Автоматизированная система колоризации полутонового изображения



Рисунок 1.18 - Диаграмма развертывания

Цели, преследуемые при разработке диаграммы развертывания:

- Определить распределение компонентов системы по ее физическим узлам.

- Показать физические связи между всеми узлами реализации системы на этапе ее исполнения.

- Выявить узкие места системы и реконфигурировать ее топологию для достижения требуемой производительности [8].

На рисунке 1.18 предоставлена диаграмма развертывания системы. Каждая рабочая станция содержит все приложение целиком. Общим у всех станций является сервер базы данных.

1.3.7 Диаграмма деятельности

Диаграммы деятельности используются для моделирования процесса выполнения операций. Каждое состояние на диаграмме деятельности соответствует выполнению некоторой элементарной операции, а переход в следующее состояние срабатывает только при завершении этой операции в предыдущем состоянии [9].



Рисунок 1.19 - Диаграмма деятельности обучения нейросети

На рисунке 1.19 изображена диаграмма деятельности обучения нейросети на основе эталонного изображения.

1.4 Оценка системных и эксплуатационных характеристик

1.4.1 Расчет объема ВЗУ

Для того чтобы определить минимальные требования к системе, требуется рассчитать объём используемой памяти как на жёстком диске, так и в оперативной памяти:

На жестком диске:

- WindowsXP - 750 Мб.

- Исполняемый файл программы colorizer.jar - 3 Мб.

- Подгружаемые библиотеки .jar - 15 Мб.

- Папка с рисунками - 8 Мб.

Со временем количество используемых сетей накапливается. Но следует учитывать, что система рассчитана на использование готовых обученных сетей. То есть чем больше накапливается в системе готовых решений, тем меньше будет создаваться новых нейронных сетей. Каждая сеть занимает примерно 4Кб на жестком диске. Изначально создается 8-9 нейронных сетей в день. Со временем требование к созданию новых сетей, учитывая использование старых отпадает, и будет создаваться 1-3 нейронные сети в день. Учитывая среднее число за 5 лет использования программы, будет создано максимум 1000 нейронных сетей.

Расчёт объёма жёсткого диска ведётся по формуле 1.16:

V_жд = V_oc + V_д + [V_{соп.прог.}].(1.16)

V_жд = 750 Mб + 3 Мб +8 Мб + 15 Мб =786 Мб

В результате минимальный объём памяти на жёстком диске составляет около 1 Гб.

1.4.2 Расчет объема ОЗУ

Расчёт объёма ОЗУ ведётся по формуле 1.17:

V_озу = V_oc + V_пс + V_д + [V_{соп.прог.}].(1.17)

V_озу = 300 Mб + 4,5 Мб + 512 Мб = 816,5 Мб

Учитывая, что работа будет проводиться с графической информацией, округляем объем ОЗУ в большую сторону. В результате минимальный объём оперативной памяти составляет около 1 Гб.

Расчет необходимого объема ОЗУ производится по формуле (1.18) .

,(1.18)

где - объем оперативной памяти, необходимой операционной системе;

- объем оперативной памяти, необходимый программе.

=812 Мб;

=5,79 Мб;

В качестве данных, используемых системой, выступают обучающие данные, картинки и нейронные сети. Тогда объем оперативной памяти, необходимой для хранения данных можно вычислить по формуле (1.19).

,(1.19)

где - объем оперативной памяти, необходимой для хранения выборки; - объем оперативной памяти, необходимый для хранения структуры нейронной сети.

В любой момент работы программы используется не более одной обучающей выборки (одной тестирующей выборки), и одной нейронной сети. Максимальный объем обучающей выборки - 480000 пикселей.

Мб = 200Кб;

При расчете объема оперативной памяти, занимаемого нейронной сетью, будем считать, что максимальное число входов равно 1 (для функции яркости), число нейронов промежуточного слоя 50, выходного слоя 3 (формула 1.20).

.(1.20)

Мб=3,704 Кб.

= 2,8Кб + 3,704Кб=6,504Кб.

Тогда из (1.12) следует, что минимальный объем оперативной памяти, необходимый для функционирования системы равен:

V^ОП=812 Мб + 5,79 Мб + 6,804Кб=819 Мб.

1.4.3 Расчет времени реакции системы

Время реакции системы рассчитывается по формуле (1.21).

t_{реакции}=t_ввода+ t_{вычисления}+ t_{вывода,}(1.21)

где t_ввода - время ввода параметров сети и алгоритма обучения;

t_{вычисления} - время вычислений, связанных с обучением сети;

t_вывода - время вывода результатов на экран.

Время ввода параметров вычисляется по формуле (1.22).

t_ввода=L_симв• t_симв,(1.22)

где L_симв - количество символов в запросе;

t_симв - время ввода одного символа, обычно t_симв=1,5 с

Время вычислений, т.е. процесса обучения рассчитывается по формуле (1.23).

,(1.23)

где N_опер - количество операторов,

k_мк - среднее количество машинных команд, затрачиваемых на реализацию одного оператора,

f- тактовая частота процессора в герцах.

Время вывода результатов на экран t_вывода обычно составляет 0,5с.

Рассчитаем время реакции системы для случая обучения сети. Размерность входного вектора 100, число нейронов 7, число итераций обучения нейрона на всем задачнике 50, на одном примере - 1.

Время ввода параметров t_ввода=L_симв• t_симв=16·1,5 с = 24 с.

Количество операторов для формирования обучающей выборки 4255. Количество операторов для обучения одного «нейрона» 149782. Следовательно, общее количество операторов N_опер= 4255 + 449346 = 453601. Принимая среднее количество машинных команд, затрачиваемых на выполнение одного оператора равным k_мк=60, частоту процессора в герцах равной f=1,4•10⁹, получим, согласно (1.18), t_{вычисления}=с.

Тогда по (1.21) t_{реакции}= 24 с + 19,44·10^-3 с + 0,5 с = 25 с, что соответствует нормам времени для диалогового режима (до 30 с). В данном случае при расчете времени реакции учитывалось время ввода всех параметров. При инициализации системы уже введены оптимальные параметры, поэтому время реакции системы может быть сокращено до 0,5 с.

1.4.4 Минимальные требования к системе

На основе выполненных расчётов занимаемой памяти и исходя из основного назначения программы, сделаем вывод о рекомендуемой конфигурации комплекса технических средств:

- программное обеспечение, необходимое для функционирования программы: ОС MSWindows 98 или более новые версии;

- тип компьютера и устройств, используемых при работе программы: процессор AMDAthlon, INTELPentium-IV, Celeron, тактовая частота процессора 1,4 ГГц и выше;

- IBM - совместимый компьютер;

- объем оперативной памяти не менее 1 Гб;

- жесткий диск не менее 1 Гб

- монитор с разрешением 800x600;

- видеокарта 512Mб с поддержкой 256 цветов;

- манипулятор мышь.

2. КОНСТРУКТОРСКО-ТЕХНОЛОГИЧЕСКАЯ ЧАСТЬ

2.1 Выбор и обоснование средств реализации

2.1.1 Выбор языка программирования

Автоматизирования система колоризации монотонных полутоновых изображений реализована с помощью языка Java 1.6.

Java объектно-ориентированный язык программирования, разработанный компанией Sun Microsystems. Приложения Java обычно компилируются в специальный байт-код, поэтому они могут работать на любой виртуальной Java-машине (JVM) независимо от компьютерной архитектуры [12]. Достоинство подобного способа выполнения систем -- в полной независимости байт-кода от операционной системы и оборудования, что позволяет выполнять Java-приложения на любом устройстве, для которого существует соответствующая виртуальная машина. Другой важной особенностью технологии Java является гибкая система безопасности благодаря тому, что исполнение системы полностью контролируется виртуальной машиной. Любые операции, которые превышают установленные полномочия программы (например, попытка несанкционированного доступа к данным или соединения с другим компьютером) вызывают немедленное прерывание.

Кроме кроссплатформенности, Java имеет еще одно несомненное достоинство: ориентация на объектно-ориентированный подход программирования. Это позволяет наиболее быстро, эффективно и качественно осуществить разработку системы, а также ее дальнейшую поддержку [12].

Поэтому Java была выбрана в качестве языка для реализации автоматизированной системы.

2.1.2 Выбор среды программирования

Реализация автоматизированной системы осуществляется в среде IntelliJ Idea 10.

IntelliJ IDEA - интеллектуальная интегрированная среда разработки Java, сосредоточенная на производительности разработчика, которая обеспечивает устойчивую комбинацию расширенных инструментальных средств. Расширенная проектная навигация структуры кода упрощает анализ даже больших файлов, обеспечивая удобный способ их просмотра. Поиск распознает элементы языков, показывая результаты в интерактивной навигационной панели, помогая проанализировать все найденные файлы [1].

Первая версия IntelliJ Idea появилась в январе 2001 года и быстро приобрела популярность, как первая Java IDE с широким набором интегрированных инструментов для рефакторинга, которые позволяли программистам быстро реорганизовывать исходные тексты программ [1]. Дизайн среды ориентирован на продуктивность работы программистов, позволяя им сконцентрироваться на разработке функциональности, в то время как IntelliJ Idea берет на себя выполнение рутинных операций.

Начиная с шестой версии продукта, IntelliJ Idea предоставляет интегрированный инструментарий для разработки графического пользовательского интерфейса.

Начиная с версии 9.0, IntelliJ Idea доступна в двух версиях: Community Edition и Ultimate Edition. Community Edition является полностью open-source версией, доступной под лицензией Apache 2.0. В ней реализована полная поддержка JavaSE, Groovy, Scala, а также интеграция с наиболее популярными системами управления версиями. В версии Ultimate Edition реализована поддержка JavaEE, UML-диаграмм, подсчет покрытия кода, а также поддержка других систем управления версиями, языков и Фреймворков.

Таким образом, возможности данной среды программирования полностью соответствуют требованиям при разработке автоматизированной системы (поддерживает язык Java, имеет полный набор инструментов для создания интерфейса, написания и отладки кода).

2.1.3 Выбор операционной среды

В качестве языка программирования был выбран язык Java (п. 2.2.1), который является кроссплатформенным. Таким образом, полученный исполняемый файл .jar может быть запущен в любой операционной системе. Единственным требованием является наличие установленной Java Machine (JVM).

Разработка и отладка автоматизированной системы осуществляется в MS Windows 7, т.к. это одна из самых распространенных и удобных операционных систем, и на нее можно поставить JVM.

2.1.4 Описание программной реализации

Автоматизированная система колоризации монотонного полутонового изображения нейронной сетью включает в себя несколько подсистем (рисунок 2.1):

- подсистему обучения нейронной сети;

- подсистему сегментации изображения;

- подсистему колоризации изображения нейронной сетью;

- подсистему отображения интерфейса.

В подсистеме отображения интерфейса участвуют все граничные классы.

В подсистеме работы с нейронной сетью используется API класс NeuralNetworkHelper.java.



Рисунок 2.1 - Структура автоматизированной системы

В подсистеме колоризации изображения нейронной сетью используется класс NetworkWorker.java и ImageHelper.java

В подсистеме сегментации изображения используется класс ImageProxy.java и SegmentationEngine.java.

2.2 Разработка структуры хранения входных данных

Для каждого элемента входных данных используется универсальная структура работы с данными (Приложение Б). Данная структура состоит из нескольких составляющих: TrainingElement, TrainingSet и TrainingData. TrainingElement - хранит значение выборки. Использование внешнего интерфейса org.encog.engine.data.EngineData означает возможность получения и передачи данных в другие программы, поддерживающие этот интерфейс, что обеспечивает расширяемость АС. А интерфейс java.io.Serializable обеспечивает возможность хранения и получения выборок из файлов.

Массив элементов агрегируется в классе TrainingSet, который в свою очередь так же поддерживает интерфейс java.io.Serializable и внешний интерфейс для работы с массивом выборок org.encog.engine.data.EngineIndexableSet.

Для управления работой с выборками используется класс TrainingData. Он позволяет подгружать выборки из файлов, работать с другими программами с помощью использования внешних интерфейсов.

Все выборки буферизуются, чтобы не загружать их каждый раз из файла. Изображения состоят из достаточного большого числа пикселей (для изображения 640x480 это 307 200), каждый из которых разделяется на 3 канала, прежде чем попадает на обучение. Буферизация позволяет значительно ускорить процесс работы с файлом и повысить быстродействие программы.

Нормализация выборок производится до буферизации, чтобы при каждом обращении к выборке данные в выборке содержали значения, которые не требуют пересчета. Как было описано ранее, нормализация производится простым делением на 255, так как все значения содержат значения от 0 до 255.

2.3 Разработка алгоритмов системы

2.3.1Алгоритм сегментации изображения

Алгоритм сегментации изображения позволяет выделить на изображении участки с монотонным изменением функции яркости изображения. Схема алгоритма приведена на рисунке 2.2.



Рисунок 2.2 - Схема алгоритма сегментации изображения

Вначале изображение разделяется на 3 изображения, по каналам RGB соответственно. В случае использования функции Гаусса для каждого из изображений производится размытие, для чего необходимо выполнить расчет маски для размытия изображения согласно введенному параметру у (коэффициент размытия по Гауссу). Каждая дуга рассчитываемого графа хранит вес, равный сумме квадратов разностей значений каждого из каналов RGB вершин графа (соседних точек изображения). Для объединения вершин графа по введённому разрешающему критерию используется специальная структура DisjointSet, описанная в первом разделе, код структуры приведен в приложении Б. Данная структура позволяет произвести расчет графа минимальной стоимости (решение задачи Штейнера). Далее приводится описание поиска графа минимальной стоимости. После того, как задача решена, выдаем изображение-результат, раскрашенное в случайные цвета областей, построенных по полученному графу.

2.3.2Алгоритм обратного распространения ошибки

Алгоритм обратного распространения ошибки используется для обучения нейронной сети. Описание работы алгоритма и формулы расчета представлены в пункте 1.1.8 дипломного проектирования. Схема алгоритма приведена на рисунке 2.3 для сети с числом нейронов в скрытом слое равным М.

Рисунок 2.3 - Схема алгоритма обратного распространения ошибки

Алгоритм выполняется в отдельном потоке, чтобы не блокировать работу пользовательских задач. Остановка выполняется в случае выполнения хотя бы одного из условий:

- достигнуто значение допустимой ошибки обучения;

- выполнено максимально допустимое число итераций.

Вычисление ошибки производится на каждом шаге по формуле расчета СКО 1.15. Пересчет весов осуществляется по формуле 1.10, 1.13 или 1.14, в зависимости от выбранной модификации алгоритма обратного распространения ошибки.

2.4 Описание контрольного примера

Запускаем программу с помощью файла start.bat. На экране появляется главная форма приложения (рисунок 2.4).

Рисунок 2.4 - Главная форма приложения

На главной форме приложения нажимаем «Изображение» и выбираем файл изображения. В нашем случае мы выбрали изображение сёрфингиста на воде. Теперь для выбранного изображения необходимо задать параметры сегментирования. В качестве параметров выбирается функция сегментирования (Гаусса или Лапласа) и параметры сегментирования (минимальный размер сегмента и порог различия между соседними пикселями изображения.). В случае, если выбрана функция Гаусса то также необходимо ввести коэффициент размытия по Гауссу (рисунок 2.5).

После задания параметров нажимаем кнопку «Сегментировать».



Рисунок 2.5 - Выбор параметров сегментирования

После сегментирования появляется окно с выделенными монотонными участками изображения согласно заданным параметрам на исходном полутоновом изображении. Чтобы отдельно посмотреть выделенные области можно снять галочку «Показывать на начальном изображении». В правой части окна расположен список областей. Каждый элемент списка выделен в цвет соответствующей ему области. Название элемента списка соответствует выбранной для него нейронной сети. По умолчания для каждого элемента списка выбирается первая из списка сеть. Список сетей расположен под списком областей. Для задания областе изображения нейронной сети нужно выделить ее в списке, выбрать нейронную сеть и нажать кнопку «Задать». Для редактирования полученного варианта сегментирования можно нажать кнопку «Сегментировать вручную» (рисунок 2.6).



Рисунок 2.6 - Сегментированное изображение

Полученный вариант после автоматического сегментирования не очень удобный, поэтому отредактируем его вручную, объединив учаски, которые кажутся нам однородными (рисунок 2.7).

Рисунок 2.7 - Ручное сегментирование

После ручного редактирования нажимаем «Выполнить» и возвращаемся на предыдущую форму. Теперь, как видим на рисунке 2.8, у нас осталось всего 5 областей. Зададим для них нужные нейронные сети и нажмем «Выполнить».



Рисунок 2.8 - Задание нейронных сетей сегментам

После чего получаем результат, как на рисунке 2.9.

Рисунок 2.9 - Результат колоризации

Для того, чтобы оценить качество колоризации, сравним полученное изображение с исходным, изображенным на рисунке 2.10.

Рисунок 2.10 - Исходное изображение

Полное руководство пользователя при работе с АС колоризации полутоновых изображений приведено в приложении А.

2.5 Разработка методики испытания

Объектом испытания является автоматизированная система «Колоризация полутоновых изображений».

Целью испытания является проверка работоспособности системы.

1. Проверка возможности запуска программы.

Действия:

1) запустить start.bat.

Результат:

1) на экране появится главное окно приложения.

2. Проверка создания нейросети.

Действие:

1) запустить start.bat;

2) перейти в меню работы с нейронными сетями;

3) задать параметры сети;

4) нажать кнопку «Создать».

Результат:

1) в списке сетей появится новая нейросеть.

3. Проверка колоризации изображения.

Действие:

1) запустить start.bat;

2) выбрать пункт меню «Изображение»;

3) выбрать изображение;

4) задать параметры сегментирования;

5) нажать кнопку «Сегментировать»;

6) задать соответствие сегментам нейросетей;

7) нажать кнопку «Колоризация».

Результат:

1) изображение должно колоризоваться.

2.6 Анализ полученных результатов

Для определения оптимальных параметров нейронной сети построим сравнительную таблицу введенных параметров сети и полученной погрешности. Погрешность рассчитывается как СКО между цветом каждого канала изображения-оригинала и полученного в результате колоризации изображения. Исследование проводилось на одном и том же изображении с одними и теми же условиями: в таблице приведён самый худший результат из 29 испытаний.

Таблица 2.1 Таблица исследуемых параметров

Функция активации	Параметры функции активации	Алгоритм обучения	Параметры алгоритма обучения	Значение погрешности
1	2	3	4	5
Линейная	10 нейронов, k = 1	Обратного распространения ошибки	= 0,01	0,00139
			= 0,02	0,00102
			= 0,04	0,00262
1	2	3	4	5
		Обратного распространения ошибки с моментом	= 0,02 mom = 0,04	0,00095
			= 0,02 mom = 0,02	0,00094
			= 0,02 mom = 0,6	0,00091
		Обратного распространения ошибки с динамическим шагом	от 0,01 до 0,06 mom = 0,04	0,00095
			от 0,015 до 0,025 mom = 0,15	0,00091
			от 0,015 до 0,025 mom = 0,15	0,00157
		LMS	= 0,1	0,00125
			=0,5	0,00099
			= 0,65	0,00121
		Дельта-правило	= 0,1	0,00151
			= 0,3	0,00093
			= 0,5	0,00088
	15 нейронов в скрытом слое, k = 1	Обратного распространения ошибки	= 0,01	0,00175
			= 0,02	0,00099
			= 0,04	0,00195
		Обратного распространения ошибки с моментом	= 0,02 mom = 0,04	0,00086
			= 0,02 mom = 0,02	0,00087
			= 0,02 mom = 0,6	0,00088
		Обратного распространения ошибки с динамическим шагом	от 0,01 до 0,06 mom = 0,04	0,00086
1	2	3	4	5
			от 0,015 до 0,025 mom = 0,15	0,00086
			от 0,015 до 0,025 mom = 0,15	0,00086
		LMS	= 0,1	0,00117
			= 0,3	0,00097
			= 0,5	0,00094
		Дельта-правило	= 0,1	0,00111
			= 0,3	0,00093
			= 0,5	0,00095
Ступенчатая	10 нейронов, k = 1	Обратного распространения ошибки	= 0,01	0,00239
			= 0,02	0,00223
			= 0,04	0,00401
		Обратного распространения ошибки с моментом	= 0,02 mom = 0,04	0,00169
			= 0,02 mom = 0,02	0,00169
			= 0,02 mom = 0,6	0,00171
		Обратного распространения ошибки с динамическим шагом	от 0,01 до 0,06 mom = 0,04	0,00177
			от 0,015 до 0,025 mom = 0,15	0,00169
			от 0,015 до 0,025 mom = 0,15	0,00280
		LMS	= 0,1	0,00237
			= 0,5	0,00169
			= 0,65	0,00181
1	2	3	4	5
		Дельта-правило	= 0,1	0,00278
			= 0,3	0,00191
			= 0,5	0,00198
	15 нейронов в скрытом слое k = 1	Обратного распространения ошибки	= 0,01	0,00211
			= 0,02	0,00192
			= 0,04	0,00345
		Обратного распространения ошибки с моментом	= 0,02 mom = 0,04	0,00101
			= 0,02 mom = 0,02	0,00111
			= 0,02 mom = 0,6	0,00121
		Обратного распространения ошибки с динамическим шагом	от 0,01 до 0,06 mom = 0,04	0,00155
			от 0,015 до 0,025 mom = 0,15	0,00145
			от 0,015 до 0,025 mom = 0,15	0,00191
		LMS	= 0,1	0,00191
			= 0,5	0,00152
			= 0,65	0,00155
		Дельта-правило	= 0,1	0,00212
			= 0,3	0,00139
			= 0,5	0,00171
Сигмоидальная	10 нейронов в скрытом слое, k = 1	Обратного распространения ошибки	= 0,01	0,00292
			= 0,15	0,00183
			= 0,5	0,00150
		Обратного распространения ошибки с моментом	= 0,5 mom = 0,5	0,00183
			= 0,6 mom = 0,3	0,00133
1	2	3	4	5
			= 0,25 mom = 0,25	0,00172
		Обратного распространения ошибки с динамическим шагом	от 0,01 до 0,5 mom = 0,15	0,00179
			от 0, 0,01 до 0,5 mom = 0,25	0,00182
			от 0,01 до 0,5 mom = 0,05	0,00178
		LMS	= 0,15	0,00228
			= 0,35	0,00179
			= 0,55	0,00149
		Дельта-правило	= 0,15	0,00260
			= 0,35	0,00245
			= 0,65	0,00215
	15 нейронов в скрытом слое k = 1	Обратного распространения ошибки	= 0,01	0,00289
			= 0,15	0,00177
			= 0,5	0,00118
		Обратного распространения ошибки с моментом	= 0,02 mom = 0,04	0,00177
			= 0,02 mom = 0,02	0,00130
			= 0,02 mom = 0,6	0,00114
		Обратного распространения ошибки с динамическим шагом	от 0,01 до 0,06 mom = 0,04	0,00165
			от 0,015 до 0,025 mom = 0,15	0,00153
1	2	3	4	5
			от 0,015 до 0,025 mom = 0,15	0,00143
		LMS	= 0,1	0,00201
			= 0,5	0,00176
			= 0,65	0,00139
		Дельта-правило	= 0,1	0,00214
			= 0,3	0,00234
			= 0,5	0,00199
Тангенциальная	10 нейронов в скрытом слое k = 2	Обратного распространения ошибки	= 0,01	0,00196
			= 0,15	0,00086
			= 0,12	0,00086
		Обратного распространения ошибки с моментом	= 0,13 mom = 0,02	0,00087
			= 0,12 mom = 0,14	0,00086
			= 0,05 mom = 0,05	0,00115
		Обратного распространения ошибки с динамическим шагом	от 0,04 до 0,15 mom = 0,05	0,00108
			от 0, 0,01 до 0,15 mom = 0,15	0,00109
			от 0,11 до 0,14 mom = 0,09	0,00086
		LMS	= 0,15	0,00151
			= 0,35	0,00095
			= 0,55	0,00091
		Дельта-правило	= 0,15	0,00169
			= 0,25	0,00152
			= 0,5	0,00107
1	2	3	4	5
	15 нейронов в скрытом слое k = 2	Обратного распространения ошибки	= 0,01	0,00192
			= 0,10	0,00086
			= 0,12	0,00085
		Обратного распространения ошибки с моментом	= 0,13 mom = 0,02	0,00086
			= 0,12 mom = 0,14	0,00087
			= 0,05 mom = 0,05	0,00112
		Обратного распространения ошибки с динамическим шагом	от 0,04 до 0,15 mom = 0,05	0,00103
			от 0, 0,01 до 0,15 mom = 0,15	0,00107
			от 0,11 до 0,14 mom = 0,09	0,00086
		LMS	= 0,15	0,00131
			= 0,35	0,00110
			= 0,55	0,00085
		Дельта-правило	= 0,15	0,00145
			= 0,35	0,00126
			= 0,5	0,00109
Функция гаусса	10 нейронов в скрытом слое у = 0,5	Обратного распространения ошибки	= 0,01	0,00155
			= 0,10	0,00086
			= 0,12	0,00100
		Обратного распространения ошибки с моментом	= 0,13 mom = 0,02	0,00149
			= 0,12 mom = 0,14	0,00089
			= 0,05 mom = 0,05	0,00104
1	2	3	4	5
		Обратного распространения ошибки с динамическим шагом	от 0,04 до 0,15 mom = 0,05	0,00149
			от 0, 0,01 до 0,10 mom = 0,15	0,00089
			от 0,11 до 0,14 mom = 0,09	0,00087
		LMS	= 0,01	0,00181
			= 0,02	0,00152
			= 0,04	0,00128
		Дельта-правило	= 0,05	0,00128
			= 0,12	0,00095
			= 0,15	0,00145
	15 нейронов в скрытом слое у = 0,5	Обратного распространения ошибки	= 0,01	0,00152
			= 0,10	0,00087
			= 0,12	0,00099
		Обратного распространения ошибки с моментом	= 0,13 mom = 0,02	0,00143
			= 0,12 mom = 0,14	0,00088
			= 0,05 mom = 0,05	0,00102
		Обратного распространения ошибки с динамическим шагом	от 0,04 до 0,15 mom = 0,05	0,00115
			от 0, 0,01 до 0,10 mom = 0,15	0,00088
1	2	3	4	5
			от 0,11 до 0,14 mom = 0,09	0,00087
		LMS	= 0,01	0,00176
			= 0,02	0,00143
			= 0,04	0,00119
		Дельта-правило	= 0,05	0,00119
			= 0,12	0,00093
			= 0,15	0,00115

Вывод: Как видно из таблицы, наиболее удачный набор параметров для обучения нейронной сети следующий: Тангенциальная функция активации с параметром k=2 и числом нейронов в скрытом слое равным 15, алгоритмами обратного распространения ошибки и LMS. Этот вариант показал самую маленькую ошибку, равную 0,00086. Согласно примененному методу исследования [11], в 95% случаев полученная ошибка при данной комбинации параметров обучения будет меньше этого значения.

3. БЕЗОПАСНОСТЬ ЖИЗНЕДЕЯТЕЛЬНОСТИ

Безопасность жизнедеятельности (БЖД) - это система знаний, обеспечивающая безопасность нахождения человека в производственной и непроизводственной среде и развитие деятельности по обеспечению безопасности в перспективе, с учетом влияния человека на производственную среду.

Под безопасностью кого-либо или чего-либо понимается такое их состояние, при котором они находятся в положении надежной защищенности. Объектом автоматизации в данном случае является программный продукт, в разрабатываемой системе это процесс колоризации полутонового изображения. Данная система позволяет сегментировать полутоновое изображение с помощью выбранной функции сегментирования, обучить нейронную сеть, провести колоризацию монотонного изображения и применить обученные нейронные сети для колоризации сегментированного полутонового изображения. С точки зрения безопасности жизнедеятельности система обеспечивает:

- экономию времени, затрачиваемого пользователем на процесс сегментирования и колоризации изображения;

- снижение трудоемкости рабочего процесса;

- снижение количества и последствий отрицательного воздействия рисков (вероятных событий, которые могут явиться причиной изменений качества, затрат, сроков или ухудшений технических характеристик).

3.1 Обеспечение безопасности на стадии функционирования АС

Внедряемая автоматизированная система: автоматизированная система колоризации полутонового изображения (АСКПИ).

Назначение системы: автоматизация процесса колоризации полутонового изображения.

Цели создания системы с точки зрения обеспечения безопасности:

1. снижение трудоемкости процесса сегментирования и колоризации полутонового изображения;

2. повышение скорости обработки и анализа информации при выполнении задачи колоризации изображения;

3. упрощение процесса исследования возможности колоризации монотонного полутонового изображения и процесса сегментирования изображения различными функциями.

К наиболее важным функциям АСКПИ, изложенным в пункте 1.2 дипломного проекта, относятся:

- сегментация полутонового изображения;

- колоризация полутонового изображения;

- расчет погрешности преобразования изображения;

- сохранение результатов колоризации изображения в файл.

За счет выполнения автоматизированной системой этих функций обеспечивается снижение трудоемкости рабочего процесса и экономия времени пользователя.

Управление рисками обеспечивает снижение количества и последствий отрицательного воздействия рисков, а также:

1.определение и классификацию рисков;

2.количественную оценку вероятности;

3.оценку последствий осуществления рисков и установление стратегии реакции на каждый из них;

4.определение статуса рисков;

5.принятие соответствующих мер при выходе риска за применимые пределы.

Для управления рисками в автоматизированной системе следует четко определить понятие риска. В широком смысле слова риск -- это предполагаемое событие, способное принести кому-либо ущерб или убыток [9]. «Риск» обладает характерными свойствами:

- Наличие анализа. Риск существует, только когда сформировано субъективное мнение «предполагающего» о ситуации и дана качественная или количественная оценка негативного события будущего периода (в противном случае это угроза или опасность). В процессе исследования предметной области были изучены аналогичные программные продукты (пункт 1.3 дипломного проекта), учтены их основные риски.

- Значимость. Риск существует, когда предполагаемое событие имеет практическое значение и затрагивает интересы хотя бы одного субъекта (а именно заказчика системы). Риск без принадлежности не существует.

- Неопределённость. Риск существует тогда и только тогда, когда возможно не единственное развитие событий. Подобные ситуации возникают по многим причинам: например, если расположение и отрисовка элементов интерфейса не соответствует стандартам, а, следовательно, является непривычным или непонятным для пользователя. Или же в случае отсутствия или недоработки руководства пользователя.

- Ущерб. Риск существует, когда исход может привести к ущербу (убытку) или другому обязательно негативному последствию: простою работы, потере данных, утечка информации и др.

При разработке и проектировании системы необходимо принять меры по снижению вероятности возникновения ситуации риска и работе с последствиями, если таковая все же возникнет. При снижении риска повышается надежность функционирования автоматизированной системы.

С целью реализации задачи по обеспечению безопасности, целостности и надежности функционирования готовой системы в соответствие с нормативной документацией были выполнены следующие действия.

В начале процесса разработки АСКПИ была подробно изучена предметная область дипломного проекта (пункт 1.1 дипломного проекта) и составлено техническое задание в соответствии с ГОСТ 24.201-89 (требования к содержанию документа «Техническое задание»). Проектирование системы осуществлялось на основе общих требований, предъявляемых к автоматизированным системам в соответствии с ГОСТ 24.104-85 (автоматизированные системы управления) [13].

Для разработки АСКПИ были использованы следующие нормативные документы:

- ГОСТ 34.602-89 («Комплекс стандартов на автоматизированные системы»);

- ГОСТ ИСО/МЭК 15408-2002 («Информационная технология. Методы и средства обеспечения безопасности информационных технологий. Функциональные требования безопасности»);

- ГОСТ Р 51904-2002 («Программное обеспечение встроенных систем. Общие требования к разработке и документированию»).

С целью выявления и предотвращения ситуаций риска система была протестирована. Порядок и способы тестирования описаны в нормативно-правовых документах: ГОСТ 34.603-92 и ГОСТ 28.195-89 [14]. В процессе дипломного проектирования выполнялось тестирование системы, и были предприняты меры по предотвращению ошибок, которые могли бы возникнуть в процессе работы с ней. Усилена защита от некорректных действий пользователя, контроль ввода данных, введены всплывающие подсказки и предупреждающие сообщения, которые упрощают диалог пользователя с системой и обеспечивают заданное качество выполнения функций системы.

Разработанная автоматизированная система имеет ряд аналогов (сравнительный анализ характеристик подобных программных продуктов приведен в пункте 1.3 дипломного проекта). В результате анализа существующих программ были выделены их основные достоинства и адаптированы к разрабатываемой системе. В частности, это функции программы по работе с исходным изображением: возможность выбора областей колоризации, ввод значения допустимой погрешности при обучении нейронной сети, возможность отмены действия и т.д.

При выборе пользователем программного обеспечения следует учитывать, что аналогичные системы обычно не являются узкоспециализированными: трудно найти программу, предназначенную именно для колоризации полутонового изображения с возможностью автоматически сегментировать изображение.

Во избежание неверных действий пользователя и с целью облегчения рабочего процесса в ходе проектирования АСКПИ был создан эргономичный и интуитивно понятный интерфейс: добавлена справочная информация для удобной работы с системой, всплывающие подсказки и предупреждающие сообщения, информация представлена в виде наглядных рисунков (графиков, изображения с динамическим размером) и отчетов.

Также при исследовании аналогичных программных продуктов были учтены их недостатки и, следовательно, возможные риски.

Таким образом, к ситуациям риска в АСКПИ относятся:

1. несанкционированный доступ к данным;

2. системные сбои (возможна потеря данных);

3. неверные действия пользователя (нажатие кнопок в неподходящий момент, ввод некорректных данных);

4. и др.

Чтобы избежать потеря данных при различных сбоях системы предусмотрена возможность сохранения и восстановления данных из файла. Восстановление состояния системы до сбоя (загрузка нейронных сетей, их параметров, обучающих выборок, полное всех элементов интерфейса программы) занимает не более 1 минуты, при обычной загрузке операционной системы около 10 секунд.

Интерфейс АСКПИ описан в приложении А дипломного проекта. Тип интерфейса - диалоговый. Сделан контроль ввода (при выборе параметров, создании и изменении новых объектов сети). Функциональный аспект качества пользовательского интерфейса согласно ISO 9241-10-1996 определяется как степень соответствия поставленной задаче. Обеспечение практичности интерфейса было проведено в соответствии с ГОСТ Р ИСО/МЭК 9125-93 и постановкой задачи, рассмотренной в разделе 1.2 дипломного проекта.

Специальный продуманный дизайн пользовательского интерфейса снижает эмоциональную напряженность пользователя при работе с системой, а также уменьшает вероятность появления ошибочных и критических ситуаций.

Надежность определяется также соответствием функциональности основным характеристикам программы. Следует учитывать, что разрабатываемый программный продукт является автоматизированной системой, поэтому АСКПИ обладает основными признаками (свойствами) системы [1]:

1. Иерархичность. Элементы системы находятся в различных отношениях между собой и занимают определенное место в иерархической лестнице системы. В то же время сама система может быть подсистемой, (частью), входящей в состав системы более высокого порядка. Иерархичность систем обусловлена иерархичностью целей. У системы есть цель. А для достижения этой цели необходимо решить ряд более мелких подцелей, каждую из которых решает конкретная подсистема. Проектирование структуры модулей, пакетов, классов, взаимосвязанных сущностей системы осуществлено с использованием широко распространенной и удобной нотации UML (пункт 1.4 дипломного проекта).

2. Целостность. Система рассматривается как единое целое, состоящее из взаимодействующих частей. АСКПИ включает в себя несколько взаимосвязанных подсистем (подсистема сегментации изображения, подсистема обучения нейросети, подсистема колризации), работа которых в совокупности направлена на автоматизацию процесса колоризации полутонового изображения. Все подсистемы (модули) взаимодействуют между собой по определенной схеме (пункт 2.1 дипломного проекта), что обеспечивает гибкое взаимосвязанное управление данными и целостность системы в целом.

3. Восстанавливаемость отражает скорость и полноту восстановления требуемого уровня работоспособности при наступлении временных отказов в деятельности. Введение этого показателя связано также с возможностью самоконтроля оператором своих действий и исправлением допущенных ошибок. Восстанавливаемость АСКПИ обеспечивается с помощью сохранения промежуточных данных в файловой системе, наличия предупреждающих сообщений, контроля ввода данных и продуманного интерфейса, снижающего возникновение непонимания у пользователя.

4. Защищенность. Предотвращение несанкционированного доступа к данным и потери данных достигается с помощью предупреждающих сообщений и контроля ввода данных, который включает: обязательное заполнение требуемых полей с данными, проверка значений вводимых данных на соответствие типам, размерности, требованиям бизнес-логики проекта, диапазону значений и т.д.

5. Функциональность предопределяет, что все элементы системы действуют и взаимодействуют в рамках своего функционального назначения. Проверено соответствие техническому заданию на этапах проектирования и тестирования системы.

Выбор комплекса технических и программных средств производился, исходя из соображений повышения надежности функционирования системы. Обоснование выбора используемых средств приведено в пункте 1.6 и 2.1 дипломного проекта. При выборе учитывались факторы, влияющие на качество разработанной системы: удобство написания кода, отладки и тестирования программного обеспечения, а также низкая вероятность сбоев системы и комфортность работы непосредственно на стадии функционирования готового продукта.

При внедрении АСКПИ следует учитывать, насколько сложно будет обучить сотрудников работать с данной системой. Это зависит от нескольких факторов.

Во-первых, важна индивидуальная пригодность человека: соответствие физических, психических, психофизиологических качеств предстоящим условиям труда. Поэтому следует учитывать, что пользователь при работе с АС работает по схеме «человек-машина»: анализирует информацию, которая выводится программой посредством монитора, а также вводит параметры обучения нейронной сети с помощью средств ввода (мыши, клавиатуры).

Во-вторых, учитывается, что с автоматизированной системой могут работать сотрудники, имеющие различный уровень квалификации: квалифицированный сотрудник компании или пользователь системы без специальных навыков и опыта работы с обработкой изображения. Для использования разработанного программного обеспечения следует иметь минимальные представление о предметной области: понятиях колоризации, сегментации, нейронных сетях; а также уметь применять соответствующие информационные модели, работать с используемыми техническими средствами (перечень средств и обоснование их выбора приводится в разделе 2 дипломного проекта) и прилагаемой документацией (руководство пользователя в приложении А).

АСКПИ берет на себя большую часть работы по сегментации изображения, колоризации областей изображения, хранению данных. На пользователя возлагается только задача выбора начальных значений параметров сети, функции сегментирования, характеристик метода обучения, выбора соответствия нейросети и области сегментированного изображения.

АСКПИ функционирует автономно на локальной рабочей станции пользователя: не требуется дополнительных подключений к интернету, сети организации или серверу базы данных. Система функционирует в офисном помещении (предположительно учебные аудитории, кабинеты научных сотрудников). Согласно ГОСТ 12.1.005.-88 "Система стандартов безопасности труда. Общие санитарно-гигиенические требования к воздуху рабочей зоны". Работа такого рода, производимая сидя и сопровождающаяся незначительным физическим напряжением, относится к категории 1а [13].

Для оценки безопасности разработанной АСКПИ на стадии функционирования, проведем анализ напряженности рабочего процесса пользователя. Напряженность рабочего процесса оценивается в соответствие с руководством Р2.2.2006-05 «Руководство по гигиенической оценке факторов рабочей среды и трудового процесса. Критерии и классификация условий труда» [13].

3.2 Нагрузки интеллектуального характера

3.2.1 Содержание работы

Современное оборудование позволяет получать изображения высокого качества и разрешения. Цветопередача получаемых изображений значительно выше, чем у изображений, получаемых с помощью старого оборудование. Но зачастую информационная ценность старых изображений выше, чем у новых. В связи с этим требуется преобразование старой информации в новый формат.

Одной из проблем старых изображений является отсутствие цвета на них. Ручная обработка изображений требует работы квалифицированных работников и большие затраты времени. Такой класс сложности выполняемой деятельности можно отнести к классу 3.1.

В рамках дипломного проектирования была разработана система, использующая современные алгоритмы работы с изображением и разработки в области искусственного интеллекта позволяют решить задачу автоматизированной колоризации (пункт 1.2 дипломного проекта). В результате применения разработанной системы можно значительно сократить время напряженного труда за счет автоматизации процесса колоризации отдельных областей изображения, что раньше выполнялось пользователем. Система выполняет следующие основные функции:

- колоризация полутонового изображения;

- обучение нейронных сетей на реальных изображениях;

- сохранение результирующего изображения в файл.

К задачам пользователя при работе с нейронной сетью следует отнести:

- определение структуры нейронной сети, включающее задание числа нейронов скрытого слоя и выбора функции активации;

- ведение справочников нейронных сетей, предназначенных для колоризации изображений;

- выбор изображений, сети для колоризации и выполнение запуска процесса;

- оценка результата работы нейронной сети.

В разработанной системе существует 2 класса пользователей: Эксперт и пользователь. Эксперт должен обладать минимальным объемом знаний о нейронных сетях, уметь правильно выбирать параметры обучения и отслеживать сам процесс обучения. Пользователь системы пользуется готовым решением - обученная нейронная сеть. Это означает, что пользователя при работе с системой не интересует ни форма представления данных, ни структура их хранения и работы.

Требования к квалификации человека, работающего с системой, ниже, чем к работкам ручной обработки изображений. Таким образом, разработанную систему можно отнести ко 2 классу по сложности выполняемой деятельности.

Система адаптировала большую часть полезных свойств аналогов: возможность выбора области колоризации, выбор шаблона колоризации. Но в отличие от аналогов (смотреть раздел 1.3 главы 1 дипломного проекта), система способна работать с несколькими изображениями одного класса одновременно, систему можно обучать, в качестве шаблонов используются обученные модели нейронной сети, что делает ее более расширяемой и перспективной.

3.2.2 Восприятие сигналов (информации) и их оценка

При работе с системой пользователю предлагается работать с небольшим количеством объектов: изображение и выбранные нейронные сети. Эксперт системы работает со справочником нейронных сетей и процессом обучения сети. Разработанная система предоставляет информативный интерфейс, для решения возникающих вопросов разработана специальная справка. Пользователь может выполнить высокоинформативные действия простейшим нажатием одной кнопки. Для вывода информации в системе используются текстовые сообщения, диалоговые окна с выбором решения. Наиболее важная информация представляется в форме графиков и изображений.

От пользователя требуется восприятие информации с последующим выбором действия и подтверждения своих действий, т.е. данная деятельность относится к классу 2.

3.2.3 Распределение функций по степени сложности задания

Трудовая деятельность характеризуется распределением функций между работниками. Чем больше функций наложено на работника, тем выше напряженность труда этого работника.

Колоризация изображения включает в себя сложные задачи, выполнение которых требует большое число расчетов и ресурсов. Важным фактором является затрата временных ресурсов, которые требуются на выполнение длительных операций. Поэтому необходимо автоматизировать по возможности наибольшее количество шагов, необходимых на выполнение колоризации.

Функции, возложенные на систему, перечислены в пункте 1.2 главы дипломного проекта. Система предназначена для восстановления цвета монотонного полутонового изображения с помощью обученной нейронной сети, реализующей модель многослойного персептрона. К функциям системы относятся действия, которые системы выполняет значительно быстрее, чем это может сделать человек (см. пункт 1.1). Человек выполняет действия по настройке системы и выбору изображения (см. пункт 1.1). В ходе работы эксперта система автоматизирует функцию процесса обучения системы. Система автоматизирует функцию восстановления цвета изображения при работе пользователя. Это позволяет снизить степень сложности работы пользователя до минимума.

Таким образом, с помощью разработанной системы автоматизируется примерно 85% общей работы по колоризации (включая наиболее длительную часть работы).

Контроль выполнения заданий и распределения заданий между работниками не производится. Обработка, выполнение задания и его проверка выполняется самим пользователем.

Эксперт должен вести справочник сетей и производить обучение каждой из них. Учитывая, что обучение может занимать довольно длительный промежуток времени, но при этом не требует участия человека, класс напряженности можно оценить как 2.

3.2.4 Характер выполняемой работы

Работа с системой выполняется по индивидуальному плану без графика и жестких ограничений времени, следовательно, класс напряженности по данному критерию можно оценить как 1 (оптимальный).

3.3 Сенсорные нагрузки

3.3.1 Длительность сосредоточенного наблюдения

В данной системе наблюдаемый объект может меняться как самостоятельно (при обучении), так и от действий пользователя (изменение параметров сети).

Пользователь выполняет ряд шаблонных задач, последовательность которых каждый раз одна и та же. Поступающая информация должна восприниматься пользователем в понятной форме, длительность сосредоточенного наблюдения небольшая. Информация, поступающая пользователю, предоставляется в наглядной форме (пункт 1.2), следовательно, длительность сосредоточенного наблюдения должна снижаться. Наиболее длительные операции предлагается выполнять эксперту (см. пункт 1.1), что должно позволить выполнить их в более быстрые сроки. Общее время работы с системой принимаем за 100%. Таким образом, длительность сосредоточенного наблюдения у посетителя составляет до 15 % (класс 1) (к 15% относится ввод параметров, выбор изображения и поиск технических объектов).

3.3.2 Плотность сигналов за один час работы

В разработанной системе число поступающих сообщений минимальное. Все сообщения связаны с оповещением пользователя к готовности результата или требованием правильно ввести информацию. В качестве сигнализирующих сигналов используются диалоговые окна с информирующими сообщениями. Все ошибки и проблемные ситуации, которые могут быть обработаны без участия пользователя, не выводятся в виде сигнализирующего сообщения, а обрабатываются, не оповещая пользователя о возникшей проблеме. Класс напряженности можно оценить как оптимальный (до 75 сигналов в час).

3.3.3 Число объектов одновременного наблюдения

Число производственных объектов одновременного наблюдения указывает, что с увеличением числа этих объектов возрастает напряженность труда. Эта характеристика труда предъявляет требования к объему внимания и его распределению как способности одновременно сосредотачивать внимание на нескольких объектах и действиях.

Одновременно пользователю может быть предоставлен только один объект наблюдения. Система скрывает объекты, которые в данный момент не участвуют в работе, чтобы пользователь системы сосредоточился на выполняемой в данный момент работе. Напряженность труда по этому показателю можно отнести к 1 классу (до 5 объектов).

3.3.4 Размер объекта различения при деятельности сосредоточенного внимания

Чем меньше размер рассматриваемого предмета (цифровой или буквенной информации и т.п.) и чем продолжительнее время наблюдения, тем выше нагрузка на зрительный анализатор. Соответственно возрастает класс напряженности труда.

Пользователь системы по большей части работает с изображениями, которые меняют свой размер автоматически при вводе в систему для более удобного восприятия информации. Объект минимального различения - названия элементов интерфейса с размером шрифта более 5 мм, при расстоянии до объекта наблюдения до 0,5 м. В качестве основы размеров объекта различения взяты категории зрительных работ из СанПиН 2.2.2/2.4.2198-07 «Гигиенические требования к персональным электронно-вычислительным машинам и организации работы» и СНиП 23-05-95 «Естественное и искусственное освещение» за 2003 год.

При этом рассматривается лишь тот объект, который несет смысловую информацию, необходимую для выполнения работы. У пользователя системы минимально различимый объект это буква. Характер зрительной работы средней точности.

Напряженность деятельности можно отнести к классу 2.

3.3.5 Работа с оптическими приборами при длительности сосредоточенного наблюдения

Необходимо учитывать то, что к оптическим приборам не относятся различные устройства для отображения информации (дисплеи, сенсорные мониторы) - в них оптика не используется. Поэтому время, которое работает сотрудник с оптическими приборами, равно 0; а сам класс напряженности такой работы соответствует классу 1.

3.3.6 Наблюдение за экраном монитора в часах

Пользователь системы проводит за экраном монитора небольшое количество времени (до 3 часов в смену), требуемое для обработки и сохранении изображения. Обработка изображения готовой сетью занимает незначительный промежуток времени (менее получаса в течение смены). Однако эксперт может проводить достаточное длительное время (до 5 часов в смену), выбирая оптимальные параметры. Класс напряженности можно отнести к классу 2.

3.3.7 Нагрузка на слуховой анализатор

Степень напряжения слухового анализатора определяется по зависимости разборчивости слов в процентах от соотношения между уровнем интенсивности речи и «белого шума».

Система может быть установлена на любой компьютер. В связи с этим работа с системой не требует нахождения пользователя в шумной обстановке. Работа с системой не предполагает нахождение пользователя в помещении с повышенным уровнем шума. Система пользователю никаких звуковых сигналов не посылает. Таким образом, напряженность следует отнести к 1 классу.

3.3.8 Нагрузка на голосовой аппарат

Степень напряженности голосового аппарата зависит от продолжительности речевых нагрузок. Перенапряжение голоса наблюдается при длительной голосовой деятельности без отдыха. Работа ведется по модели «человек - машина», что предполагает отсутствие нагрузки на голосовой аппарат. Пользователь в процессе деятельности не ведет диалога с системой (класс 1). Взаимодействие производится электронным способом.

3.4 Эмоциональные нагрузки

3.4.1 Степень ответственности за результат своей собственной деятельности. Значимость ошибки

Указывает, в какой мере работник может влиять на результат собственного труда при различных уровнях сложности осуществляемой деятельности. С возрастанием сложности повышается степень ответственности, поскольку ошибочные действия приводят к дополнительным усилиям со стороны работника или целого коллектива, что соответственно приводит к увеличению эмоционального напряжения.