Реализация цифровых технологий обработки изображений в адаптивных системах управления сварочными процессами тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Ситу Аунг Со

• Ситу Аунг Со
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Ситу Аунг Со

Оглавление

Список сокращений и обозначения

Введение

Глава 1. Основные задачи автоматизация сварочных процессов

1.1. Классификация сварочных процессов

1.2. Технология сварки трубопроводов

1.3. Автоматизация сварочных процессов

1.4. Обоснование необходимости модернизации автоматизированного

оборудования

Выводы по главе 1

Глава 2. Разработка алгоритмов реконструкции пространственных моделей на основе данных лазерной профилометрии для решения задач адаптивной коррекции режимов сварочного оборудования

2.1. Структура автоматизированной сварочной установки с адаптивной системой управления

2.2. Лазерная профилометрия в задачах геометрической и технологической адаптации сварочного оборудования

2.2.1. Калибровка цифровых изображений

2.2.2. Фильтрация профилометрических данных

2.2.3. Кусочно-линейная аппроксимация

2.2.4. Сплайн-аппроксимация

2.3. Геометрическая адаптация автоматизированной сварочной установки

2.4. Технологическая адаптация автоматизированной сварочной установки

2.5. Анализ результатов моделирования

Выводы по главе 2

Глава 3. Построение компактных моделей протяженных сварных соединений на основе данных видеомониторинга поверхности сварного

шва

3.1. Система видеомониторинга сварочных технологических процессов

3.2. Исследование и реализация алгоритмов построения цифровых изображений протяженных сварных соединений

3.2.1. Формирование цифровых изображений протяженных сварных соединений по видеопоследовательностям

3.2.2. Обзор методов определения характерных точек на изображении

3.3. Преимущества и недостатки различных видов детекторов

3.3.1. Детекторы, использующие компоненты градиента яркости

3.3.2. Детекторы, использующие коэффициент совпадения с шаблоном

3.3.3. Детекторы, использующие преобразования пространства яркости

3.3.4. Детекторы, использующие статистические методы

3.4. Сравнение алгоритмов SIFT, PCA-SIFT, SURF

3.4.1. Измерение оценки

3.4.2. Изменения масштаба

3.4.3. Поворот изображения

3.4.4. Размытие изображения

3.4.5. Изменения освещения

3.4.6. Аффинные преобразования

3.4.7. Результаты экспериментов

3.5. Реализация алгоритмов построения развертки изображения поверхности сварного шва

3.5.1. Алгоритм формирования цифрового изображения протяженного сварного соединения

3.5.2. Реализация алгоритма формирования цифрового изображения протяженного сварного соединения

3.5.3. Оценка эффективности и определение оптимальных параметров алгоритма

Выводы по главе 3

Общие выводы по диссертации

Список литературы

Приложение

Список сокращений и обозначения

/сх - фокусное расстояние на оси л; fcv - фокусное расстояние на оси у

р = (рх,ру)~ Координаты принципиальной точи проекции объективом а - коэффициент, определяющий угол между осями хиу

кс = (ксх,кс2,ксъ,кс4,кс5)~ Коэффициенты дисторсии, описывающие

радиальную и тангенциальную дисторсию х{ -расстояние до края левой кромки

В] - расстояние до начала перелома разделки левой кромки А1 - притупление левой кромки

- толщина левой кромки а{ - угол а 1 в градусах

ух - угол у 1 в градусах

- расстояние до края правой кромки

В2 - расстояние до начала перелома разделки правой кромки

- притупление правой кромки 52 - толщина правой кромки

а2 - угол а2 в градусах

у2 - угол у2 в градусах

к - параметр Харриса

1(х,у) - яркость изображения в точке (х,у)

/ среднее значение яркости в некоторой области (х, у)

Ь — значение гауссиана в точке с координатами (х,у)

а (сигма) —радиус размытия

0 — гауссово ядро

1 — значение исходного изображения

* — операция свертки. УЗИ - Ультразвуковое исследование ПК - промышленный компьютер БУК - Блок управления комплексом

SIFT (Scale Invariant Feature Transform) - инвариантное к масштабированию преобразование характерных точек

SURF (Speeded Up Robust Features) -алгоритм ускоренного поиска устойчивых характерных точек

РСА (PrincipalComponentAnalysis) - SIFT - метод главных компонент Fast-Hessian -бинаризированная аппроксимация фильтра гессиана RANSAC (Random Sample Consensus) - метод согласования случайных выборок

DOG (Difference of Gaussian) - функция разности гауссиан OCR (optical character recognition) - оптическое распознавание знаков OCV (Optical character verification) - оптическая верификация признаков CMOS (complementary metal-oxide-semiconductor) - комплементарные металл-оксидные полупроводники

Введение диссертации (часть автореферата) на тему «Реализация цифровых технологий обработки изображений в адаптивных системах управления сварочными процессами»

Введение

Инновационные технологии в области переработки и транспортировки углеводородного сырья стремительно развиваются наряду с повышением потребностей социума в данных продуктах. Сети транспортировки -магистральные трубопроводы становятся все более разветвленными, их протяженность растет, повышаются темпы строительства. Основной технологией соединения труб большого диаметра в нитки магистральных трубопроводов по-прежнему остается сварка. При строительстве магистральных трубопроводов возникает ряд актуальных задач, таких как снижение уровня брака при сварке стыковых соединений, увеличение производительности процесса сварки, повышение уровня вероятности обнаружения дефектов.

В соответствии с Федеральным законом «О промышленной безопасности опасных производственных объектов» от 21.07.97 г. № 116-ФЗ газопроводы относятся к категории опасных производственных объектов, аварии и отказы в работе которых могут принести значительный материальный и экологический ущерб. При этом различного характера возмущения при строительстве трубопроводов, очевидно, не дают пока возможности достичь такого качества строительства [6,2,49,59] и эксплуатации трубопроводов, при котором полностью бы исключалась вероятность появления дефектов, нарушения технологических параметров транспортировки продукта и, следовательно, надежности магистралей. Это подтверждают данные анализа Ростехнадзора аварийности на трубопроводах, которые показывают, что основными причинами аварий являются внешние физические воздействия на трубопроводы (34,7 %), нарушения норм и правил производства работ, отступления от проектных решений (24,7 %), коррозионные повреждения (23,5 %), нарушения технических условий при изготовлении труб, деталей и оборудования (12,4 %), ошибочные действия эксплуатационного и ремонтного персонала (4,7 %). Значительная доля

причин возникновения аварийных ситуаций, связанных с нарушения норм и правил производства работ, отступления от проектных решений, ошибочными действиями персонала выдвигают на передний план вопросы совершенствования сварочных технологий и оборудования [10,11]. Так как от сварочных работ зависит общий темп строительства трубопроводов, то они могут стать существенным резервом в обеспечении воспроизводимости качества сварных соединений, эксплуатационной надежности трубопроводов, сокращения сроков выполнения строительных работ. При этом необходимость внедрения нового поколения оборудования для сварки неповоротных стыков труб обусловлена не только требованиями к повышению производительности сварки, но и необходимостью обеспечения высокой надёжности и качества сварных соединений.

Решение указанных проблем может быть достигнуто применением принципиально новых адаптивных цифровых технологий сварки и соответствующего оборудования, обеспечивающих:

- снижение уровня брака при сварке стыков труб;

- увеличение производительности процессов сварки;

- повышение уровня вероятности обнаружения дефектов;

- обеспечение требуемого качества сварки за счет снижения роли человеческого фактора.

Открытие в 1942 г. В. И. Дятловым явление саморегулирования дуги позволило создать и широко использовать простые и надежные сварочные установки с постоянной скоростью подачи электрода. Дальнейшей разработкой такого оборудования занимались Б. Е. Патон, В. К. Лебедев, Г. М. Каспржак, И. Я. Рабинович.

С 1950 г. создатели сварочного оборудования широко используют методы теории автоматического управления и вычислительную технику. Начался период более полной автоматизации сварочных процессов, а затем и сборочно-сварочного производства (работы Б. Е. Патона, К. К. Хренова и

других исследователей по изучению свойств различных систем автоматического регулирования дуговой сварки и сварки под флюсом).

Большое влияние на развитие и широкое применение при расчетах статических и динамических режимов сварочных процессов методами теории автоматического регулирования, на проектирование автоматического сварочного оборудования оказали работы ученых [16]: А. И. Чвертко, А. С. Гельмана, Б. Д. Орлова, Б. Е. Патона, В. В. Смирнова, В. К. Лебедева, Д. С. Балковец, Н. В. Подолы, Ф. А. Аксельрода, П. Л. Чулошникова, Ю. А. Паченцева - в области контактной сварки; В. К. Лебедева, Б. Е. Патона, Н. С. Львова, Э. М. Эсибяна и др. - в области электродуговой, шлаковой сварки и наплавки; В. А. Виноградова, В. А. Казакова, В. А. Лаптенка, В. В. Башенко, В. М. Язовских, Ю. Н. Ланкина, В. Я. Беленького, В. Н. Ластовиря, О. К. Назаренко и др. - в области электроннолучевой сварки; Б. Е. Патона, В. А. Тимченко, Г. А. Спыну, Ф. А. Киселевского - в области роботизации дуговой и контактной сварки.

В 1970-80-е гг. начались работы по оснащению сварочного оборудования следящими системами с электромагнитными и оптическими датчиками для автоматической ориентации электрода по линии стыка. Внедрению этого оборудования в производство способствовали работы [17] В. В. Смирнова, Н. С. Львова, Р. М. Широковского, Ф. А. Киселевского, Ш. А. Вайнера, Ю. А. Паченцева и других ученых.

В середине 1980-х гг. М. Л. Лифшицем, Д. Д. Никифоровым и другими учеными были разработаны телевизионные системы для автоматической коррекции положения сварочной ванны относительно свариваемого стыка при электронно-лучевой сварке [16].

В 1977 г. автором данного пособия был предложен новый методологический подход к анализу процессов в сварочном контуре как единой электрогидродинамической системы источник - дуга - сварочная ванна (в которой сварочная ванна рассматривается в качестве непосредственного объекта регулирования). Это позволило в дальнейшем

заложить основы проектирования систем управления сварочными процессами с применением ЭВМ, приблизиться к разработке автоматизированных систем управления сварочными процессами.

Значительный вклад в разработку и внедрение автоматизированного оборудования в 1980-90-е и последующие годы внесли сотрудники Всесоюзного научно-исследовательского института электросварочного оборудования (ВНИИЭСО) в Санкт-Петербурге (ныне Институт сварки России), Института электросварки им. Е. О. Патона (ИЭС) в Киеве, ЦНИИТМАШ в Москве, Ржевского научно-производственного объединения «Электромеханика», Научно-исследовательского и конструкторского института монтажной технологии (НИКИМТ) и МГТУ им. Н. Э. Баумана в Москве, НПО «Технотрон» в Чебоксарах, Псковского завода электросварочного оборудования (ПЗЭСО), Симферопольского завода сварочного оборудования («СЭЛМА») и др [16].

В настоящее время серийный выпуск автоматизированного сварочного оборудования, инверторных источников питания с микропроцессорами в контуре управления налажен в зарубежных фирмах Lincoln Electrik и Miller (США), Kilos и Killberg (Германия), ESAB (Швеция), KEMPPI (Финляндия), FRONIUS (Австрия) и др. Микропроцессорную технику можно отнести к сварочному оборудованию нового поколения, характеризуемому большим быстродействием, многофункциональностью в решении технологических задач, гибкостью перестройки и выбора рабочих программ, удобством в регулировке и визуализации параметров режима сварки, малыми габаритными размерами и высокой надежностью в работе [18].

Это определяет актуальность темы диссертации и диктует необходимость дальнейшей разработки интегрированных систем автоматического управления процессом сварки с возможностями адаптивной коррекции на основе данных видеомониторинга и лазерной профилометрии.

Цель диссертационной работы: Основной целью диссертационной работы является исследование и применение алгоритмов цифровой

обработки изображений для решения задачи построения компактных моделей протяженных сварных соединений и геометрической адаптации сварочного оборудования на основе данных лазерной профилометрии и видеомониторинга.

В соответствии с указанной целью определены следующие задачи исследований:

1. Исследование особенностей современных технологий адаптивного управления сварочными комплексами.

2. Исследование типовых структур систем технического зрения и алгоритмов цифровой обработки изображений.

3. Обоснование возможности применения данных лазерной профилометрии и видеомониторинга для решения задачи построения компактных моделей сварных соединений.

4. Разработка методики и алгоритмов реконструкции пространственных (трехмерных) моделей для решения задачи траекторного слежения за стыком и адаптивной коррекции параметров сварочного процесса.

5. Разработка методики и алгоритмов построения двумерных моделей протяженных сварных соединений, предназначенных для оценки качества и протоколирования процесса сварки.

6. Оценка эффективности предложенных алгоритмов и определение их параметров, обеспечивающих приемлемую точность реконструкции моделей сварных соединений при минимальной вычислительной сложности (максимальном быстродействии).

7. Определение траектории перемещения сварочной горелки при многослойной сварке кольцевых стыков труб большого диаметра.

8. Реализация разработанных алгоритмов в цифровой адаптивной системе управления сварочным процессом с целью подтверждения предложенных методик и алгоритмов.

Методы исследований. В процессе выполнения диссертационной работы использовались методы теории математического моделирования, теории автоматического управления, теории цифровой обработки информации и др. Кроме того, использовались методы численного моделирования разработанных алгоритмов. При моделировании применялись пакеты прикладных программ Ма11аЬ-8тш1лпк.

Научная новизна работы. В диссертационной работе получены новые научные результаты теоретического и прикладного характера:

1. Разработаны новые эффективные методики и алгоритмы реконструкции пространственных (трехмерных) моделей сварных соединений на основе данных лазерной профилометрии.

2. Предложены новые методики и алгоритмы построения двумерных моделей протяженных сварных соединений, позволяющие получать «развертки» изображений сварных швов с целью последующего визуального и автоматического контроля.

3. Проведена оценка . эффективности алгоритмов построения компактных моделей протяженных сварных соединений и предложен способ настройки параметров алгоритмов, обеспечивающий приемлемую точность реконструкции моделей сварных соединений при минимальной вычислительной сложности (максимальном быстродействии).

4. Разработан прикладной алгоритм расчета траектории перемещения сварочной горелки при многослойной сварке кольцевых стыков труб большого диаметра с использованием пространственных моделей сборки стыкового соединения, полученных на основе сплайн-аппроксимации данных лазерной профилометрии.

Основные результаты работы: 1. Проведено обоснование возможности применения данных лазерной

профилометрии и видеомониторинга для решения задачи построения

компактных моделей сварных соединений.

2. Разработаны методики и алгоритмы реконструкции пространственных (трехмерных) моделей для решения задачи траекторного слежения за стыком и адаптивной коррекции параметров сварочного процесса.

3. Предложены методики и алгоритмы построения двумерных моделей протяженных сварных соединений, предназначенных для оценки качества и протоколирования процесса сварки.

4. Проведена оценка эффективности предложенных алгоритмов и определены их параметры, обеспечивающие приемлемую точность реконструкции моделей сварных соединений при минимальной вычислительной сложности (максимальном быстродействии).

5. Эффективность разработанных методик, процедур и алгоритмов подтверждена результатами моделирования цифровой адаптивной системы управления сварочным процессом на базе сварочной установки ГАСТ-1 НПП «Технотрон» с инверторным источником питания ДС 400.33 и модернизированной сварочной головкой «ГАСТ-1», оснащенной лазерным сканером профиля стыка и видеокамерой.

Практическая значимость работы. Разработаны эффективные методики построения компактных моделей сварных соединений, которые открывают новые возможности для повышения эффективности сварочного производства и могут быть использованы при создании адаптивных систем управления технологическим процессом сварки. Предложенные подходы также могут быть использованы для протоколирования сварочных процессов и решения задачи контроля качества сварных соединений.

Реализация результатов работы. Основной сферой использования полученных результатов являются автоматические системы управления сварочными процессами. Методики и алгоритмы построения компактных моделей протяженных сварных соединений, предназначенных для оценки качества и протоколирования процесса сварки, и процедура расчета траектории перемещения сварочной горелки при многослойной сварке кольцевых стыков труб большого диаметра использованы при создании

цифровой адаптивной системы управления сварочным процессом на базе сварочной установки ГАСТ-1 Н1111 «Технотрон» с инверторным источником питания ДС 400.33 и модернизированной сварочной головкой «ГАСТ-1», оснащенной лазерным сканером профиля стыка и видеокамерой. Положения, выносимые на защиту.

- Методики и алгоритмы реконструкции пространственных (трехмерных) моделей для решения задачи траекторного слежения за стыком и адаптивной коррекции параметров сварочного процесса.

- Методики и алгоритмы построения двумерных моделей протяженных сварных соединений, предназначенных для оценки качества и протоколирования процесса сварки.

Личный вклад автора. Личный вклад автора заключается: в постановке основных задач исследования и разработке процедур их решения; в формировании моделей сварных соединений на основе данных видеокомпьютерного мониторинга, в компьютерном моделировании разработанных алгоритмов на базе современных программно-технических средств.

Достоверность полученных результатов и сделанных на их основании выводов обуславливается теоретической проработкой и инженерным анализом существующих подходов, использованием известных закономерностей и апробированных методик, соответствием методов исследования поставленным целям и задачам, сочетанием количественного и качественного анализа результатов, применением современных методов статистической обработки данных, непротиворечивостью результатов.

Апробация работы. Основные положения и результаты диссертации представлялись, обсуждались и были приняты на научном семинаре кафедры систем автоматического управления ФГБОУ ВПО МГТУ им. Н.Э. Баумана, а также на международных симпозиумах и конференциях: XII студенческий научный вестник ФГБОУ ВПО МГТУ им. Н.Э. Баумана «Студенческая научная весна» (Москва, 2012г), молодежный научно-технический вестник

№12 ФГБОУ ВПО МГТУ им. Н.Э. Баумана (Москва, 2014г), VIII, IX, X, XI международные симпозиумы «Интеллектуальные системы» (Москва, 2008, 2010, 2012, 2014г), XVI международный симпозиум «Социогуманитарные аспекты глобального развития и роль инженерной деятельности в XXI веке» (Москва, 2014г).

Публикации. По материалам диссертационной работы опубликованы 10 научных работ, из них в журнале по перечню ВАК - две.

Внедрение результатов. Материалы диссертации использованы при разработке адаптивной системы управления на базе сварочной установки ГАСТ-1 НПП «Технотрон» с инверторным источником питания ДС 400.33 и модернизированной сварочной головкой «ГАСТ-1», оснащенной лазерным сканером профиля стыка и видеокамерой.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 155 наименований и 1 приложения. Объем работы составляет 145 страниц машинописного текста, 11 Таблиц и 80 рисунков.

В первой главе представлен обзор подходов к автоматизации сварки и возможности применения адаптивной системы управления в автоматизированных сварочных системах. Приведены технологические особенности автоматизированной сварки трубопроводов.

Во второй главе рассмотрены особенности применения систем технического зрения (СТЗ) на основе лазерной профилометрии в задачах геометрической и технологической адаптации сварочного оборудования. Ппроведены исследования методов и алгоритмов обработки профилометрических данных. Рассмотрены методы и алгоритмы позиционирования сварочного оборудования на основе профилометрических данных. Реализована и исследована адаптивная система управления сварочным процессом. Для иллюстрации эффективности адаптивной системы управления сварочным процессом приведены результаты

моделирования сварочного процесса. Проведен анализ результатов моделирования с целью оптимизации работы системы.

В третьей главе приведены результаты исследований алгоритмов построения цифровых изображений протяженных сварных соединений на основе данных видеомониторинга. Исследованы и реализованы алгоритмы построения цифровых изображений протяженных сварных соединений.

В заключении приведены основные выводы и результаты, полученные в диссертационной работе.

В приложениях рассмотрен принцип работы профилометрической системы.

Глава 1. Основные задачи автоматизация сварочных процессов 1.1. Классификация сварочных процессов

Сварка - технологический процесс получения неразъемных соединений материалов посредством установления межатомных связей между свариваемыми частями при их местном или пластическом деформировании, или совместным действием того и другого. Сваркой соединяют однородные и разнородные металлы и их сплавы, металлы с некоторыми неметаллическими материалами (керамикой, графитом, стеклом и др.), а также пластмассы.

Сварка- экономически выгодный, высокопроизводительный и в значительной степени механизированный технологический процесс, широко применяемый практически во всех отраслях машиностроения.

Физическая сущность процесса сварки заключается в образовании прочных связей между атомами и молекулами на соединяемых поверхностях заготовок. Современная промышленность располагает несколькими десятками видов и разновидностей способов сварки металлов, для изучения, оценки и определения рациональных областей применения которых целесообразно классифицировать их, разделив на две основные группы [42]: -сварка давлением (пластическая), при которой весьма важную, доминирующую роль играет давление, прилагаемое к месту сварки, создающее пластическую деформацию и возбуждающее силы сцепления.

- сварка плавлением, при которой процесс сварки основан на расплавлении металла местным нагревом.

Процесс сварки плавлением осуществляется следующим образом. Соединяемые части собираются в нужном положении, к месту соединения подводится достаточной мощности источник тепла с высокой температурой, расплавляющий металл обеих соединяемых частей. Расплавленный металл свариваемых деталей самопроизвольно, без внешних механических воздействий, сливается в общую сварочную ванну [22,26]. По удалении

источника тепла сварочная ванна, охлаждаясь, быстро затвердевает, а наплавленный металл прочно соединяет обе детали в одно целое. Расплавленный металл сварочной ванны весьма интенсивно отдаёт тепло в массу изделия вследствие высокой теплопроводности металлов, поэтому для образования сварочной ванны необходимых размеров требуется источник тепла не только достаточной мощности, но и весьма высокой температуры.

В зависимости от формы энергии, используемой для образования сварного соединения, все виды сварки разделяют на три класса: термический, термомеханический и механический.

К термическому классу относятся виды сварки, осуществляемые плавлением с использованием тепловой энергии (дуговая, плазменная, электрошлаковая, электронно-лучевая, лазерная, газовая и др.).

К термомеханическому классу относятся виды сварки, осуществляемые с использованием тепловой энергии и давления (контактная, диффузионная и ДР-)-

К механическому классу относятся виды сварки, осуществляемые с использованием механической энергии и давления (ультразвуковая, взрывом, трением, холодная и др).

Различают методы сварки трубопроводов по типу носителей энергии (дуга - дуговая сварка, газовое пламя - газовая, плазма - плазменная, лазерный луч - лазерная и т.д.); по условиям формирования соединения (свободное или принудительное формирование сварного шва); по способу защиты зоны сварки (под флюсом, в защитных газах, с использованием самозащитной электродной проволоки, в вакууме и т.д.); по степени механизации и автоматизации процесса (ручная, механизированная, автоматизированная и роботизированная); по технологическим признакам (например, сварка в защитных газах плавящимся или неплавящимся электродом).

Для образования соединений необходимо выполнение следующих условий: освобождение свариваемых поверхностей от загрязнений, оксидов и

адсорбированных на них инородных атомов; энергетическая активация поверхностных атомов, облегчающая их взаимодействие друг с другом; сближение свариваемых поверхностей на расстояния, сопоставимым с межатомным расстоянием в свариваемых заготовках.

1.2. Технология сварки трубопроводов

Наиболее распространен метод сварки трубопроводов термическими способами - дуговая сварка, при которой источником нагрева соединяемых кромок трубопроводов служит электрическая дуга между плавящимся электродом и кромками трубопроводов. Простейший способ дуговой сварки трубопроводов - ручная дуговая (в процессе сварки вручную перемещают электрод по периметру стыка со скоростью 8-20 м/ч). Ручную дуговую сварку выполняют при различном пространственном положении стыка -нижнем, вертикальном и потолочном; её используют, когда применение механизированных методов невозможно.

При дуговой сварке в защитных газах источником нагрева кромок труб служит дуга, защищенная потоком газа, подаваемого в зону дуги через сопло. Сварка в защитном газе имеет разновидности: по типу защитного газа -сварка в инертных газах (аргон, гелий, их смесь), в активных газах (СОг, азот, водород), сварка в смеси инертного и активного газов (Аг+ССЬ; АГ+СО2+О2); по типу электрода - плавящимся и неплавящимся (вольфрамовым) электродом; по степени механизации - ручная, полумеханизированная, механизированная и автоматизированная сварка. Дуговую сварку в защитных газах применяют для сварки трубопроводов любого диаметра и трубопровода в различных пространственных положениях. Скорости ручной сварки 8-20 м/ч, механизированной и автоматизированной 20- 60 м/ч [16].

При дуговой сварке порошковые проволоки имеют широкое промышленное применение. Конструкция порошковой проволоки [18,58,46] определяет некоторые особенности ее расплавления дугой. Сердечник порошковой проволоки на 50 - 70% состоит из неметаллических материалов

и поэтому его электросопротивление велико - в сотни раз больше, чем металлической оболочки. Поэтому практически весь сварочный ток проходит через металлическую оболочку, расплавляя ее. Плавление же сердечника, порошковой проволоки, расположенного внутри металлической оболочки, происходит в основном за счет теплоизлучения дуги и теплопередачи от расплавляющегося металла оболочки. Ввиду этого сердечник может выступать из оболочки, касаться ванны жидкого металла или переходить в нее частично в нерасплавленном состоянии, как показано на Рис. 1.1. Это увеличивает засорение металла шва, при сварке порошковой проволокой, неметаллическими включениями.

При сварке в защитных газах надежность защиты может нарушаться из-за сквозняков, забрызгивания газовых сопл и т. п. В этих условиях применение порошковых проволок, сочетающих в себе положительные свойства покрытых стальных электродов (защита, легирование и раскисление расплавленного металла), и механизированной сварки проволоками сплошного сечения (высокая производительность) представляет большие

«реализованный расплавленный металл шва металл шва

капли металла, покрытые тонким слоем шлака и формирующие сварочную ванну

Рис. 1.1. Дуговая сварка порошковыми проволоками

производственные преимущества, особенно в монтажных условиях [18]. Этому способствует и отсутствие газовой аппаратуры (баллонов, шлангов, газовых редукторов), флюса и флюсовой аппаратуры, усложняющих процесс сварки или повышающих его трудоемкость (засыпка и уборка флюса и др.). Возможность наблюдения за направлением электрода в разделку, особенно при сварке с его поперечными колебаниями, а также за образованием шва -основные преимущества сварки порошковыми проволоками. Изменение состава наполнителя сердечника порошковой проволоки позволяет воздействовать на химический состав шва и технологические характеристики дуги.

1.3. Автоматизация сварочных процессов

При строительстве магистральных трубопроводов применяют различные способы сварки плавлением, сварку давлением, специальные способы сварки, которые по условиям реализации все способы сварки можно подразделить на ручные, механизированные и автоматические. При сварке трубопроводов применяют ручную электродуговую и механизированную (полуавтоматическую) сварку, а также автоматическую орбитальную сварка плавящимся электродом.

Автоматизация и механизация процесса дуговой электросварки может быть признана одной из важнейших задач современной сварочной техники. Ручная дуговая сварка слишком трудоемка, требует большого количества квалифицированных кадров, сравнительно дорога, и, естественно, не может обеспечить однородность продукции, а так как последующий контроль качества сварки затруднителен, недостаточно надежен и не всегда выполним, то доверие к качеству сварки снижается и заведомо уменьшаются допускаемые напряжения для сварных швов.

Список литературы диссертационного исследования кандидат наук Ситу Аунг Со, 2015 год

Список литературы

1. Автоматизированный комплекс для многослойной сварки кольцевых стыков труб магистральных трубопроводов со средствами адаптации и прогнозирования качества сварки / Э.А. Гладков [и др.]. Журнал «Наука и техника», №4, 2009. С. 77-86.

2. Адаптивная система управления сварочным оборудованием / Ситу Аунг Со [и др.] Инженерный вестник Дона. 2014. №2-http://ivdon.ru/magazine/archive/n2y2014/2385 Загл. с экрана. - Яз. Рус. (0,437п.л./0,145п.л.), (дата обращения: 12.05.15).

3. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика // Исследование зависимостей: Справ, изд. Финансы и статистика, - М.: 1985. С. 2-4.

4. Алешин Н.П., Щербинский В.Г. Контроль качества сварочных работ. М.: Высшая школа, 1981. С. 45-49.

5. Ализаде М. Ф. История использования контрольно-измерительных приборов на предприятиях нефтедобычи, нефтепереработки и нефтехимии Апшерона: автореферат дис. канд. техн. наук, Уфа: Уфимский гос. нефтяной тех. университет, 2003. 25 с.

6. Башарин Г.П., Бочаров П.П., Коган А.Я. Анализ очередей в вычислительных сетях //Теория и методы расчета. М.: Наука, 1989. 334 с.

7. Белов A.A., Малафеев A.B. Моделирование и организация информационного обеспечения управления качеством производственных процессов // Вестник ИГЭУ. 2004. № 3. С. 25-29.

8. Боровков A.A. Эргодичность и устойчивость случайных процессов. М.: Эдиториал УРСС, 1999. 440 с.

9. Бусленко В.Н. Автоматизация имитационного моделирования сложных систем. М.: Наука, 1977. 240 с.

10. Виноградов B.C. Оборудование и технология дуговой автоматической и механизированной сварки. М.: Высшая школа, Академия, 1997. 78 с.

11. Винокурова В.А. Сварка в машиностроении // Т.З. М.: Машиностроение, 1978. С 102-105.

12. Волченко В.Н. Сварные конструкции. М.: Машиностроение, 1986г. 92 с.

13. Гаврилов А.И., Ситу Аунг Со. Реконструкция трехмерных моделей сварочных соединений по данным лазерной профилометрии // Интеллектуальные системы: Труды одиннадцатого международного симпозиума. ~М: РУСАКИ, 2014. С. 185-191.

14. Галицкого В.К., Шестакова С.А. Практическое руководство по сплайнам. М.: Радио и связь, 1985. 96 с.

15. Геворкян В.Г. Основы сварочного дела. М.: Высшая школа, 1985. 132 с.

16. Гладков Э.А. Управление процессами и оборудованием при сварке, М.: Академия, 2006. С 65 - 72.

17. Гладков Э.А., Киселев О.Н., Перковский P.A. Системы ориентации сварочного инструмента на линию стыка при дуговой сварке: учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. С. 22- 34.

18. Гладков Э.А., Перковский P.A., Шолохов М.А. Оптические системы контроля положения электрода в разделке стыка при MIG/MAG сварке // Сварка и диагностика. 2012. № 6. С. 36-40.

19. Гнеденко Б.В. Курс теории вероятностей: Учебник - Изд. 6-е, перераб. и доп. - М.: Наука. Гл. ред. физ.-мат. лит. 1988. С 8 -12.

20. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2005. 1072 с.

21. Григоренко H.J1. Сплайны в теории приближения. М.: Наука, 1984. С. 89-101.

22. Данилова Ю.А. Разработка системы фильтрации изображений на основе адаптивных алгоритмов. СПГУ, 2009. 77 с.

23. Дементьев Ю.Н., Князьков А.Ф., Князьков С.А., Система геометрической адаптации специализированного сварочного робота // томский политехнический университет, 2008. С. 46-55.

24. Дубиновский В.Б. Калибровка снимков. М.: Недра, 1982г. 146 с.

25. Ивницкий В.А. Разработка аналитической теории сетей массового обслуживания: дис. доктора физ.мат. наук. - М: РГБ, 2005. 93 с.

26. Иглхарт Д.Л. Шедлер Д.С. Регенеративное моделирование сетей массового обслуживания: Пер. с англ. - М.: Радио и связь, 1984. 136 с.

27. Классификатор сварочных дефектов / Ситу Аунг Со [и др.] Студенческий научный вестник. ~М. :МГТУ им. Н. Э. Баумана, 2012. Том XII, Часть-1. С.35-38. (0,25п.л./0,06п.л.).

28. Клейнрок Л. Теория массового обслуживания. Пер с англ./Пер И. И. Грушко; ред. В.И. Нейман. - М.: Машиностроение, 1979. 189 с.

29. Костюков В.Н. Мониторинг безопасности производства. М.: Машиностроение, 2002. 224 с.

30. Краснобаев А. А. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации. Москва, 2005. 83 с.

31. Крысько Николай Владимирович. Разработка способа формирования шва поперечным магнитным полем при дуговой сварке плавящимся электродом: дис. ... канд. техн. наук. -М., 2015. С. 63 - 72.

32. Лебедев Виктор Сергеевич. Разработка технологии импульсной аргонодуговой сварки стыковых швов трубных заготовок из высокопрочного чугуна с шаровидным графитом: дис. ... канд. техн. наук. Липецк. 2015. 62 с.

33. Лычков Игорь Игоревич. Система распознавания пространственно-временного поведения и ситуаций на множестве движущихся объектов: дис. ... канд. техн. наук. -М., 2014. 87 с.

34. Марчук Г.И. Сплайн-функции: теория, алгоритмы, программы. М.: Наука, 1983. С. 37-64.

35. Нейросетевой классификатор сварочных дефектов / Ситу Аунг Со [и др.] Интеллектуальные системы: Труды девятого международного симпозиума. ~М.: РУСАКИ, 2010. С. 614-615. (0,125п.л./0,062п.л.).

36. Нейросетевые технологии в задаче управления электроприводом постоянного тока / Ситу Аунг Со. [и др.] Интеллектуальные системы: Труды восьмого международного симпозиума. — М.: РУСАКИ, 2008. С. 635-638. (0,25п.л./0,062п.л.).

37. Овчаров J1.A. Прикладные задачи теории массового обслуживания. М., Машиностроение, 1969. 105 с.

38. Папулин Сергей Юрьевич. Поиск изображений с использованием семантических признаков: дис. ... канд. Техн. наук. - М., 2014. 86 с.

39. Патапьевский А.Г. Сварка в защитных газах плавящимся электродом // Экотехнология. ~М., 2007. С. 55-58.

40. Пименов В. Ю. Метод поиска нечетких дубликатов изображений на основе выявления точечных характерностей // Труды РОМИП. 20072008. С. 145-158.

41. Пименов В. Ю. Вычислительно-эффективный метод поиска нечетких дубликатов в коллекции изображений // Труды семинара РОМИП 2009.-С. 89-107.

42. Походня И.К. Сварка порошковой проволокой // Наукова думка. 1972.

43. Применение нейросетевых технологий в задачах обнаружения дефектов сварного шва / Ситу Аунг Со [и др.] Молодежный научно-технический вестник №12. ~М.: МГТУ им. Н. Э. Баумана, 2014. http://sntbul.bmstu.ru/file/out/751910 (0,437п.л./0,109п.л.). (дата обращения: 14.05.15).

44. Применение технологи й цифровой обработки изображений в нейросетевых системах управления сварочным оборудованием / Ситу Аунг Со [и др.] Науковедение. Интернет-журнал Том 7, №1, 2015. http://naukovedenie.ru/?p=vol7-1 -technics (0,75п.л ./0,15п.л.). (дата обращения: 12.05.15).

45. Профилометрическая система позиционирования сварочной установки / Ситу Аунг Со [и др.] Интеллектуальные системы: Труды девятого международного симпозиума. _ М.: РУСАКИ, 2010. С. 659-662.

46. Рабинович Е.В., Рубан A.A., Цапенко М.П. Адаптивная кусочно-линейная аппроксимация // Российская академия наук, 1993г. С. 32-56.

47. Радченко Ю.С. Эффективность приема сигналов на фоне комбинированной помехи с дополнительной обработкой в медианном фильтре // Журнал «радиоэлектроники», №7, 2001г. С 78-86.

48. Разработка программно-аппаратного комплекса сопровождения подвижных объектов / Мозер A. JI. [и др.] Молодежный научно-технический вестник №12. -М.: МГТУ им. Н. Э. Баумана, 2014. sntbul.bmstu.ru/file/out/602575

49. Pao С.Р. Линейные статистические методы и их применение. - М.: Наука, 1968. С. 64-73.

50. Реконструкция трёхмерных моделей по данным лазерной профилометрии / Ситу Аунг Со [и др.] Интеллектуальные системы: Труды десятого международного симпозиума. — М.: РУСАКИ, 2012. С. 513-517.

51. Ситу Аунг Со. Профилометрическая система реконструкции пространственных моделей кольцевых стыков // Социогуманитарные аспекты глобального развития и роль инженерной деятельности в XXI веке: XVI Международный симпозиум. ~М. 2014. С. 405-409.

52. Сойфер В.А. Компьютерная обработка изображений // Методы и алгоритмы, Журнал «Соросовский образовательный», №3, 1996. С. 35 -38.

53. Стечкина С.Б., Субботина Ю.Н. Теория сплайнов и ее приложения // Мир. М.: 1972. 63 с.

54. Терентьев Егор Валериевич. Повышение качества формирования сварных соединений при электронно-лучевой сварке неповоротных

стыков со сквозным проплавлением: дис. ... канд. техн. наук. - М., 2014. 55 с.

55. Форсайт Д., Понс. Ж. Компьютерное зрение // Современный подход. Вильяме. 2004. 22 с.

56. Фосс С.Г., Чернова Н.И. Теоремы сравнения и эргодические свойства систем поллинга // Проблемы передачи информации, том 32, вып. 4,

1996. С. 46-72.

57. Хуанг Т.С. Быстрые алгоритмы в цифровой обработке изображений. Радио и связь, М.: 1984. С 80-81.

58. Чернавский А.В. Кусочно-линейная аппроксимация вложений клеток и сфер в коразмерностях, больших двух, Матем. Сб. 1969. 74 с.

59. Чернавский Д.С. Синергетика и информация // Динамическая теория информации. — М.: Едиториал УРСС, 2004. 101 с.

60. Шварц М. Сети ЭВМ // Анализ и проектирование. - М.: Радио и связь,

1997. 336 с.

61. Brown D.C. Decentering Distortion of Lenses //. Photometric Engineering, Vol. 32, No. 3, 1966. pp. 444-462.

62. A Comparison of Affine Region Detectors / Mikolajczyk K. [and others]. IJCV, Vol. 65(1/2). 2005. pp. 43-72.

63. Abdullah В., Smith J., Lucas W. Monitoring of TIG welding using laser and diode illumination sources // A comparison study. In Electronic Design, International Conference on, 2008. pp. 1-4.

64. Abdullah. В., Smith J., Lucas W. A low-cost vision system for real-time monitoring of welding applications // In 14th Int. Conf. on the Joining of Materials and 5th Int. Conf. on Education in Welding, Helsingor, Denmark. 2007. pp. 61-63.

65. Adalsteinsson D., Sethian J. A. A fast level set method for propagating interfaces // Journal of computational physics, Vol. 118, 1995. pp. 269-277.

66. Asmar N. H. Partial differential equations with fourier series and boundary value problems // Prentice Hall, 2nd edition. 2004. pp. 82 -83.

67. Awrangjeb M., Lu G. Techniques for efficient and effective transformed image identification // Journal of visual communication and image representation, Vol. 20, Nov. 2009. pp. 511-520.

68. Bae K. Y., Lee T. H., Ahn, K. C. An optical sensing system for seam tracking and weld pool control in gas metal arc welding of steel pipe // Journal of materials processing technology, Vol. 120(1-3), 2002. pp. 458-465.

69. Balfour C., Smith J., Ai-Shamma A. A. A novel edge feature correlation algorithm for real-time computer vision-based molten weld pool measurements // Welding Journal, Vol. 85(1), 2006. pp. 1.-8.

70. Bay H., Tuytelaars T., VanGool L. SURF: Speeded Up Robust Features // 9th European Conference on Computer Vision. 2006. pp. 4-9.

71. Bishop C. M. (2007). Pattern Recognition and Machine Learning // Information science and statistics. Springer, 2nd printing edition. 2006. pp. 39-42.

72. Blake A., Isard M. Active contours: the application of techniques from Graphics Vision // Control theory and statistics to visual tracking of shapes in motion. 2000. pp. 12-17.

73. Brown L. G. A survey of image registration techniques // Computing Surveys, Vol. 24, No. 4, 1992. pp. 325-376.

74. Brown M., Lowe D. Recognizing Panoramas. // Proc. 9th Int. Conf. Computer vision. 2003. pp. 1218-1227.

75. Bruce N. D. B., Tsotsos J. K. Spatiotemporal saliency: towards a hierarchical representation of visual saliency. // Proc. 5th int. workshop on attention in cognitive systems. 2008. pp. 98-111.

76. Brzakovic D., Khani D. Weld pool edge detection for automated control of welding. Robotics and Automation, IEEE Transactions on, Vol. 7(3), 1991. pp. 397-343.

77. Canny J. A computational approach to edge detection // IEEE Trans. Pattern Anal. Mach. Intell., Vol. 8(6), 1986. pp. 679-698.

78. Caselles V., Catte F., Coll T. A geometric model for active contours in image processing // Numerische Mathematik, Vol. 66, 1993. pp. 1-31.

79. Chakraborty A., Staib L., Duncan J. Deformable boundary finding in medical images by integrating gradient and region information. // Medical Imaging, IEEE Transactions on, № 15(6): 1996. pp. 859 -870.

80. Cham T. J., Cipolla R. Automated B-spline curve representation incorporating MDL and error-minimizing control point insertion strategies // Pattern analysis and machine intelligence, IEEE Transactions on, Vol. 21(1), 1999. pp. 49-53.

81. Chan T., and Vese L. Active contours without edges // Image Processing, IEEE Transactions on, № 10(2): 2001. pp. 266 -277.

82. Chang S. F., Hsu W., Kennedy L., Video search and high-level feature extraction. Columbia University TRECVID 2005. pp. 67-71.

83. Chen C., Klette R. An image stitcher and its application in panoramic movie making // Proc. DICTA, Dec. 1997. pp. 101- 106.

84. Chen S., Radke R. Level set segmentation with both shape and intensity priors // In Computer Vision, IEEE 12th International Conference on, 2009. pp. 763 -770.

85. Cheng-Yuan Tang., Yi-Leh Wu., Maw-Kae Hor. Modified sift descriptor for image matching under interference // Machine learning and cybernetics, international conference on, Vol. 6, July 2008. pp. 3294 - 3300.

86. Chris Harris., Mike Stephens. A combined corner and edge detector // Fourth alvey vision conference. United Kingdom, 1988. pp. 73-77.

87. Christensen K. H. Arc welding automation process modelling & control based on neural networks. PhD thesis, Technical University of Denmark. 2003. pp. 113-119.

88. Cohen L. D. On active contour models and balloons // CVGIP: Image Understanding, Vol. 53(2), 1991. pp. 211-218.

89. David Lowe. Object recognition from local scale-invariant features // International Conference on Computer Vision, Greece, September 1999. pp. 1150-1157.

90. Delingette H., Montagnat J. Shape and topology constraints on parametric active contours. Computer Vision and Image Understanding, Vol. 83, 2001. pp. 140-171.

91. Eric Chu., Erin Hsu., Sandy Yu. Image-Guided Tours: Fast-Approximated SIFT with U-SURF Features, Stanford University. 2007. pp. 6-12.

92. Felzenszwalb P. F., Huttenlocher D. P. Pictorial structures for object recognition// International journal of computer vision. Vol. 61. 2005. pp. 55-79.

93. Fischler M. A., Bolles R. C. Random Sample Consensus: A paradigm for model fitting with applications to image analysis and automated cartography // Communications of ACM, volume 24(6), 1981. pp. 381-395.

94. Florack L. M. J. Image structure. Kluwer/Springer. 1997. pp. 107 -109.

95. Fridenfalk M., Bolmsjo G. Design and validation of a universal 6d seam tracking system in robotic welding based on laser scanning // Industrial robot: An international journal, Vol. 30(5): 2003. pp. 437 - 448.

96. Frintrop S. VOCUS: A Visual Attention System for Object Detection and Goal-Directed Search. Ph.D. Thesis. Rheinische Friedrich Wilhelms University Bonn. 2006. pp. 44-48.

97. Herbert B. SURF: Speeded Up Robust Features // Computer. Vision, Image understanding, Vol. 110 (3), 2008. pp. 346-359.

98. Haralick R. M., Shanmugam K., Dinstein I. Textural features for image classification // Systems, man and cybernetics, IEEE Transactions on, Vol. 3(6), 1973. pp. 610-621.

99. Hastie T., Tibshirani R. Classification by pairwise coupling // In proceedings of the 1997 conference on advances in neural information processing systems, Vol.10 Cambridge, MA, USA. MIT Press. 1998. pp. 507-513.

100. Heo Y., Lee K., S. Lee. Illumination and camera invariant stereo matching // In CVPR. 2008. pp. 1-8.

101. Herbert B., Andreas E., Tinne T. SURF: Speeded Up Robust Features // Computer vision and image understanding, Vol.110, No. 3, 2008. pp. 346-359.

102. Heyer L. J., Kruglyak S. and Yooseph S. Exploring expression data: Identification and analysis of coexpressed genes. In genome research, Vol. 9, 1999. pp. 1106-1115.

103. Hough P. V. C. Machine analysis of bubble chamber pictures // In international conference on high energy accelerators and instrumentation. 1959. pp. 61-67.

104. Houghton M., Lucas, J., Lucas, W. A pulsed laser camera system for weld pool observations // In The 16th International Conference on the Joining of Materials JOM16 & the 7th International Conference on Education in Welding ICEW-7, Tisvildeleje, Denmark. 2011. pp. 88-93.

105. Hugli H., Bur A. Adaptive visual attention model // Proc. of image and vision computing. New Zealand, 2007. pp. 233-237.

106. Hutchinson S., Hager G., Corke P. A tutorial on visual servo control. // Robotics and automation, IEEE Transactions on, Vol. 12(5): 1996. pp. 651 -670.

107. Illingworth J., Kittler J. A survey of the hough transform // Computer Vision, Vol. 44(1). 1988. pp. 87 - 116.

108. Jager M., Hamprecht F. Principal component imagery for the quality monitoring of dynamic laser welding processes // Industrial electronics, IEEE Transactions on, Vol. 56(4). 2009. pp. 1307 -1313.

109. Jager M., Knoll, C., and Hamprecht, F. Weakly supervised learning of a classifier for unusual event detection // Image Processing, IEEE Transactions on, Vol. 17(9). 2008. pp. 1700 -1708.

110. KrystianM. A comparison of affine region detectors // Intelligent journal of computer vision, Vol. 65 (1-2), 2005. pp. 43-72.

111. Kanatani K. Geometric information criterion for model selection // IJCV, Vol. 26(3). 1998. pp 171-189.

112. Kass M., Witkin A., Terzopoulos D. Snakes: Active contour models // International Journal of Computer Vision, Vol. 1(4). 1988. pp. 321-331.

113. Katkovnik V., Egiazarian K., Astola J. Local Approximation Techniques in Signal and Image Processing // SPIE Press, Monograph Vol. PM157, September 2006. pp. 171-176.

114. Ke Y., Suthanakar R. PCA-SIFT: A more distinctive representation for local image descriptors // In computer vision and pattern recognition, Vol. 2. 2004. pp. 506-513.

115. Ke Y., Suthanakar R., Huston L. Efficient near-duplicate detection and subimage retrieval // In ACM Multimedia Conference. 2004. pp. 869-876.

116. Kendall D. G. A survey of the statistical theory of shape // Statistical Science, Vol. 4(2). 1989. pp. 87-99.

117. Khan N., McCane B., Wyvill G. SIFT and SURF performance evaluation against various image deformations on benchmark dataset // International conference on digital image computing: techniques and applications. 2011. pp. 109-114.

118. Kim J. S., Son Y. T., Cho H. S. A robust method for vision-based seam tracking in robotic arc welding // In Intelligent Control, Proceedings of the 1995 IEEE International Symposium on, 1995. pp. 363 -368.

119. Kimia B. B., Tannenbaum A., Zucker S. W. On the evolution of curves via a function of curvature. I. The classical case // Journal of mathematical analysis and applications, Vol. 163(2), 1992. pp. 438 - 458.

120. Klopschitz M., Irschara A., Reitmayr G. Robust incremental structure from motion. 2010. pp. 59-61.

121. Koch C., Itti L., Niebur E. A Model of Saliency-Based Visual Attention for Rapid Scene Analysis. IEEE Trans. Pattern Anal. Mach. Intell., Vol 20, 1998. pp. 1254-1259.

122. Koch C., Ullman S. Shifts in selective visual attention: Towards the underlying neural circuitry// Human Neurobiology, Vol.4, 1985. pp. 219-227.

123. Koenderink J. J. The structure of images // In Biological Cybernetics, Vol. 50, 1984. pp. 363-396.

124. Kus M. C., Gokmen M., Etaner-Uyar S. Traffic sign recognition using Scale Invariant Feature Transform and color classification // ISCIS. Oct. 2008. pp. 1-6.

125. Lindeberg T. Scale-space // Encyclopedia of Computer Science and Engineering, Vol. 4. 2009. pp. 2495-2504.

126. Lindeberg T. Scale-space theory in computer vision. // Kluwer, Springer. 1994. pp. 134-139.

127. Longuet-Higgins H.C. A computer algorithm for reconstructing a scene from two projections //Nature, Vol. 293, Sept 1981. pp. 133-135,

128. Lowe D. Distinctive image features from scale-invariant keypoints // IJCV, Vol. 60(2), 2004. pp. 91-110.

129. Lowe D.G. Object recognition from local scale-invariant features // In international conference on computer vision, Corfu, Greece, 1999. pp. 1150-1157.

130. Luo Juan, Oubong Gwun. A Comparison of SIFT, PCA-SIFT and SURF. // International journal of image processing, Vol. 3, Issue 4. 2009. pp. 3-12.

131. Martin A. F., Robert C. B. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography // CACM. Vol. 24(6), 1981. pp. 381-395.

132. Matthew B., Lowe D. G. Automatic panoramic image stitching using invariant features. 2007. pp. 98 -104.

133. Matthew B., Lowe D. G. Recognizing panoramas // International conference on computer vision, Nice, France. October 2003. pp. 21-29.

134. Michela F., Andrea F., Riccardo G. Structure-and-motion pipeline on a hierarchical cluster tree // Computer vision workshops. 2009. pp.153-138.

135. Mikolajczyk K. and Schmid C. Indexing based on scale invariant interest points // Proc. Eighth Int. Conf. Computer vision, 2001. pp. 525-531.

136. Mikolajczyk K., Schmid C. An affine invariant interest point detector // In proceedings of European conference on computer vision (ECCV), 2002. pp. 128-142.

137. Mikolajzyk K., Schmid C. A perforance evaluation of local descriptors // IEEE, trans, pattern analysis and machine intelligence, Vol. 27, No. 10, October 2005. pp 1615-1630.

138. Milgram D. L. Computer methods for creating photo mosaics // IEEE Trans. Computer., Vol. C-24, Nov. 1975, pp. 1113-1119.

139. Muja M., Lowe D. Fast approximate nearest neighbors with automatic algorithm configuration. 2009. pp. 1-10.

140. Ni K., Steedlyy D., Dellaert F. Out-of-core bundle adjustment for large-scale 3D reconstruction // Computer vision, ICCV 2007. IEEE 11th international conference on. 2007. pp. 1-8.

141. Niebur E. Saliency map // Scholarpedia, Volume 2 (8), 2007. pp. 26-75.

142. Palmer S. E. Vision Science, Photons to phenomenology. MIT Press, Cambridge. 1999. pp. 12-19.

143. Richard I. In defense of the eight-point algorithm // IEEE transactions on pattern analysis and machine intelligence, vol. 19, No. 6, June 1997. pp. 580-592.

144. Robertson P., Cipolla R. Structure from motion. 2008. pp 1-48.

145. Rodrigo L. C., Christopher M. B. Numerical methods for model-based pose recovery. TR659, Computer science department, U. Rochester, August 1997. pp. 171-179.

146. Salgian, A. S. Using multiple patches for 3d object recognition // Computer vision and pattern recognition, CVPR 07. June 2007. pp. 1-6.

147. Stokman H., Gevers T. Selection and fusion of color models for image feature detection // pattern analysis and machine intelligence, IEEE transactions on Vol. 29, Issue 3. March 2007. pp. 371 - 381.

148. Triggs B. McLauchlan P., Hartley R. Bundle Adjustment // A Modern Synthesis. ICCV '99: Proceedings of the International Workshop on Vision Algorithms. Springer-Verlag. 1999. pp. 298-372.

149. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features // Proceeding of the 2001 IEEE Computer Society Conf. on Computer Vision and Pattern Recognition, Vol. 1, 2001. pp. 511518.

150. Witkin A. P. Scale-space filtering. In Proceeding of International Joint Conference on Artificial Intelligence, 1983. pp 1019-1022.

151. Wu X., Ngo C., W. Li Q. Threading and auto documenting news videos // In signal processing magazine. 2006. pp. 68-75.

152. Yang zhan-long., Guo bao-long. Image mosaic based on sift // International conference on intelligent information hiding and multimedia signal processing. 2008. pp. 1422-1425.

153. Zhang Z., A Flexible new technique for camera calibration, technical report MSRTR // Microsoft Research. December 1998. pp. 98-71.

154. Zhao. W. L., Ngo C. W., Tan H. K. Near-duplicate keypoint identification with interest point matching and pattern learning // In IEEE transactions on multimedia, Vol. 9(5), 2007. pp. 1037-1048.

155. Zitova B., Flusser J. Image registration methods: a survey // Image and Vision Computing, Vol 21, 2003. pp. 977-1000.