Модель, метод и нейросетевое оптико-электронное вычислительное устройство распознавания изображений тема диссертации и автореферата по ВАК РФ 05.13.05, кандидат наук Волков Денис Андреевич

• Волков Денис Андреевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Волков Денис Андреевич

Введение

1 Анализ состояния вопроса создания оптико-электронных вычислительных устройств распознавания изображений на объектах

1.1 Методы распознавания изображений

1.2 Методы выявления признаков изображений

1.3 Методы улучшения качества изображений

1.4 Обзор существующих оптико-электронных устройств для обработки изображений

1.5 Устройства для систем нанесения изображений на подвижный объект

Выводы

2 Математическая модель процесса обработки информации в оптико-электронном вычислительном устройстве

2.1 Математическая модель обработки информации от оптического и индуктивного датчиков

2.2 Математическая модель обработки информации от оптико-электронного датчика

2.3 Математическая модель процесса обработки информации в оптико-электронном вычислительном устройстве

2.4 Метод обработки и распознавания изображения оптико -электронным вычислительным устройством

Вывод

3 Разработка алгоритмов обработки изображений оптико-электронным вычислительным устройством

3.1 Алгоритм коррекции дисторсии при предварительной обработки изображения

3.2 Алгоритм фильтрации изображения

3.3 Выделение контуров на изображении

3.4 Алгоритм работы оптико-электронного нейросетевого вычислительного устройства распознавания изображений

Выводы

4 Разработка структурно-функциональной организации нейросетевого оптико-электронного вычислительного устройства распознавания изображений

4.1 Структурно-функциональная организация нейросетевого оптико-электронного вычислительного устройства распознавания изображений

4.2 Экспериментальные исследования разработанного устройства.. 90 4.4 Методика оценки надежности разработанного устройства в

составе системы управления

Вывод

Список использованных источников

Введение диссертации (часть автореферата) на тему «Модель, метод и нейросетевое оптико-электронное вычислительное устройство распознавания изображений»

ВВЕДЕНИЕ

Актуальность. Широкое внедрение устройств вычислительной техники в системы управления на производстве, осуществляющееся в последние десятилетия, - это объективная необходимость, обусловленная усложнением задач управления, повышением объёмов информации, которые необходимо обрабатывать в системах управления.

Примером таких устройств являются вычислительные устройства для систем нанесения изображений (этикеток, марок, ценников и т.п.) на подвижный объект. Вычислительные устройства для систем управления процессом нанесения изображений на объекты позволяют решать следующие задачи: обработка информации от первичных датчиков различной физической природы (датчиков температуры, движения или объекта), расчет необходимых параметров для системы управления, ввод настроечных параметров, а также формирование управляющих воздействий для исполнительных механизмов. В таких системах для формирования различных изображений с целью наблюдения и контроля состояния объектов используются оптико-электронные устройства распознавания изображений, необходимым свойством которых является обеспечение точности нанесения изображения на объект (анализ и распознавание изображения с целью выявления нарушений формы и позиционирования).

Однако, существующие устройства распознавания для систем нанесения изображений на объекты ориентированы на обработку сигналов от ограниченного набора датчиков и не реализуют в полной мере решение поставленных задач, что, в свою очередь, не позволяет решить задачу контроля нанесения изображения на объект и, в тоже время, произвести нанесение изображения на объект в реальном масштабе времени.

Таким образом, актуальной научно-технической задачей является разработка методов, алгоритмов и оптико-электронных вычислительных

устройств, обеспечивающих распознавание изображений на объектах в реальном масштабе времени.

Диссертационная работа выполнена при содействии гранта Президента Российской Федерации по государственной поддержке ведущих научных школ Российской Федерации НШ-2357.2014.8 «Исследование и разработка комплексного анализа видеоизображений для задач управления сложными техническими системами на основе адаптивных нейро-нечетких систем вывода с мягкими вычислениями», а также в рамках Госзадания №2.3440.2017/4.6 (Разработка методов обеспечения живучести интеллектуальных бортовых систем управления беспилотных транспортных средств).

Целью диссертационной работы является: повышение качества распознавания изображений на объектах.

В соответствии с поставленной целью задача диссертационной работы декомпозируется на следующие частные задачи:

1. Анализ состояния вопроса создания оптико-электронных вычислительных устройств распознавания изображений на объектах и существующей элементной базы с целью обоснования выбранного направления исследований.

2. Разработка модифицированной математической модели процесса обработки информации в нейросетевом оптико-электронном вычислительном устройстве распознавания изображений.

3. Создание метода обработки изображения нейросетевым оптико-электронным вычислительным устройством.

4. Разработка структурно-функциональной организации нейросетевого оптико-электронного вычислительного устройства распознавания изображений. Проведение экспериментальных исследований и анализ полученных результатов.

Новыми научными результатами и положениями, выносимыми на защиту, являются:

1. Математическая модель процесса обработки информации в нейросетевом оптико-электронном вычислительном устройстве распознавания изображений, отличающаяся совместной обработкой сигналов оптического, индуктивного и оптико-электронного датчиков, позволяющая формировать управляющее воздействие на шаговый двигатель и обеспечить контроль местоположения изображения.

2. Метод обработки изображения оптико-электронным вычислительным устройством, основанный на анализе изображения наносимого объекта, отличающийся использованием нейросетевого подхода к распознаванию, позволяющий обнаружить нарушение геометрии наносимого изображения.

3. Алгоритм работы микропроцессорного блока в составе оптико-электронного вычислительного устройства для формирования управляющего воздействия на шаговый двигатель, отличающийся возможностью автоматической подстройки частоты вращения двигателя к изменяющейся скорости поступления объектов и изображений.

4. Структурно-функциональная организация оптико-электронного вычислительного устройства для нанесения изображений на объекты, обеспечивающая обработку изображения этикетки в режиме реального времени за счет аппаратной реализации алгоритмов обработки изображения, отличающаяся введением блока нейросетевой обработки и микроконтроллера для расчета и формирования управляющих воздействий.

Объект исследований - процессы обработки информации в оптико-электронных вычислительных устройствах.

Предмет исследований - методы, алгоритмы и оптико-электронные вычислительные устройства для систем нанесения изображений на объекты.

Методы исследования. Для решения поставленных задач использовались методы цифровой обработки сигналов и изображений, математического программирования и моделирования, теория нейронных

сетей, теория измерений, теория проектирования ЦВМ, аналитические и экспериментальные исследования.

Практическая ценность работы состоит в том, что ее результаты являются основой для создания оптико-электронных вычислительных устройств для систем управления нанесением изображений на объекты, позволяющих выполнять предварительную обработку изображения, обеспечивать адаптивную подстройку системы, и могут использоваться при разработке систем технического зрения в различных отраслях промышленности и роботов на мобильной платформе, функционирующих в реальном масштабе времени.

Результаты проведенных исследований позволяют понизить погрешность задания скорости работы двигателя до 4,6% по сравнению с известным устройством, повысить точность распознавания контуров изображений до 90%.

Реализация и внедрение. Результаты, полученные в диссертационной работе, использовались в процессе проектирования комплекса инженерно-технических средств обработки изображений в АО «ПК Кристалл-Лефортово», а также используются в учебном процессе в Юго-Западном государственном университете в рамках направления подготовки 09.04.01 -Информатика и вычислительная техника при проведении занятий по дисциплинам «Современные проблемы науки и производства», «Цифровая обработка и анализ изображений».

Соответствие паспорту специальности. Согласно паспорту специальности 05.13.05 - Элементы и устройства вычислительной техники и систем управления, проблематика, рассмотренная в диссертации, соответствует пунктам 1 и 2 паспорта специальности (1. Разработка научных основ создания и исследования общих свойств и принципов функционирования элементов, схем и устройств вычислительной техники и систем управления в части разработки принципов функционирования оптико-электронного вычислительного устройства. 2. Теоретический анализ

и экспериментальное исследование функционирования элементов и устройств вычислительной техники и систем управления в нормальных и специальных условиях с целью улучшения технико-экономических и эксплуатационных характеристик в части разработки алгоритмов и устройств, обеспечивающих улучшение эксплуатационных характеристик оптико-электронного вычислительного устройства для системы управления нанесением изображений на объекты).

Апробация работы. Основные положения диссертационной работы докладывались и получили положительную оценку на международных и российских конференциях: 12-й Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2015» (Курск, 2015г.), 69-й Международной молодежной научной конференции «Нефть и газ - 2015» (Москва, 2015г.), 70-й Международной молодежной научной конференции «Нефть и газ - 2016» (Москва, 2016г.), 4-й региональной научно-технической конференции «Информационно-измерительные диагностирующие и управляющие системы. Диагностика -2016» (Курск, 2016г.), 6-й Всероссийской очной научно-практической конференции «ИИС-2018» (Курск, 2018г.), а также на научно-технических семинарах кафедры «Вычислительная техника» Юго-Западного государственного университета с 2013 по 2019гг.

Публикации. Основные результаты диссертации отражены в 7 печатных работах. Среди них 3 статьи, опубликованные в рецензируемых научных журналах, входящих в перечень журналов и изданий, рекомендуемых ВАК [1,2,3,4,5,6,7].

Личный вклад автора. В работах, опубликованных в соавторстве, лично соискателем предложены: в [1, 2] - модель процесса обработки изображений и метод обработки изображений, в [4, 6] - алгоритм функционирования нейросетевого оптико-электронного вычислительного устройства распознавания изображений, в [2, 4] - принципы

функционирования и структурные схемы блоков оптико-электронного вычислительного устройства.

Объем и структура работы. Диссертационная работа состоит из введения, четырех глав и заключения. Работа содержит 108 страниц основного текста, в том числе 34 рисунка, 12 таблиц, список использованных источников из 102 наименований.

1. Анализ состояния вопроса создания оптико-электронных вычислительных устройств распознавания изображений на объектах

Проблеме создания оптико-электронных вычислительных устройств распознавания изображений посвящено достаточно большое количество исследований [8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26].

Такие системы включают в себя оптико-электронные вычислительные устройства (ОЭВУ), расположенные на мобильной или стационарной платформе, и имеют в своем составе блок ввода и анализа (распознавания) изображений, устройство управления и модули взаимодействия с внешним миром (объектом управления) [17-26].

Оптико-электронное устройство является основным источником информации, необходимой для решения задачи обработки и распознавания изображений на объектах. В блок ввода и анализа изображения поступает цифровая последовательность, каждый элемент которой соответствует измерению яркости в соответствующей точке в каждом кадре. Этот блок предназначен для обработки и анализа каждого кадра видеопоследовательности.

В устройстве управления формируются соответствующие сигналы управления ОЭВУ. Устройство управления решает задачу поворота видеодатчика или платформы, а также решает задачу формирования управляющих воздействий [22,23,24,25,26,27,28]. Модуль взаимодействия с внешним миром (объектом управления) предназначен для организации интерфейса.

Существующие ОЭВУ могут работать в ультрафиолетовом, видимом и инфракрасном диапазонах излучения [15-22].

Большинство ОЭВУ имеет хорошее пространственное и спектральное разрешение, что позволяет эффективно решать задачи по автоматическому или полуавтоматическому распознаванию изображений даже при наличии помех.

В современных ОЭВУ есть возможность реализовывать современные методы цифровой обработки изображений. Однако, основная сложность заключается в области применения ОЭВУ, поэтому актуальным является разработка ОЭВУ различного назначения в зависимости от технических требований.

1.1 Методы распознавания изображений

В настоящее время разработано множество методов обработки и распознавания изображений, применяемых для решения различных прикладных задач. Подавляющее большинство известных методов можно разделить на две группы по применяемому к распознаванию подходу. К первой группе относятся методы, использующие изображения объектов в качестве эталона, ко второй - методы, базирующиеся на использовании характерных признаков формы объекта [29,30,31,32,33,34].

Так, например, для распознавания печатных символов существуют два класса алгоритмов: шрифтовой и безшрифтовый. Шрифтовые, т.е. шрифтозависимые алгоритмы базируются на априорной информации об использованном шрифте, которым напечатан текст. В системе распознавания символов (аппаратной или программной в зависимости от реализации), основанной на этом классе алгоритмов требуется репрезентативная выборка текста, представленного в данном шрифте. Затем система измеряет и анализирует необходимые характеристики шрифта, с последующим сохранением в базе эталонных характеристик. По завершении этой процедуры шрифтовая система распознавания символов способна распознавать данный шрифт. Эту процедуру можно считать обучением системы. В последующем обучение выполняется для множества шрифтов, необходимого для работы в данной области.

При этом данный подход обладает следующими недостатками:

- в алгоритм заранее должна быть заложена информация о распознаваемом объекте;

- качество распознавания будет зависеть от корреляции характеристик объекта с объектами, имеющимися в базе эталонных характеристик системы;

- при существующем множестве типов объектов в процессе обучения невозможно охватить все их модификации, что ограничивает универсальность такого подхода;

- для работы системы распознавания необходим блок настройки на конкретный объект. Очевидно, что этот блок будет вносить свою долю ошибок в интегральную оценку качества распознавания, либо функцию выбора объекта придется возложить на пользователя, что ограничивает область применения системы.

Тем не менее, у такого данного класса алгоритмов имеются сильные стороны, благодаря которым он сохраняет популярность. А именно, имея детальную априорную информацию об объектах, можно построить достаточно точные и надежные алгоритмы распознавания. При построении эталонного алгоритма распознавания надежность распознавания имеет явное математическое представление. Она определяется расстоянием в заданном метрическом пространстве от эталонного объекта, предъявленного системе в процессе обучения, до объекта, который система пытается распознать. Также такие алгоритмы обладают большим быстродействием, обусловленным наличием эталона для распознавания.

Вторая группа - алгоритмы, не имеющие поступающих на вход априорных знаний об объектах. Алгоритмы этого типа вначале измеряют и анализируют различные характеристики, присущие объектам как таковым безотносительно типа и абсолютного размера. Недостатками данного типа алгоритмов можно считать:

- более низкое, чем у эталонных алгоритмов, достижимое качество распознавания, что обусловлено более высоким уровнем обобщения измеряемых характеристик;

- оценка точности распознавания не всегда может иметь корректную теоретическую форму.

Достоинствами данного подхода являются следующие:

- универсальность. За счет заложенной в таких алгоритмах способности обобщения, они могут осуществлять экстраполяцию накопленных знаний за пределы обучающей выборки, т.е. распознавать объекты, внешне не похожие на те, по которым проводилось обучение;

- технологичность, процедуры обучения алгоритмов, как правило, являются относительно простыми, т.к. обучающая выборка не разбита на различные по размерам классы, следовательно, отсутствует необходимость поддерживать множество условий совместного существования этих классов в базе характеристик;

- удобство в процессе использования системы распознавания, т.к. процесс распознавания для пользователя представляется в виде «черного ящика» и ему не предоставлена возможность управления процессом распознавания или модификации).

В обзоре показано, что сильные и слабые стороны обоих подходов определяются свойствами алгоритмов: степенью универсальности, степенью достижимой точности распознавания, вычислительной сложностью алгоритмов [29-32]. Сравнительные недостатки и достоинства обоих групп алгоритмов представлены в таблице 1.1.

Таблица 1.1 - Сравнительная характеристика алгоритмов распознавания

Свойства Эталонные алгоритмы Безэталонные алгоритмы

Универсальность Малая степень универсальности, обусловленная необходимостью предварительного обучения всему, что предъявляется для Большая степень универсальности, обусловленная независимостью обучающей выборки от какой-либо системы априорной

распознавания классификации объектов

Точность распознавания Высокая, обусловлена детальной классификацией объектов в процессе обучения. А также тем, что материал распознавания находится строго в рамках классов, созданных в процессе обучения Низкая (в сравнении с эталонными алгоритмами), что обусловлено высокой степенью обобщения и огрубленными измерениями характеристик объектов

Технологичность Низкая (в сравнении с безэталонными алгоритмами), обусловлена различными накладными расходами, связанными с поддержкой классификации Высокая, обусловлена отсутствием какой-либо априорной системы классификации

Поддержка процесса распознавания со стороны пользователя Необходима: - на этапе обучения для задания системы классификации; - на этапе распознавания для указания конкретных классов объектов Не требуется

Разрабатываемый метод обработки и распознавания изображений должен учитывать и использовать положительные особенности обоих рассмотренных подходов. Цель разработки метода заключается в получении метода, совмещающего одновременно универсальность и технологичность безэталонного подхода и высокую точность распознавания эталонного.

Принципы формализации изображений для решения задач распознавания рассмотрены в работах [35,36,37,38].

Такой подход к распознаванию предполагает обнаружение элементов и особенностей, анализ обнаруженных особенностей, вынесение решения о количестве и расположении элементов.

В качестве основных признаков и особенностей изображений выделяют следующие: резкие перепады яркости (границы объектов на изображении), яркость, цвет, характерная форма.

После выделения в изображении областей, обладающих характерными для объекта свойствами, производится дополнительная проверка. Содержание этой проверки зависит от выбранной стратегии, а также от характера имеющихся признаков. Так, если признаком является карта границ, то проверкой будет анализ взаимного расположения границ с целью определения формы объекта. Также могут быть добавлены шаги по проверке цвета. Проверка соотношения обнаруженных признаков основывается на некотором эмпирическом алгоритме, на статистике взаимного расположения признаков, применении шаблонов и т.д.

1.2 Методы выявления признаков изображений

Рассматриваемые методы опираются на теорию распознавания образов, используют теорию математической статистики и машинного обучения. По изображению объекта вычисляется вектор признаков, использующийся в целях классификации изображений на группы. Поиск объектов на изображениях при таком подходе состоит в полном переборе фрагментов изображения всевозможных размеров и проведении проверки каждого из фрагментов на наличие объекта. Поскольку полный перебор обладает избыточностью и большой вычислительной сложностью, необходимо использовать существующие методы сокращения количества анализируемых фрагментов.

Выделение свойств и признаков имеет значение в системах предварительной обработки, предназначенных для подготовки изображения к дальнейшему распознаванию, поскольку именно на основе этих признаков распознавание и будет выполняться. В большинстве задач обработки сигналов и изображений преобладают методы преобразований, фильтрации

на основе свертки и корреляции, а также базовые методы линейной алгебры [22,29,30]. Среди методов обработки изображений можно выделить следующие (таблица 1.2).

Для выделения признаков изображений используются процедуры, включающие линейные и нелинейные методы в области координатных или спектральных, локальных или глобальных операций, что способствует формированию минимизированных описаний изображений, например, в виде контурных или спектральных препаратов изображений.

В процессе анализа изображений путем измерения различных параметров, определения признаков всего изображения, его составных частей, фрагментов и т.д., составляются описания изображений и объектов на них. Затем выполняется классификация и распознавание изображений.

Таблица 1.2 - Методы обработки изображений

Выполняемые операции Методы обработки

Точечная обработка изображения Преобразование полутонового изображения, выравнивание гистограммы

Фильтрация Сравнение с эталоном, операторы выделения границ, свертка, выделение нижних частот, верхних частот, медианная фильтрация, калмановская фильтрация, винеровская фильтрация, методы адаптивной фильтрации

Преобразования Преобразование Фурье, косинус-преобразование, преобразование Хафа, преобразование Карунена-Лоэва, преобразование Хаара, преобразование Адамара, и т.д.

Выделение признаков Метод главных компонент, факторный анализ, линейный дискриминантный анализ, метод опорных векторов, искусственные нейронные сети

Перечислим некоторые из методов.

Метод главных компонент. Основной целью метода является снижение размерности пространства характеристик, что реализуется переходом к такому базису пространства, в котором несколько первых осей базиса, называемых главными компонентами, дают основный вклад в дисперсию набора. Таким образом, основная изменчивость векторов тренировочного набора представляется несколькими главными компонентами, и появляется возможность, отбросив несущественные, перейти к пространству существенно меньшей размерности.

Факторный анализ. Множество методов, предназначенных для выявления и анализа скрытых зависимостей между характеристиками (признаками объектов).

Линейный дискриминантный анализ заключается в поиске кластеров, соответствующих различным классам, удаленным на максимально возможное расстояние.

Метод опорных векторов (support vector machines, svm) состоит в отыскании гиперплоскости в пространстве характеристик, отделяющей класс изображений интересующих нас объектов от всех остальных.

Sparse Network of Winnows (SNoW) представляет собой двухслойную сеть, входной слой которой состоит из узлов, каждый из которых соответствует некоторой характеристике входного изображения. SNoW предназначена для решения задачи классификации, с большим количеством характеристик объектов.

Искусственные нейронные сети. Нейросети используются в решении многих задач распознавания [39,40,41,42,43]. Для задач обнаружения и распознавания объектов применялось обширное разнообразие нейронных сетей, обладающих различной архитектурой, в частности: многослойные персептроны.

С точки зрения нейросетевого подхода задачу распознавания изображения можно рассматривать как задачу аппроксимации функции n переменных. Известно, что многослойный персептрон способен

сформировать на выходе произвольную многомерную функцию, что и обуславливает возможность применения сети данного типа для задачи выделения и распознавания объектов [44].

При этом, как показано в [45,46], искусственный нейрон и нейронные сети легко реализуются на современных программируемых логических интегральных схемах типа FPGA.

Рассмотрим существующие решения задачи нейросетевого распознавания. Анализ методов, алгоритмов и устройств в области нейросетевой идентификации [47,48,49,50,51,52,53,54,55,56,57,58,59,60,61] приведен в таблице 1.3.

Таблица 1.3 - Методы, алгоритмы и устройства нейросетевого

распознавания.

Название публикации Используемые методы, алгоритмы, устройства

Нейросетевая идентификация динамики манипулятора В данной работе представляется нейросетевой подход к построению динамической модели манипулятора, который обеспечивает сокращение вычислительных затрат. Результаты моделирования показали возможность использования подхода в масштабе реального времени.

Нейросетевая идентификация рабочего процесса бульдозера Предложенная модель рабочего процесса бульдозера состоит из 2 каскадно-соединенных динамических рекуррентных нейросетей. Для обучения применен рекуррентный алгоритм адаптивного обучения нейросетей.

Нейросетевая модель распознавания пользователей в системах дистанционного обучения Представлена разработка нейросетевой модели распознавания пользователей в системах дистанционного обучения. Нейросетевая модель основана на анализе биометрических данных пользователей.

Название публикации Используемые методы, алгоритмы, устройства

Нейроконтроль динамики судна при движении в ледовых условиях Используются нейро-нечеткие технологии при контроле динамики судна при движении в условиях ледового плаванья. Нейросети обеспечивают многорежимный анализ и прогноз динамики судна.

Идентификация технических объектов на основе нейросетевого метода В качестве нейронной сети принят многослойный персептрон. Алгоритм обучения - алгоритм обратного распространения ошибки.

Применение и адаптация нейросетевых технологий в задаче идентификации динамических объектов Нейросеть используется для решения задачи уточнения наблюдаемых характеристик передвигающихся объектов в системе ГЛОНАСС. Предложенный нейросетевой подход может быть применен при построении программно-инструментальных средств для определения местоположения подвижных объектов в масштабе реального времени. Для решения задачи фильтрации данных используется алгоритм обратного распространения ошибки и алгоритм, основанный на результатах фильтра Калмана для обучения построенной нейросети.

Список литературы диссертационного исследования кандидат наук Волков Денис Андреевич, 2020 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1 Волков Д.А. Метод коррекции дисторсии в задачах обработки изображений этикеток / Д.А. Волков, М.И. Труфанов, В.С. Панищев // «Известия Юго-Западного государственного университета». 2019. №3. - С.30-38.

2 Волков Д.А. Алгоритм функционирования микроконтроллера для управления шаговым двигателем в системе этикетирования / Д.А. Волков, И.Е. Чернецкая // Естественные и технические науки. 2019. №4. - С.223-227.

3 Волков Д.А. Модель оценки надежности многоуровневой автоматизированной системы диспетчерского управления транспортом газа / Д.А. Волков // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2016. №12 - С.20-23.

4 Волков Д.А. Устройство управления автоматом нанесения самоклеющейся этикетки на подвижный объект / Д.А. Волков, Е.С. Чернецкая, О.Б. Славкова // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание -2015: сб. матер. XII Междунар. науч.-техн. конф.; Юго-Западный гос.ун-т. Курск, 2015.-С.385-387.

5 Волков Д.А. Development of SIRIUS innovation system for integrating participants of industrial engineering / Д.А. Волков // Нефть и газ - 2015: сб. тезисов 69-й Междунар. Молодежной научной конф.; М. 2015.-С.308.

6 Волков Д.А. Устройство ввода и обработки изображений на базе микроконтроллера / Д.А. Волков, В.С. Панищев, П.М. Порядин // Информационно-измерительные диагностирующие и управляющие системы. Диагностика - 2016: сб. материалов IV регион. науч.-техн. конф.; Юго-Зап. гос. ун-т. - Курск, 2016. - 108 с.

7 Волков Д.А. The model of programing solution for estimating reliability of gas transport automated dispatch control system / Д.А. Волков // Нефть и газ - 2016: сб. тезисов 70-й Международной молодежной научной конференции. М. 2016.-С.252.

8 Титов В.С. Адаптивные системы технического зрения / Сырямкин В.И., Сырямкин М.В., Титов Д.В., Титов В.С., Труфанов М.И. Москва, 2019. Сер. Интеллектуальные технические системы (2-е издание, дополненное). - 448 с.

9 Захаров А.А. Поиск объектов на изображениях с использованием структурного дескриптора на основе графов / Захаров А.А., Баринов А.Е., Жизняков А.Л., Титов В.С. // Компьютерная оптика. 2018. Т. 42. № 2. С. 283290.

10 Бобырь М.В. Автоматизированные нечетко-логические системы управления / Бобырь М.В., Емельянов С.Г., Титов В.С. Москва, 2016. Сер. Научная мысль. - 448 с.

11 Bobyr M.V. Automation of the cutting-speed control process based on soft fuzzy logic computing / Bobyr M.V., Titov V.S., Nasser A.A. // Journal of Machinery Manufacture and Reliability. 2015. Т. 44. № 7. С. 633-641.

12 Титов В.С. Современные подходы к представлению и обработке изображений трёхмерных объектов / Титов В.С., Роженцов А.А., Хафизов Р.Г. // Вестник Поволжского государственного технологического университета. Серия: Радиотехнические и инфокоммуникационные системы. 2014. № 2 (21). С. 44-54.

13 Полунин А.В. Бинокулярная система технического зрения с видеодатчиком с изменяемым фокусным расстоянием для мобильного робота / Полунин А.В., Труфанов М.И., Титов В.С. // Известия Волгоградского государственного технического университета. 2014. № 10 (137). С. 83-87.

14 Титов В.С. Направления развития методов, алгоритмов и аппаратных средств повышения качества изображений оптико-электронных систем / Титов В.С., Труфанов М.И. // Известия высших учебных заведений. Приборостроение. 2013. Т. 56. № 6. С. 7-10.

15 Титов, Д.В. Встраиваемые оптико-электронные устройства [Текст] / Д.В. Титов, Т. А. Ширабакина // Сб. материалов ВНТК «Интеллектуальные и информационные системы», Тула, 2009. - С. 172-173.

16 Якушенков, Ю.Г. Теория и расчет оптико-электронных приборов: учебник для студентов ВУЗов / Ю.Г. Якушенков // М.: Логос, 1998.-480 с.

17 Holst G.G. Electro-optical imaging system performance / G.G. Hoist // SPIE Press., Winter Park, FL: JCP Publishing. 2003. - 342 p.

18 Титов, Д.В. Встраиваемые оптико-электронные устройства / Д.В. Титов, Т. А. Ширабакина // Сб. материалов ВНТК «Интеллектуальные и информационные системы», Тула, 2009. - С. 172-173.

19 Торшина, И.П. Компьютерное моделирование оптико-электронных систем первичной обработки информации [Текст] / И.П. Торшина // М.: Логос, 2009.-248 с.

20 Садыков, С.С. Некоторые вопросы устранения дефектов фотографических изображений / С.С. Садыков, А.Д. Варламов, Д.В. Титов // Изв. Вузов. Приборостроение. - 2005. - Т. 48, №2. - С. 54-58.

21 Зубарев, Ю.Б. Видеоинформационные технологии систем связи / Ю.Б. Зубарев, Ю.С. Сагдуллаев, Т.Ю. Сагдуллаев // М.: Изд-во «Спутник+», 2011. - 296 с.

22 Алпатов, В.А. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / В.А. Алпатов, П.В. Бабаян, O.E. Балашов, А.И. Степашкин // М.: Радиотехника, 2008. -176 с.

23 Тарасов, В.В. Двух- и многодиапазонные оптико-электронные системы с матричными приемниками излучения / В.В Тарасов, Ю.Г. Якушенков // М.: Университетская книга: Логос, 2007. - 192 с.

24 Титов, Д.В. Модуль цифровой коррекции дисторсии изображения [Текст] / Т. А. Ширабакина, Д.В. Титов // Изв. Вузов. Приборостроение. - 2009. - Т. 52, №2. - С. 74-78.

25 Патент 2295153 Российская Федерация, МКИ G06 К 9/32. Корректирующее устройство ввода изображения в ЭВМ / Д.В. Титов, М.И. Труфанов. - заявл. 04.07.2005; опубл. 10.03.2007, Бюл. №7. - 8 с.

26 Патент 2351983 Российская Федерация, МКИ G06 К 9/32. Устройство ввода изображения в ЭВМ коррекции дисторсии / Д.В. Титов, М.И. Труфанов. - заявл. 01.11.2007; опубл. 10.04.2009, Бюл. №10. - 6 с.

27 Панищев, В.С. Алгоритм работы автоматической системы нанесения этикетки на подвижный объект[Текст]/В.С. Панищев, О.Б. Славкова // Информационно-измерительные, диагностические и управляющие системы. Диагностика-2011: сб. материалов Междунар. науч.-техн. конф. Ч. 1/ ред. кол.: В.Э. Дрейзин [и др.]; Юго-западный госуд. ун-т. Курск, 2011 - С. 146149

28 Панищев, В.С. Блок управления автоматизированной системой нанесения этикеток на подвижный объект[Текст]/ В.С. Панищев, В.П. Решетникова, И.Е. Чернецкая// Известия вузов. Приборостроение. Том 53, №9, 2010. - С. 58-62.

29 Прэтт У. Цифровая обработка изображений: В 2-х кн./ Пер. с англ. под ред. Д.С. Лебедева. - М.: Мир, 1982. - 2 кн., 790 с.

30 Сойфер, В.А. Методы компьютерной обработки изображений / Под ред. В. А. Сойфера - 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

31 Дегтярев, С.В. Методы цифровой обработки изображений: учебное пособие Ч.1. Гриф УМО / Дегтярев С.В., Садыков С.С., Тевс С.С., Ширабакина Т.А.. - Курск: Курск. гос. тех. ун-т., 2001. - 167 с.

32 Введение в контурный анализ и его приложение к обработке изображений и сигналов / Под ред. Я. А. Фурмана. М.:Физматлит, 2002. - 592с.

33 Faugeras, O. Structure from Motion using the Reconstruction and Reprojection Technique [Text]/ O. Faugeras, G. Toscani // IEEE Workshop on Computer Vision, Miami Beach, November-December, IEEE CS Press, Piscataway 1987. -PP. 345-348.

34 Devernay, F. Straight lines have to be straight / F. Devernay, O. Faugeras. // MVA, N13(1), 2001. - PP. 14-24.

35 G. Yang and T. S. Huang, " Human Face Detection in Complex Background," Pattern Recognition, 1994, vol. 27, no. 1, pp. 53-63.

36 I. Craw, H. Ellis, and J. Lishman, «Automatic Extraction of Face Features», Pattern Recognition Letters, 1987. vol. 5, pp. 183-187.

37 T. Sakai, M. Nagao, and S. Fujibayashi, «Line Extraction and Pattern Detection in a Photograph», Pattern Recognition, 1969. vol. 1, pp. 233-248.

38 H. A. Rowley, S. Baluja, and T. Kanade, «Neural network-based face detection» IEEE Trans. Pattern Anal. Mach. Intell. 20, January 1998, pp. 23-38.

39 Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

40 Уоссермен Ф. Нейрокомпьютерная техника: теория и практика, - М.: Мир, 1992, - 240 с.

41 Р. Гонсалес, Р. Вудс Цифровая обработка изображений. пер. с англ. под ред. П. А. Чочиа. - М.: Техносфера, 2006. - 1072 с.

42 Бодянский Е .В., Руденко О .Г. Искусственные неиронные сети : архитектура, обучение, применение / Е.В. Бодянский, О.Г. Руденко. -Харьков: ТЕЛЕТЕХ, 2004. - 372 с.

43 Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python / Пер. с англииского А. Груздева. - М.: Вильямс, 2017. - 480 с.

44 Головко, В.А. «Нейронные сети: обучение, организация и применение» Кн. 4: Учеб.пособие для вузов / В.А. Головко, под ред. А.И. Галушкина. - М.: ИПРЖР, 2001. - 256с.

45 Amos R., Jagath C. FPGA implementations of neural networks // Springer. 2006 г. - 360p

46 Гонтаренко Б.В., Беловолова М.А., Зинченко Ю.Е. Реализация искусственного нейрона на FPGA // 1нформацшш управляючi системи та комп'ютерний мошторинг (1УС та КМ-2012) / Матерiали III мiжнародноi науково-техшчно!' конференцп студенев, асшранлв та молодих вчених. -Донецьк, ДонНТУ, 2012. - с. 586-590.

47 Маршаков, Д.В. Нейросетевая идентификация динамики манипулятора / Д.В. Маршаков, О.Л. Цветкова, А.Р. Айдинян // Инженерный вестник Дона. -2011. - Т. 17. - № 3. - С. 379-384.

48 Мещеряков, В.А. Нейросетевая идентификация рабочего процесса бульдозера / В.А. Мещеряков // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2007. - № 4. - С. 75-78.

49 Катасёв, А.С. Нейросетевая модель распознавания пользователей в системах дистанционного обучения / А.С. Катасёв [и др.] // Вестник Технологического университета. - 2015. - Т. 18. - № 13. - С. 160-163.

50 Нечаев, Ю.И. Нейроконтроль динамики судна при движении в ледовых условиях / Ю.Н. Нечаев // Нейрокомпьютеры: разработка, применение. -2007. - № 6. - С. 16-24.

51 Симонов, П.К. Идентификация технических объектов на основе нейросетевого метода / П.К. Симонов, Э.С. Аметова // XIX Международная научно-практическая конференция «Современные техника и технологии» Секция 7: Информатика и управление в технических системах. - 2013.

52 Болдурина, И.П. Применение и адаптация нейросетевых технологий в задаче идентификации динамических объектов / И.П. Болдурина, В.Н. Решетников, М.Г. Таспаева // Программные продукты, системы и алгоритмы. - 2012. - №1.

53 Кабальнов, Ю.С. Нейросетевые алгоритмы структурной идентификации входной информации в иерархических базах данных / Ю.С. Кабальнов, А.С.

Ковтуненко, В.А. Масленников // Нейрокомпьютеры: разработка, применение. - 2007. - № 10. - С. 50-53.

54 Новикова, Н.М. Распознавание изображений с помощью сверточной нейронной сети и нечеткого гибридного классификатора / Н.М. Новикова, В.М. Дуденков // Нейрокомпьютеры: разработка, применение. -Издательство «Радиотехника» (Москва). - 2015. - № 2. - С. 43-47.

55 Вагин, В.Н. Кластеризация пользователей по голосу с помощью улучшенных самоорганизующихся растущих нейронных сетей / В.Н. Вагин, В.А. Ганишев // Программные продукты и системы. - ЗАО НИИ «Центрпрограммсистем» (Тверь). - 2015. - № 3. - С. 136-142.

56 Лёзин, И.А. Методы распознавания изображений при помощи нейронных сетей / И.А. Лёзин, Р.П. Селянко // Перспективные информационные технологии (ПИТ2017). - Труды международной научно-технической конференции. - 2017. - С. 366-368.

57 Ларионов, С.Б. Кластеризация изображения с помощью искусственной нейронной сети / С.Б. Ларионов, С.В. Белим // The workshop on data, modeling and security (DMS 2017). - 2017.

58 Ялов, А.Л. Распознавание номеров вагонов при помощи нейронной сети / Процессы управления и устойчивость. - 2014. - Т. 1. - № 1. - С. 424-427.

59 Юдашкин, А.А. Распознавание растровых изображений с помощью динамической нейронной сети, заданной в пространстве комплексных чисел / А.А. Юдашкин // Известия самарского научного центра российской академии наук Самарский научный центр РАН (Самара). - 2003. - Т. 5. - № 1. - С. 127-133.

60 Ферцев, А.А. Реализация нейронной сети для распознавания изображений с помощью технологии Nvdia Cuda / А.А. Ферцев // Прикладная информатика, Московский финансово-промышленный университет "Синергия" (Москва). - 2011. - № 6. - С. 102-110.

61 Нгуен, Тьен, Тхи, Кхань. Обнаружение и распознавание текстов на изображениях сложных графических сцен с помощью свёрточных нейронных сетей / Электротехнические и компьютерные системы, Одесский национальный политехнический университет (Одесса). - 2014. - № 13. - С. 125-130.

62 Beyer, H. Accurate calibration of CCD-cameras / H. Beyer //Proc. International Conference on Computer Vision and Pattern Recognition, Urbana Champaign. IEEE CS Press, Piscataway, June 1992.

63 Tsai, R. A versatile camera calibration technique for highaccuracy 3D machine vision metrology using off-the-shelf TV cameras and lenses / R.Y. Tsai // IEEE Robotics Autom, N3(4), (1987). - PP. 323-344.

64 Faugeras, O. Structure from Motion using the Reconstruction and Reprojection Technique / O. Faugeras, G. Toscani // IEEE Workshop on Computer Vision, Miami Beach, November-December, IEEE CS Press, Piscataway 1987. - PP. 345348.

65 Lavest, J. Do we really need an accurate calibration pattern to achieve a reliable camera calibration / J.M. Lavest, M.Viala, M. Dhome // Proceedings of the 5th European Conference on Computer Vision. Vol. 1 of Lecture Notes in Computer Science, Freiburg, Germany. Springer, Berlin Heidelberg New York, June 1998. -PP. 158-174.

66 Brown, D. Close-range camera calibration / D.C. Brown //. Photogrammetric Engineering, N37(8), 1971. - PP. 855-866.

67 Панищев, В.С. Адаптивные видеодатчики на базе КМОП приемников излучения с активными пикселями / Титов В. С., Яковлева В. С., Панищев В.С. Изд-во Юго-Зап. Гос. ун-т, Курск, 2008. - 99 с.

68 Yadid-Pecht, O. Optimization of Noise and Responsivity in CMOS Active Pixel Sensors for Detection of Ultra Low Light Levels. [Text] / O. Yadid-Pecht,

69 X.Q. Liu and A. El Gamal, «Photocurrent Estimation from Multiple Nondestructive Samples in a CMOS Image Sensor», in Proceedings of SPIE, Vol. 4306, Jan. 2001.

70 V. Brajovic, et al., «Sensor Computing», Proc. SPIE, Vol. 4109, 2000. 39.

71 Пат. 6115066 США, МКИ H 04 N 5/217. Image sensor with direct digital correlated sampling / S.M. Gowda, H.J. Shin, H-S.P. Wong, P.H. Xiao, J. Yang -№ 876694; заявлено 12.06.1997; опубл. 05.09.2000.

72 Пат. 6816196 США, МКИ H 04 N 5/335. CMOS imager with quantized correlated double sampling [Text] / R.A. Mann; - № 885433; заявлено 18.06.2001; опубл. 09.11.2004. - 10с.

73 Панищев, В.С. Схема управления шаговым двигателем для автоматизированной системы нанесения этикетки на подвижный объект / Панищев В.С., Славкова О.Б. // Известия высших учебных заведений. Приборостроение. 2012. Т. 55. № 2. С. 43-46.

74 Термоусадочные этикетки // URL: http://www.nakleyka-plus.ru/

75 Термоусадочные этикетки: материалы и технологии // URL: http: //www.omnexus. com

76 Виды этикеток // URL: _http://www.znaytovar.ru/s/Vidy_etiketok. html

77 Бумажные этикетки // URL: http://e-printkazan.ru/

78 Самоклеящиеся этикетки. Самоклейка // URL: http://www.brezelabel.com

79 Использование самоклеящихся этикеток // URL: http://packing.com.ua/news/128-ispolzovanie-samokleyashhixsya-yetiketok.html

80 Привод постоянного тока // URL: http://www.itrostov.ru/_3671205/

81 Электропривод - переменного или постоянного тока? // URL: http: //www. intechnics. ru/article 14. htm

82 Карпенко, Б.К. Шаговые электродвигатели. / Карпенко Б.К., Ларченко В.И., Прокофьев Ю.А. Киев. Техника 1972г. 216 с.

83 Емельянов А.В., Шилин А.Н. Шаговые двигатели: Учебное пособие. -Волгоград: ВолгГТУ, 2005. - 48 с.

84 Робототехнические системы и комплексы./ И.И. Мачульский, В.П. Запятой и др. Под.ред. И.И. Мачульского, М.: Транспорт, 1999 - 464с.

85 Бесконтактные выключатели // URL:http://www.sensor-com.ru/

86 Машины этикетировочные // URL: http://www.zik.ru/products/et_ru.htm

87 Автоматическая этикетировочная система (самоклеющаяся этикетка) // URL: http://www.pishemash.ru/kompleks_1100_5.htm

88 Аппликатор самоклеящейся этикетки модель: WIND 80/150/250 // URL: http://arca.labelpack.ru/index.php?name=Shop&op=view&id=8

89 Этикетировочная машина SHL-2582 // URL: http://www.salemarket.ru/companies/1764/products/6560/etiketirovochnaya_mashi na_shl_2582/

90 Автоматическая машина для этикетирования стабильных цилиндрических продуктов // URL: http://vtcgroup.ru/windows/product.php?products_id=30

91 Этикетировочная машина - для нанесения самоклеящихся этикеток Alfa SLPA 3 // URL: http://www.equipnet.ru/equip/equip_24711.html

92 Оборудование для нанесения самоклеящихся этикеток (термоэтикеток) на продукцию // URL: http://www.intercode.spb.ru/equipment/apl/apl.htm

93 Автоматическое оборудование для нанесения самоклеящихся этикеток на круглые бутылки или банки Universal R-320/322// URL: http: //www.tradeinc.ru/cat/e_6927. html

94 Бесекерский, В.А. Теория систем автоматического управления / В.А. Бесекерский, Е.П. Попов// Профессия, 2003 г. - 752с.

95 Булыгин, В.С. Основы теории автоматического управления / В.С. Булыгин, Ю.С. Гришанин, Н.Б. Судзиловский и др.; под ред. Н.Б. Судзиловского// М.: Машиностроение, 1985. - 512с.

96 Гольденберг Л. М. и др. Цифровая обработка сигналов: Справочник/Л. М. Гольденберг, Б. Д. Матюшкин, М. Н. Поляк. - М.: Радио и связь, 1985. - 312 с.

97 Самусевич, Г. А. Радиоавтоматика: коррекция систем : учебное пособие для вузов / Г. А. Самусевич ; под научной редакцией Д. В. Астрецова. - М. : Издательство Юрайт, 2017. - 139 с.

98 Тарасов, И.Е. ПЛИС Xilinx. Языки описания аппаратуры VHDL и Verilog, САПР, приемы проектирования / И.Е. Тарасов; М.: Издательство «Горячая линия - Телеком», 2019. - 538 с.

99 Стешенко, В.Б. ПЛИС фирмы «Altera». Элементная база, система проектирования и языки описания аппаратуры / В.Б. Стешенко; под редакцией В.Я. Симонова. - М.: Издательство ДМК-Пресс, 2015. - 576 с.

100 Дружинин Г. В. Надежность автоматизированных систем. Изд. 3-е, прераб. и доп. М., «Энергия», 1977.

101 Hoang Pham, System Software Reliability, Springer Series in Reliability Engineering series ISSN 1614-7839.

102 Черкесов Г.Н. Надежность аппаратно-программных комплексов. Учебное пособие. - СПБ.: Питер, 2005. - 479 с.