Метод и алгоритмы обработки информации в системах оптического контроля для идентификации дефектов поверхности листовых материалов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Гарбар Евгений Александрович

• Гарбар Евгений Александрович
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Гарбар Евгений Александрович

Введение

1 Теоретико-информационный анализ систем обработки информации о качестве холоднокатаного проката

1.1 Анализ рынка потребления холоднокатаного проката

1.2 Характеристика систем оптического контроля качества поверхности листовых материалов

1.2.1 Структура системы оптического контроля на участке инспекции поверхности полосы IMS

1.2.2 Структура системы оптического контроля качества поверхности листового проката ISRA Vision Parsytec

1.2.3 Обобщенная схема системы оценки качества поверхностей листовых материалов

1.3 Анализ теоретических и практических разработок создания и использования систем оптического контроля качества поверхности

1.3.1 Анализ теоретических разработок в области развития методов обработки информации для автоматизированных систем оптического контроля

1.3.2 Анализ практических разработок в области развития автоматизированных систем контроля качества поверхности листовых материалов

1.4 Проблемы идентификации дефектов поверхности листовых материалов

1.5 Концепция, цели и задачи исследования

1.6 Выводы по главе

2 Специальное математическое обеспечение подсистемы поддержки принятия решений в системе оптического контроля при оценке дефектов поверхности листовых материалов

2.1 Модель преобразования информации в системе оптического контроля при идентификации дефектов поверхности листовых материалов

2.2 Статистическая модель изображения поверхности проката и ее особенности

2.3 Математическое обеспечение интеллектуальной поддержки принятия решений в системе оптического контроля

2.3.1 Метод разложения изображений на активные слои

2.3.2 Результаты применения метода разделения изображения на активные слои с адаптивным шагом

2.3.3 Математическое описание признаков дефектов поверхности

2.3.4 Результаты вычисления признаков дефектов поверхности

2.4 Методика применения формулы полной вероятности проявления дефекта на поверхности

2.5 Метод принятия решений интеллектуальной поддержки при идентификации дефектов поверхности в системе оптического контроля на основе продукционных правил

2.6 Выводы по главе

3 Алгоритмическое обеспечение программного инструментария для обработки информации в системе оптического контроля

3.1 Структура программного инструментария для обработки информации в системе оценки качества поверхности листовых материалов

3.2 Алгоритмы и программная реализация программных модулей

3.2.1 Программная реализация модуля захвата объектов в потоке

3.2.2 Программный модуль для экспресс-определения наличия дефекта на поверхности листового материала

3.2.3 Алгоритмы модуля предварительных процедур обработки изображения

3.2.4 Алгоритм принятия решений об идентификации дефекта на изображении поверхности

3.3 Описание и квантификация пользовательского интерфейса

3.3.1 Описание и квантификация пользовательского интерфейса модуля обнаружения объектов в потоке

3.3.2 Описание и квантификация пользовательского интерфейса модуля

экспресс-детектора

3.4 Примеры тестовой эксплуатации программных модулей

3.5 Выводы по главе

4 Результаты опытной эксплуатации системы обработки информации при оценке качества листовых материалов

4.1 Структура лабораторного стенда для проведения экспериментальных исследований по обработке изображений поверхности проката

4.2 Описание экспериментальных исследований с использованием лабораторного стенда

4.3 Результаты экспериментальных исследований по обработке изображений поверхности листовых материалов

4.3.1 Результаты исследований листовых материалов на лабораторном стенде

4.3.2 Результаты исследования изображений поверхности металлических листовых образцов

4.4 Оценка экономической эффективности развития системы интеллектуальной поддержки принятия решений о качестве поверхности холоднокатаного стального листа

4.5 Перспективы развития диссертационных исследований

4.6 Выводы по главе

Заключение

Список использованной литературы

Приложение А Перечень распространённых классов дефектов проката

Приложение Б Перечень, описание и изображения дефектов холоднокатаного

проката по обобщенному атласу дефектов

Приложение В Карты траекторий принятия решений

Приложение Г Копии свидетельств о регистрации программ для ЭВМ

Приложение Д Копии Актов о внедрении результатов работы

Введение диссертации (часть автореферата) на тему «Метод и алгоритмы обработки информации в системах оптического контроля для идентификации дефектов поверхности листовых материалов»

ВВЕДЕНИЕ

Актуальность темы исследования. Современная политика развития науки и техники в Российской Федерации определила вызовы, состоящие в информатизации и цифровизации. В основу этих преобразований заложено развитие моделей, методов и алгоритмов обработки информации, в том числе и графической. Не являются исключением сложные технические системы, функционирующие в металлургической отрасли. В настоящее время металлургическая отрасль является одной из основных в Российской Федерации и поставляет свою продукцию для последующего передела во все области экономики. Обширное использование холоднокатаного листа, как продукции металлургического производства, приводит к повышению требований к качеству его поверхности. Для целей повышения качества экспертной оценки создаются системы компьютерного зрения и сопровождаются они специальным математическим и алгоритмическим обеспечением для обработки графической информации и последующего принятия решений.

Существующая практика показывает, что разработаны и используются для оценки качества поверхности листовых материалов системы оптического контроля. Но в то же время, разработанное математическое и алгоритмическое обеспечение этих систем не позволяет однозначно идентифицировать некоторые виды поверхностных дефектов. Выделенное противоречие носит отраслевой характер, но требует решения в рамках не только металлургической отрасли. Поэтому в диссертационных исследованиях требуется решить научную задачу для развития знаний в области однозначной идентификации поверхностных дефектов листовых материалов.

Степень разработанности темы исследования. Основополагающий вклад в разработку научных основ в теорию обработки графической информации внесли ученые: Гонсалес Р., Фомин А. Я., Кузьмин М. И., Wang F., Cannon R. L. и др. В области развития методов и алгоритмов сегментации и классификации изображений работали Cannon R., Dave J., Визильтер Ю., Афанасьев А., Vapnik V., Chapeiie O., Foddy G., Bar-Hen A., Кузьмицкий Н.Н. и др. Большой

вклад в развитие методов проектирования и разработки систем управления в металлургической области внесли Спирин Н.А., Лавров В.В., Цаплев В.М., Ханзен Ш. и др. Развитие теории и практики применения теории распознавания изображения для производственных задач нашло отражение в работах Бровко-вой М. Б., Вавилова В. П., Шлеймович М. П., Обухова А. В., Логуновой О.С. и др.

Анализ существующих исследований позволил определить объект, предмет и цель исследования.

Объектом исследования является математическое и алгоритмическое обеспечение систем оптического контроля качества поверхности листовых материалов.

Предмет исследования - модели, методы и алгоритмы обработки информации для интеллектуальной поддержки принятия решений в системах оптического контроля качества поверхности листовых материалов.

Целью диссертационного исследования является повышение точности оценки качества поверхности листовых материалов на основе интеллектуальной поддержки принятия решений в системах оптического контроля.

Для достижения цели поставлены и решены задачи:

1. Выполнить анализ структуры систем оптического контроля качества поверхности листовых материалов и оценку общности структуры изображения поверхности для выделения их характерных свойств и признаков.

2. Разработать математическое обеспечение подсистемы интеллектуальной поддержки принятия решений при идентификации дефектов поверхности листовых материалов, включающее модели, методы и методики, которые позволяют повысить достоверность выявления дефектов на изображении поверхности.

3. Разработать структуру подсистемы интеллектуальной поддержки принятия решений в системе оптического контроля и алгоритмическое обеспечение для реализации программных модулей.

4. Выполнить экспериментальные исследования на лабораторном стенде для подтверждения работоспособности разработанного математического и алгоритмического обеспечения в системе оптического контроля качества поверхности листовых материалов в режиме советчика.

Научная новизна и основные положения, выносимые на защиту: создание научно обоснованного инструментария для интеллектуальной поддержки принятия решений в системах оптического контроля качества поверхности листовых материалов в режиме советчика, направленного на повышение точности идентификации дефектов и включающего:

1) модели:

- модель преобразования информации в системе оптического контроля, отличающаяся от ранее известных включением новой траектории классификации дефектов листовых материалов на основе методов разложения изображения на активные слои и принятия решения с учетом стабильности поведения признаков;

- модель изображения, отличающаяся от ранее известных структурированием элементов и включением признаков, характеризующих области предполагаемых дефектов поверхности листовых материалов;

2) методы:

- метод разделения изображения на активные слои с адаптивным шагом, отличающийся выбором шага с адаптацией по локальным максимумам в ближайших интервалах локальных минимумов и построением гистограммы «горячих» слоев изображения, на основе которой с использованием сигнальной функции определяется полная вероятность проявления заданного дефекта на изображении поверхности;

- метод принятия решений об идентификации дефектов в подсистеме интеллектуальной поддержки, отличающийся использованием кортежа признаков дефектов и траекторий устойчивого, условно устойчивого и неустойчивого решения;

3) алгоритмы:

- алгоритм разложения изображения поверхности на активные слои, отличающийся формированием гистограммы «горячих» слоев изображения и позволяющий определить полную вероятность проявления дефекта на изображении при сокращенных затратах ресурсов;

- алгоритм принятия решений на основе признаков для идентификации дефектов, отличающийся учетом стабильного поведения каждого признака и построением траекторий устойчивого, условно устойчивого и неустойчивого принятия решений.

Практическая значимость работы состоит в следующем:

1. Разработана структура подсистемы интеллектуальной поддержки принятия решения и схема встраивания ее в существующие системы оптического контроля на основе модульного принципа.

2. Разработана структура лабораторного стенда и выполнена его физическая реализация для проведения исследований по опробованию прикладного инструментария и доказательству работоспособности разработанных алгоритмов обработки графической информации.

3. Созданы прикладные программные продукты, направленные на повышение точности системы оптического контроля при идентификации поверхностных дефектов листовых материалов в автоматизированном режиме.

Методология и методы исследования. Для решения поставленных в работе задач использовались: методы анализа для декомпозиции процесса идентификации дефектов на поверхности листовых материалов, методы математической статистики для построения гистограмм фрагментов изображения и комплекса признаков дефектов; методология IDEF для анализа процесса идентификации дефектов листовых материалов в действующем производстве; методы визуализации результатов экспериментального исследования.

Соответствие паспорту специальности. Проблематика, рассмотренная в диссертации, соответствует паспорту научной специальности 2.3.1 «Системный анализ, управление и обработка информации, статистика», а именно: п. 2 «Формализация и постановка задач системного анализа, оптимизации, управле-

ния, принятия решений, обработки информации и искусственного интеллекта», п. 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта»; п. 17 «Прикладные статистические исследования, направленные на выявление, измерение, анализ, прогнозирование, моделирование складывающейся конъюнктуры и разработки перспективных вариантов развития сложных систем».

Личный вклад автора. Все результаты диссертационной работы получены автором самостоятельно. Автором (или при его преобладающем участии) выполнено: анализ и декомпозиция процесса идентификации дефектов с помощью системы оптического контроля, анализ структуры исходной графической информации, разработаны модель взаимодействия полученной информации с объектами реального мира и метод разложения изображения на активные слои с адаптивным шагом, математическое описание изображения на основе признаков дефектов, методика применения формулы полной вероятности для гистограмм горячих активных слоев изображения, разработка алгоритмов и программное обеспечение для обработки полученной информации с действующей системы оптического контроля и в ходе лабораторного эксперимента. Направления исследований диссертационной работы, формулировки проблем и постановки задач обсуждались с научным руководителем - д.т.н., профессором О.С. Логуновой, что отражено в совместных публикациях, в которых основные результаты принадлежат диссертанту.

Степень достоверности и апробация результатов работы. Обоснованность полученных результатов подтверждается корректным применением математического и статистического аппарата, математическим моделированием, логичностью формулировок, отсутствием противоречий с результатами, полученными другими исследователями. Достоверность подтверждается использованием современных методов принятия решений, представлений об оценке качества технических систем, а также широким обсуждением результатов диссертации на национальных и международных конференциях, семинарах.

Основные полученные результаты материалов диссертации представлены и апробированы на конференциях: Международная научно-практическая конференция «Актуальные проблемы современной науки, техники и образования» (Магнитогорск, 2020, 2021); Всероссийская научно-практическая конференция «Программное обеспечение для цифровизации предприятий и организаций» (Магнитогорск, 2021); 8th International Conference on Analysis of Images, Social Networks and Texts (Казань, 2019); Национальная школа-конференция «Современные достижения университетских научных школ» (Магнитогорск, 2021); X Всероссийская научно-практическая конференция студентов, аспирантов и молодых учёных с международным участием «Теплотехника и информатика в образовании, науке и производстве» (Екатеринбург, 2022); 2nd International Conference on Energetics, Civil and Agricultural Engineering (ICECAE 2021) (Ташкент, 2021); 4th International Conference on Sensors, Signal and Image Processing(Ташкент, 2021); 8th International Conference «Communications in Computer and Information Science (AIST)» (Казань, 2019).

Внедрение результатов диссертационного исследования. Результаты диссертационного исследования приняты для использования в проектах «Распознавание рулонов с кранов» и «Распознавание образов слябов посредством машинного зрения» в ЗАО «КонсОМ СКС» и «Система инспекции поверхности полосы на агрегатах продольной/поперечной резки» в ООО «R&D МГТУ», а также используются в учебном процессе ФГБОУ ВО «Магнитогорский государственный технический университет им. Г.И. Носова» при выполнении научно-исследовательских и выпускных квалификационных работ обучающимися по направлениям: 09.03.01 и 09.04.01 - Информатика и вычислительная техника на уровне бакалавриата, магистратуры, а также при подготовке кадров высшей квалификации по научным специальностям 2.3.1 и 2.3.3. При внедрении результатов научной работы в практику предприятий металлургии и машиностроения ожидаемый экономический эффект составляет до 1,6 млн руб. в год.

Публикации. Основное содержание диссертации отражено в 22 публикациях по теме диссертационного исследования, из них две статьи в журналах из

Перечня рецензируемых научных изданий, в которых должны быть опубликованы результаты диссертаций на соискание ученой степени кандидата наук, четыре статьи проиндексированы в наукометрических базах Scopus и Web of Science, в других изданиях - 19 работ. Получено два свидетельства о государственной регистрации программ для ЭВМ.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 100 наименований, пяти приложений на 23 страницах, изложена на 201 страницах машинописного текста, включает 123 рисунка, 41 таблицы.

В первой главе диссертации выполнен анализ рынка холоднокатаного стального проката, который определил востребованность и масштабность систем оптического контроля. Проанализирована структура и функции трех систем оптического контроля, функционирующих в условиях крупных металлургических предприятий, и определены предпосылки для диссертационного исследования. Важнейшей из предпосылок является остановка в обслуживании зарубежного аппаратного и программного обеспечения. Выполнено обобщение структуры систем оптического контроля и обосновано использование конечного изображения, полученного с сенсоров системы для принятия решений независимо от конструкции аппаратного обеспечения. Выполнен анализ теоретических и практических разработок для обработки изображений и определена возможность использования и адаптации существующих методов и средств для разработки теоретической основы и практического инструментария идентификации дефектов на изображении поверхности. Анализ полученных результатов позволил определить концепцию, цели и задачи диссертационного исследования.

Во второй главе диссертации представлено математическое обеспечение для подсистемы интеллектуальной поддержки в системе оптического контроля качества стальной полосы, которое включает в себя: модель преобразования информации в системе оптического контроля при традиционной о новой технологии; статистическую модель изображения поверхности полосы, позволившей

определить направления трансформации информации; метод разложения изображения на активные слои и методику расчета полной вероятности проявления одного из трех видов дефектов (плена, царапина и складка); метод принятия решений на основе семи признаков дефектов, характерных для стальной полосы.

В третьей главе предложена структура подсистемы интеллектуальной поддержки приятия решений на основе модульного принципа и технология ее встраивания в традиционную технологию инспекции системы оптического контроля качества. На основе построенного математического обеспечения разработаны алгоритмы для модуля предварительных процедур с использованием стандартных и нестандартных процедур языка программирования Phyton.

Для проведения лабораторного эксперимента в четвертой главе диссертации приведена структура стенда получения информации о качестве поверхности на образцах из бумаги и алюминиевой фольги. С использованием стенда проведено более 100 испытаний и обработка полученных результатов доказала работоспособность разработанных алгоритмов и программного обеспечения. Также приведены результаты испытаний методов и алгоритмов для листовых образцов луженой стали. Ожидаемый годовой экономической эффект при функционировании подсистемы интеллектуальной поддержки принятия решений о проявлении дефекта на изображении поверхности холоднокатаного проката составляет около 1,6 млн руб., а срок окупаемости затрат на создание и функционирование системы - 398 дней. Определены направления перспективного развития результатов диссертационного исследования.

1 ТЕОРЕТИКО-ИНФОРМАЦИОННЫЙ АНАЛИЗ СИСТЕМ ОБРАБОТКИ ИНФОРМАЦИИ О КАЧЕСТВЕ ХОЛОДНОКАТАНОГО ПРОКАТА

1.1 Анализ рынка потребления холоднокатаного проката

Индустриализация и рост населения в странах с развивающейся экономикой по всему миру приводит к увеличению спроса на продукцию металлургического производства и, в частности, холоднокатаного стального листа [1]. Хо-лоднокатанный оцинкованный прокат является ярким примером листового материала, для которого выдвигаются высокие требования к качеству поверхности. Мировой рынок холоднокатаного стального листа сегментирован по областям применения конечной продукции и по географии производства.

С точки зрения применения рынок оцинкованной стали делится по области применения в строительстве, машиностроении, автомобилестроении, обороне и т.д. По виду конечной продукции рынок разделяется на профильные конструкции, метизы и т.п. С точки зрения географии рынок разделяется на Азиатско-Тихоокеанский регион (APAC), Европу, Северную Америку, Ближний Восток и Африку (MEA), Южную Америку и прочие страны.

Быстрая индустриализация в сочетании с ростом населения привели к увеличению продаж объектов социальной сферы, например легковых автомобилей для индивидуального пользования (рисунок 1.1). Правительства развивающихся стран сосредотачиваются на развитии инфраструктуры. Это является движущей силой расширения рынка холоднокатаного стального листа и его разновидности - оцинкованной стали. Свойства и характеристики оцинкованной стали являются основными факторами, способствующими расширению рынка. Эти характеристики включают коррозионную стойкость и стойкость к механическим повреждениям, длительное сохранение декоративных свойств и высокую надежность. Оцинкованная сталь сравнительно недорогая, поэтому она нашла свое применение для строительства жилых и коммерческих зданий.

Экономическая эффективность и широкое использование оцинкованной стали в отраслях промышленности по сравнению с обычной сталью вносят дополнительный вклад в расширение рынка оцинкованной стали. Более того, цены на цинк (рисунок 1.2) играют жизненно важную роль в расширении рынка оцинкованной стали [2]. Эта тенденция побуждает производителей искать новые возможности для бизнеса на рынке.

Рисунок 1.1 - Динамика производства автомобилей в мире и России

3500

3000

2500

2000

Ч 1500

------- 3000 X \ X \ 2877 2969

О- „ 2815 о/ / --О ч ^528 О / / /

\ » \ 2171 2226 N 1950 2003 210/ г'О Ч ,226,1'

N Ч55/ о / 1872 „ -о' ■------ -О-"

-- - - - - - - - - - - - - - -

Рисунок 1.2 - Динамика стоимости цинка в мире

Повышение потребления оцинкованной стали в строительстве является ключевым фактором, способствующим расширению рынка. Снижение или низкие затраты на эксплуатацию - еще один важный фактор, играющий жизненно важную роль в расширении рынка оцинкованной стали. Динамика стоимости 1 т цинка имеет общую тенденцию к возрастанию в среднем на 42 доллара за тонну в год.

Машиностроение - это быстрорастущий сегмент конечных пользователей, где оцинкованная сталь нашла множество применений. Увеличение спроса на оцинкованную сталь на развивающихся рынках Азиатско-Тихоокеанского региона наряду с различными технологическими потребностями открывает новые возможности для рынка оцинкованной стали. Эти факторы играют жизненно важную роль и одновременно значительно влияют на расширение рынка оцинкованной стали. Рынок оцинкованной стали значительно расширяется, поскольку во всем мире в долгосрочной перспективе наблюдается значительный рост в строительном и машиностроительном секторах, а также в крупных отраслях промышленности. Это, в свою очередь, увеличивает спрос на оцинкованную сталь на рынке. Производители постоянно сосредотачиваются на разработке продуктов на развивающихся рынках, поскольку есть возможности для расширения и увеличения своей доли рынка во всем мире.

Географически Азиатско-Тихоокеанский регион является крупным рынком оцинкованной стали, за которым следует Северная Америка. Европа также является быстрорастущим рынком оцинкованной стали. Северная Америка является вторым по величине рынком, а с точки зрения доли рынка США являются ведущим потребителем в регионе. Китай и Япония являются одними из ведущих потребителей в Азиатско-Тихоокеанском регионе. Основной причиной такого значительного расширения рынка оцинкованной стали в регионе являются значительные инвестиции в строительство и инфраструктурные проекты правительствами развивающихся стран. Это, в свою очередь, стимулирует спрос на оцинкованную сталь на рынке развивающихся стран Азиатско-Тихоокеанского региона.

Мировой рынок оцинкованной стали фрагментирован [3], в нем присутствует множество известных производителей. Основные игроки на рынке в основном из Малайзии, Японии, Тайланда, Китая, США и Европы. Ключевыми производителями на рынке являются JFE Steel, Arcelor Mittal, Baosteel, Gerdau, NSSMC и POSCO Nucor. Другими известными поставщиками на рынке являются Hebei Iron and Steel, AK Steel, Ansteel, United States Steel (USSC), Shagang Group и Tata Steel.

Однако в краткосрочной перспективе наблюдается профицит производства [4]. Мировое производство оцинкованной стали в 2019 г. по оценкам World Steel Association составило 180 млн т. Самые большие темпы развития производства этой продукции в последние годы приходится на группу стран «Прочие группы». Активно вводились в строй новые мощности в России, Турции, Вьетнаме, ОАЭ. В 2019 г. рост экономики в этих странах затормозился, при этом новые проекты начались в Китае, США и Западной Европе.

Основной спрос на оцинкованный прокат предъявляет строительная сфера. В последние годы темпы строительных работ снижались, в том числе и в развитых странах. Новые рыночные и развивающиеся страны в 2019 г. сохраняли положительную динамику, но в 2020 г. в связи с пандемией показатели также ухудшились. Например, в Китае, где были введены самые жесткие меры по борьбе с пандемией и который один из первых смог стабилизировать ситуацию, продажи жилой недвижимости упали примерно на 80%.

Во втором по объему потребления оцинкованной стали секторе экономики - автомобильной промышленности - ситуация аналогичная. После подъема в 2016 г. выпуск автомобилей снижается с 2017 г. В 2019 г. спад составил 5%. Ухудшили свои показатели все ведущие автопроизводители мира.

Дополнительно серьезной проблемой для мирового рынка оцинкованной стали стало усиление протекционистских настроений в мире. Страны, закупавшие оцинкованный прокат, активно наращивали собственное производство. Только в 2019 г. Было введено 15-20 новых антидемпинговых и компенсационных пошлин на оцинкованные стали.

До 2017 г. европейский импорт оцинкованного проката увеличивался высокими темпами, но после введения квот в 2018 г. темпы заметно снизились. При этом доля поставок российских компаний на европейский рынок увеличилась. Более 280 тыс. т оцинкованной стали в 2018 г. было экспортировано в Евросоюз.

Американский рынок оцинкованного проката уменьшился для импорта после введения стальных тарифов в 2018 г. Россия прекратила поставки в США с апреля 2018 г. При этом снижения цен на оцинкованную продукцию в ближайшее время не прогнозируется.

Перепроизводство оцинкованного проката свойственно и для российского рынка. Видимое потребление оцинкованного проката в России в ближайшие 45 лет останется неизменным - 3, 3 млн. т в год (рисунок 1.3).

Рисунок 1.3 - Динамика видимого потребления оцинкованного проката В связи с запуском новых мощностей в 2017 г. появился профицит предложения. Так, в 2019 г. загрузка производственных мощностей составила 80%. Для компенсации баланса спроса и предложения российские производители активно вытесняли импорт, а также наращивали экспорт. В 2018 г. на внешний рынок импортировано 577 тыс. т проката, в основном в СНГ и Европу.

ПАО «Магнитогорский металлургический комбинат» (ПАО «ММК») в последние годы наращивало реализацию оцинкованного проката, поставки потре-

бителям достигли рекордно высоких показателей в 2019 г., составив свыше 1,3 млн. т. Большинство поставок пришлось на внутренний рынок - 85%, или 1,15 млн. т.

Для ПАО «Ново-Липецкий металлургический комбинат» (ПАО «НЛМК») внутренний рынок также является приоритетным. Так, в 2019 г. на ПАО «НЛМК» произведено 780 тыс. т оцинкованного проката, при этом на российский рынок поставлено 728 тыс. т. На ПАО «Северсталь» в 2019 г. производство оцинкованного проката достигло 933 тыс. т., чуть более половины 58% пришлось на российский рынок. Для ПАО «Северсталь» основными региональными рынками сбыта являются северная и центральная часть России, а также северная и восточная часть Европы.

Рост объемов производства наряду с перепроизводством в долгосрочной перспективе приводит к возрастающей конкуренции на рынке. В такой ситуации жизненно необходимым для производителей является улучшение качества продукции, а также уменьшение издержек при производстве.

В настоящее время в металлургии происходит масштабная информатизация и цифровизация. Большое количество цифровых инициатив, проектов и продуктов разрабатывают предприятия для того, чтобы повысить конкурентоспособность в условиях перепроизводства. Одной из стратегии развития предприятия является повышение операционной эффективности, в том числе за счет уменьшения издержек при производстве холодного и оцинкованного проката. Частью издержек при производстве является брак, который приводит к необходимости утилизации произведенной продукции, также при попадании бракованной продукции к потребителю к рекламациям. Затраты на работу с рекламациями достаточно высоки, как в части расходов на возврат и замену бракованной поставки, так и в части репутационных издержек и потере потребителя. Важным качественным показателем для холоднокатаного и оцинкованного проката является качество поверхности, выраженное в отсутствии дефектов поверхности. Для контроля качества поверхности используются автоматические системы оптического контроля качества поверхности полосы.

Список литературы диссертационного исследования кандидат наук Гарбар Евгений Александрович, 2023 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Galvanized steel market - global industry analysis, size, share growth, and forecast // Transparency market research : [сайт]. - URL: https://www.transparencymarketresearch.com/galvanized-steel-market.html (дата обращения: 22.03.2023)

2. Лист, рулон оцинкованный // Металлторг : [сайт]. - URL: https://www.metaltorg.ru/metal_catalog/listovoi_prokat/otsinkovannyi_list_rulon/mir ovyye_tseny/?module=index (дата обращения: 22.03.2023)

3. Цена на цинк // Курс, доллар, евро : [сайт]. - URL: http://kurs-dollar-euro.ru/cena-cink.htm (дата обращения: 22.03.2023)

4. Металлоснабжение и сбыт. Архив номера журанла : [сайт]. - 2023. -URL: https://www.metalinfo.ru/ru/magazine/archives. - Текст : электронный.

5. Прикладная цифровая платформа для оценки динамики качества опасных производственных объектов на металлургическом предприятии: структура и алгоритмы / М. Ю. Наркевич, О. С. Логунова, М. Б. Аркулис [и др.] // Вестник Череповецкого государственного университета. - 2022. - № 5(110). - С. 29-48. -DOI 10.23859/1994-0637-2022-5-110-3. - EDN ELUMKD.

6. Наркевич, М. Ю. Визуальный контроль как основа для разработки автоматизированных систем дистанционного контроля и оценки качества зданий и сооружений на опасных производственных объектах / М. Ю. Наркевич, В. Д. Корниенко, М. А. Полякова // Известия Тульского государственного университета. Технические науки. - 2021. - № 5. - С. 570-576. - DOI 10.24412/2071-61682021-5-570-576. - EDN EEVJZS.

7. Интеллектуальная система принятия решений при оценке качества зданий и сооружений на опасных производственных объектах: определение траектории движения беспилотного летательного аппарата / М. Ю. Наркевич, О. С. Логунова, В. Д. Корниенко [и др.] // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. - 2022. - Т. 20, № 1. - С. 50-60. - DOI 10.18503/1995-2732-2022-20-1-50-60. - EDN YTCCRK.

8. Качество материалов, изделий и конструкций в промышленной безопасности: эмпирическая основа / М. Ю. Наркевич, О. С. Логунова, В. Д. Корниенко [и др.] // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. - 2021. - Т. 19, № 3. - С. 90-101. - DOI 10.18503/1995-2732-2021-19-3-90-101. - EDN KXQAWF.

9. Организация автоматизированного рабочего места для оценки качества макроструктуры непрерывнолитых сортовых заготовок / О. С. Логунова, Х. Х. Нуров, В. В. Павлов, В. Г. Суспицын // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. - 2006. - № 3(15). - С. 51-55. - EDN KTWYBD.

10. Логунова, О. С. Автоматизированная оценка качества непрерывно-литой заготовки / О. С. Логунова, Б. Н. Парсункин, В. Г. Суспицын // Сталь. -2004. - № 12. - С. 101-104. - EDN QUAOZJ.

11. Логунова, О. С. Оценка статистическими методами серного отпечатка поперечного темплета непрерывнолитой заготовки / О. С. Логунова, В. В. Павлов, Х. Х. Нуров // Электрометаллургия. - 2004. - № 5. - С. 18-24. - EDN QYBLED.

12. Обухов, А. В. Методы автоматического распознавания автомобильных номеров / А. В. Обухов, С. А. Ляшева, М. П. Шлеймович // Вестник Чувашского университета. - 2016. - № 3. - С. 201-208. - EDN WLWTAF.

13. Автоматическое распознавание автомобильных номеров / А. П. Кирпичников, С. А. Ляшева, А. В. Обухов, М. П. Шлеймович // Вестник технологического университета. - 2015. - Т.18. - №4.

14. Распознавание образов транспортных средств на основе эвристических данных и машинного обучения / В. В. Мокшин, И. Р. Сайфудинов, А. П. Кирпичников, Л. М. Шарнин // Вестник технологического университета. - 2016. - Т. 19, № 5. - С. 130-137. - EDN УОТУЛВ.

15. Елизаров, А. И. Методика построения систем распознавания автомобильного номера / А. И. Елизаров, А. В. Афонасенко // Известия Томского

политехнического университета. - 2006. - Т. 309, № 8. - С. 118-121. - EDN HYZVYD.

16. Особенности использования технологии распознавания лиц через камеру при аутентификации в системах контроля и управления доступом / К. М. Рытов, М. Ю., Горлов, А. П., Лысов, Д. А., Лысова // Информационная безопасность и защита персональных данных. Проблемы и пути их решения: материалы XI Межрегиональной научно-практической конференции : [сайт]. - URL: https://www.tu-bryansk.ru/upload/medialibrary/f61/Konf_IB_2019.pdf#page=163 (дата обращения: 01.12.2022).

17. Авторизация пользователей на основе комплексного применения методов распознавания лиц / М. Ю. Рытов, В. А. Шкаберин, Д. А. Лысов, А. П. Горлов // Информация и безопасность. - 2016. - Т. 19, № 1. - С. 106-109. - EDN WAOOXL.

18. Лебеденко, Ю. И. Биометрические системы безопасности / Ю. И. Лебеденко. - Тула : Издательство ТулГУ, 2012. - 159 с. - ISBN 978-5-76792377-9. - EDN SUGTBF.

19. Шлеймович, М. П. Контроль техники безопасности производственных рабочих на основе анализа изображений / Д. В. Щербаков, М. П. Шлеймо-вич // Новые технологии, материалы и оборудование российской авиакосмической отрасли-АКТО. - 2016. - С. 319-323.

20. Анищенко И. В. Разработка системы распознавания нарушений на КВО / И. В. Анищенко, Е. П. Кузнецов // Мир в эпоху глобализации экономики и правовой сферы: роль биотехнологий и цифровых технологий: сборник научных статей по итогам IX международной научно-практической конференции. -М., 2021.

21. Егорова, Л. Г. Системы распознавания изображений в потоке / Л.Г. Егорова, Е. А. Гарбар, А. А. Николаев // Математическое и программное обеспечение систем в промышленной и социальной сферах. - 2019. - № 7 (1). - С. 42-43.

22. An empirical zpproach to quality assurance of materials, products and structures in industrial safety / M. Yu. Narkevich, O. S. Logunova, V. D. Kornienko [et al.] // Transportation Research Procedia : X International Scientific Siberian Transport Forum - TransSiberia 2022. - Siberia: Elsevier, 2022. - P. 119-128.

23. Логунова, О. С. Прогнозирование времени обработки изображений детерминированными методами / О. С. Логунова, И. И. Мацко, И. А. Посохов // Программные продукты и системы. - 2013. - № 1. - С. 11. - EDN QOUGAX.

24. Миков, А. Ю. Математическое обеспечение и структура системы интеллектуальной поддержки системы управления оценкой качества поверхности холоднокатаного проката / А. Ю. Миков, О. С. Логунова, А. В. Маркевич // Электротехнические системы и комплексы. - 2016. - № 1(30). - С. 45-51. - EDN VQXAJZ.

25. Санников, А. С. Программное обеспечение для автоматизации и распределения задачи формирования обучающей выборки для нейросети из видеозаписей / А. С. Санников, Р. С. Нахушев, Р. М. Глашев // Электротехнические и информационные комплексы и системы. - 2018. - Т. 14, № 4. - С. 48-53. - EDN YQXVJZ.

26. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2005. - 1072 с.

27. Шапиро, Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман. - М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.

28. Вапник, В.Н. Теория распознавания образов. Статистические проблемы обучения / В. Н. Вапник, А. Я. Червоненкис. - М.: Наука, 1974. - 416 с.

29. Ту, Д. Принципы распознавания образов / Д. Ту, Р. Гонсалес. - М.: Мир, 1978.

30. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М:. Техносфера, 2005. - 1072 с

31. Фомин, А. Я. Распознавание образов: теория и применения / А. Я. Фомин. - 2-е изд. М.: Фазис, 2012. - 429 с.

32. Кольцов, П. П. Сравнительное изучение алгоритмов выделения и классификации текстур / П. П. Кольцов // Журнал вычислительной математики и математической физики. - 2011. - Т. 51, № 8. - С. 1561-1568. - EDN NYFZLB.

33. Шолохова, А. А. Методы выделения контуров для сегментации изображений при сложных условиях / А. А. Шолохова, А. Г. Шоберг // Информационные технологии XXI века : сборник научных трудов / Отв. ред. В.В. Воронин. - Хабаровск : Тихоокеанский государственный университет, 2018. - С. 145-150. - EDN YPQYBN.

34. Луцив, В. Р. Моделирование зон внимания на основе анализа локальных особенностей текстуры изображений / В. Р. Луцив, Т. А. Новикова // Оптический журнал. - 2008. - Т. 75, № 7. - С. 55-64. - EDN IRCPOD.

35. Программа сегментации аэрокосмических изображений для целей экологии и сельского хозяйства / К. К. Талыпов, А. Д. Аккозов, Н. С. Тиленбае-ва, А. Э. Абылкайырова // Научный журнал Физика. - 2022. - № 1. - С. 20-24. -EDN SMUCWG.

36. Марчуков, В. С. Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации : специальность 25.00.34 «Аэрокосмические исследования Земли, фотограмметрия» : дис... д-ра техн. наук / Марчуков Владимир Семенович. - Москва, 2011. - 235 с. - EDN QFZLMZ.

37. Гончаров, А. В. История развития аэрокосмических изображений и алгоритмы для их обработки / А. В. Гончаров // Прогрессивные технологии и процессы : сборник научных статей 3-й Международной молодежной научно-практической конференции, Курск, 22-23 сентября 2016 года / Отв. ред. Горохов А.А.. - Курск: Закрытое акционерное общество "Университетская книга", 2016. - С. 61-67. - EDN WQRDGZ.

38. Холопов, И. С. Алгоритм классификации типов радиолокационных помех по спектральным признакам / И. С. Холопов // Методы и устройства передачи и обработки информации. - 2008. - № 10. - С. 176-182. - EDN NECDAH.

39. Кузьмин, М. И. Систематизация методов моделирования дефектов листового проката / М. И. Кузьмин // Управление большими системами: материалы X Всероссийской школы-конференции молодых ученых, Уфимский государственный авиационный университет. - Уфа, 2013. - Т.3. - С. 149-152.

40. Синицын, А. В. Использование метода корреляционного сравнения для решения задачи идентификации лиц / А. В. Синицын // Столыпинский вестник. - 2012. - № 8. - C. 4664-4668.

41. Ascheulov N. I. Using of facial recofnition as part of the access control system // Languages in professional communication: сборник материалов международной научно-практической конференции преподавателей, аспирантов и студентов. Отв. ред. Л. И. Корнеева. - 2020. - pp. 448-452.

42. Зинин, А. М. Внешность человека в криминалистике и судебной экспертизе : монография / А. М. Зинин. - Москва : Изд-во «Юрлитинформ», 2015. - 200 с. - (Библиотека криминалиста). - ISBN 978-5-4396-0908-6. - EDN TMUGON.

43. Wang, F. Fuzzy supervised classification of remote sensing images / F. Wang // IEEE transactions of geoscience and remote sensing. - 1990. - Vol.28(2). -P. 194-201.

44. Wang, F. Design and implementation of knowledge-base system for remotely sensed change detection / F. Wang // J. Imaging techn. - 1987. - Vol.13. - P 116-122.

45. Cannon, R. L. Segmentation of a semantic mapper image using fuzzy c-means clustering algorithm / R. L. Cannon // IEEE Trans. Geosci remote sensing. V. 10. - 1986. - GE-24. - P. 400-408.

46. Morlini, I. A new class of weighted similarity indices using polytomous variables / I. Morlini, S. Zani // Journal of classification. - Vol 29(2). - 2012. - P. 199-226.

47. Первун, О. Е. Технология реализации наивного байесовского классификатора в программной среде R / О. Е. Первун // Перспективы науки. -2020. - № 3(126). - С. 18-20. - EDN ZPYXSP.

48. Фомин, Я. А. Статистическая теория распознавания образов / Я. А. Фомин, Г. Р. Тарловский. - М.: Радио и связь. - 1986. - 624 с.

49. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт, Д. Понс. - М.: Вильямс, 2004. - 928 с.

50. Бровкова, М. Б. Системы искусственного интеллекта в машиностроении: учеб. пособие / М. Б. Бровкова. - Саратов: Сарат. гос. техн. ун-т. -2004. - 119 с.

51. Кузьмин, М. И. Информационно-измерительная система распознавания поверхностных дефектов листового проката на основе метода окрестностей : специальность 05.11.16 "Информационно-измерительные и управляющие системы (по отраслям)" : автореф. Дис ... канд. техн. наук / Кузьмин Михаил Иванович. - Оренбург, 2016. - 22 с. - EDN ZQHQDH.

52. Грицанов, А. А. История философии: Энциклопедия / А. А. Грица-нов. - Минск: Интерпрессервис, 2002. - 1376 с.

53. Патент № 2280239 С1 Российская Федерация, МПК G01B 15/02. Рентгеновский способ определения параметров листового проката из монетного сплава : № 2005105985/28 : заявл. 04.03.2005 : опубл. 20.07.2006 / А. И. Маслов,

B. Г. Запускалов, Ю. Е. Волчков [и др.] ; заявитель Закрытое акционерное общество научно-исследовательский институт интроскопии МНПО "СПЕКТР". -EDN МШО.

54. Тормозов, В. С. Настройка и обучение многослойного персептрона для задачи выделения дорожного покрытия на космических снимках города / В.

C. Тормозов, К. А. Василенко, А. Л. Золкин // Программные продукты и системы. - 2020. - № 2. - С. 343-348. - EDN ОРВтВ.

55. Щеголькова, Д. В. О подходах к выбору структуры нейронной сети на примере многослойного персептрона / Д. В. Щеголькова, Е. И. Орешкина, Л. В. Липинский // Актуальные проблемы авиации и космонавтики. - 2014. - Т. 1, № 10. - С. 305-306. - EDN TAQFWR.

56. Киселев, Е. С. Методы обучения многослойного персептрона / Е. С. Киселев // Актуальные направления научных исследований XXI века: теория и

практика. - 2015. - Т. 3, № 7-1(18-1). - С. 474-477. - DOI 10.12737/14909. - EDN УШМЖ.

57. Гейдаров, П. Ш. Исследование устойчивости многослойного пер-септрона с вычисляемыми весами синапсов к меньшим объемам обучающей выборки / П. Ш. Гейдаров // Информационно-управляющие системы. - 2023. -№ 2(123). - С. 2-14. - DOI 10.31799/1684-8853-2023-2-2-14. - EDN WOHMNE.

58. Двухэтапная процедура синтеза управления нелинейными нестационарными объектами с использованием многослойного персептрона / С. В. Фролов, С. В. Синдеев, А. А. Коробов [и др.] // Моделирование, оптимизация и информационные технологии. - 2020. - Т. 8, № 3(30). - DOI 10.26102/23106018/2020.30.3.028. - EDN СРОТМА.

59. Ватутин, Э. И. Эвристический подход к распознаванию изоморфизма графов / Э. И. Ватутин // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации : сборник материалов XII Международной научно-технической конференции, Курск, 12-16 мая 2015 года. - Курск: Юго-Западный государственный университет, 2015. - С. 80-83. - EDN TWIVZT.

60. Гавриков, М. М. Эвристическая методика настройки скрытых марковских моделей для распознавания образов стохастических процессов / М. М. Гавриков, А. Ю. Мезенцева, Р. М. Синецкий // Известия высших учебных заведений. Электромеханика. - 2022. - Т. 65, № 2. - С. 81-88. - DOI 10.17213/01363360-2022-2-81-88. - EDN МГО^и.

61. Розикова, М. Д. Основные особенности эвристических методов / М. Д. Розикова, С. Ш. Самадова // Интернаука. - 2021. - № 6-1(182). - С. 59-60. -EDN LSRJVF.

62. Бершадская, Е. Г. Моделирование. Модели систем и методы принятия решений : учебное пособие для студентов высших учебных заведений, обучающихся по направлению «Информатика и вычислительная техника» / Е. Г. Бершадская ; Минобрнауки России, Федеральное гос. бюджетное образовательное учреждение высш. проф. образования «Пензенская гос. технологиче-

ская академия». - Пенза : ПГТА, 2012. - 144 с. - (Система открытого образования). - ISBN 978-5-98903-169-6. - EDN QMXCNN.

63. Субанов, Э. Э. Разработка моделей эффективной оценки опасности столкновения судов при принятии решения методом анализа иерархий : специальность 05.22.19 «Эксплуатация водного транспорта, судовождение» : авто-реф. дис... канд. техн. наук / Субанов Эркин Эргешевич. - Новороссийск, 2012. - 24 с. - EDN QIFYQF.

64. Ахатова, Ч. Ф. Методы и модели искусственного интеллекта в анализе данных и принятии решений / Ч. Ф. Ахатова // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. - 2011. - № 5(133). - С. 99106. - EDN OYOQER.

65. Юганова, Т. И. Выбор участков для размещения объектов обращения с отходами на основе методов многокритериального принятия решений / Т. И. Юганова // Геоэкология. Инженерная геология, гидрогеология, геокриология. - 2019. - № 4. - С. 79-93. - DOI 10.31857/S0869-78092019479-93. - EDN ARIGTW.

66. Спеньков, К. А. Влияние преобразования режимов отображения изображений при экологическом мониторинге с применением гистограмм / К. А. Спеньков, О. Р. Никитин // Методы и устройства передачи и обработки информации. - 2021. - № 23. - С. 68-71. - EDN KLXYBG.

67. Филиппов, А. Ю. Оценка качества изображений, полученных с беспилотных летательных аппаратов, при контроле состояния опасных производственных объектов / А. Ю. Филиппов, О. С. Логунова, М. Ю. Наркевич // Актуальные проблемы современной науки, техники и образования : Тезисы докладов 81-й международной научно-технической конференции, Магнитогорск, 1721 апреля 2023 года. Т. 1. - Магнитогорск: Изд-во Магнитогорск. гос. техн. унта им. Г.И. Носова, 2023. - С. 359. - EDN BIUOON.

68. ГОСТ Р 56542-2019 Контроль неразрушающий. Классификация видов и методов: дата введения 2020-11-01. - URL:

https://docs.cntd.ru/document/1200169346 (дата обращения: 25.09.2023). - Текст: электронный.

69. Патент № 2234677 С2 Российская Федерация, МПК G01B 15/02. Рентгеновский способ измерения толщины листовых изделий : № 2002127427/28 : заявл. 14.10.2002 : опубл. 20.08.2004 / А. И. Маслов, В. Г. За-пускалов, Л. В. Владимиров [и др.] ; заявитель Закрытое акционерное общество научно-исследовательский институт интроскопии Московского научно-производственного объединения «Спектр». - EDN DNHHJT.

70. Алешин, Н. П. Ультразвуковая дефектоскопия : Справочное пособие / Н. П. Алешин, В. Г. Лупачев. - Минск : Вышэйшая школа, 1987. - 271 с. -EDN ZFBRQP.

71. Авторское свидетельство № 99046 А1 СССР, МПК G01N 23/18, G01N 23/08. Устройство для обнаружения дефектов в изделиях : № 448447 : заявл. 19.01.1954 : опубл. 01.01.1954 / С. В. Медведев, Л. К. Таточенко, В. С. Токмаков. - EDN DGIJWF.

72. Таточенко Л. К., Медведев С. В., Промышленная гамма-дефектоскопия / Л.К. Таточенко, С.В. Медведев. - М., 1955. - 155 с.

73. Патент № 2774101 С1 Российская Федерация, МПК G01N 29/14. Способ дефектоскопии металлов по акустическим шумам : № 2021128991 : заявл. 04.10.2021 : опубл. 15.06.2022 / К. В. Федин, И. А. Болдырев, А. Р. Рофе, А. А. Гриценко ; заявитель Федеральное государственное автономное образовательное учреждение высшего образования «Новосибирский национальный исследовательский государственный университет». - EDN №ХНСЛ.

74. Вавилов, В. П. Инфракрасная термография и тепловой неразрушающий контроль / В. П. Вавилов, А. О. Чулков, Д. А. Нестерук // XXVI Международная научно-техническая конференция по фотоэлектронике и приборам ночного видения : тезисы докладов, Москва, 25-27 мая 2022 года. - Москва, Россия: Акционерное общество НПО «Орион», 2022. - С. 44-46. - DOI 10.51368/978-57164-1173-9-2022-44. - EDN GBLQJW.

75. The Infrared and Electro-Optical Systems Handbook. Joseph S. Accetta, David L. Shumaker Exec. Editors. ERIM and SPIE Optical Engineering Press, Bel-lingham, Washington. USA. 1993 (8 volumes).

76. Классификатор дефектов при производстве холоднокатаного и горя-чеоцинкованного металла в ЛПЦ-11 КД ЛПЦ11-3-2012.

77. Гарбар, Е. А. Признаки дефектов на изображении поверхности плоского проката / Е. А. Гарбар, О. С. Логунова // Программное обеспечение для цифровизации предприятий и организаций : сборник трудов Всеросс. науч.-практической конференции, Магнитогорск, 14-16 июня 2021 года. - Магнитогорск: Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова, 2021. - С. 68-71. - EDN FMTNMH.

78. Гарбар, Е. А. Цифровизация в оценке качества поверхности листового проката / Е. А. Гарбар // Математическое и программное обеспечение систем в промышленной и социальной сферах. - 2019. - Т. 7, № 2. - С. 30-34. - DOI 10.18503/2306-2053-2019-7-2-30-34. - EDN EKNXYD.

79. Ходарев, А. Ю. Использование n-мерных гистограмм для анализа многопараметрической видеоинформации / А. Ю. Ходарев // Вопросы радиоэлектроники. Серия: Техника телевидения. - 2007. - № 1. - С. 100-111. - EDN MHUXHZ.

80. Поиск объективных критериев качества цифровых рентгеновских изображений для оптимизации режимов их регистрации по отношению качество/доза / А. В. Бехтерев, В. А. Лабусов, Р. А. Лохтин [и др.] // Российский электронный журнал лучевой диагностики. - 2019. - Т. 9, № 1. - С. 160-176. -DOI 10.21569/22227415201991160176. - EDN IYRYPV.

81. Патент № 2280239 C1 Российская Федерация, МПК G01B 15/02. Рентгеновский способ определения параметров листового проката из монетного сплава : № 2005105985/28 : заявл. 04.03.2005 : опубл. 20.07.2006 / А. И. Маслов, В. Г. Запускалов, Ю. Е. Волчков [и др.] ; заявитель Закрытое акционерное общество научно-исследовательский институт интроскопии МНПО «СПЕКТР». -EDN ILGUIO.

82. Гмурман, В. Е. Г 55. Теория вероятностей и математическая статистика. Учеб. пособие для вузов. / В.Е. Гмурман. Изд. 7-е, стер. - М.: Высш. шк., 1999. - 479 с.: ил.

83. Наркевич, М. Ю. Развитие методологии создания системы менеджмента качества металлургического предприятия, эксплуатирующего опасные производственные объекты, на основе прикладной цифровой платформы : дис... д-ра техн. наук / Наркевич Михаил Юрьевич. - Магнитогорск, 2023. - 332 с. -EDN DCFSXK.

84. Наркевич, М. Ю. Гармонизация базовых и цифровых показателей принадлежности опасных производственных объектов заданному техническому состоянию / М. Ю. Наркевич, О. С. Логунова // Вестник Череповецкого государственного университета. - 2023. - № 3(114). - С. 31-46. - DOI 10.23859/1994-0637-2023-3-114-3. - EDN EUCCMC.

85. Бровкова, М. Б. Системы искусственного интеллекта в машиностроении: учеб. пособие / М. Б. Бровкова. - Саратов: Сарат. гос. техн. ун-т. -2004. - 119 с.

86. Кузьмин, М. И. Информационно-измерительная система распознавания поверхностных дефектов листового проката на основе метода окрестностей : специальность 05.11.16 «Информационно-измерительные и управляющие системы (по отраслям)» : автореф. дис... канд. техн. наук / Кузьмин Михаил Иванович. - Оренбург, 2016. - 22 с. - EDN ZQHQDH.

87. Грицанов, А. А. История философии: Энциклопедия / А. А. Грица-нов. - Минск: Интерпрессервис, 2002. - 1376 с.

88. Методика оценки микроструктурной неоднородности по толщине листового проката из хладостойкой низколегированной стали арктического применения / А. А. Казаков, Д. В. Киселев, О. В. Сыч, Е. И. Хлусова // Черные металлы. - 2020. - № 9. - С. 11-19. - EDN XJPKMR.

89. Раскин, Д. Интерфейс. Новые направления в проектировании компьютерных систем / Д. Раскин. - СПб: Символ-плюс, 2005. - С. 272.

90. Хабр. GOMS-анализ юзабилити интерфейса : [сайт]. - 2020. - URL: https://habr.com/ru/articles/512712/. - Текст : электронный.

91. Логунова, О. С. Автоматизация научных исследований нарушения сплошности плоской поверхности: конструкционное решение программно-аппаратного комплекса / О. С. Логунова, С. М. Андреев, Е. А. Гарбар [и др.] // Электротехнические системы и комплексы. - 2020. - № 1(46). - С. 54-59. - DOI 10.18503/2311-8318-2020-1(46)-54-59. - EDN IQTJIF.

92. Григорьева, А. А. Место и роль бизнес-модели в управлении архитектурой предприятия (на примере сбытовых структур ТНК) / А. А. Григорьева // Модели, системы, сети в экономике, технике, природе и обществе. - 2016. - № 2(18). - С. 14-21. - EDN TZSPKY.

93. Максимов Н.А. Анализ формы изображений и распознавание объектов на основе скелетно-контурного представления / Максимов Н.А., А.В. Шаронов // Научный вестник московского государственного технического университета гражданской авиации. - 2014. - №207. - С. 67-75.

94. Жарлыкасов Б.Ж. Методы экстракции признаков изображения с целью поиска и распознавания лиц / Жарлыкасов Б.Ж., Мауленов К.С. // Новые информационные технологии в образовании и науке. - Екатеринбург : РГППУ, 2018. - № 1. - С. 114-117.

95. Логунова, О. С. Интервальная оценка признаков дефектов на изображении поверхности плоского проката / О. С. Логунова, Е. А. Гарбар, А. А. Николаев // Современные достижения университетских научных школ : сборник докладов национальной научной школы-конференции, Магнитогорск, 25-26 ноября 2021 года. Выпуск 6. - Магнитогорск: Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова, 2021. - С. 53-60. - EDN INHHIZ.

96. Структура программного модуля для захвата изображения из видео потока / А. А. Николаев, О. С. Логунова, Е. А. Гарбар, А. Е. Якименко // Математическое и программное обеспечение систем в промышленной и социальной сферах. - 2019. - Т. 7, № 2. - С. 19-24. - DOI 10.18503/2306-2053-2019-7-2-1924. - EDN KDURFS.

97. Логунова, О. С. Система интеллектуальной поддержки процессов управления производством непрерывнолитой заготовки / О. С. Логунова, И. И. Мацко, И. А. Посохов. - Магнитогорск : Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова, 2013. - 175 с. - ISBN 978-5-9967-0410-1. - EDN RREFAV.

98. Логунова, О. С. Человеко-машинное взаимодействие : Теория и практика / О. С. Логунова, И. М. Ячиков, Е. А. Ильина. - Ростов-на-Дону, 2006. -285 с. - (Высшее образование). - ISBN 5-222-09156-2. - EDN QAJCAR.

99. Логунова, О. С. Об одном способе оценки экономической эффективности внедрения программного продукта в систему управления / О. С. Логунова, Е. А. Ильина, И. И. Мацко // Математическое и программное обеспечение систем в промышленной и социальной сферах. - 2016. - Т. 4, № 1. - С. 42-47. -EDN XHUVFD.

100. Бунова, Е. В. Оценка эффективности внедрения информационных систем / Е. В. Бунова, О. С. Буслаева // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2012. - № 1. - С. 158-164. - EDN OOOCCX.

ПРИЛОЖЕНИЕ А ПЕРЕЧЕНЬ РАСПРОСТРАНЁННЫХ КЛАССОВ ДЕФЕКТОВ ПРОКАТА

Номер дефекта Название Описание Причина образования Способы корректировки

009 12101009 Вкатанная окалина scale Дефект поверхности в виде вкраплений остатков окалины, вдавленной в поверхность металла при деформации. 1. Повышенная продолжительность нагрева сляба в методически печах. 2. Повышенное содержание коксового газа в методической печи. 3. Повышенная выработка поверхности рабочих валков черновой и чистовой группы клетей стана горячей прокатки. 4. Неправильная установка коллектора гидросбива (по высоте, по углу наклона - угол «атаки»). 5. Износ и засорение сопел гидро-сбива. 6. Низкое давления воды в системе гидросбива. 1. Своевременно снижать температуру по зонам печи в случаях аварийных простоев. 2. Не допускать превышения концентрации коксового газа в газовой смеси более 6 %. 3. Соблюдать установленные сроки перевалки рабочих валков черновой и чистовой группы клетей стана горячей прокатки. 4. Правильно настраивать систему гидросбива (соблюдать установку коллекторов по высоте, углу наклона, на включение и выключение гидросбива). 5. Не допускать прокатки металла при засоренных соплах гидросбива. 6. Поддерживать необходимое давление воды в коллекторах гидросбива, соблюдать регламент осмотра и замены коллекторов охлаждения рабочих валков и коллекторов гидросбивов

010 12101010 Раковина от окалины rolled in scale Дефект поверхности полосы в виде отдельных углублений, частично вытянутых вдоль направления прокатки, образующихся при выпадении и вытравливании вкатанной окалины. Примечание -Раковины от окалины отличаются от рябизны большими размерами и мень- 1. Повышенная продолжительность нагрева сляба в методических печах. 2. Повышенное содержание коксового газа в методической печи. 3. Повышенная выработка поверхности рабочих валков черновой и чистовой группы клетей стана горячей прокатки. 4. Неправильная установка коллектора гидросбива (по высоте, по углу наклона - угол «атаки»). 5. Износ и засорение сопел гидро-сбива. 1. Своевременно снижать температуру по зонам печи в случаях аварийных простоев. 2. Не допускать превышения концентрации коксового газа в газовой смеси более 6 %. 3. Соблюдать установленные сроки перевалки рабочих валков черновой и чистовой группы клетей стана горячей прокатки. 4. Правильно настраивать систему гидросбива (соблюдать установку коллекторов по высоте, углу наклона, на включение и выключение гидросбива). 5. Не допускать прокатки металла при засоренных соплах гидросбива. 6. Поддерживать необходимое давление воды в коллекторах гидросбива, соблюдать регламент осмотра

Номер дефекта Название Описание Причина образования Способы корректировки

шим количеством 6. Низкое давление воды в системе гидросбива и замены коллекторов охлаждения рабочих валков и коллекторов гидросбивов

014 Царапина Дефект поверхности, 1. Соприкосновение полосы с вы- 1. Определить место образования дефекта и устра-

12101014 Scratch представляющий со- ступающими острыми частями обо- нить его путем зачистки или замены изношенных

бой углубление не- рудования (неисправность провод- частей оборудования.

правильной формы и ковой арматуры). 2. Удалить застрявшие частицы металла в линии аг-

произвольного 2. Соприкосновение полосы с за- регата.

направления, обра- стрявшими частицами металла в 3. Устранить неисправность, проверить наличие тек-

зующиеся в результате механических линии агрегата. 3. Заклинены, выработаны или столитовых плит в проводках, заменить ролики

повреждений, в том нарушена гуммировка транспорти-

числе, при складиро- рующих роликов

вании и транспорти-

ровании металла

015 Коробова- Разновидность вол- 1. Неудовлетворительная настрой- 1. Произвести настройку роликов гибочно-растяжного

12101015 тость нистости в виде ка роликов гибочно-растяжного устройства (перекрытие) в соответствии с требовани-

Center местной выпуклости устройства. ями ТИ.

buckle или вогнутости 2. Выработка роликов гибочно-растяжного устройства. 3. Несоосность (непараллельность) роликов гибочно-растяжного устройства. 4. Недостаточное или чрезмерное удлинение полосы в ИРМ 5. Неудовлетворительный профиль г/к полосы (дефект образуется на предыдущих переделах) 2. Произвести замену роликов гибочно-растяжного устройства. 3. Произвести проверку соосности (параллельность) роликов гибочно-растяжного устройства, выставить ролик соосно (параллельно). 4. Произвести настройку удлинения полосы в соот-ветсвии с требованиями ТИ. 5. Не задавать в производство металл с данным дефектом

018 Пятна Дефект поверхности 1. Неудовлетворительная промывка 1. Увеличить расход воды, подаваемой на полосу в

12101018 ржавчины в виде пятен или по- полосы в ваннах промывки. ванне холодной промывки.

Rust marks лос с рыхлой струк- 2. Неудовлетворительная сушка по- 2. Произвести регулировку подачи горячего воздуха

турой окисной плен- лосы после промывки в коллекторе сушильного устройства.

Номер дефекта Название Описание Причина образования Способы корректировки

ки, образовавшейся в результате попадания влаги и недостаточной промывки металла от травильных растворов 3. Неудовлетворительное состояние поверхности отжимных роликов. 4. Закисленность воды в ванне горячей промывки. 3. Произвести осмотр отжимных роликов в промывочных ваннах, при необходимости произвести замену. Соблюдать усилия прижатия отжимных роликов к полосе. 4. Заменить воду в ванне горячей промывки

016 12101016 Волнистость Wave Отклонение от плоскостности, при котором поверхность металлопродукции или ее отдельные части имеют вид чередующихся выпуклостей и вогнутостей, не предусмотренных формой проката 1. Выработка барабанов натяжных станций. 2. Выработка роликов гибочно-растяжного устройства. 3. Выработка гуммированных роликов в промывных ваннах 1. Заменить барабаны натяжных станций. 2. Заменить ролики гибочно-растяжного устройства. 3. Заменить гуммированные ролики

021 12101021 Недотрав non Cleaning oxcides Дефект поверхности в виде темно-серых пятен или полос, образовавшихся при неполном или неравномерном травлении окалины. 1. Большая скорость движения полосы через травильную ванну. 2. Низкая температура травильного раствора. 3. Низкое содержание кислоты в травильном растворе; 4. Плохая работа гибочно-рас-тяжного устройства 1. Уменьшить скорость движения полосы через травильную ванну. 2. Увеличить температуру травильного раствора. 3. Увеличить содержание кислоты в травильном растворе. 4. Увеличить максимальный изгиб полосы в рабочих роликах ИРМ.

Номер дефекта Название Описание Причина образования Способы корректировки

022 12101022 Перетрав Acid burned Дефект поверхности в виде язв, образовавшихся вследствие длительного травления на отдельных участках или всей поверхности металла 1. Низкая скорость движения полосы через травильную ванну. 2. Высокие концентрации травильного раствора. 3. Излишнее время пребывания полосы в травильном растворе 1. Увеличить скорость движения полосы через травильную ванну. 2. Снизить концентрации в травильном растворе. 3. Не допускать нахождение травильного раствора в ваннах при остановках агрегата. Своевременно сливать кислотный раствор из ванн НТА при остановках линии

023 12101023 Разнотол-щинность Thickness deviation Отклонение формы, характеризующееся неравномерностью толщины металлопродукции по ширине или длине Продольная: колебание толщины г/к подката по длине свыше допуска (дефект образуется на предыдущем переделе), неправильная настройка стана горячей прокатки. Поперечная: оперечный профиль г/к проката (чечевица, клиновидность) не соответствуют требованиям НД на подкат, неправильная настройка стана горячей прокатки Обеспечить получение подката равномерной толщины с размерами, не выходящими за пределы допусков, произвести настройку стана горячей прокатки в соответствии с требованиями ТИ. Обеспечить получение подката равномерной толщины с размерами, не выходящими за пределы допусков, произвести настройку стана в соответствии с требованиями ТИ

024 12101024 Узкий Width deviation Отклонение от заданной ширины в меньшую сторону сверх допуска Неправильно настроены ножи дисковых ножниц по ширине Настроить ножи дисковых ножниц, согласно допуску по ширине

025 12101025 Широкий Width deviation Отклонение от заданной ширины в большую сторону сверх допуска Неправильно настроены ножи дисковых ножниц по ширине Настроить ножи дисковых ножниц, согласно допуску по ширине

030 12101030 Смесь /смесь марок сталей Смесь металла разных плавок, одинакового или разного размера Смесь металла разных плавок и партий, одинакового или разного размера Не допускать смесь металла разных плавок и партий, одинакового или разного размера

038 12101038 Полосы-линии Дефект поверхности в виде темных поло- 1. Большой износ гибочных роликов. 1. Заменить гибочные ролики. 2. Соблюдать время охлаждения металла на СКГР.

Номер дефекта Название Описание Причина образования Способы корректировки

скольжения сок и разветвленных 2. Высокая температура задаваемо-

Coil break линий на поверхности листа или ленты, образовавшихся вследствие местных напряжений, превышающих предел текучести металла, вызванных нарушением технологии обработки давлением го в травление металла

045 Заусенец Дефект поверхности, 1. Тупые дисковые ножи, скол ре- 1. Произвести замену дисковых ножей.

12101045 Edge cutting представляющий со- жущей грани ножа (выкрошка). 2. Установить необходимые перекрытие и зазор

scrap бой острый, в виде гребня, выступ, образовавшийся при резке металла 2. Большой осевой зазор между ножами между ножами

060 Вкатанная Дефект поверхности 1. Выкрошка на дисковых ножах; 1. Заменить дисковые ножи.

12101060 крошка проката в виде 2. Наличие глубоких царапин на 2. Устранить причины травмирования поверхности

Roll damage углублений различ- подкате и полученных царапин при г/к полос.

ной величины и формы (местные или травлении 3. Отслаивание дефектов поверхно- 3. Не допускать на поверхности полосы грубых дефектов

в виде цепочек), ча- сти полос (плена)

стично заполненных

инородными части-

цами

069 Риски Дефект поверхности 1. Наличие наваров, задиров и рако- 1. Устранить контакт полосы с неподвижными ча-

12101069 Roll mark в виде канавки без вин на роликах. стями оборудования.

выступа кромок с 2. Несоответствие скорости полосы 2. Устранить несоответствие скоростей полосы и

закругленным или и роликов роликов

плоским дном

Номер дефекта Название Описание Причина образования Способы корректировки

074 12101074 Стружка Edge cutting defects Тонкая волосопо-добная стружка на срезе кромки полосы Малый осевой зазор между ножами Настроить зазор и перекрытие между ножами или произвести замену дисковых ножей

108 12101108 Пилообразная кромка Edge cutting defects Дефект кромки подката в виде выступов и углублений различной формы и глубины Неправильная настройка дисковых ножей Проверить правильность настройки дисковых ножей (перекрытия и бокового зазора)

012 12101012 Заворот кромки tear Дефект формы в виде местного смятия кромки полосы, образующегося при прохождении их через узкие проводки или косой задаче раската в валки 1. Травмирования полосы при прохождении через узкие проводки агрегата. 2. Сбой в работе системы центрирования полосы и увода полосы в линии агрегата 1. Не допускать задевание полосы вовремя прохождении через узкие проводки агрегата. 2. Устранять сбои в системе центрирования полосы

226 12101226 Зазубрина folding Дефект поверхности в виде выступов и углублений на кромках листа, ленты, фасонного и сортового проката 1. Выкрошка на дисковых ножах. 2. Большое перекрытие ножей 1. Заменить дисковые ножи. 2. Установить перекрытие и боковой зазор на дисковых ножах в соответствии с ТИ

063 12101063 Пятна загрязнений Дефект поверхности в виде пятен, полос, натеков, разводов, образующихся вследствие прилипания жидкости к изделию и дальнейшего неравномерного окисления при нагреве и травле- Плохо протравлен и промыт г/к подкат Не допускать недотрава, увеличить количество подаваемой промывочной воды в ванны промывки, проверить состояние коллекторов в ваннах промывки

Номер дефекта Название Описание Причина образования Способы корректировки

нии металла

129 12101129 Обезличенный металл Невозможность идентифицировать металл по маркировке 1. Удаление с поверхности рулона маркировки 2. Неверная маркировка на рулоне 1. Не допускать удаление с поверхности рулона маркировки. 2. Не допускать неверную маркировку

077 12101077 Плена прокатная Дефект поверхности, представляющий собой отслоение металла языкообразной формы, соединенное с основным металлом одной стороны, образовавшееся вследствие раскатки или расковки рванин, подрезов, следов глубокой зачистки дефектов или сильной выработки валков, а также грубых механических повреждений Дефект образуется на предыдущих переделах. Не задавать в производство металл с данным дефектом.

003 12101003 Плена ста-леплавиль-ного производства Дефект поверхности, представляющий собой темную полосу отслоения металла языкообразной и различной формы, соединенное с основным металлом одной стороной, образовав- Дефект образуется на предыдущих переделах Не задавать в производство металл с данным дефектом

Номер дефекта Название Описание Причина образования Способы корректировки

шееся вследствие раскатки внутренних и поверхностных дефектов литой заготовки

141 12101141 Неметаллические включения macro inclusion Дефект поверхности и макроструктуры сляба, заготовки представляет собой нарушение сплошности металла и образуют полости, в которых концентрируются напряжения Дефект образуется на предыдущих переделах. Не задавать в производство металл с данным дефектом.

ПРИЛОЖЕНИЕ Б ПЕРЕЧЕНЬ, ОПИСАНИЕ И ИЗОБРАЖЕНИЯ ДЕФЕКТОВ ХОЛОДНОКАТАНОГО ПРОКАТА ПО ОБОБЩЕННОМУ АТЛАСУ ДЕФЕКТОВ

Шифр дефекта

009

013

014

018

Наименование дефекта

Вкатанная окалина

Отпечатки

Царапина

Пятна ржавчины

Внешний вид дефекта

Шифр дефекта Внешний вид дефекта на г/к

Внешний вид дефекта на г/к травленом прокате

Внешний вид дефекта на х/к прокате

Внешний вид дефекта на х/к прокате

Внешний вид дефекта на х/к прокате

Внешний вид дефекта на х/к прокате

Шифр дефекта Наименование дефекта Внешний вид дефекта Шифр дефекта

021 Недотрав Внешний вид дефекта на г/к травленом прокате

022 Перетрав Внешний вид дефекта на г/к травленом прокате

038 Полосы-линии скольжения Внешний вид дефекта на х/к прокате

038 Полосы-линии скольжения Внешний вид дефекта на х/к прокате

012 Заворот кромки Внешний вид дефекта на г/к прокате

Шифр дефекта

012

077

003

141&

Наименование дефекта

Заворот кромки

Плена прокатная

Плена сталеплавильного производства

Неметаллические включения

Внешний вид дефекта

Шифр дефекта

Внешний вид дефекта на х/к прокате

Внешний вид дефекта на г/к прокате

Внешний вид дефекта на х/к прокате

Внешний вид дефекта на г/к прокате

Внешний вид дефекта на х/к прокате

Шифр дефекта

Наименование дефекта

Внешний вид дефекта

Шифр дефекта

228

Вкатанные инородные частицы

Внешний вид дефекта на х/к прокате

115

Вмятины

Внешний вид дефекта на х/к прокате

115

251

148

Вмятины

Белая ржавчина

Наплывы цинка

Кромочная (торцевая) непроцинковка

Внешний вид дефекта на х/к прокате

Внешний вид дефекта на ГЦ прокате

Внешний вид дефекта на ГЦ прокате

Внешний вид дефекта на ГЦ прокате

ПРИЛОЖЕНИЕ В КАРТЫ ТРАЕКТОРИЙ ПРИНЯТИЯ РЕШЕНИЙ

Таблица В.1 - Карта принятия устойчивого решения ^_

ПСП УСП ПНП

Sign2 Sign4 Sign5 Sign7 Signl Signз Sign6

1 1 1 1 1 1 1

Таблица В.2 - Карта принятия условно устойчивого решения степени 1

ПСП УСП ПНП

Sign2 Sign4 Sign5 Sign7 Signl Signз Sign6

1 1 1 1 1 1 0

1 1 1 1 1 0 1

1 1 1 1 1 0 0

1 1 1 1 0 1 1

1 1 1 1 0 1 0

1 1 1 1 0 0 1

1 1 1 1 0 0 0

Таблица В.3 - Карта принятия условно устойчивого решения степени 2

ПСП УСП ПНП

Sign2 Sign4 Sign5 Sign7 Signl Signз Sign6

1 1 1 0 1 1 1

1 1 1 0 1 1 0

1 1 0 1 1 1 1

1 1 0 0 1 1 1

1 1 0 1 1 1 0

1 1 0 0 1 1 0

1 0 1 1 1 1 1

1 0 1 0 1 1 1

1 0 1 1 1 1 0

1 0 1 0 1 1 0

1 0 0 1 1 1 1

1 0 0 0 1 1 1

1 0 0 1 1 1 0

1 1 1 0 1 0 1

1 1 1 0 1 0 0

1 1 0 1 1 0 1

1 1 0 0 1 0 1

1 1 0 1 1 0 0

1 1 0 0 1 0 0

1 0 1 1 1 0 1

1 0 1 0 1 0 1

1 0 1 1 1 0 0

1 0 1 0 1 0 0

1 0 0 1 1 0 1

1 0 0 1 1 0 0

ПСП УСП ПНП

Sigrn Sign4 Sign5 Sign7 Signi Sign3 Sign6

0 1 1 1 1 1 1

0 1 1 0 1 1 1

0 1 1 1 1 1 0

0 1 1 0 1 1 0

0 1 0 1 1 1 1

0 1 0 0 1 1 1

0 1 0 1 1 1 0

0 0 1 1 1 1 1

0 0 1 0 1 1 1

0 0 1 1 1 1 0

0 0 0 1 1 1 1

0 0 0 0 1 1 1

0 1 1 1 1 0 1

0 1 1 0 1 0 1

0 1 1 1 1 0 0

0 1 1 0 1 0 0

0 1 0 1 1 0 1

0 1 0 1 1 0 0

0 0 1 1 1 0 1

0 0 1 1 1 0 0

1 1 1 0 0 1 1

1 1 1 0 0 1 0

1 1 0 1 0 1 1

1 1 0 0 0 1 1

1 1 0 1 0 1 0

1 1 0 0 0 1 0

1 0 1 1 0 1 1

1 0 1 0 0 1 1

1 0 1 1 0 1 0

1 0 1 0 0 1 0

1 0 0 1 0 1 1

1 0 0 0 0 1 1

1 0 0 1 0 1 0

1 1 1 0 0 0 1

1 1 1 0 0 0 0

1 1 0 1 0 0 1

1 1 0 0 0 0 1

1 1 0 1 0 0 0

1 0 1 1 0 0 1

1 0 1 0 0 0 1

1 0 1 1 0 0 0

1 0 0 1 0 0 1

ПСП УСП ПНП

Sign2 Sign4 Sign5 Sign7 Signl Signз Sign6

0 1 1 1 0 1 1

0 1 1 0 0 1 1

0 1 1 1 0 1

0 1 1 0 0 1

0 1 0 1 0 1 1

0 1 0 0 0 1 1

0 1 0 1 0 1

0 0 1 1 0 1 1

0 0 1 0 0 1 1

0 0 1 1 0 1

0 0 0 1 0 1 1

0 1 1 1 0 0 1

0 1 1 0 0 0 1

0 1 1 1 0 0

0 1 0 1 0 0 1

0 0 1 1 0 0 1

Таблица В.4 - Карта принятия условно устойчивого решения степени 3

ПСП УСП ПНП

Sign2 Sign4 Sign5 Sign7 Signl Signз Sign6

1 0 0 0 1 1 0

1 0 0 0 1 0 1

0 1 0 0 1 1 0

0 0 1 0 1 1 0

0 0 0 1 1 1 0

0 1 0 0 1 0 1

0 0 1 0 1 0 1

0 0 0 1 1 0 1

Таблица В.5 - Карта принятия не устойчивого решения

ПСП УСП ПНП

Sign2 Sign4 Sign5 Sign7 Signl Signз Sign6

1 0 0 0 1 0 0

0 0 0 0 1 1 0

0 1 0 0 1 0 0

0 0 1 0 1 0 0

0 0 0 0 1 0 1

0 0 0 1 1 0 0

0 0 0 0 1 0 0

1 0 0 0 0 1 0

1 1 0 0 0 0 0

1 0 1 0 0 0 0

1 0 0 0 0 0 1

1 0 0 1 0 0 0

ПСП УСП ПНП

Sign2 Sign4 Sign5 Sign7 Signi Sign3 Sign6

1 0 0 0 0 0 0

0 1 0 0 0 1 0

0 0 1 0 0 1 0

0 0 0 0 0 1 1

0 0 0 1 0 1 0

0 0 0 0 0 1 0

0 1 1 0 0 0 0

0 1 0 0 0 0 1

0 1 0 1 0 0 0

0 1 0 0 0 0 0

0 0 1 0 0 0 1

0 0 1 1 0 0 0

0 0 1 0 0 0 0

0 0 0 1 0 0 1

0 0 0 0 0 0 1

0 0 0 1 0 0 0

0 0 0 0 0 0 0

ПРИЛОЖЕНИЕ Г КОПИИ СВИДЕТЕЛЬСТВ О РЕГИСТРАЦИИ ПРОГРАММ ДЛЯ ЭВМ

российская федерация

RU2020618196

федеральная служба по интеллектуальной собственности

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

2020618196 Дата регистрации: 22.07.2020 Номер и дата поступления заявки:

2020617258 16.07.2020 Дата публикации и номер бюллетеня: 22.07.2020 Бюл. № 8 Контактные реквизиты: нет

Автор(ы):

Николаев Антон Андреевич (1Ш), Логунова Оксана Сергеевна (1Ш), Николаев Александр Аркадьевич (1Ш), Гарбар Евгений Александрович (1Ш) Правообладатель®:

Федеральное государственное бюджетное образовательное учреждение высшего образования «Магнитогорский государственный технический университет им. Г.И. Носова» (1Ш)

Название программы для ЭВМ: Video Stream