Совершенствование методики распознавания пороков тканых полотен на основе применения математического аппарата нечеткой логики тема диссертации и автореферата по ВАК РФ 05.19.02, кандидат технических наук Ивановский, Владимир Александрович

  • Ивановский, Владимир Александрович
  • кандидат технических науккандидат технических наук
  • 2012, Кострома
  • Специальность ВАК РФ05.19.02
  • Количество страниц 155
Ивановский, Владимир Александрович. Совершенствование методики распознавания пороков тканых полотен на основе применения математического аппарата нечеткой логики: дис. кандидат технических наук: 05.19.02 - Технология и первичная обработка текстильных материалов и сырья. Кострома. 2012. 155 с.

Оглавление диссертации кандидат технических наук Ивановский, Владимир Александрович

Содержание

Введение

1.0бзор проблемы диагностики качества ткани и формулировка задач исследования

1.1. Контроль качества ткани на ткацких предприятиях

1.2.Обзор систем технического зрения для контроля качества ткани

1.3. Анализ информационно - вычислительных методик и алгоритмов распознавания пороков тканых полотен

1.4. Обзор возможностей современных видеоустройств и компьютерной техники

1.5. Определение предмета исследования

1.6. Определение основных проблем при распознавании пороков ткани

1.7. Формулировка проблем и задач исследования

2. Теоретические основы методики распознавания ткацких пороков

2.1. Общее теоретические описание процесса распознавания образов

2.2 Векторное представление

2.2.1. Выбор метода векторного представления изображения

2.2.2 Преобразование Радона. Математические основы преобразования

2.3. Определение информационных элементов

2.3.1. Выбор метода анализа

2.3.2.Вейвлет-анализ. Математические основы преобразования

2.3.3 Математические аспекты анализа поля вейвлет -коэффициентов

2.4 .Классификаторы

2.4.1.Классификатор локальных поперечных образов пороков

2.4.2. Применение метода нечеткой логики

2.4.3. Основные положения теории нечеткой логики

2.4.4. Алгоритмы нечеткой логики

2.4.5 .Пространственный классификатор

2.5. Выводы по главе

3.Разработка методики распознавания информационных элементов ткани и их параметров

3.1 Общие принципы построения методики

3.2 Входные данные, принципы преобразования

3.3.Методика определения информационных элементов и их параметров

3.3.1. Векторное представление. Математические преобразования

3.3.2. Анализ поля коэффициентов вейвлет-преобразования

3.4. Создание и подготовка структурного массива

3.5.Методика формирования информационных элементов с учетом проборки в зуб берда

3.6.Выводы по главе

4. Методика распознавания пороков ткани

4.1 Общая схема классификатора

4.2.Нечеткие классификаторы

4.2.1. Общая схема работы нечеткого классификатора

4.2.2. Общие вопросы описания классификаторов

4.2.3 Классификатор составных нитей

4.2.4. Классификатор порока рассечка

4.2.5. Классификатор порока близна

4.2.6. Классификатор пороков парочка и слабина

4.2.7 Классификатор горизонтальных пороков

4.3. Пространственный классификатор. Методика координатного накопления

4.4. Выводы по главе

5.Экспериментальные испытания методики распознавания ткацких пороков

5.1. Общие аспекты экспериментальных испытаний

5.2.Экспериментальные испытания методики определения

информационных элементов

5.3 Исследование надежности работы нечетких классификаторов

5.4.Исследование надежности методики распознавания пороков

ткани

5.5.Лабораторный стенд

5.5.1 Общие вопросы разработки лабораторного стенда

5.5.2. Выбор двигателя для лабораторного стенда

5.5.3. У правление шаговым двигателем с помощью компьютера

5.6. Принципы практической реализации

5.7. Выводы по главе

Общие выводы по работе

Список литературы

Приложение 1

Приложение 2

Рекомендованный список диссертаций по специальности «Технология и первичная обработка текстильных материалов и сырья», 05.19.02 шифр ВАК

Введение диссертации (часть автореферата) на тему «Совершенствование методики распознавания пороков тканых полотен на основе применения математического аппарата нечеткой логики»

Введение

Актуальность. Контроль качества продукции является одной из актуальных проблем текстильных предприятий. Спрос на текстильную продукцию растет, требования к качеству продукции неуклонно повышаются. В условиях жесткой конкуренции, на первое место выходит параметр «цена/качество». Общим направлением современного ткацкого производства является максимально возможное исключение «человеческого фактора» и автоматизация процесса выпуска продукции.

Основным этапом в текстильном производстве является процесс тканеформирования. Большое количество вариантов брака, сложность в определении допустимых отклонений, делают задачу контроля качества ткани непростой.

С учетом современных требований, визуальные методы оказываются достаточно медленными и субъективными, выдержать конкуренцию на рынке текстильных товаров с такими методами в перспективе невозможно.

На сегодняшний день накоплено большое количество теоретических и экспериментальных разработок, методов и методик для автоматизированного распознавания пороков ткани, однако, до сих пор отсутствует метод, способный в полном объеме решить эту задачу. Остаются мало проработанными вопросы по созданию адекватных методов и алгоритмов, учитывающих сложности анализа тканых материалов, связанных с многофакторной природой их неравномерности.

В той или иной степени эти задачи решаются в иностранных устройствах контроля качества ткани, однако высокая стоимость этих устройств делает их недоступными для широкого применения в отечественной ткацкой промышленности. Поэтому в российской текстильной промышленности до сих пор в основном применяется органолептический метод оценки качества ткани, который в перспективе не может составить конкуренцию автоматизированным системам.

В свою очередь современный уровень вычислительной техники, видео устройств, средств передачи информации позволяют разработать собственные программно-технические комплексы, способные решать задачи автоматизации контроля качества ткани. Новые компьютерные технологии расширяют возможности достижения большей оперативности, точности и достоверности получаемых результатов.

Все вышесказанное говорит об актуальности разработок, касающихся данной научно-практической области, создании и совершенствовании современных методов и методик контроля качества ткани.

Цель и задачи исследования. Цель диссертационной работы состоит в повышении надежности контроля процесса тканеформирования за счет совершенствования программно-вычислительного метода распознавания ткацких пороков.

Для достижения этой цели поставлены следующие основные задачи:

- провести анализ состояния проблемы автоматизированного контроля внешнего вида ткани;

- изучить программно-вычислительные методы и методики обнаружения ткацких пороков на основе анализа изображений ткани;

- усовершенствовать метод поиска и распознавания элементов изображения ткани и их параметров, за счет разработки новой методики применения современных математических преобразований;

- разработать принципы распознавания ткацких пороков на основе теории нечеткой логики;

- разработать методики распознавания ткацких пороков на основе созданных принципов;

- создать программный комплекс на основе разработанных алгоритмов и методик;

создать лабораторную установку для проверки результатов исследования.

Методы исследования. Для решения поставленных задач применялись математические методы, такие как: преобразование Радона, вейвлет-анализ, методы математической статистики. Использовались базовые понятия технологии текстильных материалов, теории нечетких множеств. Применялся математический аппарат нечеткой логики. Программный комплекс разрабатывался в среде МайаЬ. Экспериментальные исследования программного комплекса проводились с помощью специально разработанного стенда.

Научная новизна:

1. Применен метод нечеткой логики для разработки классификаторов, позволяющих распознавать ткацкие пороки на базе созданных решающих правил.

2. Предложен принцип последовательного применения нечетких классификаторов, разработанных под каждый вид исследуемых ткацких пороков или группы пороков тканого полотна, позволяющий вести независимую разработку и добавление новых классификаторов для распознавания других пороков.

3. Разработана методика распознавания элементов изображения ткани и их параметров, отличающаяся от известных тем, что учитывается проборка нитей в зуб берда.

4. Разработана методика обработки структурного массива информационных элементов ткани позволяющая определять протяженность порока и его более точное определение.

5. Разработан программный комплекс, с использованием математического аппарата нечеткой логики, для оперативного технического контроля пороков тканого полотна возникающих в процессе тканеформирования.

Практическая ценность и реализация результатов. Созданный программно-аппаратный комплекс, основанный на разработанных методиках и алгоритмах, в комплексе с видеоаппаратурой и вычислительной техникой, позволяет создать опытный образец системы технического контроля ткацких пороков, работающий в режиме реального времени, позволяет оперативно реагировать на появление структурных распространенных пороков, что в свою очередь позволит уменьшить количество низкосортной или бракованной ткани, ускорить анализ сбоев технологического оборудования, снизить влияние человеческого фактора при контроле качества ткани в процессе тканеформирования.

Разработанные в рамках диссертационной работы методы и алгоритмы, реализованные в виде прикладной программы «Распознавание пороков тканого полотна», рекомендованы для применения на текстильных предприятиях и, в частности, на ООО «БКЛМ-Актив», также результаты научной работы внедрены в учебный процесс в Костромском государственном технологическом университете на кафедре технологии машиностроения, что подтверждено соответствующими документами.

Апробация работы. Основные положения и результаты работы доложены и обсуждены на следующих научно-технических форумах:

- Семинар по теории машин и механизмов (Костромской филиал семинара по ТММ РАН), Кострома, КГТУ, 2010 г.;

- VI Международный научно-практический семинар «Прогресс-2010» (Иваново, ИГТА, 2010 г.);

- VII Международный научно-практический семинар «Лен-2010», Кострома, КГТУ, 2010 г.;

- Семинар по теории машин и механизмов (Костромской филиал семинара по ТММ РАН), Кострома, КГТУ, 2011 г.;

- Международная научно-техническая конференция «Современные технологии и оборудование текстильной промышленности» (Текстиль-2011), г. Москва;

- расширенное заседание кафедры ткачества, Кострома, КГТУ, 2012 г.

Публикации. По теме диссертации опубликовано 8 научных работ. Важнейшие положения диссертации изложены в 4 статьях в журналах, входящих в «Перечень...» ВАК РФ, 1 статье в научно-техническом журнале.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав и общих выводов по работе, изложенных на 155 страницах машинописного текста. Содержит 76 рисунков, 18 таблиц, 103 формулы, список литературы из 90 наименований и 2 приложения на 5 страницах.

1. Обзор проблемы диагностики качества ткани и формулировка задач

исследования

1.1. Контроль качества ткани на ткацких предприятиях

Требования современного рынка предъявляют жесткие условия к внешнему виду и качеству тканей [1], которые зависят от множества факторов производственного цикла: качества сырья, квалифицированности персонала, качества и настройки оборудования, условий производства и т.д. Поэтому возникающие пороки ткани, определяющие сорт, внешний вид и качество ткани [2] необходимо оперативно контролировать.

Автоматизация контроля качества ткани является непростой задачей из-за большого разнообразия предметов анализа - тканей и их пороков, вариантов переплетений, нечеткости допустимых отклонений структур.

На сегодняшний день на отечественных предприятиях качество и внешний вид ткани определяют органолептическим методом.

Ткань на ткацком станке шириной 1,5-2 метра движется со скоростью 0,3 - 0,5 м/мин. Медленная скорость движения ткани не позволяет держать все время оператора у станка. Это является невыгодным, кроме того, производственные условия труда [3] около ткацких станков являются тяжелыми для визуального осмотра.

На данный момент традиционный подход к контролю качества тканой продукции заключается в переносе ткани на браковочные машины и анализе ее со скоростью 8-20 м/мин., где оператор браковочной машины, перемещая рулон, делает запись порока и его местоположение.

При подобном органолептическом методе контроля качества существует ряд недостатков:

- подобный вид работы сопровождается сильным напряжением зрительной системы, а как следствие - быстрой утомляемостью оператора,

- на утомляемость оператора также влияет временной период смены,

- на качество распознавания влияет квалифицированность оператора,

- при увеличении объемов выпуска ткани визуальный контроль

становится неэффективным.

Перенос ткани на браковочные машины предполагает проверку качества ткани «в прошедшем времени», содержание дополнительного оборудования и персонала.

Таким образом, актуальным является создание автоматизированных систем контроля качества ткани и их внедрение непосредственно на ткацком станке. Важнейшими характеристиками таких систем должны являться оперативность проверки на качество, удобство внедрения в производство и эксплуатации, доступная цена и надежность.

Основными ключевыми моментами в автоматизированных системах контроля качества являются методы получения информации об исследуемых объектах и алгоритмы распознавания и идентификации пороков.

Принцип контроля качества ткани человеком-оператором основывается на анализе оптической информации, человек способен видеть и различать все типы пороков, следовательно, основная часть данных о дефекте содержится именно в информации, полученной оптическом путем.

На основании выше сказанного, а также на основании анализа сравнения автоматизированных методов контроля качества ткани, сделанного в работе [4] можно сделать вывод о том, что наиболее перспективным и выгодным является использование оптических методов и средств анализа качества ткани при разработке автоматизированных систем контроля качества.

Совершенствованию в данном случае подлежит интеллектуальная обработка информации и способы захвата изображения. Уровень компьютерной техники позволяет использовать для интеллектуальной

обработки информации современные ресурсоемкие математические и алгоритмические технологии.

Таким образом, наиболее перспективным направлением в создании автоматизированных систем контроля качества ткани является создание систем технического зрения (СТЗ), включающих в себя оборудование для захвата изображения, компьютер для его анализа и принятия решений, оборудование для обратной связи со станком и интерфейс для общения с оператором. Подобные системы имеют широкие перспективы как наиболее универсальные и в ближайшее время могут заменить визуальные методы контроля качества.

1.2. Обзор систем технического зрения для контроля качества ткани

Как было сказано выше, на данный момент времени контроль качества ткани производится в основном визуальным методом, однако многие зарубежные текстильные компании переходят к автоматизированным системам контроля качества. В работах [4,42] рассмотрены подобные системы. Проведем их обзор:

Система Cyclops бельгийской фирмы Вагсо[5] - представляет собой аппарат с передвигающимся поперек ткани сканирующим блоком. Система может устанавливаться как непосредственно на ткацком станке (рис. 1.1 а), так и на браковочной машине (рис. 1.1 б). Сканирующий блок состоит из видеокамеры и подсветки. Настройка видеокамеры производится автоматически в зависимости от характеристик ткани. Параметры ткани могут вычисляться автоматически. Скорость передвижения сканирующего блока - от 18 до 54 см/с. При ширине ткани 2,8 м - устанавливается 1 блок, при ширине ткани 5 м - 2 блока. В случае обнаружения недопустимых

пороков система останавливает станок и сигнализирует оператору. Определяя координаты и причины порока, подсвечивает его и формирует вспомогательное сообщение с рекомендациями.

Рис. 1.1. Схематичное изображение системы Cyclop фирмы Barco: а - вариант размещения на ткацком станке; б - вариант размещения на браковочной машине

Система Cyclops подключена к системе QualiMaster, которая может являться как самостоятельной системой так и в качестве дополнения к системе управления производством WeaveMaster.

Все обнаруженные пороки передаются в систему QualiMaster, при этом сопровождаются информацией о дате и времени появления.

Система, анализируя полученную информацию, делает вывод о сорте ткани. На основе этого вывода даются рекомендации о передаче ткани в цех обработки, либо о дополнительной проверке и исправлении. Система QualiMaster также, учитывая информацию о пороках и сортировочные критерии, предлагает оптимизацию резки больших рулонов на малые куски. Цена системы доходит до $30000, при этом основную долю (80%) составляет цена за программное обеспечение.

Израильская фирма Elbit Vision [6] - одна из самых распространенных в Европе. Выпускает следующие системы:

О

а

б

IQ-TEX - автономная система автоматического обнаружения пороков ткани (рис.2-а). Совместно с системой SVA (система для контроля изменений оттенков цвета ткани) может быть установлена на выходе из технологической линии производства. Проверяет на наличие пороков ткачества, отделки и крашения. Местоположение, тип порока, размер, степень значимости, изображение записываются в архив для каждого рулона.

он

Q

о

Q-TEX

Рис. 1.2. Схематичное изображение систем фирмы Elbit Vision: а - система IQ-TEX;

б - система OLI

Ширина контролируемой ткани - до Зм. Скорость - до 800 м/мин. Размер отслеживаемых пороков - до 0,1мм.

IQ-TEX - Lite - модификация систеемы IQ-TEX. Скорость - до 1000 м/мин. Размер отслеживаемых пороков - до 0,2мм. Может быть установлена на браковочных машинах.

OLI - система контроля качества ткани непосредственно на ткацком станке (рис. 1.26). Проверяет всю ткань, адаптируясь к типу станка и ширине ткани. Определяет пороки, их природу и сообщает результат центральному компьютеру. Изображение и расположение порока отображается в реальном времени. Подается сигнал оператору, а в случае обнаружения серьезного

порока - останавливается станок. Обработка результатов сканирования и распознавания пороков обрабатывается центральным компьютером. Все системы включают в себя следующие компоненты:

EIP - Embedded Image processing - встраиваемая обработка изображения. Включает в себя смарт-камеру с аппаратной обработкой изображения и программным обеспечением.

QST - Quick Style Tuning - быстрая настройка стиля - обеспечивает обратную связь, позволяет быстро настраивать систему в соответствии с изменяющимися условиями. Делает систему «обучаемой». DSA - Defect Sorting Algorithm - запатентованный алгоритм сортировки пороков. Классифицирует пороки на группы.

Так же система имеет программное обеспечение, позволяющее автоматически оптимизировать резку больших рулонов на малые, учитывая информацию о пороках и изменениях в цвете. Стоимость таких систем до полмиллиона долларов и выше.

Немецкая компания Mahlo [7] производит широкий спектр контролирующего и измерительного оборудования, в том числе и для текстильной отрасли. Одной из ее разработок является система Webscan Wis (рис.3)- система для автоматизированного поиска пороков ткани. Система анализирует ткань шириной до 3,2 м со скоростью сканирования от 80 м/мин до 120 м/мин. Размер отслеживаемых пороков - до 0,25 мм. Имеет удобный интерфейс с сенсорным экраном. Имеется модуль аудио оповещения оператора. Система снабжена 8-ю высококачественными видеокамерами.

Рис. 1.3. Схематичное изображение системы фирмы Mahlo Достоинствами системы являются модульное построение, высокие скорости обнаружения пороков, применение новейших высоко - технологичных линейных камер.

Система Uster Fabricscan швейцарской фирмы Zellweger Uster [8] - как и предыдущие системы контроля качества ткани имеет варианты исполнения как для браковочной машины (рис. 1.4а)., так и для ткацкого станка (рис. 1.46).

Рис.1.4. Схематичное изображение системы Uster Fabricscan фирмы Zellweger Uster: а - вариант размещения на браковочной машине; б - вариант размещения на ткацком

станке

Она включает в себя до 6 видеокамер, передающих изображение на ЭВМ. Программное обеспечение позволяет системе быть «обучаемой», имеется модуль маркировки. Ширина обрабатываемой ткани от 1,1 до 4,4 м, скорость анализа ткани до 120 м/мин.

Программно-алгоритмические методы данных систем являются их основой и представляют собой коммерческую тайну. На основании того, что системы работают на больших скоростях, можно предположить, что используются видеокамеры низкого разрешения, вследствие чего возможно распознавание лишь крупных четко выраженных пороков ткани.

Цена таких систем очень велика для отечественных текстильных предприятий, поэтому большого распространения в нашей стране они не получили.

Перечисленные недостатки делают актуальным разработку новых методик и алгоритмов анализа изображения ткани и создание относительно недорогих отечественных систем контроля качества ткани.

1.3. Анализ информационно - вычислительных методик и алгоритмов распознавания пороков тканых полотен

Работа в направлении автоматизации процесса дефектоскопии ткани началась еще более 35 лет назад [9]. На сегодняшний день существует большое количество как зарубежных, так и отечественных работ, посвященных разработке алгоритмов обнаружения и классификации пороков ткани.

Большинство работ можно классифицировать по трем направлениям: статистические методы, спектральные методы и методы, базирующиеся на моделях.

1) Статистические методы

Основаны на обработке конечных областей изображения и анализе их статистических параметров. Предполагается, что статистические параметры

бездефектных областей являются постоянными величинами или колеблются в допустимых пределах.

Одним из самых простых методов является пороговый анализ [10-12]. Присутствие контрастного порока вызывает резкое колебание уровня яркости. Данный метод прост в реализации, однако имеет существенный недостаток: некоторые пороки плохо изменяют уровень яркости, вследствие чего идентифицировать такие пороки пороговым разделением не представляется возможным. Помимо этого при разделении изображения если фрагмент слишком маленький, то это может затруднить определение статистических параметров, с другой стороны, если фрагмент окажется большим, то местные небольшие пороки могут быть потеряны. Также размер фрагмента не определяет точные границы порока, т.к. утверждение о том, что границы порока прошли вдоль границ фрагмента не является однозначным. По этой причине для выявления оптимального размера фрагмента в работе [13] использовали функцию автокорреляции. Фрагмент с оптимальным размером используется как структурный элемент на фазе тестирования, когда изображения подвергается обработке морфологическими операциями, такими как эрозия, дилатация и другим.

В работе [14] морфологической обработке подвергаются только дефектные области, предварительно отфильтровав структуру ткани через «Фурье-линзы».

Существует ряд работ, в которых для обнаружения пороков ткани используют скелетизацию изображения. Количественная оценка распределения кромок в блоках изображения - важная особенность в текстурированных изображениях. Количественные переходы уровня яркости на изображении ткани могут представлять собой линии, края, точечные

пороки либо другие пространственные объекты. Эти особенности используются в работах [15-17]. В работе [16] с целью определения кромок используется оператор Собеля, в работе [17] - изображение преобразовано в изображение градиента, используя при этом ряд масок. После этого изображение разделено по порогу, чтобы отделить пиксели порока от пикселей бездефектных областей. В работе [18] скелет изображения выделяется при помощи косинусного фильтра. Его применение позволило подавлять шумы и выделить основную периодику прокладки нитей. После косинусной фильтрации в этой работе применена двухуровневая пороговая обработка, что позволило увеличить надежность.

В работе [19] автор ввел количественное определение максимальной регулярности. Она получена из статистики уровня яркости, при этом применялась функция автокорреляции. Авторы работы [20] использовали нормальную поперечную корреляцию. Функция корреляции обеспечивает прямую и точную меру подобия между двумя изображениями. Любое существенное изменение этой меры указывает на присутствие порока. Однако недостатком этого метода является проблема выбора шаблона и оптимального окна. Один из самых популярных статистических инструментов анализа структуры является матрица взаимодействия соседних пикселей [21]. В отличие от классических подходов [10-13,18] определения статистических параметров, этот метод более информативен и предоставляет возможность анализа большого количества параметров. С другой стороны, в вычислительном отношении этот метод более требователен и предполагает использование огромного количества памяти.

В работе [22] автор анализировал контуры фигур, получающихся от просветов на ткани из-за ее пороков. Анализировались строки

телевизионного растра с отклонениями от нормы. Определялись такие параметры, как центр порока, площадь и конфигурация.

Для извлечения локальных свойств структуры также использовались линейные двухкоординатные преобразования, такие как: дискретное косинусное преобразование, дискретное синусное преобразование, дискретное преобразование Адамара [23]. Результаты экспериментов сравнивались со множеством эмпирических фильтров, однако, работа проводилась только для двух ткацких пороков.

Одними из новых классификаторов пороков ткани стали алгоритмы, основанные на нейросетевых технологиях. Распознавание пороков строения ткани при помощи нейросети с прямым распространением было рассмотрено в работах [24,25]. Нейросети с обратным распространением рассмотрены в [26]. Использование клеточных нейронных сетей рассмотрено в работах [27, 28]. Применение автоволновых методов обработки данных [29] является дальнейшим развитием нейронных сетей.

Основным минусом нейросетевых технологий является то, что для обучения требуется большое количество образцов.

В работе [30] разработана методика определения структуры ткани на основе метода фотограмметрии [31]. Алгоритмы определяют параметры пространственной структуры ткани за счет вычисления параллакса опорных точек, найденных под разными углами к изображению.

2) Спектральные методы

Статистические методы оказались неэффективными для некоторых частных случаев, вследствие чего возникла необходимость в создании более устойчивых алгоритмов анализа тканых материалов. Вследствие того, что ткань представляет собой совокупность повторяющихся элементов (нитей),

то в данном случае применим спектральный подход, то есть анализ периодики повторений элементов. Спектральные методы основаны на определении пространственной частоты. Они менее чувствительны к искажениям изображений. Ряд работ [32-35] основан на преобразовании Фурье. Несмотря на свойство помехоустойчивости, преобразование в силу своей специфики не чувствительно к локальным скачкам. В связи с этим в работе [36] авторы используют обратное преобразование, при помощи которого удалялась основная сетка и в результате чего на восстановленном изображении оставались лишь локальные неоднородности. В работе [37] для анализа спектральных составляющих изображения использовались нейросетевые технологии. Авторы представили модели для четырех пороков.

Помимо затруднений в анализе локальных всплесков Фурье преобразование не применимо в случае необходимости поиска координат порока.

Авторы работы [38] предложили использование мультимасштабного и мультиориентированного фильтра Габора. Трехмерная функция Габора изменялась по масштабу и направлению. Скалярное произведение 16-ти вариантов фильтра с изображением позволило определять некоторые неравномерности структуры, размеры и ориентацию. Однако, при применении функции Габора возникали искажения из-за неортогональности функции.

При использовании ортогональных или биортогональных функций можно избежать корреляционных особенностей между масштабами. Ряд работ основан на применении вейвлет-технологий. Работы [39, 40] основаны на применении вейвлетов Добеши и Хаара. Автор работы [41] применил вейвлет-анализ для определения периода прокладки нитей. Автор работы

[42] исследует применение различных типов вейвлетов для нахождения точек пересечения нитей, пороки классифицируются согласно выбранным критериям.

В [43] при помощи вейвлет-технологий восстанавливают строение изображения, которого недостает в текстуре, чтобы увеличить порок для дальнейшей идентификации пороговыми методами. В [44] использовано двумерное вейвлет-преобразование с четырьмя масштабами для извлечения особенностей текстуры, после чего анализ производится при помощи нейросетей.

3) Методы, базирующиеся на моделях

Данные методы основаны на сравнении, то есть различии между смоделированными образами и фактическими не должно превышать процентный порог [45].

В работе [46] авторы используют Марковские стохастические процессы, чтобы смоделировать бездефектный образ ткани. Изображение ткани разбивалось на фрагменты, сравнение характеристик фрагментов и среднестатистических параметров позволял сделать вывод о наличие порока.

В [4] для создания модели используется частотный анализ. Пороки классифицируются по нарушению структуры переплетений в соответствии с заранее определенными закономерностями. Недостатками являются недостаточность критериев пороков, большое время обработки, отсутствие учета пространственных геометрических характеристик пороков, также не проработаны вопросы влияния вредных факторов и различных артефактов при распознавании.

Анализ перечисленных работ приводит к выводу, что до сих пор отсутствует метод, способный целиком и полностью решить задачу

распознавания пороков ткани и оперативного контроля качества. Большинство алгоритмов обработки изображения ткани ориентировано на низкое разрешение изображения, а распознавание производится по косвенным признакам. В этом случае речь может идти лишь о сортировке отклонений и нерегулярностей по каким-либо группам. Работы, ориентированные на обработку изображений с высоким разрешением имеют недостаточные условия и критерии описания порока, большое время обработки, основаны на применении сканера, что приводит к трудностям при производственной реализации.

Таким образом, задача создания адекватных и надежных алгоритмов распознавания пороков ткани является современной и актуальной. Наиболее перспективным направлением представляется создание метода, основанного на анализе изображений со средним и большим разрешением для возможности более глубокого анализа и классификации, а также применении совокупности математических и алгоритмических методов и методик.

1.4. Обзор возможностей современных видеоустройств и компьютерной техники

Одним из важнейших параметров устройств преобразования оптической информации в цифровой поток является РР1- количество пикселей на один дюйм (разрешение). Именно этот параметр определяет нужную степень детализации исследуемого объекта. При создании алгоритма определения пороков льняной ткани устойчивой работы методики (как будет видно из дальнейшего исследования) удалось получить при РР1=725 т.е. 29пиксел/мм. Очевидно, что с повышением данного параметра, качество распознавания будет выше.

Из предыдущих разделов видно, что для получения оптической информации с поверхности ткани с последующей ее оцифровкой в основном используются сканирующие устройства и видеокамеры. Сканирующие устройства уже давно и с успехом применяются для оцифровки оптических изображений. Современные профессиональные сканеры имеют разрешение порядка 1200пиксел\мм и более. В соответствии с теоремой Котельникова [47] (которая лежит в основе представления аналогового сигнала в цифровом виде) Бд > Бв следует, что на каждый элемент изображения должны приходиться не мене двух отсчетов (пикселей). Отсюда следует, что технические возможности сканирующих устройств вполне достаточны для оцифровки оптического изображения структуры ткани). Однако представляется немаловажным, что в условиях производства для оперативного контроля качества ткани сканирующее устройство нужно устанавливать либо около ткацкого станка при этом сканер, как отдельное устройство, будет занимать определенную площадь цеха или сканер должен быть вписан в конструкцию ткацкого станка. Для уже действующих ткацких фабрик такой вариант контроля вряд ли приемлем. В свою очередь применение видеокамер не требует дополнительных площадей в цехе, поскольку видеокамера или линейка видеокамер располагается в пространстве над станком. До последнего времени применение видеокамер для оперативного контроля качества ткани сдерживалось их отсутствием в свободной продаже по приемлемой цене и характеристикам. Появление на рынке видеокамер с 5Мр1х, 10 Мр1х разрешением позволяет «заглянуть» в структуру ткани с необходимой, для создания качественного алгоритма обнаружения пороков ткани, детализацией. Обработка и хранение цифрового потока получаемого от сканеров и цифровых видеокамер благодаря

появлению четырехядерных процессоров с тактовой частоты 3,8ГГц , дисковых накопителей более 12000Гб вполне реализуема. Для примера: Оценочный расчет (табл.1) размера архива для видеокамеры АУ10015 (10 мпикс)

Похожие диссертационные работы по специальности «Технология и первичная обработка текстильных материалов и сырья», 05.19.02 шифр ВАК

Заключение диссертации по теме «Технология и первичная обработка текстильных материалов и сырья», Ивановский, Владимир Александрович

Общие выводы по работе

1. Проведенный анализ существующих систем и работ позволил сделать вывод о том, что наиболее перспективными, для создания системы распознавания пороков ткани, являются программно-вычислительные методы, основанные на анализе изображений ткани с высоким разрешением.

2. Разработана методика распознавания элементов изображения ткани и их параметров, основанная на совокупности современных математических преобразований, таких как преобразование Радона, вейвлет-анализ и оригинальных разработанных алгоритмов. Разработанная методика позволила усовершенствовать программно-вычислительный метод распознавания информационных элементов изображения тканей (нитей, расстояний (просветов) между нитями) и их параметров (размеров (толщин), координат элементов). Методика позволяет определять расстояния между нитями, расположенными рядом из-за проборки в зуб берда, что расширяет область применения метода.

3. Разработана методика распознавания составных нитей (расположенных рядом за счет проборки в зуб берда), основанная на применении математического аппарата нечеткой логики. Методика позволяет учитывать при распознавании пороков количество нитей, пробираемых в зуб берда, что является важным фактором при распознавании структуры пороков ткани.

4. Разработаны основные принципы описания и распознавания пороков ткани, основанные на использовании математического аппарата нечеткой логики, позволяющие корректно описывать структуру пороков в условиях размытости границ значений параметров элементов ткани.

5. На базе разработанных принципов и аппарате нечеткой логики разработана методика распознавания поперечной структуры ткацких пороков, позволяющая учитывать структуру поперечной окрестности порока, что приближает систему к принципам человеческого восприятия порока. Методика позволяет распознавать не только исследуемые пороки вдоль основы, но и некоторые виды пороков вдоль утка.

6. Предложен принцип разработки независимых нечетких классификаторов, что дает возможность вводить описание новых возникающих пороков.

7. Предложены решающие правила пороков, основанные на описании экспертом их поперечной структуры.

8. Разработана методика, учитывающая пространственную протяженность порока. Методика позволяет учитывать влияние возможных артефактов и нечеткости проявления порока вдоль своего распространения.

9. Методика распознавания пороков ткани успешно проверена в ряде прикладных исследований на полульняных тканях простых переплетений средней плотности. Ряд исследований позволил подтвердить высокий процент распознавания пороков (до 88%) при помощи применения разработанной методики.

10. Предложена схема практической реализации системы технического зрения для контроля качества ткани.

11. Разработанное, на основе совокупности вышеперечисленных методик и алгоритмов, программное обеспечение, может быть использовано при создании опытных образцов системы оперативной диагностики качества ткани, направленных на решение задачи уменьшения количества низкосортной или бракованной ткани, уменьшения влияния человеческого фактора при контроле качества ткани, оперативного реагирования на появление исследуемых распространенных пороков.

Список литературы диссертационного исследования кандидат технических наук Ивановский, Владимир Александрович, 2012 год

Список литературы

1. Селянина Е. Н. Экономика, организация и планирование производства

в легкой промышленности / Е. Н. Селянина, И. Г. Никитина, С. Ю. Платова.

- М.: Легпромбытиздат, 1992. - 464 с.

2. Кирюхин С. М. Качество тканей / С. М. Кирюхин, Ю. В. Додонкин.

- М.: Легпромбытиздат, 1986. - 123 с.

3. Huart J. Integration of computer vision on to weavers for quality control in the textile industry/ J. Huart, J.G. Postaire// Proc. SPIE 2183. - 1994,- P. 155-163.

4. Комаров А. Б. Разработка методов обнаружения пороков ткани с использованием компьютерных технологий: дис... канд. техн. наук: 05.19.01 / А.Б. Комаров - Кострома, 2004,- 167 с.

5. Официальная интернет-страница Вагсо [Электронный ресурс]/ Вагсо Со.-Электрон, дан. — 2011 - .-Режим доступа: www.barco.com/textiles.

6. Официальная интернет-страница EVS ScanMaster [Электронный ресурс] / Elbit Vision Systems Ltd.- Электрон, дан. - 2011 - .- Режим доступа: www.evs.co.il.

7. Официальная интернет-страница Mahlo [Электронный ресурс] / Mahlo Gmbh & Co. KG.- Электрон, дан. - 2011 - Режим доступа: www.mahlo.com.

8. Официальная интернет-страница Zellweger Uster [Электронный ресурс] / Uster Technologies, AG.- Электрон, дан. - 2011 - Режим доступа: www.uster.com.

9. Knell, A.A. Automatic Fabric Inspection / A. A. Knell // Textile Institute and Industry.- 1975.-T42, Vol. 13.-P. 120-131.

10. Norton-Wayne L. Machine vision inspection of web textile fabric/ L. Norton-Wayne, M. Bradshaw, A. J. Jewell // British Machine Vision Conf. - 1992,- P. 217-226,

11. Norton-Wayne L. Machine vision for the automated inspection of web materials / L. Norton-Wayne, M. Bradshaw, C. Sandby //SPIE - 1993. - P. 2-13.

12. Bradshaw M. The application of machine vision to the automated inspection of knitted fabrics / M. Bradshaw //Mechatronics. - 1995. - Vol. 5. - P. 233-243.

13. Zhang Y. F. Fabric defect detection and classification using image analysis / Y. F. Zhang , R. R. Bresee//Text. Res. J . - 1995. - Vol. 65.-P. 1-9

14. Mallick-Goswami B. Detecting defects in fabric with laser-based morphological image processing/ B. Mallick-Goswami , A. K. Datta // Text. Res. J.-2000. - Vol. 70.-P. 758-762.

15 Jasper W. J. Image analysis of mispicks in woven fabrics/ W. J. Jasper, H. Potapalli//Text. Res. J. - 1995. - Vol. 65. - P. 683-692.

16. Conci A. A computer vision approach to textile inspection/ A. Conci, С. B. Proenca// Text. Res. J. - 2000. - Vol. 70. - P. 347-350.

17. Lane J. S. Textile fabric inspection system/ J. S. Lane// US Patent No. 5. -1998.-P. 774.

18. Thomas T. Automatic inspection of simply patterned materials in the textile industry/ T. Thomas, M. Cattoen // Proc. SPIE 2183. - 1994. - P. 2-12.

19. Chetverikov D. Pattern regularity as a visual key/ D. Chetverikov// Image and Vision Computing.- 2000. - Vol. 18. - P. 975-985/

20. Bodnarova A. Defect detection in textile materials based on aspects of HVS/ A. Bodnarova, M. Bennamoun, К. K. Kubik// Proc. IEEE SMC'98 .- 1998.- P. 44234428.

21. Tsai I. Applying an artificial neural network to pattern recognition in fabric defects /1. Tsai, C. Lin, J. Lin// Text. Res. J. - 1995. - Vol. 65. - P. 123-130.

22. Костин C.JI. Разработка методов технического контроля структурных параметров тканых полотен: дис... канд. техн. наук. 05.19.02/ C.JI. Костин.-Иваново. 2004 - 216 с.

23. Ade F. Comparison of various filter sets for defect detection in textiles/ F. Ade, N. Lins, M. Unser// Proc. 7th Intl. Conf. Pattern Recognit., Montreal. - 1984. -Vol. 1,- P. 428-431.

24. Kumar A. Automated defect defection in textured materials/ A. Kumar// Department of Electrical & Electronic Engineering. - 2001. - P.143-145

25. Kumar A. Neural network based detection of local textile defects/ A. Kumar// Pattern Recognition. - 2003. - Vol. 36. - P. 1645-1659.

26. Hung С.С. Neural-Fuzzy classification for fabric defects/ C.C. Hung, I. C. Chen// Text. Res. J. - 2001. - Vol. 71(3). - P.220-224.

27. Rohrmus D. Invariant web defect detection and classification system/ D. Rohrmus// Proc. IEEE Conf. Computer Vision & Pattern Recogn.- 2000. - Vol. 2. -P. 794-795.

28. Ясинский И. Ф. Разработка нейросетевой системы для обнаружения и классификации дефектов ткани на мерильно-браковочном оборудовании: дис... канд. техн. наук. 05.02.13/ И. Ф. Ясинский.- Иваново. 2007 - 192 с.

29. Городнов И.А. Исследование автоволновых методов обработки данных информационно-измерительной сетью при автоматизации обнаружения пороков нетканых материалов: дис... канд. техн. наук. 05.13.06/ И.А.Городнов.- Москва. 2009- 150 с.

30. Сокова Г. Г.Теоретические и практические аспекты автоматизированного анализа и проектирования льняных тканей: дисс... докт. техн. наук. 05.19.02/ Г. Г. Сокова.- Кострома. 2009 - 303 с.

31. Пат. RU 2131605 CI, 6G01N33/36. Бесконтактный способ анализа структуры ткани/ Лустгартен Н.В., Сокова Г.Г. Сергеев А.С. - Опубл. 10.06.99

32. Escofet J. Fourier domains based angular correlation for quasiperiodic pattern recognition. Applications to web inspection/ J. Escofet, M.S. Millan // Applied Optics.- 1996.- Vol.35, Issue 31.- P. 6253-6260.

33. Rallo M. Modeling of woven fabric structures based on Fourier image analysis/ M.Rallo, J.Escofet; M.S. Millan// Applied Optics. - 2001,- Vol. 42, Issue 17.- P. 3361-3372.

34. Ciamberlini C. Weaving defect detection by Fourier imaging/ C. Ciamberlini, F. Francini, G. Longobardi, P. Poggi, P. Sansoni, T. Tiribili// Proc. SPIE 2786,1996. - P. 9-18.

35. Chan C. Fabric defect detection by Fourier analysis/ C. Chan,G. Pang // IEEE Transactions on Industry Applications.- 2000,- Vol. 36 (5).- P. 1267-1276.

36. Tsai D. M. Automated surface inspection for statistical textures / D. M. Tsai, T. Y. Huang// Image and Vision Computing.- 2003,- Vol.21(4).- P. 307-323.

37. Tsai I.S. Automatic Inspection of Fabric Defects Using an Artificial Neural Network Technique / I. S. Tsai, M.C.Hu // Textile Research Journal.-1996,- Vol. 66 . - P . 474-482.

38. Kumar A. Defect detection in textured materials using Gabor filters / A.Kumar, G. Pang // IEEE Annual Conf. Ind. Appl. - 2000.- P. 128-141.

39. Sari-Sarraf H. Vision systems for on-loom fabric inspection/ H. Sari-Sarraf, J. S. Goddard // IEEE Trans. Ind. Appl. - 1999. - Vol. 35. - P. 1252-1259.

40. Kumar A. Real time DSP based identification of surface defects using content-based imaging technique/ A. Kumar, S. Gupta// Proc. IEEE Conf. Industrial Technology. - 2000. - Vol. 2 - P. 113-118.

41. Коробов H.A. Развитие теории и практики построения методов измерения характеристик строения текстильных материалов с использованием современных информационных технологий: дисс... докт. техн. наук: 05.19.01/Н.А. Коробов.- Иваново, 2007.-364 с.

42. Агафонов В.И. Определение местных пороков тканей с помощью вейвлетов: дисс. ... канд. техн. наук: 05.19.01/ В.И Агафонов - Москва, ВЗТИ, 2009.-132 с.

43. Tsai D.M. Automatic surface inspection using wavelet reconstruction/ D.M. Tsai, B. Hsiao// Pattern Recognition. - 2001. - Vol. 34. - P. 1285-1305.

44. Lambert G. Wavelet methods for texture defect detection/ G. Lambert, F. Bock// Proc IEEE Intl. Conf. Image Processing. - 1997. - Vol. 3. - P. 201-204.

45. Brzakovic D. P. An approach to quality control of texture web materials/ D. P. Brzakovic, P. R. Bakic, A. Liakopoulos// Proc. SPIE 2597. - 1995. - P. 60-69.

46. Zhang, X. F. Fabric Defect Detection and classification using Image Analysis / X. F. Zhang, R.R. Breese // Textile Research Journal.- 1995,- Vol. 65(1).- P. 1-9.

47. Куропаткин П.В. Теория автоматического управления: Учеб. пособие для электротехн. спец. вузов/ П.В. Куропаткин - М.: Высшая школа, 1973.- 528 с.

48. Соловьев А.Н. Оценка качества и стандартизация текстильных материалов./ А.Н. Соловьев, С.М. Кирюхин - М.: Легкая индустрия, 1974. -245 с.

49. ГОСТ 161 - 86. Ткани хлопчатобумажные, смешанные и из пряжи химических волокон. Определение сортности/ М-во легкой пром. СССР. - М.: Изд-во стандартов, 1987. - 14 с.

50. ГОСТ 357-75. Ткани чистольняные, льняные и полульняные. Определение сортности/ М-во легкой пром. СССР. - М.: Изд-во стандартов, 1976- 13 с.

51. Землякова И.В. Теоретические и прикладные аспекты прогнозирования распределения фасонных эффектов и пороков внешнего вида нитей и ткани: дисс... докт. техн. наук: 05.19.02/И.В. Землякова.- Кострома, 2006.-303 с.

52. ГОСТ 25506-82 Полотна текстильные. Термины и определения пороков/ М-во легкой пром. СССР. - М.: Изд-во стандартов, 1983 - 11 с.

53. Ефремов Д.Е. Теория переплетений: Методические указания/ Д.Е.Ефремов . - Иваново, ИГТА, 2007. - 33 с.

54. Осовский С. Нейронные сети для обработки информации/ С. Осовский; пер. с польского под ред. И.Д Рудинского - М.:Финансы и статистика, 2002. - 344 с.

55. Каллан Р. Основные концепции нейронных сетей/ Р.Каллан; пер. с англ.— М. : Издательский дом "Вильяме", 2001. — 287 с.

56.Верхаген К. Распознавание образов. Состояние и перспективы/ К., Верхаген, Р. Дейн, Ф.Грун, Й. Йостен, П.Вербек; пер. с англ. под ред. Гуревича И.Б. - М.: Радио и связь, 1985. -117 с.

57. Горелик А.Л. Современное состояние проблемы распознавания. Некоторые аспекты/ А.Л.Горелик, И.Б.Гуревич, В.А.Скрипкин. - М.: Радио и связь, 1985.- 160с.

58. Шапиро Л. Компьютерное зрение/ Л. Шапиро, Дж.Стокман; пер. с англ. -М.: БИНОМ. Лаборатория знаний, 2006. -752 с.

59. Лепский А.Е. Математические методы распознавания образов: Курс лекций / А.Е. Лепский, А.Г. Броневич - Таганрог: Изд-во ТТИ ЮФУ, 2009. -155 с.

60. Allgood G.O. Textile laser-optical system for inspecting fabric structure and form/ G.O. Allgood, D.A. Treece//Oak Ridge National Lab. - 1996. P.323

61. Романов В.В. Применение рекурсивной функции для оперативного контроля качества материала / В.В. Романов, В.А. Ивановский // Вестник КГТУ. - 2009. - №20. С.24-27.

62. Сташева М.А. Совершенствование метода компьютерного измерения показателей заполнения и пористости ткани/ М.А. Сташева, Н.А.Коробов, Б.Н.Гусев // Известия вузов. Технология текстильной промышленности. -2003.-№3.

63. Ивановский В.А. Волновой метод оперативного контроля качества ткани/ В.А Ивановский, В.В. Романов //Известия вузов. Технология легкой промышленности. - 2008. - №2. С. 19-22.

64. Ивановский В.А. Дистанционное обнаружение дефектов ткани/ В.А. Ивановский //Известия вузов. Технология текстильной промышленности. -2010. -№5. С.124-126.

65. Грузман И.С. Цифровая обработка изображений в информационных системах: Учеб. пособие/ И.С.Грузман, В.С.Киричук. - Новосибирск: Изд-во НГТУ, 2002.-352 с.

66.Малла С. Вейлеты в обработке сигналов/ С.Малла; пер.с англ. - М.: Мир, 2005. - 671 с.

67. Добеши И. Десять лекций по вейвлетам/ И.Добеши; пер. с англ. НИЦ «Регулярная и хаотическая динамика». - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

68. Прэтт У. Цифровая обработка изображений/ У.Прэтт; пер. с англ. под ред. Лебедева Д. С., - М.: Мир, 1982. - 781 с.

69.Астафьева Н. Вейвлет анализ: основы теории и примеры применения / Н. Астафьева//Успехи физических наук. - 1996.-Т. 166, № 11.-С. 1145-1170.

70. Ивановский В.А. Применение вейвлет-анализа при распознавании дефектов ткани / В.А. Ивановский// Известия вузов. Технология текстильной промышленности.- 2011. -№5. С.124-126.

71. Гонсалес Р. Цифровая обработка изображений/ Р.Гонсалес, Р.Вудс. -Москва: Техносфера, 2005. - 1072 с.

72. Витязев В.В. Вейвлет-анализ временных рядов: Учебное пособие/ В.В. Витязев. -СПб.: Изд-во С.-Петерб.ун-та, 2001. - 58 с.

73. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB/ Н.К. Смоленцев. - М.: ДМК Пресс, 2005. - 304 с.

74. Джаквис Л. Введение в анализ данных с применением непрерывного вейвлет-преобразования/ Л. Джаквис; пер. с англ. под ред. Грибунина В.Г .СПб: АВТЭКС, 2001 29 с.

75. Юр Т. В. Исследование фильтрующих свойств вейвлет-преобразования/ Т. В.Юр, В. И.Дубровин, В. Н. Харитонов //Радиоэлектроника, информатика, управление. - 2010. - №2 С.157-165.

76. Addison Р. S. Illustrated wavelet transform handbook.Introductory Theory and Applications in Science, Engineering,Medicine and Finance / P. S. Addison. -Bristol: Institute of Physics Publishing, 2002. - 400 p.

77. Короновский А. А. Непрерывный вейвлетный анализ и его приложения / А. А. Короновский, А. Е. Храмов. - М. : ФИЗМАТЛИТ, 2003. - 176 с.

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

79. Романов В.В. Детектирование пороков ткани на основе аппарата нечеткой логики / В.В. Романов, В.А. Ивановский // Известия вузов. Технология текстильной промышленности.- 2011.-№З.С.134-136.

80. Ярушкина, Н.Г. Интеллектуальный анализ временных рядов: Учеб. пособие/ Н.Г. Ярушкина, Т.В. Афанасьева, И.Г. Перфильева. - Ульяновск : УлГТУ, 2010.-320 с.

81. Ротштейн А.П. Нечеткая надежность алгоритмических процессов/ А.П.Ротштейн, С.Д. Штовба - Винница: Континент - ПРИМ, 1997г. - 142 с.

82. Штовба С.Д. Проектирование нечетких систем средствами MATLAB/ С.Д. Штовба. - М.: Горячая линия - Телеком, 2007. - 288 с.

83.Колмогоров А.Н. Введение в теорию вероятностей/ А.Н. Колмогоров И.Г.Журбенко, А.В.Прохоров. - выпуск 23. 2-е изд., перераб. и доп. — М.: Физматлит, 1995. — 176 с.

84. Круглов В.В. Искусственные нейронные сети. Теория и практика/ В .В .Кругл ов, В.В.Борисов. - М.: Горячая линия - Телеком, 2002.

85.Кукин Г.Н. Текстильное материаловедение (текстильные полотна и изделия): Учеб. Для вузов/ Г.Н. Кукин, А.Н. Соловьев, А.И. Кобляков. - 2-е изд. перераб. и доп. - М: Легпромбытиздат, 1992.-272 е.:

8 6. Давыдов А.Ф. Текстильное материаловедение: Учеб. пособие/А.Ф. Давыдов. - Российск. заочный ин-т текстил. и легк. пр-ти. М.,1997. 168 с.

87. Дамянов Г.Б., Бачев Ц.З., Сурнина Н.Ф. Строение ткани и современные методы ее проектирования/ Г.Б.Дамянов, Ц.З.Бачев, Н.Ф.Сурнина. - М.: Легкая и пищевая пром-сть, 1984. - 240 с.

88.Севостьянов А.Г. Методы и средства исследования механико -технологических процессов текстильной промышленности: Учебник для вузов текстил. пром-ти/ А.Г. Севостьянов - М.: Легкая индустрия, 1980. -392 с.

89. ГОСТ 3812-72. Ткани и штучные изделия текстильные. Методы определения плотности нитей и пучков ворса. - М.: Изд-во стандартов, 1982.

90.Труевцев Н.И. Технология и оборудование текстильного производства. Учебник для студентов вузов текстильной промышленности/ Н.И. Труевцев. - М.: Легкая индустрия, 1975. - 640 с.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.