Цифровая обработка и анализ сигналов и изображений - Основные результаты

· Обработка телеметрической информации

- Методы и алгоритмы интеллектуальной обработки телеметрической информации, поступающей от бортовых объектов по радиоканалу на основе моделирования их поведения. Интеллектуальный базис разработанных алгоритмов составляют методы имитационного моделирования состояния и динамики телеметрических объектов, нейросетевые методы анализа и предсказания, а также методы иерархической нейросетевой классификации. Научная значимость результатов работы состоит в разработке двухуровневой модели разнородных ансамблей нейронных сетей (АНС) с использованием элементов эволюционной стратегии при обучении; двухуровневой модели разнородных АНС с различным временным масштабом входных данных.

- Алгоритм инкрементного обучения АНС идентификации для синтеза многослойного персептрона, который позволяет избежать эвристического процесса выбора размеров скрытых слоев в модели двухуровневого обучения АНС при нестационарных входных данных и увеличивает общую точность классификации за счет поэтапной концентрации на плохо идентифицируемых данных. С целью повышения точности анализа за счет снижения избыточности обрабатываемых данных предложен алгоритм формирования обучающих выборок, который включает: удаление временных рядов, принимающих константные значения на всем протяжении; удаление выбросов; обработку отсутствующих значений; выполнение шкалирования данных; построение автоассоциативной нейронной сети, предназначенной для нелинейного уменьшения размерности входных данных; разделение обработанного набора данных на обучающую, тестовую и валидационную выборки.

- Методика тестирования АНС для сравнительного анализа различных подходов к построению АНС прогнозирования состояния технических объектов по данным телеметрии. Формирование обучающих примеров осуществляется по принципу скользящего окна. При подготовке генеральной совокупности телеметрической информации выполняется ресемплирование (преобразование исходных данных в форму с фиксированным временем дискретизации) и масштабирование (приведение данных в диапазон [‑1, 1]). Выходы сети также масштабируются. Входной набор разделяется в соотношении 9:1 на общую обучающую и итоговую тестовую выборки. Общая обучающая выборка разделялась на валидационную (15 %), тестовую (15 %) и обучающую (70 %) выборки случайным образом. Для оценки качества обученных АНС, а также для сравнения различных архитектур АНС, используются средний квадрат ошибки и средняя абсолютная ошибка.

На основе этих алгоритмов разработан прототип (в рамках НТП СГ «Космос-НТ») и экспериментальный образец нейросетевой системы мониторинга состояния и поведения подсистем космических аппаратов по телеметрическим данным для наземного командно-измерительного комплекса (в рамках НТП СГ «Мониторинг-СГ»).

[ИН101, ИК403, ИК704, Ф11ОБ-071, 6МСГ/13-222, Грант-НАНБ, Ф15М-059]

· Цифровая обработка изображений

-Метод идентификации объектов топологии, основанный на специальном классе алгоритмов сегментации с применением дискретного ортогонального преобразования в базисе двумерных функций, модифицированного преобразования Хафа и кластерного подхода с использованием новых функций расстояния и дискретизации пространства пикселей изображений топологических слоев интегральных схем, характеризующийся устойчивостью к изменениям условий съемки различных кадров изображения, что обеспечивает достоверность идентификации до 95 % при восстановлении топологии и идентификации дефектов.

- Нейросетевые модели в виде многослойного персептрона и неокогнитрона для идентификации и классификации объектов топологических слоев интегральных схем, а также алгоритмы их обучения с использованием критерия Липшица, обеспечивающие гарантированную сходимость обучения и стабильность распознавания на уровне 94,55 %.

- Алгоритмы сшивки растровых кадров изображений топологии слоев интегральных схем, основанные на специальных эвристиках, обеспечивающие корректное совмещение областей перекрытия без реперных меток и восстановление топологии с точностью до одного пикселя.

- Технология обработки изображений топологических слоев интегральных схем для оптического контроля топологических слоев на основе оригинальных подходов к формированию дескрипторов дефектов, восстановления топологии и модификации логических схем путем декомпозиции их функциональных и структурных описаний, использование которой позволяет сократить трудозатраты при проектировании и изготовлении электронных изделий.

- Архитектура программного обеспечения компьютерных систем для обработки топологических слоев интегральных микросхем и схемы распараллеливания алгоритмов обработки на основе многоагентного подхода, обеспечивающие дополнительное ускорение обработки изображений на 8 % за счет динамической оптимизации расписаний.

Результаты внедрены в НТЦ «Белмикросистемы» ОАО «Интеграл» при решении задач обратного проектирования СБИС, НПРУП «КБТЭМ-ОМО» ГНПО ТМ «Планар» при разработке алгоритмов формирования и контроля топологических структур на фотошаблонах и полупроводниковых пластинах в производстве СБИС, в ОАО «Брестский радиотехнический завод» для контроля качества монтажа печатных плат; в НИЛ 4.6 «Интегрированные микро- и наносистемы» БГУИР при изготовлении систем на пластине на основе базовых матричных кристаллов по технологии бесшаблонной фотолитографии с эффектом уменьшения трудозатрат и импортозамещения.

- Модели, методы и алгоритмы обработки и распознавания объектов структурно сложных изображений. Алгоритмы повышения информативности цветных снимков слоев полупроводниковых микросхем, основанные на цветовой сегментации и выделении объектов интереса на нескольких наборах кадров одного слоя СБИС с дальнейшей сшивкой в новое изображение слоя. Алгоритмы отличаются использованием в качестве объектов интереса как дорожек и контактных окон, так и подложки слоя СБИС. В процессе работы алгоритма производится сокращение площади неидентифицируемых областей изображения за счет объединения сегментов, соответствующих дорожкам, контактным окнам и подложке слоя нескольких наборов изображений обрабатываемого слоя.

- Методы и алгоритмы выделения информативных признаков на основе геометрических инвариантов, алгоритмы векторизации на основе модифицированного преобразования Хафа, нейросетевые алгоритмы кластеризации изображений и классификации объектов, характеризующихся нечетким описанием формы, размеров и местоположения.

- Алгоритм поиска на зашумленных изображениях, основанный на hit-or-miss трансформации и отличающийся использованием мягкой эрозии и семантического фильтра. Проведенный анализ работы алгоритма показал высокие результаты поиска как на изображении без шума, так и на зашумленном изображении с предварительной фильтрацией и без неё. Алгоритм предназначен для подготовки данных для экспериментальных исследований эффективности комбинированных технологий нейросетевой классификации объектов на топологических слоях интегральных схем.

- Алгоритм цветной сегментации изображений слоев полупроводниковых микросхем, основанный на формировании оператором кластеров по результатам k-means кластеризации в пространстве RGB. Особенностью алгоритма является возможность его проблемно-ориентированной настройки на предварительную и постобработку с применением семантических и морфологических фильтров.Алгоритм является составной частью комбинированной технологии обработки изображений топологических слоев интегральных схем.

- Алгоритм предобработки изображений с учетом оптических характеристик систем сканирования, реализующий выравнивание яркости в одном кадре для всего слоя на основе цветовой модели HSV и RGB, позволяющий устранить неоднородность яркости на изображении слоя микросхемы, что необходимо для последующей корректной обработки изображений слоев микросхем: сшивки кадров и идентификации объектов топологии.

- Метод повышения точности сегментации изображений печатных плат, основанный на экспертной классификации результатов кластеризации по k-средним в пространстве RGB. Метод повышает точность сегментации на границах элементов топологии и улучшает качество анализа изображения печатной платы.

- Методология определения класса кластер-процедур, которая включает: выбор алгоритма нечеткой кластеризации, исходя из априорных предположений о виде кластерного разбиения; определение показателей качества разбиения; определение способа инициализации начальных значений разбиения; оценку с помощью выбранного показателя ряда разбиений при различных параметрах выбранного алгоритма и выделение наилучших параметров для последующей обработки изображений. Данная методология позволяет определить алгоритм нечеткой кластеризации, исходя из конкретной тематической задачи и в соответствии с характеристиками обрабатываемых данных.

- Модель обработки изображений в виде последовательного выполнения синтеза цветных снимков высокого разрешения по данным панхроматической съемки высокого разрешения и мультиспектральных снимков низкого разрешения, вычисления базового набора признаков с использованием прямого реляционного эвристического алгоритма возможностной кластеризации, идентификации и классификации на основе взвешенного ансамбля многослойных нейронных сетей с одним скрытым слоем с нелинейной функцией активации гиперболический тангенс и выходным слоем с функцией активации мягкий максимум. Такая модель позволяет повысить точность по сравнению с одиночной НС и работать с сжатым признаковым описанием площадных объектов изображений. Экспериментальное программное обеспечение реализовано на языке python и предназначено для организации экспериментальной проверки предложенной методики синтеза

- Экспериментальное программное обеспечение детектирования участков земной поверхности, подвергшихся стихийным бедствиям, основано на использовании нейросетевых моделей SegNet и U-Net, что позволило достичь точности 90-93 % (для U-Net). Данное программное обеспечение реализовано с использованием библиотеки Keras (в качестве вычислительной библиотеки использовалась библиотека Tensorflow).

Дудкин, А.А. Обработка изображений в проектировании и производстве интегральных схем / А.А. Дудкин, Р.Х. Садыхов. – Минск: ОИПИ НАН Беларуси, 2008.- 270 с.

[ИН101, ИК403, ИК704, Ф11ОБ-071, 6МСГ/13-222, Ф18В-005, Ф16М-023]

· Сжатие гиперспектральных данных

- Алгоритм контекстного моделирования на основе адаптивных кодов Хаффмана и модель сжатия гиперспектральных данных дистанционного зондирования Земли на его основе. Алгоритм позволяет увеличить коэффициент сжатия данных на 6,2 % по сравнению с контекстно-адаптивным QM-кодеком. Модель сжатия гиперспектральных данных дистанционного зондирования Земли с применением алгоритма контекстного моделирования мажет быть применена как к спектральным каналам классического гиперкуба, так и к Фурье-интерферограммам. Практическую значимость разработанного алгоритма моделирования составляет его программная реализация и возможность его использования при разработке моделей (схем) сжатия различных типов данных. Разработанная модель сжатия с учетом алгоритма контекстного моделирования может служить основой для разработки аппаратно-программных средств сжатия гиперспектральных данных, что определяет его экономическую значимость.

[ИК704]