitate prea redusă,

ne va costa prea mult întreţinerea sistemului. Numai contextul poate dicta cît de fiabil

trebuie să fie un sistem: de exemplu, în aplicaţiile critice descrise mai sus, costul ne-

funcţionării sistemului este uriaş, aşa încît are sens să investim în componente extrem de

fiabile.

Fiabilitatea sistemelor de program. Ne-am putea aştepta, în mod naiv, ca, spre

deosebire de hardware, software-ul să nu aibă nici un fel de probleme de fiabilitate: în

definitiv programele nu se uzează, şi sunt executate într-un mediu foarte specializat; în

plus, programele sunt obiecte deterministe, deci ar trebui să se comporte de fiecare dată

în acelaşi fel cînd procesează aceleaşi date de intrare. Cu toate acestea, de fapt

fiabilitatea programelor este mult mai scăzută decît a sistemelor hardware; este potrivit

să modelăm deci programele ca sisteme cu fiabilitate imperfectă. În această secţiune

Coal


U.T.M.2153.30.003.ME 74

discutăm în mod superficial unele dintre motivele lipsei de fiabilitate a programelor şi

menţionăm unele tehnici care pot fi folosite pentru a ``întări'' programele.

Cele mai insidioase defecţiuni software se manifestă numai cu ocazia unor anumite

combinaţii de valori pentru datele de intrare sau pentru anumite succesiuni de

evenimente externe, care nu au fost prevăzute de programator. Asemenea combinaţii

apar cu probabilitate foarte mică în timpul procedurilor normale de testare, deci adesea

supravieţuiesc pînă în faza operaţională.

Calculul fiabilităţii software. În studiul fiabilităţii software este important să se

cunoască diferenţa dintre eroare, defect şi defectare. Aceşti trei termeni sunt adesea

confundanţi. Cei trei termeni sunt adesea folosiţi cu acelaşi sens şi lasă impresia că iau

locul unul altuia, însă au înţelesuri diferite.

Unul din primele lucruri îl reprezintă definirea termenului de defect; care defecte

sunt contorizate şi care nu. Uzual, un defect se înregistrează atunci când

comportamentul unui sistem de programe se îndepărtează de cerinţe. Defectul este privit

şi prin prisma operaţiilor eşuate, deci se defineşte ca o operaţie incompletă.

Defectul este cauza apariţiei mai multor defectări, deoarece intrările variate fac ca

sistemul de programe să se comporte în mod diferit.

Dacă obiectivul este calcularea fiabilităţii globale se face referire atât la prevenirea

cât şi la investigarea erorilor încă din prima etapă a dezvoltării software.

Eroarea reprezintă o omisiune a programatorului din care rezultă defectarea. Acestea

sunt clasificate în două mari categorii:

• erori tranziente - se manifestă printr-o malfuncţie temporară a unei componente -

instrucţiune, modul sau program - dar nu prin defectarea ei definitivă; în sistemele

de programe cea mai mare parte a erorilor sunt tranziente;

• erori permanente - se produc la un moment dat şi persistă pînă cînd are loc

depanarea sistemului.

Un alt termen important al fiabilităţii este probabilitatea , care joacă un rol

important la calcularea fiabilităţii programului.

Coal


U.T.M.2153.30.003.ME 75

Pentru calculul fiabilităţii vom utiliza trei componente importante şi anume:

Calculatorul,monitorul şi tastatura după următoarea relaţie:

(6.1)

unde:

probabilitatea funcţionării programului ;

probabilitatea funcţionării componentelor ;

exponenta sumei numărului de componente n la i=1 ;

coeficientul pentru MEC de generaţie a treia ;

timpul curent ;

intensitatea defectării;

numărul de componente.

Pentru a înţelege mai uşor calculul fiabilităţii,vom construi schema relaţiei în serie

dintre componentele enumerate mai sus,astfel:

1

Fig.6.1. Schema componentelor pentru calculul probabilităţii .

Datele pentru componentele: monitorul (M),tastatura (T),calculatorul (C),sunt

următoarele:

; (6.2)

; (6.3)

;

.

Avînd datele tuturor elementelor din relaţie calculăm probabilitatea defectării

programului astfel:

(6.4)

T C M

Coal


U.T.M.2153.30.003.ME 76

7. Capitolul Organizaţional-economic al proiectului

Compartimentul economic este o parte componentă a proiectului de diplomă şi

constă în previziunea efectului social-economic care se va manifesta odată cu aplicarea

în practică a rezultatelor experimentelor, ipotezelor şi produsului primit la sfârşitul

îndeplinirii tezei, indiferent dacă rezultatul va fi un produs care va participa sau nu la un

proces economic. Deci compartimentul economic reprezintă o continuare a părţii

ştiinţifice a tezei, adică evaluarea ei din punct de vedere economic. Aici vor fi studiate

toate procesele economice necesare pentru îndeplinirea proiectului: fondurile

proiectului, cheltuielile care s-au produs pe parcurs, venitul după realizarea produsului

ş.a.

În condiţiile economiei de piaţă orice activităţi, inclusiv cercetările ştiinţifice,

trebuie să fie raţionale şi justificate din punct de vedere economic. Considerând

cercetarea în cadrul tezei de diplomă un proiect sinestătător el trebuie argumentat

economic.

Argumentarea economică a proiectului va cuprinde două subcapitole:

1. Cercetări de marketing;

2. Elaborarea bugetului proiectului.

Coal


U.T.M.2153.30.003.ME 77

Cercetările de marketing includ: descrierea produsului, clientului, evaluarea

concurenţei, descrierea avantajelor concurenţiale a proiectului.

Elaborarea bugetului proiectului este o modalitate universală de a planifica veniturile şi

cheltuielile şi a previziona rezultatele financiare.

7.1 Cercetări de marketing

Produsul şi Serviciile. Proiectul elaborat este un bun de producţie(industrial), care

poate servi la fabricarea altor produse mai complexe utilizate la recunoaşterea de

imagini optice, sau de a participa la funcţionarea unor secţii din cadrul diferitor

întreprinderi şi organizaţii, poate fi cumpărat de întreprinderi de producţie sau

comerciale. Produsul este orientat spre satisfacerea necesităţilor întreprinderilor

industriale, sociale, comerciale şi de producţie, unde este necesar un sistem inteligent de

recunoaştere a obiectelor geometrice.

Scopul elaborării proiectului este de perfecţionare a proceselor de producţie, de

asigurare a productivităţii muncii ridicate, de securitate şi vizibilitate în acţiuni şi

decizii. Pentru realizarea scopului propus, serviciile prestate conform produsului sunt:

producerea şi realizarea la comandă a proiectului cu variaţii a noţiunilor

elementare, conform domeniului de aplicaţie;

livrarea gratuită a produsului întreprinderii sau organizaţiei şi punerea lui în

aplicaţie de către specialişti. Proiectul propus este un produs soft care va conţine un

sistem expert de recunoaştere a imaginilor , compus dintr-o bază de date care va conţine

algoritmii de recunoaştere a obiectelor geometrice, necesari de a recunoaşte imaginile

după scanarea lor, şi va putea fi aplicat prin intermediul calculatorului.

Piaţa şi Clienţii. Produsul elaborat fiind un produs absolut nou, va fi realizat pe

piaţa care se află la etapa de iniţiere în Republica Moldova şi este orientat spre

întreprinderile şi organizaţiile mari şi cu tehnologii destul de dezvoltate.

Piaţa aleasă pentru promovarea produsului este o piaţă nedominată, absolut nouă în

republica noastră. Produsul va fi unicul care va prezenta asemenea servicii în republică. În

Coal


U.T.M.2153.30.003.ME 78

viitor dacă produsul va fi solicitat şi veniturile vor spori, putem să-l propunem şi ca produs

de export.

Pentru promovarea şi lărgirea poziţiei pe piaţă se va apela la serviciile de reclamă prin

intermediul reţelei mass – media, internet sau reclamarea lui directă potenţialului client, şi se

va adopta o strategie îndreptată spre:

- stabilirea unui preţ convenabil;

- ridicarea calităţii produsului;

- lărgirea posibilităţilor şi domeniul de aplicare a produsului;

- ridicarea nivelului de deservire .

Clienţii potenţiali pot fi întreprinderi şi organizaţii industriale, sociale, comerciale şi de

producţie, unde este necesar un sistem inteligent de recunoaştere a imaginilor 3D. Cum ar fi:

sectoare de poliţie, unde este necesară recunoaşterea persoanelor sau amprentele degetale;

aeropoarte; bănci, la protecţia seifurilor; sectoare vamale; magazine; întreprinderi industriale

unde este necesară prelucrarea pieselor şa.

Pentru ai determina pe clienţi să cumpere produsul, se va pune accentul în primul rând

pe calitatea deosebită a serviciilor prestate, preţul convenabil, amabilitatea la primirea

comenzilor, noutatea serviciilor şi produsului. La toate acestea se mai adaugă faptul că

produsul va fi uşor utilizabil, flexibil şi fiabil.

Concurenţa. Pe piaţa Republicii Moldova nu sunt promovate asemenea produse de

recunoaştere a imaginilor 3D, există profesori la Universitatea Tehnică, catedra

Automatica, care se ocupă cu cercetări în domeniul posibilităţilor reţelelor neuronale de

prognozare sau diagnostică, însă nu a fost produs şi aplicat nici un proiect referitor la

recunoaşterea de imagini. Pot apărea concurenţi internaţionali care încă nu au promovat

produse asemănătoare pe piaţa Moldovei însă care desfac produse comparabile, cum ar

fi programe de recunoaştere a imaginilor 2D – programe de recunoaştere a textelor (cum

ar fi FindReader- ul) şa. În lume aşa proiecte deja funcţionează şi avantajele aduse

organizaţiilor care le folosesc sunt apreciate atît în plan economic cît şi din punct de

vedere a optimizării activităţii şi accelerării proceselor de producţie şi administrare. Prin

Coal


U.T.M.2153.30.003.ME 79

preţ & calitate, caracter inovaţional & noutate se speră la promovare şi cucerirea

segmentului dat de piaţă.

7.2 Elaborarea bugetului de cheltuieli ale proiectului

Elaborarea bugetului de cheltuieli ale proiectului este o modalitate universală de a

planifica veniturile şi cheltuielile şi a previziona rezultatele financiare.

Bugetul este expresia cantitativă a obiectivelor pe care ni le-am propus să le

atingem într-o perioadă de timp precizată, de regulă un an. Obiectivele se formulează în

termeni de costuri, preţuri, profit, rentabilitate, etc. Bugetul reprezintă un plan detaliat

asupra folosirii banilor ( pentru materii prime, salarii, etc.) şi a obţinerii lor pentru a

face aceste cheltuieli.

Bugetul proiectului conţine următoarele capitole: I. Obiective; II. Cheltuieli;

III. Venituri; IV. Rezultate financiare.

Sistemul de obiective reprezintă expresia cantitativă a nivelului dorit al

principalilor indicatori economici. Obiectivele trebuie să contribuie la dezvoltarea

afacerii şi să asigure un nivel dorit de performanţă.

Efectuarea activităţii de proiectare şi implementare a unui sistem inteligent necesita

existenţa unor obiective şi descrierea activităţilor pentru atingerea lor. Dat fiind faptul că

în republică nu există concurenţi reali ai produsului, după punerea Sistemului inteligent

în funcţiune volumul de vânzări sau servicii poate fi mărit cu 10 – 20 %, aceasta depinde

de publicitatea băncii, calitatea serviciilor, reputaţia.

Tabelul 7.1 – Evenimentele şi lucrările realizate pe parcursul efectuării proiectului

Evenimentele Cod Evenimente

Denumirea lucrărilor Cod lucrări

Sarcinile proiectului au fost determinate

0 Acceptarea sarcinilor 1-2

Acceptarea sarcinilor proiectului

1 Analiza sarcinilor

Căutarea literaturii tehnicii de calcul

1-3

4-7

Coal


U.T.M.2153.30.003.ME 80

Analiza sarcinilor şi literaturii a fost finalizată

2 Studierea literaturii tehnicii de calcul

7-8

Literatura tehnicii de calcul a fost studiată

3 Determinarea tehnicii de calcul 6-7

Tehnica de calcul a fost determinată

4 Elaborarea bloc-schemei a proiectului

7-8

Bloc-schema a fost proiectată

5 Pregătirea informaţiei tehnice a proiectului

8-9

Informaţia tehnică a proiectului acumulată

6 Determinarea softului necesar 9-10

Softul determinat 7 Procurarea softului 10-11

Softul a fost procurat 8 Pregătire pentru instalarea

softului

11-12

Finisarea pregătirii instalării softului

9 Instalarea softului 12-13

Continuare a tabelului 7.1.

Softul a fost instalat 10 Configurarea softului procurat 13-14

Finisarea configurării softului necesar

11 Elaborarea programului p/u introducerea şi prelucrarea datelor

14-15

Programul a fost elaborat

12 Redactarea sintaxei programului 15-16

Finisarea programului

13 Testarea şi verifi carea corectitudinii executării program.

Verificarea sistemului informaţional

17-18

17-20

Testare şi verificarea programului finisată

14 Pregătirea informaţiei p/u P.M. 19-22

Pregătirea informaţiei 15 Susţinerea P.M. 20-21

P.M. susţinută 16 Pregătirea informaţiei pentru partea Economică

21-22

Partea Economică susţinută

17 Formarea diplomei 22-23

Diploma a fost facută Susţinerea diplomei 23

Coal


U.T.M.2153.30.003.ME 81

Totuşi pentru mărirea clienturii, trebuie să se realizeze diferite facilităţi aşa ca:

prestarea rapidă a serviciilor, diferite oferte avantajoase şi alte propuneri sau servicii

prestate. Pentru a micşora cheltuielele trebuie să avem calculatoare moderne,

imprimante şi altă tehnică necesară.

Etapa dimensionării cheltuielilor este importantă deoarece implică calcule ce stau

la baza argumentării profitabilităţii proiectului.

În dimensionarea cheltuielilor necesare pentru realizarea obiectivelor se poate

aplica gruparea lor:

pe articole de calculaţie, respectiv: cheltuieli directe (materii prime şi materiale

directe, salarii directe, asigurarea socială); cheltuieli indirecte (cu întreţinerea şi

funcţionarea utilajelor, cheltuieli generale şi de administraţie).

Tabelul 7.2 - Durata efectuării lucrării.

Coal


U.T.M.2153.30.003.ME 82

Codul

lucrării

Denumirea lucrării Durata

efectuării

lucrărilor,zile

0-1 Acceptarea sarcinilor 1

1-2 Analiza sarcinilor 3

1-3 Căutarea literaturii tehnicii la temă 4

3-4 Studierea literaturii tehnicii la temă 4

2-5 Determinarea tehnicii de calcul, care va explora

softul dat

3

5-6 Elaborarea bloc-schemei a proiectului 10

6-7 Pregătirea informaţiei tehnice a proiectului 2

7-8 Determinarea softului necesar 3

8-9 Procurarea softului 2

9-10 Pregătirea pentru instalarea softului dat 3

10-11 Instalarea softului 2

11-12 Configurarea softului procurat 5

12-13 Elaborarea programului pentru introducerea şi

prelucrarea datelor

40

13-14 Finisarea programului 2

14-15 Redactarea sintaxei programului 1

15-16 Testarea şi verificarea corectitudinii executării

programului

8

16-17 Verificarea sistemului informaţional 4

17-18 Pregătirea informaţiei pentru P.M. 5

18-19 Susţinerea P.M. 1

Pregătirea Economică

Susţinerea Economică

21-

22- i

Coal


U.T.M.2153.30.003.ME 83

Coal


U.T.M.2153.30.003.ME 84

Fig.7.1. Graful-reţea al proiectului “Recunoaşterea obiectelor geometrice”.

Tabelul 7.3 - Parametrii grafului-reţea.

Coal


U.T.M.2153.30.003.ME 85

I g tig Td_ig Tt_ig Rd_ig Rt_ig

0 1 1 1 1 0 0

1 2 3 4 5 1 0

1 3 4 5 5 0 0

2 5 3 7 10 3 0

3 4 4 9 10 1 0

4 7 0 19 26 17 10

5 6 10 17 22 5 0

6 7 2 19 26 7 0

7 8 3 22 30 8 0

8 9 2 24 32 8 0

9 10 3 27 36 9 0

10 11 2 29 39 10 0

11 12 5 34 44 10 0

12 13 40 74 89 15 0

13 14 1 75 90 15 0

14 15 2 77 93 16 0

15 16 8 85 104 19 0

16 17 4 89 109 20 0

17 18 5 94 116 22 0

17 20 6 95 116 21 0

18 19 1 95 117 22 0

19 22 1 96 121 25 2

20 21 2 97 119 23 1

21 22 1 98 121 23 1

22 23 1 99 123 24 1

Coal


U.T.M.2153.30.003.ME 86

A doua grupare este:

pe elemente de cheltuieli, adică: cheltuieli materiale (materii prime şi materiale,

combustibil, energie, amortizare), cheltuieli cu manopera: salarii, asigurarea socială

ş.a.

Coal


U.T.M.2153.30.003.ME 87

Calculele privind necesarul de materiale (hîrtie, discuri, dischete, praf pentru

imprimantă, etc.) se vor prezenta în tabel. În prealabil se completează nomenclatorul

materialelor necesare pentru elaborarea proiectului.

Tabelul 7.4 - Consumuri materiale directe.

DenumireaPreţul, lei

Norma de

consum,

unităţi/proiect

Suma, lei

Dischete 7 5 30

Disc compact (CD-

RW)

15 1 15

Toner HP 1000 120 1 120

Pachet de foi A4

(500 foi)

40 1 40

Caiet pentru note 1 6 6

Pix 1 2 2

Mapă 20 1 20

Peliculă 10 4 40

Total _ _ 273

Utilităţile includ poziţiile următoare: energia, apa, căldura se vor evalua după

consumul efectiv şi tarifele în vigoare pentru o unitate. Comunicaţiile şi cheltuielile de

transport – în dependenţă de consumul efectiv, dar nu vor depăşi 15% din total

consumuri indirecte. Uzura mijloacelor fixe cu destinaţie de producţie, adică a

calculatorului la care s-a lucrat, se calculează prin norma anuală de amortizare.

Tabelul 7.5 - Utilităţile utilizate în proiectare.

Coal


U.T.M.2153.30.003.ME 88

Denumire Preţul, lei Cantitatea Suma, lei

Energie, kW 0,98 100 98

Apa, m3 2,6 6 15,6

Telefon, minute 0,096 300 57,5

Internet, ore 7 25 175

Cheltuielile de transport, ture

3 60 180

Total - - 526,1

Tabelul 7.6 - Calculul uzurii mijloacelor fixe.

Denumirea MF

Valoarea

de bilanţ,

lei

Norma

de

amortizar

e pe 1 an

Termen de

utilizare

(luni)

Uzura

perioadei,

lei

Calculator 6000 20% 3 300

Imprimanta 3000 20% 3 150

Scaner

2000 20

% 2 66,67

Java 1500 33% 3 123,75

Manuale 300 20% 3 20

Total 660,42

Vom folosi rate convenţionale de amortizare: pentru active materiale pe termen lung

(mijloace fixe) – 20% pe an, pentru active nemateriale pe termen lung – 33% pe an,

ţinîdu-se cont de numărul de proiecte ce utilizează aceleaşi programe de gestiune

licenţiate. Rezultatele se prezintă în tabelul 7.5.

Coal


U.T.M.2153.30.003.ME 89

Consumurile indirecte pentru repararea şi întreţinerea mijloacelor fixe se estimează

conform valorii efective. În timpul desfăşurării proiectului nu au avut loc astfel de cheltuieli,

şi ele se neglijează.

Pentru evaluarea manoperei şi a cheltuielilor salariale se va prezenta informaţia

privind echipa de elaborare a proiectului: diplomantul, care este executant nemijlocit,

conducătorul ştiinţific, consultanţii.

Consumurile salariale directe se vor calcula în baza manoperei directe a

executantului proiectului. Convenţional vom considera salariul pentru studenţi de 10 lei

pentru oră, iar manopera de 150 ore. Contribuţiile sociale constituie 26% din suma

consumurilor salariale directe.

Tabelul 7.7 - Consumuri salariale directe.

Executantul Manopera

(ore)

Salarii

(lei)

Contrib.s

ociale

(lei)

TOTAL

(lei)

Bujenita E. 150 10 390 1890

TOT

AL

- - - 1890

Consumurile salariale indirecte (tabelul 7.8), din care fac parte salariile

conducătorului ştiinţific şi a consultanţilor şi contribuţiile sociale corespunzătoare, se

vor calcula folosind următoarea informaţie: manopera conducătorului ştiinţific – 20 ore,

a fiecărui consultant – 4 ore pentru proiect; salariile pe oră –20 lei. Rata contribuţiilor

sociale – 26%.

Asigurările în fondul medical ( F.M.)

Deoarece se plătesc 5,5% la salarii , 2,5% le plăteşte angajatului , iar 3% le plăteşte

preţul

Coal


U.T.M.2153.30.003.ME 90

Tabelul 7.8 - Consumurile salariale indirecte.

Dimensionarea veniturilor constă în evaluarea rezultatelor activităţii, adică

previzionarea cifrei de afaceri – vânzări nete. La stabilirea preţului se va folosi o rată a

profitului brut 20 – 30%.

Costul total al proiectului se va stabili ca suma totală a consumurilor directe şi

indirecte:

Ctot = (273+1890) + (660,42+ 526,1 + 705,6) = 4055,12 lei.

La stabilirea preţului vom folosi o rată a profitului brut de 25%:

Preţ = 4055,12 * 1,25 = 5068,9 lei.

Preţul de livrare ce include TVA de 20% va fi:

Preţliv =5068,9*1,2 = 6082,68 lei.

Deoarece se va comercializa un singur produs, venitul din vînzări (cifra de afaceri)

va fi egal cu preţul fără TVA:

Venit = 5068,9 lei.

La calculul rezultatelor financiare (profitul brut şi profitul net) vom considera

impozitul pe venit de 22%:

Profit brut = Venit – Cost = 5068,9 – 4055,12 = 1013,78 lei;

Numele

conducătorului,

consultantului

Manopera

(ore)

Salarii

(lei)

Contrib.soc.

(lei)

TOTAL

(lei)

Bohanastiuc V. (conducător) 20 20 104 504

Gorobievschi S.(cons.p.econ.) 4 20 20,8 100,8

Nicolenco V.(cons. securit. mun) 4 20 20,8 100,8

TOTAL - - - 705,6

Coal


U.T.M.2153.30.003.ME 91

Profit net = Profit brut – (Profit brut * 0,22) = 1013,78 – 223,03 = 790,75 lei.

7.3 Rezultatele financiare

Dimensionarea rezultatelor financiare se va efectua prin comparaţie a veniturilor

din vânzările previzionate şi a consumurilor şi cheltuielilor de producţie.

Tabelul 7.9 - Structura preţului de vînzare a proiectului.

Nr. Specificaţie U.M. Nivel buget Nivel realizat

1 2 3 4 5

Cheltuieli

1. Consumuri materiale Lei 273 273

2. Consumuri salariale Lei 1890 1890

3. Defalcări în Fondul social Lei 491,4 491,4

4. Asigurări în Fondul medical Lei 778,77 778,77

5. Consumuri indirecte Lei 705,6 705,6

6. Total cheltuieli Lei 4138,77 4138,77

Costul final

7. Venituri planificate Lei 1013,78 1013,78

8. Venituri din alte activităţi Lei - -

9. Preţul angro al proiectului Lei 4828,14 4828,14

10. Impozitele planificate Lei 1115,18 1115,18

11. Preţul de vînzare a proiectului

Lei 6082,68 6082,68

Coal


U.T.M.2153.30.003.ME 92

Reieşind din calculele estimative se observă că se vor acoperi toate cheltuielile

deoarece la stabilirea preţului am folosit o rată a profitului brut de 25% din

cheltuieli. Acest profit va fi îndreptat spre dezvoltarea şi creşterea calităţii

proiectului.

În capitolul dat am prezentat analiza proiectului de diplomă din punct de vedere

economic. Se observă faptul că indiferent dacă se presupune utilizarea softului sau nu,

pentru realizarea proiectului avem un şir de cheltuieli care condiţionează prezenţa

preţului pentru produsul creat. Calculele privind cheltuielile suportate pentru a crea

sistemul inteligent dat au fost efectuate în conformitate cu indicaţiile consultantului la

partea economică a proiectului de diplomă, ele reflectă situaţia reală în domeniul

sistemelor inteligente în Republica Moldova.

Preţul stabilit pentru produsul dat este un factor foarte important pentru posibilii

clienţi, comparativ cu ofertele companiilor străine s-a obţinut un preţ destul de mic, iar

dacă analizăm numai piaţa Moldovei, produsul propus nu are concurenţă datorită

inovativităţii relative ale sale şi deci preţul este destul de convenabil.

Coal


U.T.M.2153.30.003.ME 93

8. Protecţia mediului ambiant

8.1 Protecţia muncii

Automatizarea şi computerizarea muncii omului are puncte de tangenţă cu toate

domeniile de activitate a lui. În prezent nici o întreprindere, instituţie sau organizaţie nu

poate funcţiona destul de efectiv fără aplicarea tehnicii de calculatoare moderne.

Dezvoltarea continuă a oricărei întreprinderi, instituţiei sau organizaţiei are ca

consecinţă mărirea volumului şi complexităţii informaţiei şi necesită extinderea reţelelor

de calculatoare şi a sistemelor informatice automate. Dar în afară de câştiguri evidente

tehnica de calcul este periculoasă sănătăţii şi de aceea devine actuală problema

protecţiei muncii în procesul muncii, păstrarea sănătăţii şi a capacităţii de muncă a lui.

Fără respectarea strictă a regulilor tehnicii securităţii şi solubrităţii de producţie,

executarea inexactă a cerinţelor tehnicii securităţii poate duce la accident sau la

îmbolnăviri profesionale şi traumatism de producţie. Protecţia muncii se asigură cu un

sistem de acte legislative, măsuri şi mijloace social – economice, organizaţionale,

tehnice, igienice, lecuitoare – profilactice îndreptate spre crearea a astfel de locuri de

muncă la care se exclude acţiunea factorilor periculoşi şi dăunători pentru lucrători. În

prezent nici o întreprindere, instituţie sau organizaţie nu poate funcţiona efectiv fără

aplicarea tehnicii de calculatoare moderne.

Crearea condiţiilor de muncă mai favorabile şi confortabile, ameliorarea protecţiei

muncii şi tehnicii securităţii, fără îndoială, duce la productivitatea muncii mai înaltă,

dezvoltare socială şi creştere a bunăstării.Proiectul de diplomă prezintă elaborarea unui

program pentru culegerea şi prelucrarea informaţiei. Rezultă problema protecţiei muncii

atât a persoanelor care elaborează programele, cât şi a utilizatorilor ei. Lucrările în

sistem vor fi efectuate utilizând calculatoare personale, adică prezintă lucrul

programatorilor şi a operatorilor tehnicii de calcul, e necesar de a precauta cerinţele

pentru protecţia muncii la lucrul cu tehnica de calcul, în special a calculatoarelor

personale cu diferite sisteme periferice, utilizate de către personalul centrului de calcul

Coal


U.T.M.2153.30.003.ME 94

(CC) în procesul activităţii vitale. Evident, integrarea şi utilizarea pe larg a

calculatoarelor electronice pe lângă factorii pozitivi mai are şi nuanţe negative asupra

persoanelor care le exploatează.

Lucrul operatorilor tehnicii de calcul necesită o atenţie mare, posibilitatea de a

rezolva în timp limitat probleme complexe, responsabilitatea faţă de acţiunile întreprinse

ce duce la o tensionare emoţională şi stres.

Operatorii tehnicii de calcul, programatorii, şi alţi colaboratori ai CC sunt supuşi

unor factori nocivi şi periculoşi cum ar fi:

nivelul ridicat de zgomot;

insuficienţa iluminatului natural;

insuficienţa iluminatului locurilor de muncă;

temperatura ridicată a mediului ambiant;

diferite forme de iradieri, etc.

Crearea condiţiilor de muncă mai favorabile şi confortabile, ameliorarea protecţiei

muncii şi tehnicii securităţii, fără îndoială, duce la productivitate a muncii mai înaltă,

dezvoltare socială şi creştere a bunăstării.

8.2 Sanităria industrială şi igiena muncii

8.2.1 Cerinţele igienico-sanitare faţă de calitatea aerului zonei de muncă

Odată cu dezvoltarea tehnicii de calcul tot mai mult se atrage atenţia asupra

problemelor protecţiei utilizatorilor, în special acelor care lucrează la calculator, adică

lângă monitor. Principalii factori dăunători, care influenţează asupra sănătăţii omului,

când acesta lucrează lângă monitor sunt:

1. radiaţia sau iradieri ionizate;

2. câmpul electrostatic;

3. câmpul electromagnetic, etc.

Iradieri Ionizate reprezintă iradierea electro-magnetică cu o capacitate de ionizare a

moleculelor. Dacă se provoacă ionizarea moleculelor organismului uman, atunci

Coal


U.T.M.2153.30.003.ME 95

legăturile între molecule se distruge şi ca rezultat apar diferite boli. Capacitatea de

ionizare o au următoarele particule: X- iradieri, fluxul de electroni,

substanţele radioactive.

În cazul monitoarelor cel mai semnificativ tip de iradiere ionizată este - iradiere,

care însă este foarte mică, de obicei nu depăşeşte normele biologice. Celelalte tipuri de

iradieri pot fi neglijate deoarece greu pot fi depistate.

Pentru a micşora iradierea ionizată a monitoarelor moderne, pe suprafaţa lor se

aplică o foaie metalică străvezie, care atenuează fluxul de iradiere. O altă cale de apărare

împotriva iradierii ionizate este procurarea unui ecran protector, care se instalează pe

monitor.

În genere iradierea ionizată asupra omului poate provoca următoarele acţiuni:

• locale - acţiuni de scurtă durată cu doze mari, care aduce la traume locale:

îmbolnăvirea pieii, pierderea pieii, pierderea unghiilor, defectarea oaselor, cancer;

• totale - reprezintă iradieri îndelungate cu doze mici, aduce la îmbolnăvirea sângelui

(leucemie).

La unele întreprinderi, care produc substanţe sintetice, polimeri şi produse din

aceste substanţă, şi care posedă proprietăţi dielectrice înalte, electrizarea micşorează

productivitatea muncii şi este unul din motive care duc la scăderea calităţii producţiei.

Măsurile principale de micşorare a intensităţii câmpului electric în zona de lucru

sânt:

îndepărtarea surselor a câmpurilor electrostatice din zona personalului

care deserveşte aparatura;

ecranarea sursei câmpului sau a locului de muncă;

utilizarea neutralizatorilor de sarcini electrice statice;

umezirea materialului care se electrizează;

schimbarea materialelor, care uşor se electrizează cu materiale ce nu se

electrizează;

alegerea suprafeţelor care contactează conform condiţiilor de electrizare

minimă;

Coal


U.T.M.2153.30.003.ME 96

modificarea procesului tehnologic în aşa mod ca să se micşoreze nivelul

de electrizare;

alegerea materialelor şi suprafeţelor care greu electrizează alte corpuri

sau le electrizează cu sarcini de polaritate diferită;

8.2.2 Microclimatul

Deoarece CE sunt surse de eliminare a căldurii, ce poate ajunge la mărirea

temperaturii şi micşorarea umidităţii aerului. În încăperi se atrage atenţie la controlul

parametrilor microclimatului în Săli de Calcul (SC). În SC mărimea medie a

eliminărilor de căldură constituie 310 W/m2. Eliminările de căldură de la instalaţii de

iluminare tot sunt mari, mărimea specifică a lor este 35-60 W/m2. În afară de aceasta la

microclimatul încăperi încă influenţează surse exterioare de eliminare a căldurii, cum

sunt căldura de la radiaţia solară ce intră prin fereastră, şi afluenţa căldurii prin

construcţii de barieră ce nu sunt transparente.

Asupra corpului omului şi lucrului utilajului a CC influenţează foarte mult

umiditatea aerului relativă. La umiditatea aerului egală cu 40% lenta magnetică devine

mai fragilă, se măreşte uzura capilor magnetice şi apare câmpul magnetic static la

mişcarea purtătorilor de informaţiei în CE.

La efectuarea controlului locurilor de muncă se măsoară temperatura, umiditatea

relativă şi viteza de mişcare a aerului în încăperi, totodată se efectuează măsurări la

începutul, mijlocul şi sfârşitul perioadelor calde şi rece a anului.

Se măsoară temperatura şi umiditatea aerului cu psihometre aspiratoare, iar viteza

de mişcarea a aerului – cu electro-anemometre, catatermometre. Ordinea de măsurare a

indicilor microclimatului se stabileşte în conformitate cu STAS 12.1.005-91. Parametrii

se normează după acest STAS şi sunt prezentaţi în tab.10.2.

În acest table de mai jos se aduc parametrii pentru categoriile de lucru 1a (mai puţin

de 120 kcal/oră, lucrul şezând) şi 1b (de la 120 până la 150 kcal/oră, lucrul şezând),

deoarece lucrul programatorului sau operatorului se poate atribui la una din aceste

categorii.

Coal


U.T.M.2153.30.003.ME 97

Tabelul 8.1 - Normele microclimatului.

Perioada

anuluiTipul lucrului Temperatura, °C

Umiditatea

relativă, %

Viteza de mişcare

a aerului, m/s

Rece Simplu, 1a 22 – 24 40 - 60 Nu mai mult de 0,1

Rece Simplu, 1b 21 – 23 40 - 60 Nu mai mult de 0,1

Caldă Simplu, 1a 23 – 25 40 - 60 Nu mai mult de 0,1

Caldă Simplu, 1b 22 – 24 40 - 60 Nu mai mult de 0,1

Pentru crearea la locuri de muncă a condiţiilor meteorologice bune se efectuează

condiţionarea şi ventilarea aerului, utilizarea ventilatoarelor înăuntru CE pentru a reduce

eliminările de căldură. Utilajul se aranjează în aşa fel ca influenţa căldurii asupra corpul

omului va fi cea mai mică.

8.2.3 Protecţia de zgomot

Zgomotul este unul din factori care influenţează omul când el lucrează cu CE,

aceasta este condiţionat de funcţionarea dispozitivelor ce sunt necesare în CC.

Sursele principale de zgomot în încăperi amenajate cu tehnica de calcul sunt

imprimantele, tastatura, instalaţii pentru condiţionarea aerului, dar în CE – ventilatoarele

sistemelor de refrigerare şi transformatoare.

La influenţa zgomotului pe un timp îndelungat la colaboratorii CC se observă

micşorarea atenţiei, dureri de cap, se micşorează capacitatea de muncă. În documente de

însoţire a utilajului ce produc zgomot se aduc normele timpului de lucru la acest utilaj.

În conformitate cu STAS 12.1.003-91 “Zgomot. Cerinţele generale de protecţie”

caracteristica de normă a zgomotului locurilor de muncă sunt nivelurile presiunii de

sonor (zgomot). Nivelurile accesibile a zgomotului, lucrând cu CE, sunt prezentate în

tab. 10.1. Pentru micşorarea zgomotului la locurile de muncă se efectuează următoarele

Coal


U.T.M.2153.30.003.ME 98

acţiuni:

Arhitectural-planificative. Clădirile se proiectează şi se construiesc în aşa mod ca la

locurile de muncă să nu fie depăşit nivelului admisibil. Întrucât sistemul va fi utilizat la

CC existent aici se poate de obţinut micşorarea zgomotului amplasând în încăperi vecine

utilajului cu zgomot ridicat.

Tehnico-organizatorice. Pentru micşorarea zgomotului la CC se efectuează

reparaţia şi ungerea utilajului. Se poate de aranjat utilajul în aşa fel ca el să facă mai

puţin zgomot.

Acustice. În CC se instalează podele şi poduri tehnologice. Distanţa între podul de

bază şi podul fixat în balamale 0,5-0,8 m, iar înălţimea podelei tehnologice 0,2-0,6 m.

8.2.4 Iluminatul de producţie

La lucrul cu CE o importanţă mare are crearea mediului de iluminare optimal,

adică organizarea raţională iluminatului natural şi artificial în încăperi şi la locuri de

muncă, deoarece lucrând la CE încărcarea în general cade pe organe de vedere.

Dacă omul lucrează mai mult de o jumătate a zilei de lucru la CE la el se observă

înrăutăţirea vederii, ce constituie 62-94%. Asta în primul rând este oboseala ochilor,

dureri foarte mari şi simţul de nisip în ochi, mâncărime şi senzaţie de usturare în ochi.

Totodată senzaţiile dureroase în ochi apar în general la sfârşitul zilei de lucru. Din

această cauză toate locurile de muncă cu CE se amplasează în locuri ce sunt protejate de

căderea luminii difuzate pe ecranul terminalului. Pentru asta se utilizează încăperi cu

iluminarea unilaterală (într-o singură direcţie), totodată ferestrele trebuie să fie cu storuri

sau jaluzele pentru excluderea efectului de orbire şi strălucirea ecranului terminalului.

Iluminarea artificială a locului de muncă se efectuează în felul următor, nivelul

iluminării locului de muncă trebuie să corespundă caracterului de lucru vizual,

iluminarea încăperii să nu depindă de timpul de afară, fluxurile de lumină să aibă

direcţia optimală şi utilajul trebuie să fie economic, inofensiv, durabil şi simplu în

exploatare.

Coal


U.T.M.2153.30.003.ME 99

La instalarea iluminatului artificial se fac următoarele măsurări: iluminarea la locuri

de muncă; caracterul de strălucire a ecranului, mesei; strălucirea petelor reflectate în

ecran. Se efectuează măsurări de control a iluminării şi strălucirii la locuri de muncă cu

diferite terminale care sunt în încăperi şi care se află în diferite condiţii de iluminare,

acolo unde sunt plângeri ale personalului. Măsurarea iluminatului se efectuează în

timpul întuneric a zilei.

Punctele de control pentru măsurările iluminatului la locuri de muncă se

amplasează: în centrul ecranului; pe tastatură; pe document în planul amplasării lui; pe

masă în zona de lucru.

Efectuarea măsurărilor se efectuează în conformitate cu STAS 2.4.940-91.

Măsurarea caracterului de strălucire a ecranului se efectuează la strălucirea ecranului nu

mai puţin de 35 c/m2. Iluminarea locului de muncă se normează după SniP II-4-91 şi

depinde de caracterul lucrului vizual, contrastul obiectului, fonului şi tipul fonului.

În dependenţă de condiţiile de muncă şi particularităţile lucrului îndeplinit, pentru

iluminarea artificială pot fi folosite instalaţiile de iluminat, generale şi locale, cu o

anumită caracteristică de lumină.

Fiecare loc de muncă, indiferent de amplasarea lui faţă de ferestre trebuie să aibă şi

instalaţie de lumină locală. Este recomandabil de folosit lămpi luminiscente, spectrul

luminii cărora aproape coincide cu cel al luminii naturale. Pentru a exclude reflectarea

razelor directe ale luminii de pe ecranul monitorului instalaţiile de iluminare se

aranjează pe ambele părţi de la locul de muncă, paralel cu direcţia văzului operatorului,

şi peretele cu ferestre.

Organizarea locurilor de muncă. Un rol important îl joacă organizarea locului

de muncă, care trebuie să satisfacă cerinţele comodităţii a efectuării lucrului şi

economisirii energiei şi a timpului operatorului şi utilizării raţionale ale suprafeţelor de

lucru. Este necesar de stabilit zonele de atingere a mâinelor operatorului de display-ul,

imprimantă şi alte dispozitive periferice. Zonele date sunt stabilite pe baza datelor

antropometrice ale corpului uman, permit de a amplasa corect elementele de dirijare.

Coal


U.T.M.2153.30.003.ME 100

Mişcările lucrătorului trebuie să fie de aşa fel, ca grupurile de muşchi ale lui vor fi

încărcate omogen, iar mişcările neproductive vor fi excluse.

Locurile de muncă trebuie să fie aranjate tot în conformitate cu cerinţele

comodităţii lucrului şi optimizării mişcării. Locul de muncă de obicei este constituit

dintr-un birou, scaun, o poliţă pentru literatura profesională des folosită. Distanţele între

componentele menţionate trebuie să fie optimale, care nu limitează mişcările şi în

acelaşi timp nu provoacă mişcări de prisos.

8.3 Tehnica securităţii

8.3.1 Electrosecuritatea

Personalul ce deserveşte dispozitivul efectelor de lumini poate nimeri sub tensiune

în urma defectării, avarierii sau a acţiunilor greşite ale sale. Electrosecuritatea deservirii

utilajului electric depinde de tensiunea de lucru, condiţiile expluatării şi caracterul

mediului încăperii în care acest utilaj este instalat.

În mare măsură securitatea deservirii utilajului electric depinde de condiţiile

mediului încăperii în care el este instalat deoarece aceste condiţii influienţează starea

izolaţiei şi rezistenţa pielii omului. Umeditatea, aburii, gazele, particulele conductoare

de praf din aer şi temperatura ridicată micşorează rezistenţa izolaţiei şi o distrug. În

afară de aceasta, pielea omului sub influienţa umedităţii şi a temperaturii ridicate devine

conductoare, omul îşi pierde rezistenţa şi se ridică considerabil pericolul electrocutării.

Podeaua conductoare (din metal, cărămidă, beton) pe care se află omul brusc

micşorează rezistenţa circuitului şi măreşte pericolul atingerii de părţile conductoare ce

se află sub tensiune. Praful electroconductor se aşează pe conductori şi formează cicuit

conductor, ca urmare sunt posibile scurtcircuitări la pămînt şi între faze. Aburii şi gazele

distrug izolaţia şi îi scad rezistenţa.

În aşa fel indicii pericolului ridicat de electrocutare sunt:

- Umeditatea relativă a aerului mai mare de 75% sau prezenţa prafului

electroconductor;

Coal


U.T.M.2153.30.003.ME 101

- Podelele din beton, metal, cărămizi ce pot conduce curentul electric;

- Temperatura ridicată a aerului (mai mare de +35C);

- Posibilitatea atingerii concomitente a omului de carcasele legate la pămînt ale

instalaţiilor şi a părţilor utilajului ce se află sub tensiune.

Indicii pericolului mărit sunt prezenţa umedităţii relative a aerului apropiată de

100% şi mediu activ chimic.

Analiza accidentelor produse de acţiunea curentului electric a permis determinarea

următoarelor cauze a lor:

- încălcarea regulilor de construcţie a instalaţiilor electrice, încălcarea normelor şi

cerinţelor de securitate;

- organizarea incorectă a lucrărilor de montare;

- atingerea părţilor din metal a unei instalaţii ce se află sub tensiune în cazul unor

defecte ale izolaţiei;

- folosirea utilajului electric defectat;

- executarea lucrărilor fără mijloace de protecţie sau folosirea mijloacelor de

protecţie cu termenul de expluatare expirat;

- ruperea conductorului de legare la pămînt, legarea incorectă la pămînt a

conductorului neutru.

Se cunosc cîteva praguri de acţiune a curentului electric:

- pragul curentului sensibil;

- pragul curentului ce nu permite desprinderea de la conductor;

- pragul curentului de fibrilaţie;

- pragul curentului mortal.

Cerinţele securităţii tehnice în timpul de lucru. Este interzisă cuplarea

echipamentului la reţea fără permisiunea persoanei responsabile de lucrări; cuplarea în

reţea a echipamentului care în timpul efectuării lucrării de laborator nu este folosit.

Studenţii care nu sunt atestaţi de către profesor nu sunt admişi la lucrări de laborator.

În procesul efectuării lucrării de laborator se interzice categoric:

- abaterea de la subiect cât şi atragerea altora;

Coal


U.T.M.2153.30.003.ME 102

- părăsirea locului de lucru lăsând utilajul sub tensiune;

- efectuarea lucrului de reparaţie a utilajului aflat sub tensiune.

Dacă în procesul de lucru apar cazuri ieşite din comun (miros de izolaţie arsă, fum)

utilajul se decuplează, urgent de la reţea informând despre acesta dirigintele de lucrări

sau responsabilul de laborator.

Securitatea antiincendiară. Incendiu se numeşte procesul necontrolat de ardere în

afara unui loc de ardere special amenajat, ce aduce daune materiale.

În cadrul oricărei organizaţii, sau întreprinderi trebuie să existe mijloace de

anunţare, de apel rapid la serviciile orăşeneşti antiincendiare în cazul apariţiei

incendiului. Pentru obiectele de o importanţă majoră sau periculoase, este recomandată

posibilitatea legăturii telefonice directe cu secţia antiincendiară orăşenească. Pentru a

anunţa despre incendiu se utilizează legătura telefonică, legătura radio, sirena,

semnalizarea cu ajutorul clopotelor etc. Mijloacele de anunţare despre incendiu trebuie

să fie disponibile toate 24 ore. Pentru a evita cauzele de înflăcărare şi incendiu e necesar

de a cunoaşte probabilitatea apariţiei înflăcărării şi incendiilor la locul de muncă, de luat

măsuri de preîntâmpinare a incendiului la locurile de muncă cu mijloace de stingere a

incendiului.

Cauzele de pericol ale incendiului care influenţează asupra oamenilor sunt

următoarele:

focul deschis şi scînteile;

temperatura înaltă a mediului înconjurător;

produsele toxice ale arderii;

fumul;

concentraţia scăzută a oxigenului;

prăbuşirea părţilor clădirilor, agregatelor, instalaţiilor etc.

Factorii principali pentru viaţa omului ce apar în timpul incendiului sunt: focul

deschis, temperatura ridicată a aerului şi obiectelor, produsele toxice ce ard, fumul,

Coal


U.T.M.2153.30.003.ME 103

micşorarea concentraţiei de oxigen în aer, distrugerea încăperilor, echipamentului şi

explozia.

Pentru prevenirea incendiului trebuie luate următoarele măsuri:

- excluderea apariţiei mediului arzător;

- excluderea apariţiei în mediul arzător a surselor de inflamare;

- menţinerea temperaturii şi presiunii mediului arzător mai jos de nivelul maxim

admisibil de ardere.

- Barajele antiincendiare din clădiri şi edificii la care se referă pereţii antiincendiari,

barajele şi acoperirile antiincendiare, uşile şi altele trebuie să fie executate din materiale

ne inflamabile şi de asemenea să fie prevăzută autoînchiderea lor.

Cel mai răspândit şi ieftin mijloc de stingere a incendiului este apa care permite

consumarea efectivă a căldurii aruncate de focarele de incendiu. Totodată apa nu poate

fi folosită pentru stingerea lichidelor uşor inflamabile (benzină, gazul lampant, uleiuri

minerale) şi a materialelor care în contact cu ea elimină substanţe inflamabile

(carbonatul de calciu).

În încăperile închise pentru lichidarea incendiului se recomandă utilizarea vaporilor

de apă atât pentru stingerea materialelor solide cît şi a substanţelor lichide.

Semnalizarea antiincendiară. Incendiile în clădiri prezintă un pericol deosebit

deoarece sunt legate de pierderi materiale enorme. După cum se ştie incendiu poate

apărea la interacţiunea substanţelor inflamabile, a oxidantului şi surselor de înflăcărare.

Într-o încăpere sunt prezenţi toţi trei factori de bază necesari pentru încingerii

incendiului.

Un pericol considerabil prezintă diferite materiale de izolare electrică folosite

pentru protecţia de la acţiunea mecanică a unor piese.

Toate acestea duc la luarea măsurilor serioase pentru protecţia de la incendii

stabilite de СП 512-78 „Instrucţii despre proiectarea clădirilor şi încăperilor pentru

calculatoare” şi СНиП 11-2-80 „Normele antiincendiare de proiectare a clădirilor şi

construcţiilor”. În aceste documente sunt expuse cerinţele de bază faţă de rezistenţa la

incendii a clădirilor şi construcţiilor, barieră antiincendiară, evacuarea oamenilor din

Coal


U.T.M.2153.30.003.ME 104

încăperi şi clădiri. Este foarte important ca în încăperile şi în clădirile de muncă să fie

prezente mijloace de comunicare şi semnalizare despre incendiu.

Mijloacele de comunicare şi semnalizare despre incendiu sunt destinate pentru

informarea rapidă şi exactă despre incendiu şi locul apariţiei lui, acţionarea forţelor şi

mijloacelor de stingere a focului, dirijării centralizate cu subdiviziunile de combatere a

incendiilor şi conducerea operativă cu lichidarea incendiului. Cel mai răspândit mijloc

de informare sunt legătura telefonică orăşenească sau locală (metoda pasivă de control a

evenimentelor ce ţin de incendiu), când pentru chemarea echipelor de pompieri se forma

numărul 01. Mult mai sigur şi rapid mijloc de informare şi semnalizare este sistemul

electric de semnalizare de incendiu (metoda activă de control a situaţiei de incendiu).

Sistemele electrice de semnalizare (SES) sunt destinate pentru depistarea incendiilor şi

aprinderilor la stadiul iniţial şi comunicarea despre locul apariţiei lor.

Sistemele de comunicare şi semnalizare de incendiu conform destinaţiei sunt

clasificate în modul următor:

- semnalizare de pază incendiară – anunţă organele de pază incendiară (a

întreprinderii, oraşului) – anunţă organele de pază incendiară (a întreprinderii, oraşului)

despre incendiu şi locul apariţiei lui – se asigură automat (cu ajutorul detectoarelor) sau

manual prin apăsarea butonului sistemului de semnalizare despre incendiu, precum şi

prin sistemul de legătură radiotelefonică;

- comunicaţie de comandă – asigură dirijarea operativă cu unităţile incendiare şi

acţiunea reciprocă cu serviciile orăşeneşti sau locale (poliţia, salvarea serviciile de

alimentare cu apă, energie etc.) – se asigură prin legătură radio sau telefonică;

- radiocomunicaţie operativă, asigură dirijarea operativă cu echipele de pompieri la

locul de incendiu – se asigură cu ajutorul staţiilor portante şi automobilelor speciale de

radiocomunicaţie.

- În conformitate cu cerinţele normelor clădirile de producţie de categoriile A, B şi C

de pericol de incendiu şi explozii se dotează cu mijloace de automatică împotriva

incendiilor.

Coal


U.T.M.2153.30.003.ME 105

8.3.2 Calculul iluminatului natural în încăpere

Lumina este unul din factorii principali care acţionează asupra stării sănătăţii

persoanei implicite în procesul de producţie. Organizarea corectă a iluminării stimulează

decurgerea corectă a proceselor activităţii vitale şi ridică capacităţile de muncă,

micşorând în acelaşi timp traumatismul în procesul de producere.

De calculat iluminatul natural al incăperii de producţie după următoarele date

(incăperea este cabinete şi camere de lucru , cabinete şi săli de proiectare )

conform tab.I.11[10].

conform tab.I.1[10].

Dimensiunile incăperii: l=6m;

b=6m;

h=3m;

Unde: l – lungimea încăperii;

b – lăţimea încăperii;

h – înălţimea încăperii.

Înălţimea ferestrelor este de 2 m.

De determinat suprafaţa ferestrelor.

Fig.8.1. Schema încăperii.

Coal


U.T.M.2153.30.003.ME 106

Notă. P.C.-punctul de calcul;

S.C.L.- suprafaţa condiţională de lucru;

Rezolvare

1. Determinăm valoarea normată a C.Z. pentru Republica Moldova,

(8.1)

unde:

m=0,8 – pentru Republica Moldova., care este asociată grupei a 5-a de ale raioane

administrative ale Rusiei, conform SNiP 23-05-95.

Suprafaţa geamurilor se determina din urmatoarea formula :

(8.2)

în care: - suprafaţa golurilor de lumină în cazul iluminatului lateral prin ferestre,

;

- suprafaţa pardoselii încăperii, ;

- valoarea normată a coeficientului zilei,lx ;

- coeficientului de rezervă , conform tabelului I.1[10].;

- caracteristica fototehnică a ferestrelor ,determinată conform tab.I.2[10].

- coeficientului ce ia în consideraţie umbrirea ferestrelor de către clădirile

din apropiere,opuse ferestrelor, determinat conform tab.I.3[10].

- coefientul general de fotopermiabilitatederminat dupa formula :

(8.3)

- coefientul ce consideră mărirea cofientului zilei în cazul iluminatului

lateral ,datoritî luminii eflactate de suprafeţele încăperii şi a învelişuluid sol

dinapropierea clădirii ,determinat conform tab.I.6[10].

2. Determinăm suprafaţa pardoselii:

(8.4)

3. Determinăm în dependenţă de raportul şi raportul

4. Din tabelul 1.1[10] determinăm

Coal


U.T.M.2153.30.003.ME 107

5. Din tabelul 1.3.[10] determinăm ( la distanţa de 30 m se află o clădire cu

9 nivele şi H=28 m ). Aşa dar P=30 m; , raportul - este

determinat prin interpolare .

6. Determinăm din relatia

( sticluire dublă );

( cercevele pentru ferestrele clădirilor industriale ordinare );

( iluminat lateral );

( storuri reglabile );

( pentru iluminatul lateral ).

Atunci , .

7. Determinăm , din tabelul 1.6[10] , după urmatoarele date:

; ; ; .

Prin interpolare găsim .

8. Determinăm suprafaţa ferestrelor :

(8.5)

9. Determinăm lungimea totală a ferestrelor , ştiind că înalţimea lor este de 2 m

(8.6)

Primim pentru iluminare 3 ferestre conform shemei ( fig.8.1.) cu dimensiunile

, (8.7)

Cu suprafaţa totală de : .

CONCLUZII

La sfîrşitul acestei teze de diplomă avem posibilitatea să analizăm efortul depus şi

rezultatele obţinute. Aşadar, cum aţi observat , pornind de la simplul concept al

sistemului de inteligenţă artificială , am ajuns la etapa în care putem obţine beneficii de

Coal


U.T.M.2153.30.003.ME 108

la utilizarea ei. Foarte mult efort a fost depus pentru studiul aprofundat a domeniului în

care va fi utilizat algoritmii de recunoaştere a obiectelor geometrice şi metodele utilzate

pentru aceasta. O atenţie specială a fost acordată organizării muncii, pentru a optimiza

productiv efectele de la utilizarea metodei reţelei neurale. Principala funcţionare cheie a

fost elaborarea , impementarea modelelor de recunoaştere a imaginilor ,nivelul realizat

de implementare ne permite să evaluăm gradul de fezabilitate a proiectului şi utilizarea

lui în condiţii reale. Pentru a obţine real beneficii , proiectul trebuie utilizat pe scară

largă în cadrul instituţiilor,sectoarelor de poliţie, aeropoarte , bănci etc. Pentru a

reprezenta şi argumenta recunoaşterea imaginilor am folosit numeroase metode de

recunoaştere în selectarea obiectelor şi binenţeles proprietăţile comparative a

algoritmilor de recunoaştere a imaginilor.

Din punct de vedere economic observăm că utilizarea softului pentru realizarea

proiectului avem un şir de cheltuieli care condiţionează prezenţa preţului pentru

produsul creat , aceste calcule reflectă situaţia reală în domeniul sistemelor inteligente în

Republica Moldova. Preţul stabilit este un factor foarte important pentru posibilii clienţi,

deoarece este un preţ mic . Capitolul protecţia muncii joacă un rol major,avem

posibilitatea de a utiliza partea teoretică şi practică acumulată pe parcursul anilor, pentru

a cunoaşte şi a ne acomoda cu metode ce ţin de proteţia mediului ambiant. Cunoştinţele

acumulate pe parcursul a patru ani de învăţămint la zi, au dus la crearea acestui sistem

inteligent , la perfecţionarea capacităţilor anterior acumulate. Această sarcină a fost

pentru mine una de experienţă profesională pe viitor , ceea ce am avut posibilitatea să

obţin informaţii statistice , sistematizate de către specialiştii din cadrul catedrei

ATI,secţia Automatică . Sarcina mea de bază a fost obţinerea , şlefuirea şi

implementarea cunoştinţelor teoretice în practică în cadrul facultăţii FCIM.

BIBLIOGRAFIE

1. Buzuloiu V. , Prelucrarea imaginilor, Bucureşti : Universitatea “Politehnica”

Bucureşti-1998, 66 p.

Coal


U.T.M.2153.30.003.ME 109

2. Castleman, K. R. : Digital Image Processing, Prentice Hall, Englewood Cliffs, NJ-

1996 , 89 p.

3. Cocquerez, J. P., Philipp, S. (coord.): Analyse d‘images: filtrage et segmentation,

Masson, Paris-1995, 110 p.

4. Haralick, R. M., Sternberg, S. R., Zhuang, X.: “Image Analysis using

Mathematical Morphology”, în IEEE Trans. on Pattern Analysis and Machine

Intelligence, vol. 9, no. 4, Iulie 1987, 532-549 p.

5. D. Gâlea : Inteligenţa artificială , note de curs, Academia de studii economice,

Bucureşti -2003, 55p.

6. Mihai Bulea,: Structuri şi algoritmi paraleli pentru prelucrearea imaginilor şi

recunoaşterea formelor, Iaşi ,vol.2, 1999, 150-300p.

7. Constantin V.Ciomaga M. Popa Răzvan : Prelucrarea şi analiza imaginilor, editura

Bucureşti- 2002, 145-230 p.

8. Celoci R., Ceban M., Cîşlari E., Gorobievschi S. : Organizarea şi

gestionarea bussinesul propriu, editura Tehno Info, Chişinău -2004, 230 p.

9. Gorobievschi S.: Indrumar metodic- Proiectarea de diplomă, nr.1019, Chişinău

UTM-2000, 56 p.

10. Olaru E. : Cicluri de prelegeri - Sanitaria industrială şi igiena muncii, Chişinău

UTM- 2000, nr.789, 43 p.

11. Olaru Iu., Olaru E., : Cicluri de prelegeri - Protecţia împotriva incendiilor,

nr.813, Chişinău UTM-2000, 45 p.

12. Olaru E. : Protecţia mediului ambiant. Cicluri de prelegeri, Chişinău UTM-2000,

nr.846, 56 p.

chenar marediploma1

Documents