WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


 

На правах рукописи

  УДК 677.019.5

ИВАНОВСКИЙ Владимир Александрович

СОВЕРШЕНСТВОВАНИЕ МЕТОДИКИ РАСПОЗНАВАНИЯ ПОРОКОВ ТКАНЫХ ПОЛОТЕН НА ОСНОВЕ ПРИМЕНЕНИЯ МАТЕМАТИЧЕСКОГО АППАРАТА НЕЧЕТКОЙ ЛОГИКИ

Специальность 05.19.02

«Технология и первичная обработка текстильных материалов и сырья»

А В Т О Р Е Ф Е Р А Т

диссертации на соискание ученой степени

кандидата технических наук

Кострома,  2012

Работа выполнена в ФГБОУ ВПО «Костромской государственный технологический университет»

Научный руководитель: Романов Владимир Викторович

кандидат технических наук, доцент.

Официальные оппоненты:  Гусев Борис Николаевич

доктор технических наук, профессор,

ФГБОУ ВПО «Ивановская государственная текстильная академия», заведующий кафедрой материаловедения, товароведения, стандартизации и метрологии,

Киприна Людмила Юрьевна

кандидат технических наук, доцент,

ФГБОУ ВПО «Костромской государственный технологический университет», доцент кафедры информационных технологий.

Ведущая организация:  ОАО  «Научно-исследовательский институт технических тканей», г. Ярославль.

Защита состоится 26 апреля 2012 года в 1000 часов на заседании диссертационного совета Д212.093.01 при федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Костромской государственный  технологический университет» (ФГБОУ ВПО «КГТУ»)  по  адресу: 156005,  г. Кострома, ул. Дзержинского, д. 17, ауд. 214.

С диссертацией можно ознакомиться в библиотеке КГТУ.

Автореферат разослан  «26» марта 2012 г.

Ученый секретарь диссертационного совета,

доктор технических наук, профессор Г.К. Букалов

обЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

АКТУАЛЬНОСТЬ ТЕМЫ.  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.

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.

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.

Таким образом, разработка, совершенствование и внедрение методов автоматизированного контроля качества ткани является актуальной задачей.

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 Matlab. 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 cтатье 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.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определены ее цель и задачи, сформулированы научные результаты.

В первой главе на основе анализа литературных источников выявлены достоинства и недостатки существующих систем технического зрения для контроля качества текстильного материала. Исследованы существующие алгоритмы распознавания пороков ткани. Рассмотрены возможности современной вычислительной и оптической техники. Определены основные объекты исследования, рассмотрены основные проблемы и задачи при распознавании пороков ткани.





Анализ существующих промышленных разработок в этой области показывает, что основными причинами, препятствующими их внедрению на отечественных предприятиях, являются высокая цена, необходимость в изменении конструкций ткацких станков, установленных на российских предприятиях, а также невозможность охватить все многообразие пороков тканей.

Обзор программно-вычислительных методик и алгоритмов показал, что, несмотря на их большое многообразие, на данный момент времени отсутствуют алгоритмические методы, способные в полной мере удовлетворить потребность в качестве и адекватности распознавания ткацких структурных пороков, что подтверждает актуальность разработки новых, более совершенных алгоритмов.

Обзор современной оптической и вычислительной техники позволяет сделать вывод, что перспективным является применение IP-видеокамер, оптоволоконных сетей и многопроцессорных ЭВМ.

Анализ процесса технического контроля пороков ткани в процессе ткачества показал, что наиболее актуальным является оперативное определение распространенных пороков приводящих к наработке большого количества бракованной или низкосортной ткани.

Одними из видов распространенных пороков являются структурные распространенные пороки, при наличии которых появляются полосы по основе или утку. Появление полос по основе обусловлено наличием таких пороков, как: слабина, рассечка, парочка, близна (в случае большой ее протяженности  из-за поломки основонаблюдателя) и других.

Выявлены основные проблемы при распознавании пороков ткани, основные факторы, влияющие на распознавание и принципы человеческого восприятия структуры порока.

На основании аналитического обзора сформулированы цель и задачи исследований.

Вторая глава посвящена выбору и обоснованию методов решения поставленных задач, теоретическим аспектам предлагаемых решений, принципам применения.

Пороки – характеризуются как параметрами нарушения поперечной структуры, так и параметрами протяженности, по этой причине предложен принцип разделения общего классификатора на совокупность отдельных классификаторов поперечных структур пороков и классификатора по параметрам протяженности.

Согласно теории распознавания образов выделены основные этапы: распознавание элементов изображения ткани и распознавание пороков ткани. На рисунке 1 представлена общая схема распознавания пороков.

Рис.1. Общая схема распознавания пороков ткани

Было определено, что при распознавании пороков ткани, человек ориентируется на составные нити (совокупность нитей, расположенных рядом за счет проборки в зуб берда), по этому, основной задачей первого этапа является определение следующих объектов изображения ткани - массива составных нитей и расстояний между составными нитями.

Первый этап разделен на три части – преобразование изображения ткани в векторную форму, непосредственное определение информационных элементов изображения (нитей и межниточных расстояний (просветов) между нитями) и их параметров (размеров (толщин) и координат).

В первой части приведено обоснование выбора метода векторизации, в котором за основу принята существующая методика, заключающаяся в делении большого изображения на небольшие фрагменты (рис.2) и их преобразовании в векторную форму путем преобразования Радона.

Рис.2. Принцип деления изображения ткани на фрагменты

Применение преобразования Радона дает возможность преобразовать сетчатую периодическую  структуру в функциональную зависимость, так как оно представляет собой определение проекций яркости изображения под различными углами, то есть, интеграл от функции яркости в соответствующих  направлениях.

 

где t – расстояние от начала координат до прямой, вдоль которой суммируются яркости.                                                

На рисунке 3а представлен фрагмент изображения ткани. В частном случае преобразование Радона представляет собой  вычисление проекций изображения на горизонтальную (рис. 3б) и вертикальную (рис. 3в) оси. При этом, для горизонтальной оси угол=00, тогда x=t, для вертикальной – угол =900; y=t.

Рис.3. Результат преобразования Радона: а - исходное изображение; б - проекция на горизонтальную ось; в - проекция на вертикальную ось.

Вторая часть этапа – обработка функциональной зависимости и определение информационных элементов изображения ткани. Для обработки выбран современный математический метод вейвлет-анализа. 

Применение метода позволяет производить спектральный анализ непериодической функциональной зависимости, получающейся вследствие преобразования Радона.

В результате вейвлет - преобразования получается матрица со значениями вейвлет-коэффициентов , отображенная на рисунке 4. Отображен анализ вертикального преобразования Радона (рис. 2б).

Известна формула, согласно которой если функция S(a,b) имеет экстремум, то временной период текущего элемента определяется соотношением:

,                                

где - масштабный коэффициент экстремума,

- зависящая от вейвлета константа с размерностью частоты;

В связи с этим, одной из основных задач алгоритмического анализа вейвлет-декомпозиции является определение максимумов и минимумов поля коэффициентов, а так же отсечение «лишних» экстремумов, соответствующих информации о толщине составной нити и других шумовых составляющих.

Максимальные значения соответствуют информации о нитях, минимальные значения - промежуткам. Координатой элемента является проекция экстремального значения на ось сдвигов вейвлета b.

Таким образом, разработанная методика определения информационных элементов, основанная на  применение совокупности алгоритмического (определение экстремумов) и математического (определение толщин и координат по найденным экстремумам) анализов позволяет, в отличие от известной методики определения периода следования нитей с помощью вейвлет-преобразования, определить информационные элементы, необходимые для распознавания , где d – название элемента (нить или межниточное расстояние), t – размер (толщина) , x и y – координаты элемента. Найденные значения записываются в структурный массив.

                                       

Третьей частью первого этапа является определение составных нитей, которое производится при помощи разработанной методики, основанной на математическом аппарате нечеткой логики и оригинальных алгоритмах.

Основным механизмом распознавания является классификатор пороков ткани. Согласно предложенному принципу общий классификатор разбит на совокупность локальных поперечных нечетких классификаторов и общий пространственный классификатор. Основной задачей локального поперечного классификатора является определение локальных поперечных структурных изменений, т.е. определение локальной решающей функции , которая ставила бы в соответствие каждому структурному отклонению метку ( - множество меток классов) класса   ( - классы поперечных структур пороков), для каждого информационного элемента.

Предложен принцип индивидуализации локальных поперечных классификаторов для каждого порока или группы пороков, что позволяет определять наборы информативных признаков и определять решающие функции для каждого классификатора отдельно. Также данный принцип позволяет решить вопрос о возможности добавления классификаторов в процессе эксплуатации системы.

Предложен принцип выбора информативных признаков с учетом поперечной окрестности порока. Окрестностью порока в рамках данной работы считается совокупность элементов изображения ткани (нитей и межниточных расстояний), соседствующих с обеих сторон (в поперечном направлении) с элементом, отклоняющимся от нормальных значений. Элементы окрестности является набором информативных признаков для поперечного нечеткого классификатора:

В качестве основы поперечных классификаторов положен метод нечеткой логики, позволяющий в условиях нечеткости границ допустимых значений, неравномерности строения ткани и недостаточности априорной информации создавать модели классификаторов. Логический вывод в общем виде описан формулой:

,

где - исследуемый элемент,

, -  элементы окрестности исследуемого входного элемента,

, , - термы входных элементов,

- выходная переменная в числовом виде.

- весовой коэффициент j-го правила. Учитывает меру уверенности эксперта в адекватности правила.

Операция обозначает логическое «И»  ( - «ИЛИ»).

Локальный поперечный классификатор ставит метку элементам  множества J согласно определению решающей функции , Тогда результатом работы локального поперечного классификатора является множество

               

                       

Для продольного классификатора набором признаков служат координаты элемента и маркер. Обозначим набор информативных признаков и классы пороков                

Задачей решающей функции продольного общего классификатора является функция , которая ставит метку ( - множество меток классов), соответствующую классу порока , которому он принадлежит, т.е. , если . Определение параметров протяженности пороков производится алгоритмическим путем.

Третья глава посвящена алгоритмическим решениям по векторизации изображения ткани, обработке и вычислению информационных элементов изображения ткани, созданию структурного массива информационных элементов ткани для дальнейшего распознавания пороков.

Ранее было определено, что для определения порока человек рассматривает область отклонений от нормы между нормально сформированными составными нитями (расположенными рядом из-за проборки в зуб берда), поэтому основными этапами создания конечного структурного массива информационных элементов являются: 1) определение всех информационных элементов и создание общего структурного массива; 2) создание конечного структурного массива информационных элементов с учетом проборки в зуб берда.

Для  первого этапа разработана методика, состоящая из следующих основных частей:

  1. Разбиение изображения ткани на фрагменты;
  2. Преобразование фрагментов изображения  в функциональную зависимость при помощи преобразования Радона;
  3. Создание поля вейвлет-коэффициентов функциональной зависимости;
  4. Определение при помощи оригинальных разработанных алгоритмов таких объектов изображения ткани, как нити и промежутки между нитями, определение размеров поперечников нитей, размеров расстояний между нитями, координаты этих элементов;
  5. Формирование структурной матрицы из этих элементов.

В результате первого этапа получается матрица структурных элементов (Н – нить, Р - расстояние), каждый элемент которой представляет собой паспорт элемента (рис.5)

Рис.5. Структурная матрица объектов изображения

Для второго этапа разработана методика распознавания составных нитей, которая состоит из нечеткого классификатора расстояний между нитями и разработанного алгоритма определения составных нитей, а также количества одиночных нитей в составе составной нити. Методика формирует структурную матрицу элементов (НС – нить составная) с учетом проборки в зуб берда.

При помощи разработанного нечеткого классификатора расстояний между нитями методика маркирует информационные элементы с названием «расстояние» как элементы, относящиеся к составной нити (РМ – расстояние маркированное), либо это расстояния между соседними составными нитями (Р).

Рис.6. Схема изменения структурного массива и паспортов элементов.

Четвертая глава посвящена разработке методики поиска и классификации пороков по массиву информационных элементов.

Подробно рассмотрены созданные нечеткие классификаторы.

Нечеткий классификатор представляет собой совокупность алгоритма нечеткого вывода и алгоритма маркировки исследуемого элемента. Общая схема нечеткого классификатора показана на рисунке 7.

Рис.7. Общая схема нечеткого классификатора

Для каждого нечеткого классификатора определен свой набор признаков, т.е. какие элементы окрестности необходимы для правильной идентификации класса поперечной структуры данного порока. Для элемента «расстояние» (Р) на основе теории нечетких множеств определены следующие термы: «малое», «нормальное», «большое». Информационный элемент «нить составная» (НС) определен количеством одиночных нитей в составе составных.

Для каждого исследуемого порока или группы пороков разработаны отдельные нечеткие классификаторы, основанные на определенных заранее решающих правилах.

Для порока рассечка определена схема вводимой окрестности (рис.8), где R – исследуемое расстояние между составными нитями,  AL – количество нитей в составе составной слева, AR - количество нитей в составе составной справа.

Определено решающее правило для порока рассечка:

Таким же образом разработаны решающие правила и схемы ввода для других исследуемых пороков.

Для порока близна определено, что на вход нечеткого классификатора должно подаваться 7 элементов окрестности (рис. 9):
A - исследуемая нить, AL - нить слева от исследуемой, AR - нить справа от исследуемой, RL - расстояние между составными нитями  слева, RR - расстояние между составными нитями  справа,
RLL - расстояние между составными нитями  через составную нить слева, RRR -расстояние между составными нитями  через составную нить справа.

Решающие правила для порока близна определены следующим образом:

По этому же принципу ввода параметров окрестности порока определены и другие исследуемые пороки. Порок парочка и слабина по набору признаков объединены в один классификатор, входными параметрами которого являются исследуемая нить A, нить слева AL и нить справа AR , расстояние слева RL и расстояние справа RR. Для этих пороков определены следующие решающие правила:

                             

                       

Применение подобных нечетких классификаторов возможно и для определения пороков, распространенных вдоль утка.

Определены решающие правила для пороков недосека, забоина, пролет. Для этих пороков на вход в нечеткий классификатор необходимо подать три параметра – исследуемое расстояние R и два соседствующих с ним расстояния  RR и RL.

               

             

Распознавание распространенных пороков связано с рядом сложностей, например, распространенный порок может проявлять себя не по всей своей протяженности, а также из-за различных артефактов (отблесков в процессе захвата изображения, засоренности и др.) локальные поперечные нарушения могут быть найдены не везде, либо найдены с некоторым процентом ошибок. При разработке пространственного классификатора были учтены данные негативные факторы, влияющие на распознавание.

В основе пространственного классификатора лежит разработанная методика координатного накопления. Основными задачами классификатора являются: определение места концентрации маркированных нечеткими классификаторами элементов, определение преобладающего класса порока, определение параметра протяженности порока.

Суть методики заключается в том, что при определении в структурном массиве элемента с маркером того или иного порока запускается механизм накапливания всех отклонений, расположенных перпендикулярно поперечной координате первоначально найденного отклонения, вдоль всего изображения. Преобладающим классом считается тот, маркеров которого больше по данной координате, чем других.

Основные направления движения вычислений методики отображены на рисунке 10а, на рисунке 10б отображен результат методики.

Рис.10. Отображение работы методики координатного накопления:

а - направление движения вычислений методики; б - результат, отображенный на экран

Пятая глава посвящена экспериментальному исследованию разработанной методики  распознавания пороков ткани. Для исследования были использованы образцы полульняных тканей.

Проводились исследования методики определения информационных элементов и их параметров. Сравнивались вычисленные значения линейной плотности найденных нитей, расстояний между нитями, координат данных элементов, определенные программно - вычислительным методом и базовыми.

Исследовалась методика определения составных нитей. Визуально определялось количество правильно найденных составных нитей и сравнивалось с общим их числом.

Исследование нечетких классификаторов проводилось путем вычисления процента правильно найденных отклонений от общего числа исследуемых элементов, содержащих информацию о пороке. С этой целью отображались маркированные как содержащие порок элементы, которые подсчитывались визуальным методом.

Результаты экспериментальных исследований подтвердили высокий процент распознавания информационных элементов, их параметров, а также точность работы разработанных нечетких классификаторов.

На заключительном этапе проверок определялся процент правильно распознанных пороков и их протяженностей на выборке из 100 изображений образцов (по 10 изображений для 10 образцов) тканей с различными пороками. Средний процент всех испытаний с правильно распознанными пороками ткани составил 88% от общего числа испытаний методики (100 испытаний).

Сравнение органолептического метода и программно-алгоритмического метода распознавания пороков ткани показало несомненные преимущества последнего.

Для проверки методик и алгоритмов распознавания пороков ткани был разработан лабораторный комплекс. На рисунках 11а и  11б представлена контрольно-измерительная СТЗ, состоящая из стенда, компьютера и видеокамеры.

 

а                                         б

Рис.11. Лабораторный комплекс: а – измерительный стенд, б – общий вид

Предложена схема практической реализации системы технического зрения для контроля качества ткани (рис.12).

Рис.12. Структурная схема системы контроля качества ткани

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.

ПУБЛИКАЦИИ, ОТРАЖАЮЩИЕ ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Статьи в журналах, рекомендованных ВАК РФ для опубликования основных научных результатов диссертации:

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

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

3 Романов В.В., Ивановский В.А. Детектирование пороков ткани на основе аппарата нечеткой логики / В.В. Романов, В.А. Ивановский // Известия вузов. Технология текстильной промышленности.- 2011.-№3.С.134-136.

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

Научно-технические журналы и сборники научных трудов

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

Сборники материалов и тезисы докладов на  Международных, всероссийских

и межвузовских конференциях

6. Ивановский В.А. Дистанционное обнаружение дефектов  ткани/ В.А. Ивановский // Тезисы докладов международной научно-технической конференции «Актуальные проблемы науки в развитии инновационных технологий для экономики региона» (Лен-2010). – Кострома: КГТУ. - 2010. С.127

7. Ивановский В.А. Применение волнового метода для контроля плотности ткани по утку / В.А. Ивановский // Тезисы докладов международной научно-технической конференции «Современные наукоемкие технологии и перспективные материалы текстильной и легкой промышленности» (Прогресс 2010). - Иваново: ИГТА. - 2010.С.247

8. Ивановский В.А. Применение аппарата нечеткой логики при распознавании дефектов ткани / В.А. Ивановский // Тезисы докладов международной научно-технической конференции «Современные технологии и оборудование текстильной промышленности» (Текстиль-2011). – Москва: МГТУ. - 2011. С.177

________________________________________________

ИВАНОВСКИЙ Владимир Александрович

СОВЕРШЕНСТВОВАНИЕ МЕТОДИКИ РАСПОЗНАВАНИЯ ПОРОКОВ ТКАНЫХ ПОЛОТЕН НА ОСНОВЕ ПРИМЕНЕНИЯ МАТЕМАТИЧЕСКОГО АППАРАТА НЕЧЕТКОЙ ЛОГИКИ

Автореферат диссертации на соискание учёной степени

кандидата технических наук

_________________________

Подписано в печать 23.03.2012. Печ. л. 1,0. Заказ 146. Тираж 100.

РИО КГТУ, Кострома, ул. Дзержинского, 17






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.