автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы и методы обработки информации в системах контроля качества процессов крашения

На правах рукописи

ГАЙНУЛЛИН МАРАТ ФАРИТОВИЧ

АЛГОРИТМЫ И МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ В СИСТЕМАХ КОНТРОЛЯ КАЧЕСТВА ПРОЦЕССОВ КРАШЕНИЯ

(НА ПРИМЕРЕ ХИМИЧЕСКОЙ ТЕХНОЛОГИИ ОТДЕЛОЧНОГО ПРОИЗВОДСТВА ТКАНЕЙ И ПЕРЕПЛЕТНЫХ МАТЕРИАЛОВ)

05.13.01 - «Системный анализ, управление и обработка информации» (в химической технологии, биотехнологии, нефтехимии и нефтепереработке)».

АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук

Иваново 2005 г.

I

I

Работа выполнена в ГОУВПО "Ивановский государственный химико-технологический университет".

Научный руководитель: доктор технических наук, профессор Лабутин Александр Николаевич

Официальные оппоненты: доктор технических наук, профессор кандидат технических наук, старший научный сотрудник

Коровкин Сергей Дмитриевич

Бытев Донат Олегович

Ведущая организация:

Российский химико-технологический

университет им. Д.И.Менделеева

каиЛ. ау

"Ивановский государственный химико-технологический университет" по адресу:

153000, г. Иваново, пр. Ф.Энгельса, 7, ИГХТУ

Отзывы на автореферат (в двух экземплярах, заверенных печатью) просим направлять по адресу: 153000, г. Иваново, пр. Ф.Энгельса, 7, ИГХТУ, Учёный совет.

С диссертацией можно ознакомиться в библиотеке ИГХТУ.

1005 г.

Учёный секретарь диссертационного совета д. ф-м. н., профессор

Зуева Г. А.

Ш 2261733

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В химической технологии отделочного производства тканей и переплётных материалов, основными стадиями крашения являются приготовление краски, изготовление печатных матриц или валов по эскизу художника, нанесение рисунка на материал, подбор колера. Потребительские свойства и соответственно конкурентоспособность готовой продукции во многом определяются качеством цветопередачи, равномерностью окрашивания, точностью передачи формы рисунка, наличием областей непро-краса и их количеством на ткани и переплётных материалах.

Методы испытания и контроля, применяемые в производствах химической отделки, как правило, трудоёмки и связаны с большим количеством визуальных наблюдений, проводимых контролером вручную, что влияет на точность и субъективность оценок. Количественно оценить форму рисунка и равномерность окраса материала затруднительно. Эти величины фиксируются контролером только на качественном уровне. По этой причине в отделочных производствах предприятий большое внимание уделяется модернизации и совершенствованию систем контроля качества процессов крашения с использованием современных компьютерных информационных технологий.

Отсюда вытекает актуальность разработки математического, алгоритмического и программного обеспечения автоматизированных информационно - измерительных систем для контроля цветопередачи, равномерности окраски и соответствия формы рисунка, предложенного художником, его отпечатку на ткани.

Существенное влияние на цветопередачу оказывает подбор колера для приготовления краски. Ручной способ подбора не обеспечивает оптимального состава колера и требует значительных трудозатрат, так как предусматривает многократное приготовление выкрасок при подгонке цвета под эталон. В работе предлагается способ сжатия базы колористических рецептур и автоматизированного подбора колера на основе математических моделей.

Цель диссертационной работы: повысить эффективность системы контроля качества процессов крашения за счет применения методов, алгоритмов и программных средств для получения, хранения и обработки информации о цветопередаче, равномерности нанесения красителя на материал, дефектах рисунка, перенесенного на материал; автоматизировать процесс подбора колера на основе передовых компьютерных информационных технологий,

Для достижения поставленной цели ]

1) разработать последовательность операций обработки информации и структуру автоматизированной информационно - измерительной системы показателей качества процессов крашения текстильных и переплётных материалов;

2) разработать методы и алгоритмы сравнения формы эталонного рисунка с рисунком, отпечатанным на материале, в условиях аффинных искажений;

3) разработать алгоритмическое и программное обеспечение для контроля качества цветопередачи.

4) разработать программно-технические средства, автоматизирующие деятельность специалистов художников по сравнению рисунков на отпечатках с эталонными и колористов по контролю цветопередачи и подбору состава колера.

Методы исследований. В работе использован математический аппарат частотного анализа, теория искусственных нейронных сетей, теория графов, методы обработки изображений, теория цвета, методы математической статистики.

Научная новизна.

• Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону. Подход включает в себя следующие стадии обработки информации об изображениях: фильтрация, векторизация, формирование инвариантов, классификация и привязка.

• Разработан, обоснован и протестирован новый метод привязки изображений для идентификации и коррекции аффинных искажений (параллельный перенос, масштабирование, поворот осей), отличающийся от аналогов инвариантностью к повороту осей.

• Предложен подход к сжатию баз данных рецептур колеров с использованием их математических моделей.

• Предложен оригинальный способ хранения математических моделей рецептур колеров в виде взаимосвязанных реляционных сущностей (компонентов моделей), а не в виде таблиц исходных данных, графиков и текстовых полей.

Практическая значимость. Синтезирована функциональная структура программно-технических средств системы контроля качества крашения, включающая автоматизированные рабочие места (АРМ) художника и колориста и позволяющая передавать информацию в блок принятия решений для формирования управляющих воздействий.

Предлагаемое ПО существенно сокращает трудозатраты на сравнение рисунков друг с другом, время выполнения заказа на подбор колера и способствует снижению себестоимости продукции.

Программное обеспечение для решения задачи идентификации искажений рисунков, нанесенных на материалы, и определения оптимального состава колера передано в отдел АСУТП ЗАО «Ивановоискож».

Разработанная структура технических средств и программное обеспечение (ПО) могут использоваться на текстильных фабриках, в полиграфии, при производстве переплётных материалов, обновлении топографических карт и коррекции искажений аэрофотоснимков.

Апробапия работы. Результаты работы докладывались на конференциях: Международная студенческая конференция «Развитие, окружающая среда, химическая инженерия» Иваново. 2000 г.; Международная студенческая конференция «Фундаментальные науки - специалисту нового века». Иваново. 2002 г.; Международная научно-техническая конференция «Перспективы использования компьютерных технологий в текстильной и легкой промышленности» (пиктел-2003). Иваново. 2003 г.; XVII Международная научная конференция «Математические методы в технике и технологиях». Кострома. 2004 г.

Публикации. По материалам диссертационной работы опубликовано 6 печатных работ, список которых приведён в конце автореферата.

Структура и объём диссертации. Диссертация состоит из введения, 4 глав, заключения и списка литературы. Работа изложена на 113 страницах основного текста, содержит 56 рисунков, 7 таблиц, 3 приложения, библиографический список литературы включает 106 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи, методы исследований, научная новизна и практическая значимость работы.

В первой главе рассмотрена функциональная и информационная структура систем менеджмента качества (СМК) и определено место объекта исследования в рамках этой структуры. Современные исследования СМК связаны с управлением ресурсами, документацией, стандартизацией продукции, записями о её качестве и не касаются обработки информации при измерениях и выработки концепций управления качеством.

Проведен анализ существующих методов обработки изображений, коррекции их искажений и подбора красящих рецептур.

Приведен обзор современной колориметрической аппаратуры.

Сформулированы цель и основные задачи диссертации.

Во второй главе изложены методы идентификации рисунков на тканях и их программная реализация.

Идентификация состоит в последовательном решении задач классификации, привязки изображения, определения афинных искажений и сравнения

ческие числа

Рис. 1. Последовательность технологической цепочки обработки информации 1 - сканер, 2 - каскад фильтров, 3 - процедура векторизации, 4 - инвариантное кодирование, 5 - классификация, 6 - привязка рисунка, 7 - анализ искажений формы.

образца с эталоном с целью поиска отклонений формы рисунка. Обработка информации для решения перечисленных выше задач может быть представлена алгоритмической цепочкой, рис. 1.

Образец рисунка, отпечатанного на ткани, вводится в ЭВМ с помощью сканера (блок 1 рис.1) и представляет собой матрицу цветов Q = {q, j}, i - Си/ j = Гж в пространстве RGB (с красным (R), зеленым (G) и

синим (В) основными цветами). Каскад фильтров (блок 2 рис.1) освобождает изображение от помех, обусловленных использованием сканера, помех, определяемых текстурой ткани, и случайных помех, таких, как загрязнение, смазанная краска и т.д., и позволяет обнаружить линии контура рисунка. Общая схема фильтрации представлена на рис. 2. Блок цветового преобразования позволяет перейти из пространства RGB в пространство HLS (с такими характеристиками цвета, как цветовой тон (Н), светлота (L) и насыщенность (S)), а затем из пространства HLS в градацию серого. Результаты преобразования цветов записывается в ту же матрицу Q. Линейный низкочастотный фильтр работает по формуле (1).

п\ т\ ...

Im.^-L T.hkrq^r, (1)

*=lr=l

где Н = {hkr}k = l,nI,r = 1,т1 - матрица коэффициентов фильтра.

Матрица Im = {im,)} подвергается нелинейной обработке по формулам (2-4).

arctg((im, .-а) Ь) + ^-

---«)

1 И т ,12 а )

где а =-Ilim,,. Ь= 4 (3)

nxmt=i j=i ,J х~"

тах(intj j ) - min(imi j )

\

(4)

х = а + —-—-; у=а+0.475-\ тсо(щ •)-гп!г(щ .)

4 V и ч .

Фильтр Собела (5-6) позволяет обнаружить на изображении линии контуров и преобразовывает матрицу Р в матрицу Р.

Р'.у = V2'./ + ' (5)

где = + + Л+1,7+11//-1,у+1 + 2/,; + /(+1,у-|)'

"-/.у = (/1-1,у + 2/.,у ~ Л-И.у )+ (Л.у-1 + 2/|,у + Ду+1 )'

Пороговая „ Р Фильтр

функция Собела

Кянни

Рис.2. Каскад фильтров для предварительной обработки изображения., е = {,, }-матрица цветов в пространстве RGB (с красным (R), зеленым (G) и синим

(В) основными цветами); ¡т _ | - матрица градаций серого на выходе линейного

фильтра, р - \ft j}~~ матрица изображения после нелинейной обработки, р = ^ J -

матрица изображения, содержащего контуры рисунка, С = } ~ выходная матрица.

I = 1,и, у =I,m

В рамках метода Канни устанавливается порог чувствительности к контуру, значение которого представляет собой настроечный параметр фильтра. Отдельно отстоящие бледные линии контура отбрасываются, если они не соединяются с яркими линиями контура. При программной реализации промежуточные вычисления не сохранялись и в обращении была одна матрица. Результаты предварительной обработки отсканированного изображения показаны на рис. 3.

Переход от растрового (точечного) изображения к векторному (набор ломаных) осуществляется на основе модифицированного волнового алгоритма (блок 3 рис.1).

Рис.3. Результаты работы каскада фильтров: а) исходное изображение; б) изображение после линейной фильтрации и нелинейной обработки; в) обнаружение контуров

Волновой алгоритм можно описать двумя шагами: получение скелета изображения и его сглаживание. Получение скелета заключается в отслеживании пути прохождения сферической волны по растру изображения. Момент разделения волны можно зафиксировать изменением количества точек, образующих очередное поколение волны. Места разделения волны считаются вершинами будущих ломаных. При наличии на изображении замкнутых контуров распространение волны пойдёт по двум направлениям от точки вхождения в контур. При встрече двух поколений волны с разными направлениями произойдёт затухание волны в точке встречи. Ядро процедуры векторизации в виде блок-схемы представлено на рис. 4. Отличие предлагаемого алгоритма от стандартного состоит в том, что отслеживаются (подпрограмма ТгасеП) линии толщиной в одну точку. Итогом работы алгоритма является получение нагруженного планарного графа, нагрузки вершин которого есть их координаты в пространстве изображения.

Для кодирования изображения (блок 4 рис.1) применен алгоритм секторного преобразования. На изображении С, размером пхш, на этапе векторизации выделено множество вершин графа У={(хц,х12), (хл,х22), ..., (х*|,хю)}с центром с0, где к - количество вершин. Если координаты вершин выражены относительно с0, то секторным преобразованием будет ряд чисел в.

(7)

81= И<р)^<р, /=Ц ЧП

2 я

где Д<р = — , I - количество секторов преобразования, <р ,г - угол и нормированный радиус вершин относительно Сд. Секторное преобразование является

б

Г Выход м Л V подпрофашйы )

Рис.4. Ядро процедуры векторизации рисунков на тканях

инвариантным к параллельному переносу и масштабированию исходного изображения. При повороте исходного изображения, ряд секторного преобразования испытывает циклический сдвиг. Для обнаружения циклических сдвигов и получения характеристических чисел используются амплитуды Фурье - спектра секторного преобразования.

Каждый рисунок можно представить как набор отдельных конструктивных однослойных или многослойных элементов, причём одни и те же элементы могут использоваться многократно в разных частях рисунка. Однослойный элемент рисунка определяется компонентом связности графа V. Количество слоев в многослойном элементе зависит от количества пересечений вектора, построенного из центра элемента, с отрезками, соединяющими его вершины.

Предварительная классификация позволяет выделить набор уникальных элементов рисунка и понизить сложность задачи поиска соответствующих друг другу элементов образца и эталона. Задача классификации решалась на основе трёх моделей искусственных нейронных сетей (ИНС) в инструментальной среде МАТЬАВ: самоорганизующейся карты признаков Кохо-нена (8, 9), сети конкурирующего обучения и комбинации сети с радиально-базисными элементами и сети конкурирующего обучения.

Алгоритм Кохонена (блок 5 рис.1), может быть описан следующими шагами:

шаг 1. Весовым коэффициентам сети присваиваются малые случайные значения. оДо) - начальная зона соседства.

шаг 2. Предъявление сети нового вектора входного сигнала. В качестве входного вектора используются амплитуды Фурье - спектра секторного преобразования.

шаг 3. Вычисление расстояния от входного вектора до каждого нейрона у по формуле:

¿у = МО)*. <8>

1=1

где *«,(*) - / - тый элемент входного сигнала к нейрону /,%(<) - вес связи от ¿-го элемента входного сигнала к нейрону у

шаг 4. Выбор нейрона у*, для которого расстояние </ , является наименьшим.

шаг 5. Настройка весов для нейрона у" и всех нейронов из его зоны соседства О.. (/)'

+ +»7к(')-и'Л'Л (9)

где т] - шаг обучения (0< 7 <1), уменьшающийся с течением времени до нуля.

шаг 6. Возвращение к шагу 2.

Если набор конструктивных элементов рисунка ограничен, то переходим к сравнению эталона и образца (блок 7 рис.1) и получению информации о дефектах. В противном случае, необходимо решить задачу привязки изображения образца к изображению эталона (блок 6 рис. 1).

Задача привязки двух изображений, представленных в виде двух нагруженных пленарных графов У={(хп,х12), (х21,хм), ..., (хц.хи)}, состоит в нахождении преобразования, позволяющего совместить все точки одного изображения со всеми точками другого. Когда вид преобразования задан, а его параметры неизвестны, необходимо выбрать несколько опорных точек на первом и втором изображениях. Такие точки называют сопряжёнными. По координатам этих точек определяются коэффициенты преобразования. В диссертационной работе эта задача решается путем оптимального поиска трёх сопряжённых точек. Сопряженные точки находятся с помощью поворота и параллельного переноса осей:

х\=(х\- )со$а + - ^^

*2 = (х2 ~ )соэа -(х\- Ху )ята где Х\,Х2,\,-соответственно координаты вершины графа V в заданной системе координат и в новой после поворота на угол а, х^.х^ - координаты центра новой системы координат.

В качестве целевой функции был выбран функционал ошибки (11).

1=1

где - элемент ряда секторного преобразования (7) образца, индекс "о", и эталона, индекс "э". Чтобы перейти от вариационной задачи к задаче нелинейного программирования, оптимальный поиск будем проводить в два этапа: 1) отыскание угла поворота осей; 2) нахождение координат сопряжённой точки. Тогда преобразование над вершинами графа изображения образца также делится на две части: вращение осей и параллельный перенос. Первый этап поиска использует декартову систему координат, в которой секторное преобразование имеет вид:

-"- , Г2'

(12)

где I, - граница /-го сектора, заданная дискретно (множеством точек).

Начальная точка поиска минимума задаётся как центр масс вершин графа V. Нахождение оптимального угла поворота сводится к покоординатному поиску минимума ошибки (11) при циклическом сдвиге характеристических чисел образца относительно эталона. Секторное преобразование вычисляется только один раз. Условие окончания поиска определяется нормой разности двух приближений

(»3)

где е- точность вычислений, к-номер шага итерации.

Первый этап позволяет сопоставить коэффициенты секторного преобразования текущей и целевой точек. Второй этап решения оптимизационной задачи является итерационным процессом и включает в себя стадии прогноза и коррекции выбранного направления. Найденный угол поворота осей прогнозирует направление поиска. Вдоль этого направления организуется поиск положения центра координат и значение радиуса в системе полярных координат. Величина шага по-

Рис.5. Поверхность ошибки при поиске сопряжённой точки

Входное изображение эталона

Входное изображение образца

Обработанный эталон

Обработанный образец

Обнаруженные дефекты

Рис. 6. Результаты работы программы - реализации алгоритма привязки и обнаружения дефектов

иска определяется методом золотого сечения. Уточнение направления поиска происходит, если значение ошибки Ф неприемлемо велико. Процесс повторяется с найденной на предыдущем шаге точки для расчёта нового направления. Окончание итерационного процесса происходит по условию (13). По такому же алгоритму находятся остальные сопряжённые точки.

Вид поверхности функционала (11) приведен на рис. 5. Результаты работы программы, реализующей описанные алгоритмы обработки изображений рисунков и их сравнения с эталоном представлены на рис. 6. На рисунке областями чёрного цвета изображены обнаруженные дефекты и символами X найденные сопряжённые точки, по которым производилась привязка изображений.

Программная реализация всех перечисленных стадий привязки изображений и поиска искажений формы рисунка была выполнена с помощью языка программирования С++ в составе Visual Studio и представляет собой библиотеку динамического связывания. Подпрограммы библиотеки построены по процедурному принципу. Главный модуль использует библиотеку преобразования Фурье fftw и набор стандартных библиотек Visual Studio. Все исходные тексты программ приведены в приложении № 1 диссертации.

Третья глава посвящена построению статистических моделей для сжатия базы колористических рецептур на основе обработки экспериментальных данных по составу рецептур колеров для крашения переплетных материалов. База рецептур представляет собой альбом выкрасок с прилагающимися к нему рецептурами. Выкраски были обработаны с помощью компаратора цвета КЦ-2, что позволило представить их цвета в системе трёх нереальных базовых цветов (XYZ) международного комитета по освещению (МКО). Факторами выступали 12 пигментов колера, а значениями отклика -нереальные цвета X, Y и Z. В эксперименте применялась схема измерений с 5-ю параллельными опытами, по которым вычислялись средние значения координат цвета и дисперсии измерений отклика. Проверка равноточности опытов осуществлялась по статистическому критерию Кохрена.

Для оценки тесноты линейной связи между выходными переменными и пигментами применялся корреляционный анализ для нормированных переменных с нулевым математическим ожиданием и единичным среднеквадра-тическим отклонением.

Корреляционный анализ не позволил сделать вывода о наличии или отсутствии линейной связи между выходными параметрами и всеми пигмента-

ми. На следующем этапе был поведен регрессионный анализ зависимостей откликов базовых цветов Х,У,г от факторов и получены уравнения (14).

X = -0.65741 -1.45122 и, +0.43406 и7 +0.26047 ии +1.0751«, -0.18337 и,

-0.16524 и,3

(14)

У = -0.61196 -1.31701 И] +0.58648 а7 + 0.98863 и, 1 = -0.288835и, +0.6246и7 -0.313512и5и7 От моделей (14) с помощью формул (15, 16) можно перейти к цветовой системе ШЛЗ, которая часто используется колористами в работе. В формулах (15,16) Хо, Уо, Ъй представляют собой координаты цвета совершенно белого цветового стимула предмета.

' (15)

\Ь) у Уо

а = 5<

Ц-й1 *=20'

(16)

Уравнения математических моделей (14) в дальнейшем использовались для создания базы данных колористического контроля.

В четвёртой главе описывается архитектура программно-технических средств контроля качества крашения, рис.7. Выдвигаются требования к оборудованию (приборам и вычислительным средствам). Описываются автоматизируемые процессы производственной деятельности и автоматизированные рабочие места (АРМ) специалистов колористов и художников. Решается задача оптимального расчета количественного состава колера.

[АСУ верхнего I

уровня I

^""^"Служба поддержки [принятия решений

Служба колористического контроля

ш.

С "Тз

СУБД

АРМ-дрЛористов

Спектро-колориметр

Сканер

Рис. 7. Архитектура программно-технических средств системы контооля качества

Программно - технические средства контроля качества образуют распределённую систему, рассчитанную на совместную работу многих пользователей. Программное обеспечение (ПО) состоит из автоматизированных рабочих мест (АРМ) и служб, в которых сосредоточена основная часть логики контроля качества крашения. В состав служб, представляющих собой серверные приложения входят: анализ форм рисунков; колористический контроль. Служба поддержки принятия решений, которая не разрабатывалась в настоящей диссертационной работе, использует результаты работы перечисленных выше служб для формирования управляющих воздействий.

Информационное обеспечение системы контроля качества крашения определяется базами данных для хранения экспериментально-статистических

Ч тип Сз1м 1/1_

___ Ю м) л)

пате госйагДО)

3

С >|1 М

Е4_лат*. тсЬагДО) К_«утЬЫ: у>«1ш(10) 1»м со«1 1т

ХГэЫо

и-

"ТТ.

С н»т« •»ОИ'РО)

-г~

С X ы

1«

У потл \Э1СКЛ(70) Х вуп-.ЬЫ «эхЫнСЦ X чгчдН «ОМ С II) Ш

УТасЮ

И

АС

РБ£

Ю АО 1М

10/. М Ю РЗЕ .ш О во«

►--

ю.рве ч

10 У «4 К 1оа(

—С

10 У гМ

Ю_сЫог п: 10«! м

Угнали «огсОДЯ)

10 МшМ ш

СнтмК тагсИагрСф

Рис.8. ЕЯ-Диаграмма модели данных колористической БД

моделей рецептур колеров и анализов форм рисунков. На рис. 8 представлена логическая модель колористической базы данных в виде диаграммы сущность-связь (ЕЯ-диаграмма). Полиномиальные модели рассматриваются как совокупность взаимосвязанных реляционных сущностей, благодаря чему, в базе данных (БД) хранятся модели, а не таблицы, графики, текстовые поля рецептуры или соответствующие моделям числовые ряды. Такой подход позволяет собирать уравнения математических моделей почленно, рассчитывать оптимальный количественный состав колера, расширять структуру моделей без изменения структуры БД и сжимать базы рецептур колеров.

АРМы художника и колориста представляют собой клиентские приложения БД и серверных приложений - служб. Связь между АРМами и службами осуществляется с помощью технологии Component object model (COM) по протоколу Windows sockets.

Рис. 9. Автоматизируемые процессы производственной деятельности

художника

Описанные программно - технические средства позволяют автоматизировать процессы производственной деятельности художников, изображённые на рис.9 и процесс подбора колера. Художник в процессе своей работы создаёт рисунок, который впоследствии переносится на материал. Если рисунок на материале не соответствует эталону, заданному художником, то все искажения формы необходимо найти, описать и занести в БД. Для этого выделяются процесс начального наполнения БД эталонами, процесса сравнения пробных образцов с эталонами и управления справочниками БД в разделе художника.

Колорист, в процессе своей работы, создаёт модель для расчёта состава колера красящей рецептуры, определяет вид полиномов и состав их слагаемых. После создания и апробации нескольких моделей, колорист выбирает самую подходящую и устанавливает её в качестве рабочей модели. По рабочей модели происходит оптимальный расчёт состава колера красящей рецептуры. Колорист управляет справочниками своего раздела базы данных.

Требования к техническим характеристикам оборудования приведены в диссертации.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону, включающий в себя следующие стадии обработки информации об изображениях: линейная фильтрация, нелинейная обработка, обнаружение контура, векторизация волосных линий, формирование инвариантов с помощью амплитуд Фурье-спектра секторного преобразования, классификация с помощью искусственных нейронных сетей Кохонена и привязка рисунков путем оптимального поиска сопряжённых точек.

Предложен и опробован алгоритм предварительной обработки и улучшения качества изображений рисунков на тканях. Алгоритм включает в себя стадии линейной фильтрации, адаптивной нелинейной обработки и обнаружения краев с помощью модифицированного фильтра Собела. Разработан метод преобразования растрового изображения, представленного в виде матрицы цветов, в векторную форму, описывающую изображение как множество ломаных и многоугольников. Метод представляет собой модификацию волнового алгоритма векторизации. Разработан метод кодирования элементов изображения для получения описания, инвариантного к аффинным преобразованиям, основанный на преобразовании Фурье ряда секторного преобразования, позволяющий определить систему признаков элементов и полных изображений, пригодную для классификации с помощью ИНС, и вести поиск изображений в БД колориста и художника.

Синтезирован алгоритм оптимального поиска сопряжённых точек на изображении образца окрашенной ткани и на эталонном рисунке для коррекции аффинных искажений и обнаружения отклонений формы рисунка на изображении образца от эталонной, основанный на наложении скорректированных изображений друг на друга.

Разработана и опробована структура базы данных, позволяющая хранить уравнения математических моделей колеров в виде совокупности взаимосвязанных реляционных сущностей. Этот подход позволяет собирать уравнения почленно, рассчитывать оптимальный состав колера, расширять структуру моделей без изменения структуры БД и сжимать базы рецептур колеров.

Разработанные программные средства доведены до уровня распределенной информационно - измерительной системы, ориентированной на совместную работу нескольких пользователей. Система включает в себя

серверные приложения - службы и клиентские приложения с развитым графическим интерфейсом.

Материалы диссертации опубликованы в следующих работах:

1. М.Ф.Гайнуллин, А.Н.Лабутин, Т.В.Сокольская, Л.А.Гарцева. К определению количественных оценок окраса образцов хлопко-полиэфирных тканей. Химия и химическая технология. Том 47. Вып. 8. Иваново ИГХТУ 2004г. с. 52-54.

2. М.Ф.Гайнуллин, А.Н.Лабутин, Т.В.Сокольская. Алгоритмы обработки отсканированных изображений рисунков полиэфирных тканей. Проблемы экономики, финансов и управления производством. Вып. 16. Иваново ИГХТУ 2004г. с.320-324.

3. М.Ф.Гайнуллин, C.B. Соловьёва. Использование грамматических деревьев в задачах классификации и распознавания. Тезисы международной студенческой конференции «Развитие, окружающая среда, химическая инженерия» Иваново 2000 г. с.85 - 86.

4. М.Ф.Гайнуллин. Определение областей непрокраса ткани на основе распознавания образов. Тезисы международной студенческой конференции «Фундаментальные науки - специалисту нового века». Иваново 2002 г. с. 128 - 129.

5. М.Ф.Гайнуллин, ТВ. Сокольская, Л.А. Гарцева, И.В. Бушуева. Выделение областей непрокраса тканей на основе классификации и распознавания образов методом кластер анализа. Тезисы 1-ой Международной научно-технической конференции «Перспективы использования компьютерных технологий в текстильной и легкой промышленности» (пиктел-2003). Иваново 2003 г. с.82.

6. М.Ф.Гайнуллин, Т.В.Сокольская, А.Н.Лабутин. Контроль качества крашения с использованием методов распознавания образов. В сб. трудов XVII-ой Международной научной конференции «Математические методы в технике и технологиях». Кострома 2004 г. Том 6, с. 52-53.

Автор выражает глубокую признательность и благодарность к.т.н. доценту Сокольской Т.В., проявившей большую заинтересованность в формировании работы, обсуждении результатов и научном консультировании.

Подписано ■ печать 7.12 05"г. .Усл.п.л. О 93 Уч.изд л. / 05 Формат 60x84 1/16. Типаж /0О экз. Заказ /5? Государственное образовательное учреждение высшего профессионального образования «Ивановский государственный химико-технологический

университет 153000 г Иваново, пр-т Ф Энгельса,7 Отпечатано на полиграфическом оборудовании кафедры экономики и финансов ГОУ ВПО «ИГХТУ»

№25 9 8 6

РНБ Русский фонд

2006-4 29679

Введение.

Глава 1. Современное состояние вопроса контроля качества крашения V' тканей и переплётных материалов.

1.1 Системы менеджмента качества в отделочных производствах.

1.2 Характеристика основных показателей качества отделочного производства тканей и переплётных материалов.

1.2.1 Цветопередача, измерение и анализ.

1.2.2. Оценка колористических возможностей триад красителей и совместимости красителей в смесях.

1.2.3. Методы расчета количеств красителей по спектру отражения эталонного образца.

1.2.4. Расчет рецептуры крашения на основе координат цвета эталонного образца.

1.2.5. Некоторые дополнительные уравнения для расчетов.

1.2.6 Дефекты и искажения формы отпечатка рисунка с математической точки зрения.

1.2.7.Методы привязки изображений.

1.3. Постановка задачи исследований.

Глава 2. Разработка алгоритмов идентификации рисунков на полиэфирных тканях и их программная реализация.

2.1 Понятие идентификации рисунков.

2.2 Предварительная обработка отсканированных изображений.

2.2.1 Преобразование цветного изображения в градации серого.

2.2.2 Линейная фильтрация.

2.2.3 Нелинейная обработка с целью повышения контраста.

2.2.4 Обнаружение контура.

2.2.5 Программная реализация каскада фильтров.

2.3 Исследование растровых изображений рисунков с помощью искусственных нейронных сетей.

2.3.1 Правило Кохонена.

У/ 2.3.2 Модель на основе алгоритма конкурирующего обучения.

2.3.3 Модель на основе сетей квантования обучающего вектора.

2.3.4 Модель на основе радиально - базисной сети и сети конкурентного обучения.

2.3.5 Использование искусственных нейронных сетей для обнаружения областей непрокраса на образцах ткани по их растровым изображениям.

2.3.6 Область применения и ограничения алгоритмов Кохонена для определения дефектов рисунка.

2.4 Векторизация изображений рисунков на полиэфирных тканях.

2.5 Методы и алгоритмы сравнения формы эталонного рисунка с рисунком, отпечатанным на материале, в условиях аффинных искажений

2.5.1 Синтез алгоритма привязки изображений образца и эталона.

2.5.2 Разработка метода кодирования фрагментов изображения.

2.5.3 Оптимальный поиск сопряжённых точек на изображениях.

2.6 Разработка алгоритмической цепочки обработки информации для идентификации искажений рисунков.

2.7 Классификация фрагментов рисунка на искусственных нейронных

Сетях.

Выводы к главе 2.

Глава 3. Экспериментально — статистические модели рецептур красителей для переплётных материалов.

3.1. Обработка образцов с помощью компаратора цвета КЦ-2.

3.2. Предварительная обработка результатов эксперимента.

3.3. Обработка данных методом корреляционного анализа.

3.4. Статистические модели рецептур красителей.

Выводы к главе 3.

Глава 4. Разработка программно - технических средств для системы контроля качества крашения.

4.1. Описание и технические характеристики программно-технических средств.

4.2. Функциональная структура ПТС.

4.2.1 Автоматизируемые процессы производственной деятельности колориста.

4.2.2 Автоматизируемые процессы производственной деятельности художника.

4.2.3 Процессы производственной деятельности лица принимающего решения.

4.3. Информационное обеспечение ПТС.

4.3.1. БД «Колорист».

4.3.2. БД «Художник».

4.3.3. Клиентское приложение для АРМа колориста.

4.3.4. Клиентское приложение для АРМа художника.

4.4 Архитектура распределённого ПО для контроля качества крашения.

Выводы к главе 4.

Основные результаты работы.

Актуальность темы. В химической технологии отделочного производства тканей и переплётных материалов, основными стадиями крашения являются приготовление краски, изготовление печатных матриц или валов по эскизу художника, нанесение рисунка на материал, подбор колера. Потребительские свойства и соответственно конкурентоспособность готовой продукции во многом определяются качеством цветопередачи, равномерностью окрашивания, точностью передачи формы рисунка, наличием областей непро-краса и их количеством на ткани и переплётных материалах.

Методы испытания и контроля, применяемые в производствах химической отделки, как правило, трудоёмки и связаны с большим количеством визуальных наблюдений, проводимых контролером вручную, что влияет на точность и субъективность оценок. Количественно оценить форму рисунка и равномерность окраса материала затруднительно. Эти величины фиксируются контролером только на качественном уровне. По этой причине в отделочных производствах предприятий большое внимание уделяется модернизации и совершенствованию систем контроля качества процессов крашения с использованием современных компьютерных информационных технологий.

Отсюда вытекает актуальность разработки математического, алгоритмического и программного обеспечения автоматизированных информационно - измерительных систем для контроля цветопередачи, равномерности окраски и соответствия формы рисунка, предложенного художником, его отпечатку на ткани.

Существенное влияние на цветопередачу оказывает подбор колера для приготовления краски. Ручной способ подбора не обеспечивает оптимального состава колера и требует значительных трудозатрат, так как предусматривает многократное приготовление выкрасок при подгонке цвета под эталон. В работе предлагается способ сжатия базы колористических рецептур и автоматизированного подбора колера на основе математических моделей.

Цель диссертационной работы: разработать методы, алгоритмы и программные средства для получения, хранения и обработки информации, характеризующей показатели качества процесса крашения текстильных и переплётных материалов, и для автоматизации процесса подбора колера.

Для достижения поставленной цели решаются следующие задачи: 1) разработать последовательность операций обработки информации и структуру автоматизированной информационно - измерительной системы показателей качества процессов крашения текстильных и переплётных материалов;

2) разработать методы и алгоритмы сравнения формы эталонного рисунка с рисунком, отпечатанным на материале, в условиях аффинных искажений;

3) разработать алгоритмическое и программное обеспечение для контроля качества цветопередачи.

4) разработать программно-технические средства, автоматизирующие деятельность специалистов художников по сравнению рисунков на отпечатках с эталонными и колористов по контролю цветопередачи и подбору состава колера.

Научная новизна.

• Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону. Подход включает в себя следующие стадии обработки информации об изображениях: фильтрация, векторизация, формирование инвариантов, классификация и привязка.

• Разработан, обоснован и протестирован новый метод привязки изображений для идентификации и коррекции аффинных искажений (параллельный перенос, масштабирование, поворот осей), отличающийся от аналогов инвариантностью к повороту осей.

• Предложен подход к сжатию баз данных рецептур колеров с использованием их математических моделей.

• Предложен оригинальный способ хранения математических моделей рецептур колеров в виде взаимосвязанных реляционных сущностей (компонентов моделей), а не в виде таблиц исходных данных, графиков и текстовых полей.

Методы исследований. В работе использован математический аппарат частотного анализа, теория искусственных нейронных сетей, теория графов, методы обработки изображений, теория цвета, методы математической статистики.

Практическая значимость. Синтезирована функциональная структура программно-технических средств системы контроля качества крашения, включающая автоматизированные рабочие места (АРМ) художника и колориста и позволяющая передавать информацию в блок принятия решений для формирования управляющих воздействий.

Предлагаемое ПО существенно сокращает трудозатраты на сравнение рисунков друг с другом, время выполнения заказа на подбор колера и способствует снижению себестоимости продукции.

Программное обеспечение для решения задачи идентификации искажений рисунков, нанесенных на материалы, и определения оптимального состава колера передано в отдел АСУТП ЗАО «Ивановоискож».

Разработанная структура технических средств и программное обеспечение (ПО) могут использоваться на текстильных фабриках, в полиграфии, при производстве переплётных материалов, обновлении топографических карт и коррекции искажений аэрофотоснимков.

Апробация работы. Результаты работы докладывались на конференциях: Международная студенческая конференция «Развитие, окружающая среда, химическая инженерия» Иваново. 2000 г.; Международная студенческая конференция «Фундаментальные науки - специалисту нового века». Иваново. 2002 г.; Международная научно-техническая конференция «Перспективы использования компьютерных технологий в текстильной и легкой промышленности» (пиктел-2003). Иваново. 2003 г.; XVII Международная научная конференция «Математические методы в технике и технологиях». Кострома. 2004 г.

Публикации. По материалам диссертационной работы опубликовано 6 печатных работ.

Структура и объём диссертации. Диссертация состоит из введения, 4 глав, заключения и списка литературы. Работа изложена на 113 страницах основного текста, содержит 56 рисунков, 7 таблиц, 3 приложения, библиографический список литературы включает 106 наименований.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону, включающий в себя следующие стадии обработки информации об изображениях: линейная фильтрация, нелинейная обработка, обнаружение контура, векторизация волосных линий, формирование инвариантов с помощью амплитуд Фурье-спектра секторного преобразования, классификация с помощью искусственных нейронных сетей Кохонена и привязка рисунков путем оптимального поиска сопряжённых точек.

Предложен и опробован алгоритм предварительной обработки и улучшения качества изображений рисунков на тканях. Алгоритм включает в себя стадии линейной фильтрации, адаптивной нелинейной обработки и обнаружения краев с помощью модифицированного фильтра Собела.

Разработан метод преобразования растрового изображения, представленного в виде матрицы цветов, в векторную форму, описывающую изображение как множество ломаных и многоугольников. Метод представляет собой модификацию волнового алгоритма векторизации.

Разработан метод кодирования элементов изображения для получения описания, инвариантного к аффинным преобразованиям, основанный на преобразовании Фурье ряда секторного преобразования, позволяющий определить систему признаков элементов и полных изображений, пригодную для классификации с помощью ИНС, и вести поиск изображений в БД колориста и художника.

Синтезирован алгоритм оптимального поиска сопряжённых точек на изображении образца окрашенной ткани и на эталонном рисунке для коррекции аффинных искажений и обнаружения отклонений формы рисунка на изображении образца от эталонной, основанный на наложении скорректированных изображений друг на друга. Разработана и опробована структура базы данных, позволяющая хранить уравнения математических моделей колеров в виде совокупности взаимосвязанных реляционных сущностей. Этот подход позволяет собирать уравнения почленно, рассчитывать оптимальный состав колера, расширять структуру моделей без изменения структуры БД и сжимать базы рецептур колеров.

Разработанные программные средства доведены до уровня распределенной информационно - измерительной системы, ориентированной на совместную работу нескольких пользователей. Система включает в себя серверные приложения - службы и клиентские приложения с развитым графическим интерфейсом.

1. ИСО 9000 "Общее руководство качеством и стандарты по обеспечению качества. Руководящие указания по выбору и применению" М.: изд-во Стандартов, 1994.

2. Система качества. Сборник нормативно-методических документов. М.: изд-во Стандартов, 1992.

3. Швец В.Е. "Менеджмент качества" в системе современного менеджмента. Стандарты и качество, 1997, №6, с. 48.

4. Управление качеством. Учебник. Под ред. д. э. н., проф. Ильенковой С. Д. М.: Банки и биржи: ЮНИТИ 1999. 199 с.

5. Ю.А.Павлов, ГЛ.Иезуитова, Я.М.Ребарбар, В.Н.Романов. Автоматизированная система контроля качества готовых тканей. М.:Лёгкая и пищевая промышленность, 1981. 264с.

6. Е.А.Кириллов. Теоретические вопросы колориметрии. Иваново.: ИХТИ. Кафедра хим.технологии волокнистых материалов. 1977- 60 с.

7. Г.И.Ашкенази. Цвет в природе и технике 4-е изд., перераб. и доп. М.: Энергоатомиздат, 1985. - 96 с.

8. Кириллов Е.А. Цветоведение: Учеб. Пособие для вузов. М.: Легпромбытиздат, 1987. — 128 с.

9. Sinclair R.S., Wright W.D. Color measurement in Europe //Applied optics. 1969. Vol.8, N4. p.751-756

10. Р.М.Ивенс. Ведение в теорию цвета. М.:Мир 1964. 442с.

11. Гуревич М.М., Мейер Л.Н. Фотоэлектрический компаратор цвета. Светотехника. 1955. N6. с. 18-23.

12. Д.Джадд, Г.Вышецки. Цвет в науке и технике. М.:Мир, 1978. 594с.

13. Зернов В.А. Цветоведение. М.:Книга, 1972. 250 с.

14. Н.В. Завалишин, И.Б.Мучник. Модели зрительного восприятия и алгоритмы анализа изображений. М.:Наука. 1974. 344 с.

15. Хорн Б.К.П. Зрение роботов М.:Мир, 1989.-487 с.

16. Загоруйко Н.Г., Скоробогатов В.А., Хворостов П.В.Вопросы анализа и распознавания молекулярных структур на основе общих фрагментов. Алгоримы анализа структурной информации: Вычислительные системы. Новосибирск: ИМ СО АН СССР, 1984. Вып. 103. с. 26-50.

17. Зыков А.А. Теория конечных графов. Новосибирск: Наука 1969. -543 с.

18. Берзетис А.Т.Структуры данных.М.:Статистика, 1974. 467 с.

19. Оре. О. Теория графов. М.:Наука, 1980. 352 с.

20. Визинг В.Г.Сведение проблемы изоморфизма и изоморфного вхожденияк задаче нахождения неплотности графа // Тез. Докл. III Всесоюз.конф. По проблемам теоретической кибернетики. Новосибирск: ИМ СО АН СССР, 1974.-е.124-125.

21. Barrow H.G., Burstall R.M. Subgraph isomorphism, matching relational structures and maximal cliques Inform. Press.Lett.-1976.-V.4, N4.-p.83-84.

22. Остапенко А.Г. Анализ и синтез линейных радиоэлектронных цепей с помощью графов: Аналоговые и цифровые фильтры. М.: Радио и связь, 1985. -250 с.

23. Зыков А.А.Основы теории графов М.: Наука 1987. 384 с.

24. Белоглазов П.Н., Тараненко B.JI. Корреляционно-экстремальные системы. М.: Сов. радио. 1974. 392 с.

25. Грузман И.С. Квазиоптимальный алгоритм совмещения изображений //Тез. докл. регион, конф. ОИДИ-87. Новосибирск: ВЦ СО АН СССР, 1987. -с. 78.

26. Губанов А.В., Ефимов В.М., Киричук B.C., Пустовских А.И., Резник A.JI. Методы оценивания взаимного смещения фрагментов изображений. Автометрия, 1988, N 3. с. 70-73.

27. Невельсон М.Б., Хасьминский Р.З. Стохастическая аппроксимация и рекуррентное оценивание. М.: Наука, 1972. 304 с.

28. Поляк Б.Т., Цыпкин Я.3. Псевдоградиентные алгоритмы адаптации и обучения. Автоматика и телемеханика, 1973, N 3. с. 45-68.

29. Поляк Б.Т., Цыпкин Я.З. Оптимальные псевдоградиентные алгоритмы адаптации. Автоматика и телемеханика, 1980, N 8. с. 74-84.

30. Грузман И.С., Киричук B.C., Косых В.П., Перетягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах: Учебное пособие. Новосибисрк: Изд-во НГТУ, 2000. 168.

31. Mostafavi Н., Smith F.W. Image correlation with geometric distorsion.-IEEE Transactions, 1978, v.AES-14, p.487-500.

32. Аггравал Дж.К., Дейвис Л.С., Мартин У.Н. Методы установления соответствия при анализе динамических сцен // ТИИЭР, 1981, Т. 69, N 5. — с. 77-90.

33. Аггравал Дж. К., Нандакумар Н. Определение параметров движения по последовательности изображений. Обзор // ТИИЭРД988, Т.16, N 8. с. 6990.

34. Дейхин JI.E. Использование непараметрических статистик для совмещения изображений // Тез. докл. Междунар. конф. ОИДИ-90. Новосибирск: ВЦ СО АН СССР, 1990. с. 70.

35. Андросов В.А., Бойко Ю.И., Бочкарев A.M., Однорог А.П. Совмещение изображений в условиях неопределенности. Зарубежная радиоэлектроника, 1985, N 4. с. 32-41.

36. Богуславский И.А., Владимиров И.Г. Адаптивное оценивание вектора сдвига. Техническая кибернетика, 1990, N4. с.47-64.

37. Mottl V.V., Kopilov A.V., Blinov А.В., Zheltov S.U. Quasi-statistical approach to the problem of stereo image matching // SPIE, Image Processing and Computer Optics, v. 2363, 1994. p 51.

38. Панкова Т.Д., Резник A.JI. Эффективность алгоритмов прецизионного совмещения цифровых изображений. Автометрия, 1991, N 5. -с. 39-43.

39. Попов П.Г. Совмещение изображений телевизионного и тепловизионного каналов. Автометрия, 1993, N 1. с. 35-39.

40. Пытьев Ю.П. Морфологический анализ изображений. Докл. АН СССР, 1983, т.269. с. 1061-1064.

41. Пытьев Ю.П., Чуличков А.И. ЭВМ анализирует форму изображения. М.: Знание, 1988.-48 с.

42. Аркадьев А.Г., Браверман Э.М. Обучение машины классификации образов. М.:Наука, 1971. -232 с.

43. Shapiro L.G.Data structures for data processing: a survey. Сотр.Graph. Image Proc., 1979, 11,2, p. 162-184.

44. А.Н.Писаревский, А.Ф.Чернявский, Г.К.Афанасьев и др. Системы технического зрения. JI.Машиностроение, 1988. 424 с.

45. Мишкинд С.И. Системы технического зрения для автоматизации машиностроительного производства // Обзор с. 6-3. Технология металлообрабатывающего производства. М.: НИИМАШ, 1982. 88 с.

46. Жаботинский Ю.Д., Исаев Ю.В. Адаптивные промышленные роботы и их применение в микроэлектронике. М.: Радио и связь, 1985. 104 с.

47. Системы очувствления промышленных роботов и гибких производственных систем. В сб.научных трудов. // отв. Ред. И.М. Макаров, Е.П.Попов. М.:Наука 1989, 142 с.

48. Д.Е. Охоцимский, А.В.Волков, С.С.Камышин и др. Инспекционное видение для задач промышленной сборки. Препринт Ин. Пркл.матем. Им.Келдыша АН СССР. 1984, N 137. 26 с.

49. Катыс Г.П. Восприятие и анализ оптической информации автоматической системой. М.:Машиностроение, 1986. — 415 с.

50. Михайлов A.M. Видеоанализ в робототехнике и ГАП // в сб. ВНИИ системных исследований. 1986. N 18 с.82-89.

51. Борн М., Вольф Э. Основы оптики. М.:Наука, 1973. 855 с.

52. Гудман Дж. Введение в фурье-оптику. Пер с англ. М.:Мир. 1970. -327 с.

53. Алексеев Ю.В., Аллик Ю.К. Зрительное восприятие текстур. Труды ГОИ им. С.И.Вавилова, 1984, т.57, вып.191, с 55-65.

54. С.Е. Донченко, Е.Ф. Очин и др. Ускоренный гистограммный алгоритм ранговой фильтрации. Системы технического зрения. М.:Наука, 1991. с.68-71.

55. В.Б. Брагин, Ю.Г. Войлов, Ю.Д. Жаботинский и др. Системы очувствления и адаптивные промышленные роботы. М.: Машиностроение. 1985-256 с.

56. О.А.Кутенко. Алгоритмы очистки речевого сигнала от квазипериодической помехи. В сб. Вычислительные системы. Новосибирск ИМ СО РАН Вып. 163, 1998 с. 78-96.

57. Отнес Р., Эноксон JI. Прикладной анализ временных рядов. Основные методы: М.: Мир, 1982. - 428 с.

58. Т.С. Хуанг, Дж.О. Эклунд. Г.Дж. Нуссбаумер и др. Быстрые алгоритмы в цифровой обработке изображений //Под ред. Т.С.Хуанга. Пер. с англ. М.:Радио и связь, 1984. 224 с.

59. Д.Е. Охоцимский, В.М. Заткис. Системы технического зрения. М.:Наука, 1991.-200 с.

60. Ван Трис Г. Теория обнаружения, оценок и модуляции. Пер. с англ. под. ред. В.Т.Горяинова. М.: Сов. радио, 1977, т.З. 664 с.

61. Васильев К.К. Байесовское различение и оценивание случайных последовательностей. Радиотехника и электроника, 1985, т. 30, N 3. с. 476485.

62. Д.Хьюбел, Т.Визель, Ф.Крик, Э.Кенделл и др. Мозг. М.:Мир, 1982. -279 с.

63. Рвачев B.JI. Слесаренко А.П. Алгебра логики и интегральные преобразования в краевых задачах. Киев: Наукова думка, 1976. 287 с.

64. Сойфер В.А. Компьютерная обработка изображений, ч. 2. Методы и алгоритмы. Соросовский образовательный журнал, № 3, 1996. с. 110-121.

65. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика, 1992 184 с.

66. Круглов В.В., Борисов В.В. Искуссивенные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. - 382 с.

67. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями — Брест: БПИ, 1999,-260 с.

68. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей -Брест: БПИ, 1999,-228 с.

69. N. М. Allinson. Self-organising neural maps and their applications. In J. G. Taylor and C. L. T. Mannion, editors, Theory and Applications of Neural Networks, pages 101-120. Springer, London, UK, 1992.

70. N. R. Ball. Reinforcement learning in Kohonen feature maps. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume I, pages 663-666, London, UK, 1994. Springer.

71. J. M. Bishop and R. J. Mitchell. Neural networks an introduction. In Proc. IEE Colloquium on 'Neural Networks for Systems: Principles and Applications' (Digest No. 019), pages 1-3, London,UK, 1991. IEE.

72. Marco Budinich and John G. Taylor. On the ordering conditions for Self-Organizing Maps. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume I, pages 347-349, London, UK, 1994. Springer.

73. Kyung Ah Han, Jong Chan Lee, and Chi Jung Hwang. Image clustering using-self-organizing feature map with refinement. In Proc. ICNN'95, IEEE Int. Conf. on Neural Networks, volume I, pages 465-469, Piscataway, NJ, 1995. IEEE Service Center.

74. N. R. Ball. Competitive learning in classifier feature maps. In I. Aleksander and J. Taylor, editors, Artificial Neural Networks, 2, volume I, pages 703-706, Amsterdam, Netherlands, 1992. North-Holland.

75. Su-Jeong You and Chong-Ho Choi. LVQ with a weighted objective function. In Proc. ICNN'95, IEEE Int. Conf. on Neural Networks, volume V, pages 2763-2768, Piscataway, NJ, 1995. IEEE Service Center.

76. Andreas Zell and Michael Schmalzl. Dynamic LVQ a fast neural net learning algorithm. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume II, pages 1095-1098, London, UK, 1994. Springer.

77. Ce Zhu, Lihua Li, Cuntai Guan, and Zhenya He. A study of LVQ-based architectures for robust speech recognition. In Proc. WCNN'93, World Congress on Neural Networks, volume IV, pages 177-180, Hillsdale, NJ, 1993. Lawrence Erlbaum.

78. M. Hernandez-Pajares and E. Monte. Application of the LVQ neural method to a stellar catalogue. In A. Prieto, editor, Proc. IWANN'91, Int. Workshop on Artificial Neural Networks, pages 422-429, Berlin, Heidelberg, 1991. Springer.

79. М.Ф.Гайнуллин, А.Н.Лабутин, Т.В.Сокольская, Л.А.Гарцева. К определению количественных оценок окраса образцов хлопко полиэфирных тканей. Химия и химическая технология. Том 47. Вып. 8. Иваново ИГХТУ 2004г. с. 52-54.

80. М.Ф.Гайнуллин. Определение областей непрокраса ткани на основе распознавания образов. Тезисы международной студенческой конференции «Фундаментальные науки специалисту нового века». Иваново 2002 г. с. 128 - 129.

81. Местецкий JI.M. Скелетизация многоугольной фигуры на основе обобщенной триангуляции Делоне. Программирование, 1999, № 3, с. 16-31.

82. Елисеева И.И., Рукавишников В.О. Группировка, корреляция, распознование образов. М.: Статистика, 1977. - 144 с.

83. Шишкин Е.В., Боресков А.В. Компьютерная графика. М.: Мир, 1995. -287 с.

84. Уизем Дж. Линейные и нелинейные волны. М.: Мир, 1977. 624 с.

85. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. 399 с.

86. Кристофидес Н. Теория графов. Алгоритмический подход. М.: Мир, 1978-432 с.

87. Ф.Харари, Э.Палмер. Перечисление графов. М.: Мир 1977. 327 с.

88. Чукин Ю.В. Структуры данных для представления изображений. -Зарубежная радиоэлектроника, 1983, N 8, с.85-107.

89. Магрупов Т.М. Рапознавание изоморфизма графов. Изв. АН УзССР. Сер.техн.наук. 1980. N4. с. 3-7.

90. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. Радио, 1979.-312 с.

91. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир 1976. -512с.

92. Лагутин В. И., Лиханов В.П., Никонова Е.И. Образцы белой поверхности. Оптико-механическая промышленность. 1984. N 6. с.53-58.

93. Ахназарова С.Л., Кафаров В.В. Методы оптимизации эксперимента в химической технологии: М.:Высш.школа, 1985. 327 с.

94. Арене., Лейтер Ю. Многомерный дисперсионный анализ. М.:Финансы и статистика, 1985г. -230 с.

95. Н.Дрейпер, Г.Смит. Прикладной регрессионный анализ. М.:Статистика. 1973. 392 с.

96. Иванова В.М., Калинина В.Н., Нешумова Л.А., Решетникова И.О. Математическая статистика. 2-е изд., перераб. и доп. М.: Высш.школа, 1981. -371 с.

97. Лутманов С. В. Курс лекций по методам оптимизации. — Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001, 368 с.

98. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.-509 с.

99. Банди Б. Методы оптимизации. Вводный курс: М.: Радио и связь, 1988.- 128 с.