Автоматизация технологических процессов контроля качества стеклянных микрошариков тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Стругайло, Владимир Владимирович

• Стругайло, Владимир Владимирович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Стругайло, Владимир Владимирович

СОДЕРЖАНИЕ

Введение

1. Подходы к автоматизации процесса производства и контроля качества стеклянных микрошариков

1.1. Анализ области применения и технологий производства стеклянных микрошариков

1.2. Анализ подходов к контролю качества производимых стеклянных микрошариков

1.3. Анализ области применения обработки и анализа изображений в автоматизации промышленных задач

1.3.1. Общие представления о применении обработки и анализа изображений в автоматизации промышленных задач

1.3.2 Анализ области применения обработки и анализа микрообъектов на изображениях в автоматизации промышленных задач

1.4. Обзор подходов к построению систем обработки и анализа визуальной информации в промышленности

1.4.1 Обзор общих подходов к построению систем обработки и анализа визуальной информации в промышленности

1.4.2 Обзор подходов к построению систем обработки и анализа микрообъектов по изображениям в промышленности

1.5. Математические методы и алгоритмы, применяемые в задачах промышленной микроскопии

2. Методы обработки и анализа цифровых изображений стеклянных микрошариков

2.1. Представление цифровых изображений в компьютере

2.2. Методы предварительной обработки и фильтрации изображений

2.3. Методы сегментации изображений стеклянных микрошариков

2.4. Инвариантность и размерность представления изображений стеклянных микрошариков

2.4.1. Ориентирование в пространстве контуров стеклянных микрошариков с измененной формой

2.4.2. Масштабирование и нормализация изображений стеклянных микрошариков

2.5. Анализ гранулометрического состава и коэффициент сферичности стеклянных микрошариков

2.6. Оценка изменения яркости стеклянных микрошариков по их гистограммам

2.7. Модель обработки цифровых изображений стеклянных микрошариков в виде связных множеств

3. Система анализа цифровых изображений стеклянных микрошариков на основе комбинированных нейросетевых алгоритмов

3.1. Анализ существующих методов кластеризации и классификации объектов на цифровых изображениях применительно к стеклянным микрошарикам

3.2. Обоснование выбора методологии для системы кластеризации и классификации цифровых изображений стеклянных микрошариков

3.3. Нейросетевой алгоритм группирования цифровых изображений стеклянных микрошариков по форме и размерам

3.4. Нейросетевой алгоритм классификации цифровых изображений стеклянных микрошариков по форме и размерам

4. Разработка модели программного обеспечения контроля качества стеклянных микрошариков по изображениям в промышленном производстве

4.1. Формулировка задач и требований к программному обеспечению автоматизированной системы контроля качества стеклянных микрошариков по их цифровым изображениям

4.2. Структура программного обеспечения автоматизированной системы контроля качества стеклянных микрошариков по их цифровым изображениям

4.3. Методы и средства, применяемые при разработке программного обеспечения автоматизированной системы контроля качества стеклянных микрошариков по их изображениям

4.4. Перспективы приложения моделей предложенных в системе контроля качества стеклянных микрошариков по цифровым изображениям

4.5. Результаты внедрения разработанного программного обеспечения в подсистему контроля качества стеклянных микрошариков

Заключение

Список используемых источников

Приложения

Приложение 1. Список используемых сокращений

Приложение 2. Акты внедрения

Введение диссертации (часть автореферата) на тему «Автоматизация технологических процессов контроля качества стеклянных микрошариков»

Введение

Актуальность проблемы. В технологических процессах производственных предприятий зачастую есть необходимость в обработке визуальной информации. Работа, связанная с оценкой зрительных образов, особенно при большом их количестве, достаточно трудоемка и утомительна для человека и, в то же время, требует большой ответственности.

Объем промышленно изготавливаемых стеклянных микрошариков (СМШ) требует соответствующего уровня контроля качества продукции, что предполагает внедрение технологий, позволяющих поддерживать данный этап в производстве на должном уровне. Одним из подходов к автоматизации процесса контроля качества может быть анализ изображений СМШ, внедряемый вместо ручных методов с применением микроскопа. Промышленные анализаторы изображений позволяют сократить временные затраты и значительно снизить количество ошибок, совершаемых человеком при выполнении большого числа рутинных и монотонных операций.

Контроль качества СМШ среди параметров включает в себя оценку таких визуальных характеристик как размеры и форма частиц. Существующие ситовые методы, применяемые при классификации СМШ, имеют оценочный характер и не всегда дают необходимую информацию о форме и размерах фильтруемых объектов.

Между тем, визуальный анализ размеров и формы СМШ дает специалистам представление не только о качестве произведенного материала, но и позволяет оценить состояние параметров производства, соблюдение режимов работы оборудования и его исправность, а также качество используемого сырья.

Однако анализ и обработка характеристик СМШ с помощью промышленных анализаторов изображений предполагает решения ряда задач. Необходимо реализовать возможность комфортной для глаз человека

визуализации изображений, а при необходимости сохранять в виде файлов изображения отдельных микрошариков. Цифровые изображения СМШ не всегда имеют идеальное качество, что требует создания эффективных алгоритмов для обработки образов. Принимая во внимание важность оценки формы СМШ, следует учесть, что объекты на изображении имеют множество возможных вариантов положений, это увеличивает сложность анализа. Даже при очень строгих параметрах технологического процесса производства, СМШ в отдельно взятой пробе могут значительно отличаться по гранулометрическому составу, что затрудняет их представление с фиксированной размерностью. Цифровое изображение пробы может содержать множество замкнутых контуров отдельных СМШ, но также включать неполные контуры или агломерации объектов. Это требует выделения отдельных объектов и исключение из обработки элементов, о форме которых невозможно сделать однозначных выводов. Методы, используемые для классификации СМШ с помощью изображений, должны позволять получать высокоточные и стабильные результаты. Также важным является реализация удобного представления результатов, получаемых в процессе обработки и анализа изображений.

Поэтому исследование и разработка моделей, методов и алгоритмов, позволяющих осуществлять контроль качества СМШ посредством обработки и анализа цифровых изображений, является очень важной задачей, и определяет актуальность данной диссертационной работы.

Предмет исследования модели, методы и алгоритмы обработки и анализа изображений микрообъектов, применительно к контролю качества промышленно производимых СМШ; программное обеспечение (ПО) и компоненты промышленных анализаторов изображений и систем технического зрения; подходы к автоматизации технологических процессов производства СМШ.

Целью диссертационной работы является: повышение эффективности управления производством промышленно изготавливаемых СМШ посредством разработки и внедрения ПО, входящего в состав подсистемы контроля качества, комплексной автоматизированной системы управления (АСУ) производственным процессом предприятия.

Для достижения поставленной цели в работе решаются следующие задачи:

1. Анализируются модели, методы и алгоритмы обработки и анализа информации, заложенной в цифровых изображениях микрообъектов применительно к контролю качества СМШ.

2. Разрабатываются новые и модифицированные модели, методы и алгоритмы обработки и анализа цифровых изображений СМШ.

3. Разрабатывается ПО подсистемы контроля качества СМШ. Описывается методика работы с ПО.

4. Производится экспериментальное исследование разработанных методов и оценка результатов внедрения подсистемы контроля качества, в рамках комплексной АСУ производственным процессом СМШ.

Методы исследования. При разработке методов, моделей и алгоритмов обработки изображений в диссертации использовались элементы теории распознавания образов, методы цифровой обработки изображений и сигналов. Разработка методов группирования и классификации построена на аппарате искусственных нейронных сетей (ИНС). Разработка модели представления метаданных построена на положениях теории множеств и математической логики. Модели подсистемы контроля качества построены на методах математического программирования. Моделирование разрабатываемых и анализируемых методов и алгоритмов производилось с помощью пакетов математических и технических вычислений.

Научная новизна заключается в разработке методов, моделей и алгоритмов представления, обработки и анализа цифровых изображений Г-МТТТ в подсистеме контроля качества промышленного производства.

На защиту выносится:

• Модель обработки цифровых изображений СМШ в виде связных множеств;

• Модификация алгоритма ориентирования изображений контуров объектов, основанная на моментах инерции;

• Алгоритм оценки яркостей изображения по гистограммам;

• Модель группирования файлов цифровых изображений СМШ по форме и размерам, основанная на ИНС Кохонена;

• Модель классификации СМШ по размерам и форме на цифровых изображениях, основанная на комбинированной архитектуре ИНС с обратным распространением ошибки.

Практическая ценность и реализация результатов работы. Научные результаты, полученные в диссертации, доведены до практического использования. Они представляют непосредственный интерес в области автоматизации контроля качества микрообъектов производимых в промышленных условиях.

Методы, модели и алгоритмы, а также программные средства могут быть использованы при решении задач обработки и анализа характеристик микрообъектов на цифровых изображениях в промышленных производствах.

Разработанные методы, модели и алгоритмы прошли апробацию и внедрены для практического применения на предприятии ООО «ПромНаноСистемс».

Апробация работы. Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

• на Российских и межрегиональных научно-технических конференциях, симпозиумах и семинарах (2007-2012г.г.);

• на заседании кафедры АСУ МАДИ.

Совокупность научных положений, идей и практических результатов исследований представляет интерес в области автоматизации процессов контроля качества микрообъектов в промышленном производстве.

Содержание работы. Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, моделей и алгоритмов.

Во введении обосновывается актуальность научная и практическая значимость темы диссертационной работы, сформулированы цель работы и ее научная новизна, изложены выносимые на защиту положения, приведена краткая характеристика работы.

В первой главе производится анализ технологических процессов производства СМШ. Рассматриваются подходы к автоматизации производства СМТТТ. Исследуются области применения СМШ. Анализируются подходы к контролю качества СМШ. В качестве применяемых методов рассматриваются: ручной метод, основанный на зрительном анализе и автоматизированные подходы с использованием промышленных анализаторов.

Анализируются области применения обработки и анализа изображений при автоматизации промышленных задач. Рассматривается общие представления и подходы к исследованию изображений микрообъектов в производстве. Исследуются технологии обработки частиц на цифровых изображениях в материаловедении, пищевой, перерабатывающей и других отраслях.

Осуществляется обзор подходов к построению систем обработки и анализа визуальной информации в промышленности. Отдельно рассматриваются анализаторы изображений микрообъектов. Выделяется структура систем технического зрения и основные функциональные блоки

ПО анализаторов изображений. Анализируются преимущества и недостатки существующих методологий.

Следующим пунктом первой главы рассматриваются математические методы и алгоритмы, применяемые при реализации задач обработки и анализа изображений. Выделяется эвристические, математические, лингвистические методы и ИНС.

В конце главы анализируются существующие методы обработки и анализа цифровых изображений микрообъектов в промышленности.

Во второй главе вводится понятие о представлении цифровых изображений в памяти компьютера в виде матрицы вещественных чисел, которые характеризуют значение яркости отдельных пикселей.

В качестве методов улучшения изображений, содержащих СМШ, выделяются два подхода, основанные на пространственных и частотных изменениях. Суть пространственных методов заключается в том, что такие алгоритмы оперируют непосредственно с пикселями, представляющими пространство изображения. Основой частотных методов является применение прямого и обратного преобразования Фурье. Исследование методов обработки изображений позволяет сделать вывод, что многие задачи одинаково хорошо решаются как пространственными, так и частотными методами.

На этапе предварительной обработки изображений осуществляется изменение яркостных характеристик и контрастности, далее следуют методы фильтрации. Сглаживающие фильтры решают задачу подавления на изображении аддитивного шума, который проявляется отдельными точками, отличающимися от фона, и имеет гораздо меньший размер, чем СМШ. Однако такие фильтры часто обладают свойством размывать границы объектов. Для повышения четкости границ применяются соответствующие алгоритмы повышения резкости.

Проводится исследование методов и алгоритмов сегментации изображений, целью которых является отделение СМШ от фона и представлении СМШ как отдельных объектов. Из множества алгоритмов применяемых для целей выделения элементов изображений были выбраны градиентные методы, поскольку они легко реализуются программно. Отдельно был рассмотрен метод Canny, который представляет набор алгоритмов, дающих более качественный результат, чем вышеприведенные методы.

Рассматриваются методы масштабирования и нормализации, позволяющие сделать изображения инвариантными к масштабированию. Для оценки формы СМШ реализован алгоритм вычисления коэффициента сферичности Рилея.

Для представления изображений СМШ в виде удобном для последующего анализа разработан алгоритм поворота изображения СМШ с использованием точки центра масс и координат объекта, что позволяет привести СМШ в относительно одинаковое положение.

Так как, контуры большинства СМШ имеют форму близкую к окружности, данный механизм позволяет значительно сократить количество операций по обработке изображений.

Для оценки качества СМШ по яркостям полутоновым изображениям разработан модифицированный алгоритм оценки сходства форм гистограмм. Особенность метода заключается в оценке только частей гистограмм, содержащих СМШ. В данном подходе часть гистограммы, относящаяся к фону, отнимается по заданному порогу. Таким образом, остается только та часть гистограммы, площадь которой указывает на стеклянный материал. По части гистограммы в исследуемом образце СМШ определяется процентное соотношение дефектного и соответствующего норме материала, а также изменение яркости по отношению к эталону и таким образом оценивается качество исследуемой партии СМШ.

Разработана модель, позволяющая представлять и обрабатывать цифровые изображения в виде взаимосвязанных множеств. Первая идея разработанной модели заключается в хранении связей между координатами представлений изображения в различных цветовых моделях. Это позволяет выбирать такое цветовое представление исходного изображения, которое является более подходящим для выбранных методов его обработки. Далее последовательность выполненных преобразований над одним видом изображения может быть перенесена на другие его представления.

Вторая идея основывается на понятиях множеств, каждое изображение это множество элементов, представленное пикселями. Набор связанных представлений изображений также можно понимать как множество. Далее для изображения можно выделить области с контурами объектов, каждую такую область можно представить как отдельное изображение, а их совокупность множеством имеющим пересечение с исходным изображением.

В третьей главе проводится анализ методов кластеризации и классификации с целью построения системы, позволяющей анализировать изображения СМШ. Выделяются искусственные нейронные сети (ИНС), как аппарат позволяющий строить необходимые решающие функции в процессе обучения нейросетевого алгоритма. Исследуются традиционные нейроструктуры, применяемые в задачах кластеризации и классификации цифровых изображений. Осуществляется обоснование методологии ИНС в качестве подхода для анализа характеристик изображений СМШ.

Разработана модель для группирования объектов, на основе алгоритма ИНС Кохонена. В рамках разработанной модели формируется визуальное представление выявленных классов, а также имеется возможность сохранить проанализированные объекты в виде отдельных файлов изображений в структурированное хранилище образов с учетом их группирования. Данная модель позволяет визуально оценить качество выделяемых классов образов и

создавать структурированные библиотеки цифровых изображений исследуемых образов.

Разработана модель классификации объектов, основанная на комбинированной ИНС с обратным распространением ошибки. Каждая ИНС, в рамках комбинированной структуры, обучена распознавать один класс объектов. В комбинированной структуре используются классические полносвязные трехслойные ИНС с одним нейроном на выходе для классификации Г.МТТТ. В зависимости от решаемых задач, используемые в комбинированной структуре, ИНС могут иметь различные архитектуры

В четвертой главе описываются возможности, реализованные в ПО подсистемы контроля качества СМШ. Приводится схема структуры ПО, описываются основные функции, реализованных алгоритмов обработки и анализа СМШ. Приводится описание технологий, методологий и средств, применяемых при реализации ПО подсистемы контроля качества СМШ. Анализируются перспективы реализованных методов, моделей и алгоритмов в решении задач обработки и анализа визуальной информации в задачах промышленного производства.

Приводятся результаты, получаемые до и после внедрения разработанных методов, моделей и алгоритмов в ПО подсистемы контроля качества СМШ. На экспериментальных данных оцениваются изменение параметров технологического процесса контроля качества и производства в целом.

В заключении представлены основные результаты работы.

Публикации. По результатам выполненных исследований опубликовано 13 печатных работ.

Объем диссертации. Диссертационная работа состоит из введения, 4 глав, общих выводов, приложений и списка литературы. Работа изложена на 182 страницах машинописного текста, содержит 9 таблиц и 49 рисунка. Список литературы включает 157 наименования работ отечественных и зарубежных авторов.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Стругайло, Владимир Владимирович

Заключение

В итоге выполненных исследований и работ, отраженных в данной диссертации, получены следующие основные результаты, определяющие

научную новизну и ее практическую значимость:

1. Проведен анализ технологического процесса контроля качества СМШ, который позволил выявить зависимость уровня оценки квалитета продукции от организации подсистемы контроля, а также влияние результатов работы контролирующей службы на состояние промышленного

оборудования и производства в целом.

2. Произведен анализ информационного и математического

обеспечения автоматизированных систем обработки визуальной информации в задачах промышленного производства микрообъектов. Выполнен обзор применяемых методологий. Показано, что при современном развитии аппаратных составляющих систем обработки визуальной информации необходимо развитие интеллектуальных технологий, позволяющих создавать узкоспециализированный функционал и повышать возможности

принимаемых решений.

3. По результатам проведенных исследований определен ряд задач, позволяющих повысить уровень технологического процесса контроля качества СМШ в рамках существующей АСУТП предприятия. Выполнено обоснование выбранных методологий, автоматизирующих обработку и анализ характеристик СМШ посредством цифровых изображений.

4. Произведен анализ существующей на предприятии подсистемы контроля качества, произведено внедрение модулей разработанных алгоритмов, произведена модификация существующей БД для хранения данных, связанных с внедренным функционалом.

5. Решена задача автоматизированной классификации СМШ по размерам и форме, что позволяет увеличить объем исследуемого материала

по данным параметрам и повысить качество получаемых результатов за счет

снижения влияния человеческого фактора.

6. Решена задача определения качества материала по изменению яркости в исследуемом образце, что позволяет оценивать процентное содержание дефектного материала, имеющего изменение яркости от общего объема выборки.

7. Решена задача формирования структурированной библиотеки файлов изображений, исследуемых образцов СМШ, что позволяет создавать выборки объектов, имеющих определенные характеристики для повторного их исследования и применения в качестве обучающего материала для расширения функционала подсистемы автоматизированной классификации.

8. Разработанные методы, модели и алгоритмы прошли апробацию и внедрены для практического применения в ПО подсистемы контроля качества АСУТП предприятия по производству СМШ.

Список литературы диссертационного исследования кандидат технических наук Стругайло, Владимир Владимирович, 2012 год

Список используемых источников

1. Костова Н.З., Юмашев В.М. Разметка автомобильных дорог в России. -М., 2005. - 96с - (Автомоб. дороги и мосты: Обзорн. информ. /

Информавтодор; Вып. 4).

2. Методические рекомендации по нанесению дорожной разметки на цементобетонные покрытия автомобильных дорог / Минтранс России, Гос. служба дор. хоз-ва (Росавтодор). - М.: Информавтодор, 2004. - 40 с.

3. Кувалдин Э.В. Аппаратура для измерения коэффициента световозвращения горизонтальной дорожной разметки // Материалы для разметки дорог. Технологии. Технические требования. Контроль качества. -М., 2005. - С. 64-72. - (Сб. тр. / ФГУП «Союздорнии»; Вып. 206)

4. Азра Ж. Правила использования стеклянных микрошариков для улучшения видимости горизонтальной разметки автомобильных дорог // Материалы для разметки дорог. Технологии. Технические требования. Контроль, качества. - М, 2005. - С. 91-103. - (Сб. тр. / ФГУП «Союздорнии»; Вып. 206).

5. Орешкин Д.В. Разработка облегченных и сверхлегких тампонажных материалов с полыми стеклянными микросферами для цементирования нефтяных и газовых скважин. Дисс. канд. техн. Наук. Ухта, 2003.

6. Пашкевич A.A. Эффективные цементные штукатурные растворы с полыми стеклянными микросферами. Дисс. канд. техн. Наук. Москва. 2009.

7. Бессмертный B.C., Ляшко A.A., Дюмина П.С., Гурьева A.A., Панасенко В.А., Крахт В.Б., Бахмутская О.Н., Паршина Л.Н. Энергосберегающая технология получения стеклянных микрошариков методом плазменного распыления // Успехи современного естествознания. - 2010. - № 3 - С. 105107.

8. Сиротинкин Н.В., Яценко C.B., Вакуленко C.B. и др. Влияние стеклянных микросфер на свойства жестких пенополиуретанов. -

Пластические массы, N1, 2002 г.

9. Наполнители для полимерных композиционных материалов:

Справочное пособие. / Под ред. П.Т.Бабаевского. М: Химия, 1981. 376 с.

Ю.Баранова Н.В. Физико-химические исследования модифицирования никелированных стеклянных микросфер. Дисс. канд. хим. наук. Тверь, 2005.

11. Шинкарева Е.В., Сафонова А.М. Осаждение металлических покрытий химическим восстановлением никеля на стеклянных микросферах. // Стекло и керамика. 2003. № 8. С. 27-28.

12. Микрошарики из стекла и керамики, www.surfanet.ru/

13. ГК ИНОТЭК. Керамические микросферы и стеклянные микрошарики с модифицированной поверхностью, http://inoteck.net/pokrytiya mikrosfer /

14. СПЕЦХИММОНТАЖ. Стеклянные микрошарики, http://www.shm-

sbor.ru/activities/production/microballs

15. Производство полых микростеклосфер с нанопокрытиями.

http://dv.sartpp.ru/news.php?ID=322

16. Сиротинкин Н.В. / Стеклянные микрошарики - наполнители полиуретановых эластомеров. / Н.В. Сиротинкин, М.Г. Давудов, Бестужева В.В., Ю.В. Омельчук, A.B. Токарев // Журнал прикладной химии. - 2011. -

Т.84.-Вып.2.-С. 338-341.

17. Хайдаров Г.Г., Хайдаров А.Г., Машек А. Ч. Физическая природа поверхностного натяжения жидкости // Вестник Санкт-Петербургского университета. Серия 4. 2011. Выпуск 1. с.3-8.

18. Патент Российской Федерации №2278078, кл. С 03 В 19/10, 2005 г.

19. Патент Российской Федерации №2223238, кл. С 03 В 19/10, 2004 г.

20. Патент США №3190737, кл. С 03 В 19/10, 1965 г.

21. Ляшко A.A., Антропова И.А., Гурьева A.A., Крахт В.Б., Гусева E.H., Бахмутская О.Н. Исследование свойств стеклошариков, прошедших

плазменную обработку. // Международный журнал прикладных и фундаментальных исследований. 2010. № 12. С.102-104.

22. Требования к гранулометрическому составу стеклошариков в

соответствии с EN 1423.

23. Требования к гранулометрическому составу стеклошариков в

соответствии с EN 1424.

24. Ходаковский М.Д. Производство стеклянных волокон и тканей. М.:

Химия 1973. 312 с.

25. Сиротинкин Н.В., Бестужева В.В., Бондарева Е.А., Омельчук Ю.В., Давудов М.Г. Поверхностная модификация стеклянных микрошариков полиуретанами. // Каучук и резина. - 2010. - № 6. - С. 26-30.

26. Проскурин A.B., Никонова JI.B. Расчет пространственных характеристик обратного рассеяния объектов в дальней зоне. // Радиотехника

-2010.-№11.-с. 93-99.

27. Поваркова A.B. Компьютерный анализ изображений: общие сведения, системы, примеры использования. // Вестник инфектологии. Электронный журнал. http://www.infectology.ru/microscopY/today/analvsis/index.aspx

28. Волков А.И., Алов Н.В., Ишметьев E.H., Ушеров А.И. Автоматизированная система непрерывного рентгенофлуоресцентного анализа сыпучих материалов. // МГУ. Выставка инновационных проектов. 2009. http://www.chem.msu.su/rus/events/innov-proiect-ex-2009/theses.html

29. Смирнов Б.А. Системы технического зрения от SICK. // Автоматизация в промышленности. 2009. № 11. С. 65-66.

30. Системы технического зрения, http://atava.chat.ru/stz r.htm

31. Системы анализа изображений и моделирование структур. http://www.siams.com/

32. Промышленные оптические системы, www.evit.ru

33. Семин, М.С. Прикладные задачи, решаемые с помощью систем технического зрения Текст. / М.С. Семин // Специальная техника. 2002. -№6. С 12-17.

34. Тен Д.К. Методики обработки изображений в автоматической системе контроля качества цилиндрических изделий. // Автометрия. - 2010. - Т. 41, № 6.-С. 98-102.

35. Задорин А., Захарова Г. Система автоматизированного контроля печатных плат Aplite. //EDA Expert. - 2002. - №10 (73). - с. 53-56.

36. Щетинкин С.А., Чахлов C.B., Усачев Е.Ю., Лебедев М.Б., Потрахов H.H., Чумаков Д.М., Степаненко A.A. Орел - комплекс для контроля изделий микроэлектроники с использованием рентгеновского излучения. // Контроль

и Диагностика. - 2007. №2, с.30-32.

37. Лысенко О. Машинное зрение от SICK/IVP. // Компоненты и

технологии. - 2007. - №1. с.80-85.

38. Попов Е.П., Писменный Г.В. Основы робототехники: Введение в специальность. Учеб. пособие для вузов по спец. «Робототехн. Системы и комплексы». - М.: Высш. шк., 1990. - 224с.

39. Юревич Е.И. Основы робототехники. 2-е изд., перераб. и доп. - СПб.:

БХВ-Петербург, 2005. - 416с.

40. Пью А.Техническое зрение роботов. Под ред. Катыса Г.П.. - М.:

Машиностроение, 1987. - 320с.: ил.

41. Хорн Б.К.П. Зрение роботов: Пер. с англ. - М.: Мир, 1989. - 487с., ил.

42. Буланов, А.П. Система технического зрения для регистрации железнодорожных составов цистерн / Буланов А.П., Волотовский С.Г., Казанский Н.Л., Попов С.Б., Хмелев Р.В., Шумаков С.М. // Автоматизация в

промышленности, 2005. - № 6. - С. 57-59.

43. Бурков А.П., Комин В.Г., Красильникъянц Е.В. Промышленная система технического зрения на базе интеллектуальной цифровой камеры IntCAM 285-1// Вестник ИГЭУ. Вып. 4. 2007.

44. Визильтер Ю.В., Желтов С.Ю., Князь В.А., Ходарев А.Н., Моржин A.B. Обработка и анализ изображений с примерами на Lab VIEW IMAQ Vision. -

M.: ДМК Пресс, 2007. - 464с.

45. Руденко О.В., Усатиков C.B. Нейросетевое распознавание в

технических системах зерноперерабатывающей и пищевой промышленности. // Современные проблемы науки и образования. Электронный журнал. 2011.

№3

46. Автандилов ГГ. Медицинская морфометрия: Руководство. - М.:

Медицина, 1990. С. 384.

47. Морзеев Юрий. Зачем компьютеру зрение. // CHIP NEWS №2 (137) -

2009. С. 23-27.

48. Пантелеев В.Г., Егорова О.В., Клыкова Е.И. Компьютерная

микроскопия. М.: - Техносфера, 2005. - 304с.

49. Яковлев A.B. Методы, модели и алгоритмы формирования и анализа изображений в системе контроля качества материалов и продукции машиностроительного предприятия. Дисс. канд. техн. Наук. Владимир, 2003.

50. Брандон Д., Каплан У. Микроструктура материалов. Методы исследования и контроля. М.: - Техносфера, 2004. - 384с.

51. Привалов, О.О. Методы и алгоритмы обработки растровых изображений для решения задач автоматизированной микроскопии медико-биологических препаратов. Дисс. канд. техн. Наук. Волгоград, 2007.

52. Чистов К.С. Методы и средства автоматизированной обработки микроскопических изображений мазков периферической крови для диагностики острых лейкозов. Дисс. канд. техн. Наук. Москва, 2007.

53. Попова Г.М., Степанов В.Н. Анализ и обработка изображений медико-биологических микрообъектов //. Автоматика и телемеханика. 2004. № 1. С. 131-142.

54. Емшанова, С. В. Промышленный контроль формы и размера частиц лекарственных субстанций /C.B. Емшанова // Фармацевтические технологии

и упаковка. 2007. - № 10. - С. 48 - 57. (есть)

55. Емшанова, С. В. О контроле размера и формы частиц лекарственных веществ /C.B. Емшанова, Н.П. Садчикова, А.П. Зуев // Химико-фармацевтический журнал. 2007. - Т. 41, № 1. - С. 41 - 49.

56. Журавель, И.М. Краткий курс теории обработки изображений / И.М, Журавель // MatLab. 2003. Электронный ресурс. Режим доступа:

http://matlab.krasu.ru/imageprocess/book2/index.asp.htm.

57. ВидеоТест. http://www.videotest.ru/.

58. Сысолятина, И.П. Контроль качества электроизоляционных покрытий, текстуры и величины зерен в процессе производства анизотропной электротехнической стали. Дисс. канд. техн. Наук. Екатеринбург, 2004.

59. Соколов С.М. Проблемы машинного видения в робототехнике и автоматизации производства // Будущее прикладной математики. Лекции для молодых исследователей / Ордена Ленина Институт прикладной математики им. М.В. Келдыша Российской академии наук. - M.: URSS, 2004. - С. 343 -373.

60. Крутик М.И. Многоканальные программно-управляемые электронно-оптические комплексы для скоростной регистрации серии изображений быстропротекающего процесса.//Специальная техника, 2002, № 1, с. 36 - 41.

61. Шапиро Л., Стокман Дж. Компьютерное зрение. - М.: БИНОМ.

Лаборатория знаний, 2006. - 752с.

62. Головастов А. Машинное зрение и цифровая обработка изображений //

СТА.-2010.-N4.-С. 8-18.

63. Ерош И.Л., Сергеев М.Б., Соловьев Н.В. Обработка и распознавание изображений в системах превентивной безопасности: Учеб. пособие/ СПбГУАП. СПб., 2005. 154с.

64. Назаров Х.Н. Робототехнические системы и комплексы: Учебное пособие. Ташкентский государственный технический университет, Ташкент. 2004, 101с.

65. Валетов В.А., Орлова A.A., Третьяков С.Д. Интеллектуальные технологии производства приборов и систем. Учебное пособие, - СПб: СПб

ГУИТМО, 2008. - 134с.

66. Визильтер Ю.В., Желтов С.Ю. Проблемы технического зрения в современных авиационных системах. С. 11-45. // Техническое зрение в системах управления мобильными объектами 2010: Труды научно-технической конференции-семинара. Вып. 4 / Под. Ред. Назирова P.P. М.:

КДУ, 2011.-328с.

67. Бобровский С., Когда машины прозреют // PC Week - 2004. №5.

68. Ясницкий JI.H. Введение в искусственный интеллект: учеб. пособие для студ. высш. учеб. заведений. - М.: Издательский центр «Академия», 2008. - 176с.

69. Горелик A.JL, Скрипкин В.А. Методы распознавания. Учеб. пособие для вузов. М.: Высшая школа. 1977. - с. 222.

70. Андреев A.JI. Автоматизированные телевизионные системы наблюдения. Часть 2. Арифметико-логические основы и алгоритмы. Уч. Пособие для курсового и дипломного проектирования. - СПб.:

СПбГУИТМО, 2005. -88с.

71. Ковальчук Е.Р., Косов М.Г., Митрофанов В.Г., Соломенцев Н.М., Основы автоматизации машиностроительного производства: Учеб. Для машиностроит. Спец. Вузов. - 2-е изд., испр. - М.: Высш.шк., 1999. - 312 с.

72. Контроль качества промышленных изделий, http://www.mallenom.ru/.

73. http://sumschool.sumdu.edu.ua/is-2/rus/lectures/pvtvatin/pytyatin.htm/

Путятин Е.П. Нормализация и распознавание изображений. // Интеллектуальные системы 2002, Гурзуф, Крым.

74. Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P.(eds.). - Singapore-New Jersey-London-Hong Kong: World

Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.

75. Shalkoff R.J. Digital image processing and computer vision. - New York-Chichester-Brisbane-Toronto-Singapore: John Wiley & Sons, Inc., 1989. - 489c.

76. Медовый B.C., Парпара A.A., Пятницкий A.M., Соколинский Б.З., Демьянов В. JI. // «Автоматизированная микроскопия биоматериалов» Здравоохранение и медицинская техника, №4(18), 2005 - 42-43с.

77. http://neuro.net.ua/books.html Сотник С. Л. Конспект лекций по курсу Основы проектирования систем искусственного интеллекта, 1997-1998

78. http://disser.h 10.ru/raspobraz.html Волошин Г .Я Конспект лекций.

Методы распознавания образов.

79. Волошин Г.Я., Бурлаков И.А., Косенкова С.Т. Статистические методы решения задач распознавания, основанные на аппроксимационном подходе 4.2. - Владивосток: ТОЙ ДВО РАН, 1992. - 271с.

80. http://www.ssga.ru/eossib/ccd and cmos/oes/html/index.html

81. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений: Учеб. Пособие для студентов вузов. - М: Высшая

школа, 1983.-295с.

82. Бобылев С.С., Адамов В.Г. Компьютерная система выявления дефектов

листового проката в условиях ЗАО «ДОНЕЦКСТАЛЬ-МЗ». // Информационные управляющие системы и технологии и компьютерный

мониторинг. 2011. с. 108-112.

83. Филинов М.В. Повышение точности количественных оценок поверхностных дефектов и структур металлов по их цифровым изображениям в оптическом неразрушающем контроле. Дисс. Канд. Техн. Наук. 2007.

84. Шевченко H.A. Обработка изображений металлических поверхностей в задачах автоматизированного контроля качества изделий. Дисс. Канд. Техн.

Наук. Владимир. 2006.

85. Козлов Ю.Г. Разработка метода и аппаратуры для автоматизированной

обработки оптических двумерных дифракционных спектров изображений микро-и макроструктур. Дисс. кандидат физико-математических наук.

Москва. 1983.

86. Желтов С.Ю. Разработка теории, методов и алгоритмов машинного зрения в задачах обнаружения объектов. Дисс. Док. Техн. Наук. Москва 2002.

87. Николаев М.И. Система технического зрения для производственного контроля и микроизмерений в видимом участке оптического спектра. Канд.

Техн. Наук. Казань. 2007.

88. Привалов О.О. Методы и алгоритмы обработки растровых

изображений для решения задач автоматизированной микроскопии медико-биологических препаратов. Дисс. Канд. Техн. Наук. 2007.

89. Казанцев П.А. Разработка и исследование маршрута проектирования нейросетевого приложения с аппаратной поддержкой. Канд. Техн. Наук. Москва. 2008.

90. Петешов A.B. Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности. Дисс. Канд. Техн. Наук. Тула 2006.

91. Виноградова JI.H. Метод и алгоритмы обработки информации в системе прогнозирования качества агломерата. Дисс. Канд. Техн. Наук. 2010.

92. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. -

М: Машиностроение, 1990. - 320с.

93. Порев В.Н. Компьютерная графика. - СПб.: БХВ-Петербург, 2005. -

432с.

94. Херн Дональд, Бейкер М.Паулин. Компьютерная графика и стандарт OpenGL. - M.: Вильяме, 2005. - 1168с.

95. Миано Дж. Форматы и алгоритмы сжатия изображений в действии. -

М.: Триумф, 2003.-336с.

96. Андреева Е.В., Босова Л.Л, Фалина И.Н. Математические основы информатики. Элективный курс: Уч. пособие. - М.: Бином. Лаборатория

знаний, 2005 -328с.

97. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.:

Техносфера, 2006. - 1072с.

98. Эйнджел Эдвард. Интерактивная компьютерная графика. Вводный курс

на базе OpenGL, 2 изд. - М.: Вильяме, 2001. - 592с.

99. Фисенко В.Т., Фисенко Т.Ю., Компьютерная обработка и распознавание изображений: учеб. пособие. - СПб: СПбГУ ИТМО, 2008. -192с.

100. Яне Б. Цифровая обработка изображений. - М.: Техносфера, 2007.-584с.

101. Сато Ю. Обработка сигналов. Первое знакомство. 2-е издание. -

М.: Додэка XXI, 2009. - 176с.

102. Оппенгейм А. Шафер Р. Цифровая обработка сигналов. 2-е

издание. -М.: Техносфера, 2007. - 856с.

103. Сергиенко А.Б. Цифровая обработка сигналов. - СПб.: Питер,

2007.-752с.

104. Лайонс Ричард. Цифровая обработка сигналов: 2 изд. - М.: ООО

Бином-Пресс, 2006. - 656с.

105. Сойфер В.А. Методы компьютерной обработки изображений. 2-е

изд., испр. -М.: Физматлит, 2003. - 688с.

106. Коротаев В.В., Краснящих A.B. Телевизионные измерительные системы. Учебное пособие. - СПб: СПбГУ ИТМО, 2008. - 108с.

107. Холингвэрт Дж. Баттерфилд Д. Свор Б. С++ Руководство разработчика Том 2. Сложные вопросы программирования. - М.: Вильяме, 2001.-817с.

108. Грузман И.С., Киричук B.C., Косых В.П., Перетягин Г.И., Спектор A.A. Цифровая обработка изображений в информационных

системах: Учеб. пособие. - Новосибирск.: НГТУ, 2003. - 352с.

109. Айфичер Э.С., Джервис Б.У. Цифровая обработка сигналов:

практический подход, 2 изд. - М.: Вильямч, 2004. - 992с.

110. Краснобаев A.A. Алгоритмы работы системы технического зрения для распознавания штриховых кодов. Сборник трудов конференции "Мобильные роботы 2005". -М., МГУ, 2005. С. 22-32.

111. Байдун Л.В., Кашпор С.А., Парпара A.A., Плясунова С.А., Пятницкий A.M., Соколинский Б.З. Автоматическая эритроцитометрия в роботизированном микроскопе МЕКОС-Ц1. // Клиническая лабораторная

диагностика N6, 2003. - 39-42с.

112. Леденев А. Н. Физика: Учебное пособие: Для вузов. В 5 кн. Кн. 1.

Механика. - М.: ФИЗМАТЛИТ, 2005. - 240с.

113. Дронг В. И., В. В. Дубинин, М. М. Ильин и др. Курс теоретической механики: Учебник для вузов. Под общ. ред. К. С. Колесникова. 3-е изд., стереотип. - М.: Изд-во МТУ им. Н. Э. Баумана, 2005.

-736с.

114. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. - М.: Диалог-

МИФИ, 2003,-384с.

115. Половко А. М., Бутусов П. Н. MATLAB для студента. - СПб.:

БХВ-Петербург, 2005. - 320с.

116. Роджерс Д., Адаме Дж. Математические основы машинной

графики: Пер. с англ. - М.: Мир, 2001. - 604с.

117. Лукин А. Введение в цифровую обработку сигналов. Математические основы. - М.: МГУ, Лаборатория компьютерной графики и мультимедиа, 2002. - 44с.

118. Сэломон Д. Сжатие данных, изображений и звука. - М.:

Техносфера, 2004. - 368с.

119. Демин А. Ю. Компьютерная графика : электрон, учеб. пособие / А. Ю. Дёмин, А. В. Кудинов. - Томск:. ТПУ, 2005. - Режим доступа:

http://compgraph.ad.cctpu.edu.ru/index.htmI

120. Основы гранулометрического анализа, http://www.sinstr.ru/

121. Под редакцией К. Н. Паффенгольца и др. Геологический словарь:

в 2-х томах. - М.: Недра. Т.1. 1978г. - 488с.

122. Световозвращающие элементы (стеклошарики) для дорожной разметки. СТО МШС-01-03. - Москва:. ЗАО «ПСК СТРОМ», 2003.

123. Матвеев, Ю.Н. Основы теории систем и системного анализа: учебное пособие / Ю.Н. Матвеев. Ч. 1. 1-е изд. - Тверь.: ТГТУ, 2007. - 100с.

124. http://www.intuit.ru Местецкий JLM. Математические методы

распознавания образов. Курс лекций.

125. Вуколов Э.А. Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов Statistica и Excel.: учеб. пособие. - 2-е изд. - М.: ФОРУМ, 2008. -464с.

126. Гайдышев И.П. Решение научных и инженерных задач средствами Excel, VBA и C/C++. - Спб. БХВ-Петербург, 2004 - 504с.

127. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации. - Тольятти: ИЭВБ РАН, 2003.-463с.

128. http://www.intuit.ru Сотник С.Л. Проектирование систем искусственного интеллекта. Курс лекций.

129. Кохонен Т. Самоорганизующиеся карты. - М: Бином. Лаборатория знаний. 2008, - 655с.

130. Потапов А. С. Распознавание образов и машинное восприятие -

М.: Политехника, 2007. - 552с.

131. Чубукова И.A. Data Mining. Учебное пособие для ВУЗов. - М.: Бином-Пресс, Бином. Лаборатория знаний, Интернет-Университет Информационных Технологий, 2008. - 382с.

132. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия-Телеком, 2003.-94с.

133. Хайкин С. Нейронные сети: Полный курс. 2-е изд., испр. - М.:

Вильяме, 2008.- 1103с.

134. Яхъяева Г.Э. Нечеткие множества и нейронные сети: Уч.

пособие. - М.: ИУИТ, Бином, Лаборатория знаний, 2008. - 316с.

135. Федотов В.Х. Нейронные сети в MS Excel: Метод. Указания к практ. занятиям и лаб. работам. - Чебоксары.: Чуваш. Ун-т, 2004. - 72с.

136. Осовский С. Нейронные сети для обработки информации. Пер. с польск. Рудинского. - М.: Финансы и статистика, 2004. - 300с.

137. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика.

Пер. с англ. - М.: Мир, 1992. - 118с.

138. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. - 2изд. - М.: МГТУ им. Н.Э. Баумана, 2004. - 400с.

139. Дэбок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. -М.: Альпина, 2001. - 317с.

140. Каллан Роберт Основные концепции нейронных сетей. Пер.с

англ. - М.: Вильяме, 2001. - 287с.

141. http://www.ai.obrazec.ru/neur-2.html Короткий С. Нейронные сети.

Алгоритм обратного распространения.

142. Baum E.B. and Haussier D. (1989). Wliat size net gives valid

generalization'? Neural Computation, (1), p. 153 — 160.

143. Hecht-Nielsen R. (1990). Neurocomputing. — Addison-Wesley

Publishing Company, Inc.

144. Стругайло B.B. Нейросетевая модель классификации объектов на изображениях в медицине. / Методы компьютерной диагностики в биологии и медицине - 2009: Материалы ежегод. Всерос. Науч. Школы-семинара / Под ред. Проф. Д.А. Усанова. - Саратов: Изд-во Сарат. Ун-та, 2009. -200 е.: ил.

145. Гарколь Н.С., Стругайло В.В. Проектирование алгоритмов для медицинских экспертных систем. // Ползуновский вестник № 1-2. - Барнаул: Алтайский государственный технический университет, 2009 дополнительные статьи Н http://elib.altstu.m/elib/books/Files/pv2009 0102/pdf/001 garkol.pdf.

146. Гарколь Н.С., Стругайло В.В. Алгоритмы обработки многомерных данных. // Ползуновский вестник № 1-2. - Барнаул: Алтайский государственный технический университет, 2009 - дополнительные статьи // http://elib.altstu.ru/elib/books/Files/pv2009 0102/pdf/002garkol.pdf.

147. Стругайло В.В. Обработка цифровых изображений стеклянных микрошариков методами фильтрации и сегментации. // Наука и образование. № 3. - М.: МГТУ им. Баумана, 2012. // http://technomag.edu.ru/doc/403867.html.

148. Стругайло В.В., Гарколь Н.С. Алгоритмы определения структурной организации данных. // Молодежь и современные информационные технологии. Сборник трудов V Всероссийской научно-практической конференции студентов, аспирантов и молодых ученных. -

Томск: ТПУ, 2007. - С. 162-163.

149. Гарколь Н.С, Стругайло В.В. Методы обработки цифровых изображений. // Математическое моделирование, обратные задачи, информационно-вычислительные технологии: сборник статей VII Международной научно-технической конференции. - Пенза: РИО ПГСХА, 2007.-С. 57-60.

150. Стругайло В.В., Гарколь Н.С. Методы понижения размерности классифицируемых данных. // Молодежь Сибири - науке России:

материалы международной научно-практической конференции /Сост. Т.А. Кравченко; Сибирский институт бизнеса, управления и психологии. -

Красноярск, 2008. - С. 242-246.

151. Стругайло В.В. Нечеткая нейронная сеть для классификации

данных. // Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XXII Международной научно-технической конференции. - Пенза: Приволжский Дом знаний, 2008.

-С. 125-128.

152. Стругайло В.В. Нейросетевые методы обработки многомерных данных. // Молодежь и современные информационные технологии. Сборник трудов VII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученных. - Томск: СПБ Графике, 2009. - С. 333-334.

153. Стругайло В .В. Нейросетевая модель классификации объектов на изображениях в медицине. // Методы компьютерной диагностики в биологии и медицине. - Саратов: Сарат. ун-т, 2009 - С. 52-54.

154. Николаев А.Б., Стругайло В.В. Интегрированная модель обработки цифровых изображений стеклянных микрошариков в виде связных множеств. // Прикладная эконометрика на транспорте и в промышленности. Межвузовский сборник научных трудов. - Москва:

Техполиграфцентр - 2011. - С. 3-9.

155. Николаев А.Б., Стругайло В.В. Нейросетевые алгоритмы группирования и классификации цифровых изображений стеклянных микрошариков по форме и размерам. // Прикладная эконометрика на транспорте и в промышленности. Межвузовский сборник научных трудов. -

Москва: Техполиграфцентр. - 2011. - С. 59-71.

156. Стругайло В.В., Николаев А.Б. Автоматизация контроля качества в производстве светоотражающих материалов. // Прогрессивные технологии развития. Сборник материалов 8-й международной научно-практической

конференции: Наука на рубеже тысячелетий - Тамбов: ТМБпринт. — 2011. — С. 25-26.

157. Стругайло В.В., Товкач П.А. Модификации алгоритмов ориентирования контуров объектов и оценки яркостей по гистограммам при анализе характеристик изображений стеклянных микрошариков. // Имитационное моделирование систем управления. Сборник научных трудов МАДИ. - Москва: Ротапринт МАДИ - 2012. - С. 42-53.