автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Информационно-измерительная система классификации дефектов ткани

РГБ ОД

1 3 К',ЛЗ

На правах рукописи

1ШШ АЛЕКСАНДР МИХАЙЛОВИЧ

УДК 681.518.3

шттш'шо-^ёршльш система ДШССКФИЮЩШ ДЕФЕКТОВ ТКАНИ

.Специальность 05.11.16 - Ейформащюнно-измеритолыше системы

Автореферат диссертации на соискание ученой степени кандидата технических наук.

Самара - 1996

Работа выполнена на кафедре автоматики и автомаТизированнох производства Оренбургского государственного университета

Научный руководитель: кандидат технических наук

доцент Буканов Федор Федорович

Официальные оппоненты: доктор технических наук

профессор Котиков Николай Евгеньевич кандидат технических наук ■ доцент Батшцвв Виталий Иванович

Ведущая организация: ¿0 "Орентокс", г. Оренбург

Защита состоится -¿■*<:сА.1996 года б 10 часов на заседали диссертационного совета Самарского государственного техническог университета Д.063.16.01 по адресу: 443010, г. Самара, ул. Галак тионовская, 141, ауд. 23.

С диссертацией можно ознакомиться в библиотеке Саыарског

государственного технического университета. -

*

Автореферат разослан " "_ 1995 года.

Ученый секретарь диссертационного

совета Д.063.16.01 ' .Г. Жиро

- 3 -

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность работа. .

В настоящее врет разбраковка тканей ведется в основном визуально, однако утомление операторов браковочных машин часто приводит к пропуску дефектов и возникновения уперба от штрафных санкций или приписыванию ткани несуществующих дефектов, что ведет к убыткам из-за занижения сорта.

Исследованием методов контроля качества тканей занимались Беленький Л.И., Додонюш Ю.В., Кирюхин С.М., Омельянчук Л.А., Побе-димсхий В.П., Склянников В .П., М.Киношита, Л.Арнольд, Е.Сик и др., а разработкой систем контроля - крупные фирмы: "Ford Aerospace and eocnuaicatlons corp.","Ferranti","Recognition systems" и пр. Автоматизация процесса контроля и браковки тканей в настоящее время осуществляется на основе специальных систем, в которых кггкдому типу дефекта соответствует отдельный модулышй блок, вследствие чего эти сястемн сложи и дорога (их стоимость превышает 200 тыс. дол). В то же время практически все дефекты связаны с нарушением структура переплетения нитей ¡ши яркости ткани, что отражается на спектре пространственных частот, выделенных из изображения ткани. Поэтому использование анализа этого спектра в качестве основы при построении информационно-измерительной система классификации дефектов тканей (ШС КДГ) позволяет упростит! и удешевить эту систему и придать универсальность распознающему алгоритму. Цель работы.

Целью работы является исследование и разработка методов ввода и обработки информации в информационно-измерительной системе классификации дефектов тканей, основанных на выделении и анализе спектра пространственных частот. Задачи исследования.

В соответствии с поставленной целью исследования выделяются следующие задачи:

- исследование я разработка методов ввода визуальной информации о ■ дефектах тканей а ШС КДТ;

- оптимизация взаиморасположения осветителя и телекамеры;

- исследование и разработка методов фильтрация информации;

- анализ и выбор признаков и методов классификации дефектов; •

- разработка структурной схемы и математической модели ШС;

- оценка погрешностей система.

Метода исследования.

В работе использованы методы: оптимизации, решения уравнений

математической физики, теории распознавания образов, спектрального анализа, а также статистические метода обработки данных. Научная новизна работы. В работе выявлены и предложены:

- критерии оптимизации взаиморасположения осветителя и телекамеры;

- алгоритм определения оптимальных углов хода лучей:

- зависимости углов хода лучей от типа ткани;

- методы сведения фильтрации изоерзжения к решению дифференциальных уравнений для фильтра Марра-Хилдрет и полосового фильтрам

- математическая модель и структурная схема ШС КДТ;

- алгоритм оценки'погрешностей системы.

Практическую ценность представляют:

- две схемы ввода информации о дефектах;

- выбор оптимальных углов положения осветителя и телекамеры;

- метода фильтрации изображения полосовым фильтром и фильтром Марра-Хилдрет;

- методика оценки погрешностей ШС КДГ;

- пакет прикладных программ для спектрального анализа изображений дефектов тканей.

Реализация результатов работы проведена:

- на Оренбургском производственном валковом объединении (01ШЮ); .

- в инжиниринговой фирме "ОПТИМ":

- в учебном процессе на кафедре автоматики и автоматизированного производства Оренбургского государственного университета.

Апробация работы.

Результаты работы докладывались я обсуждались яа:

- техническом совете ОПШО;

- научно-методических семинарах кафедр робототехнических систем Самарского государственного технического университета и автоматики и автоматизированного производства Оренбургского государственного университет-;

- региональных семинарах по искусственному интеллекту (г. Самара).

Публикации.

По материалам диссертации опубликовано 10 печатных работ, в том числе получено два авторских свидетельства и один патент. Общее количество работ, связанных с математическими исследованиями я измерительной техникой - 2?.

Структура и объем работа. " ' •

Диссертация состоит из введения, пяти глав, основных результатов, списка использованных источников, актов о внедрении резуль-

татов работы и приложения. Основная часть содержит 123 страницы машинописного текста, 24 рисунка, 2 таблицы. Список использованных источников включает IIÓ наименований.

Основные: положения, выносимые на защиту.

I.Критерии оптимизации взаиморасположения осветителя и телекамеры.

2.Зависимости углов хода лучей от типа ткани.

3.Две схемы ввода информации о дефектах.

4.Метод сведения фильтрации изображения к решению дифференциального уравнения для фильтра Марра-Хшшрет.

5.Метод сведения фильтрации изображения к решению дифференциального уравнения для полосового фильтра.

6»Математическая модель системы классификации дефектов ткани.

7.Алгоритм оценки геометрической погрешности системы.

СОДЕШНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулирЗваны цель и задачи исследования, выявлена научная новизна и практическая ценность работы.

'В.первой .главе подробно рассмотрено состояние дел в области автоматизации контроля качества тканей на основе литературных источников. Несмотря на значительные затраты, направляемые на автоматизацию этого процесса (стоимость установс: автоматической разбраковки достигает.210-240 тыс. долларе"), и участие крупных фирм (?ord Aerospace and Cocmunication corp., Recognition sys terra, lay eystess. ?erranti и т.д.), до сих пор не существует достаточно надежной систем!, универсально классифицирующей любые дефекты.-

В связи с тем, что система разбраковки должна работать в реальном времени с большим разнообразием дефектов, ужесточатся требования к быстродействию системы. С этой точки зре.ния интересен нейробиошгёеский подход к построению ИИС КДТ.

Основные дефекты тканей (пороки)- подразделяются в зависимости от причин их появления на сырьевые, пороки ткачества и отделки.

Сырьевые дефекты и пороки ткачества нарушают структуру ткани, а дефекты отделки изменяют ее яркость. Это позволяет распознавать различные дефекты по внешним признакам.

В результате анализа недостатков существующих систем и рассмотрения причин появления различных дефектов тканей формулируются цель и задачи исследования. ~

Во второй главе проводится анализ известных схем ввода визуальной информации о дефекте движущегося ленточного материала. К

недостаткам этих схем следует отнести наличие вращающихся зеркал и недостаточная разрешающая способность. Предлагаемые автором две новые схемы ввода характеризуются повышенными производительностью, точностью, надежностью и разрешаете» способностью.

Посла выбора структурных элементов ввода информации произве-денайараметрическая оптимизация взаиморасположения осветителя и телекамеры. В качестве параметров выбраны угол падения а луча от осветителя и угол отражения р луча к телекамере (см. рис. I).

При построении модели считаем, что ткань имеет простое переплетение из несминаемых нитей, изгиб которых в поперечном сечении тканей описывается синусоидой. Для повышения отношения сигнал/шум

Рис. I.

необходим, чтобы отеозэкея дан затепзншх и освещенных участков

стремились к 1:

1,

1;

1;

1, * 1

2

ч *

1,

1,

(I)

- освещенных участков.

'г *4

где ц. 1э - дшш затененных, а 12,

Тогда на графссэ спектральной плотности мощности (СПМ) пространственных частот изображения ткани появятся отчетливый всплеск на частоте повторения переплетений'нитей. А количестве переплетений на единице длины зависит от фгеических свойств нитей, т.е. от типа ткани. *

С помощью критериев (I) и экспврюлентольно'о1грсд'ъ>?тшх фициентов ранжирования этих отношений построена целевая чушсщ'я:

И = 0.35[Г--±-] + 0.25 [Г--¿] + 0.1[1--1]. (2)

Мшюшзация целевой функции (2) для различных типов ткани при вытекающих из физических соображений ограничениях на ¡значения углов падения а и отражения р луча показала, что с уменьшением частоты переплетения нитей оптимальное значение а уменьшается, а (3 -возрастает.

График зависимости оптимальных углов от структуры ткани приведен на рис. 2.

/йг

со"

ШП Рис. г. мН*

Третья глава посвящена детальному анализу методов предварительной обработки информации.

Так как система разбраковки ткани работает в реальном времени, для повыаэния ее быстродействия необходимо выбрать фильтр, совме-цавдий как можно большее количества операций. Этим требованиям отвечает фильтр Мврра-Хйлдрет (Л), в котором совмещается подавление иумов с первым этапом определения СШ и процесс ввода изображения с одновременной фильтрацией его.

Фильтрация изображения с домозьи Л - фильтра сводится к взятию свертки:

го'

г(1

<хЧГ

)ехр(-

20е

(3)

где HZ) - яркость, в точке I вводимого изображения, 0(х) -.обработанное изображение, а - размер изображения.

Для вычисления свертки (3) необходимо заранее подготовить информацию о всех точках изображения, так как свертка - это параллельное вычисление на всем изображении. В то хе время решение дифференциальных уравнений можно свести к свертке правой части уравнений с функцией влияния (функцией Грина). А решение дифференциального уравнения методом конечных разностей - последовательный процесс и поэтому его мо;шо проводить одновременно с вводам информации.

с другой стороны, при свертке для вычисления результате в каждой точке х необходимо неоднократно пробегать все изображение, т.е. проводить вычисления, используя несколько, раз значение яркости в какой-либо точке. Этих вычислений тем больше, чем лиге пространственная частота (т.е. чем больше а). В то va время при решении дифференциального уравнения Кавдое значение яркости используется не более 3 раз независимо от пространственной частоты.

Если свести операцию взятия свертки с импульсной функцией фильтра Марра-Хилдрет к решению . дифференциального уравнения, то повысится скорость вычислений при сохранении достоинств указанного фильтра.

При условии, что фильтр является стационарным вариантом некоторой функции:

I х2 хг

D(x,t) = —т(1 - —X А<t))exp(--Г 8(Ш C(t), (4)

юз гос 2о

где A(t), B(t), c(t) - функции времени, которые необходимо определить.

функция Щ%,\) должна удовлетворять дифференциальному уравнению в частных производных. Анализ основных типов таких . уравнений показал, что подходящим является уравнение теплопроводности, Т.к. его фундаментальное решение тоже имеет показатель степени с квадратичной зависимостью от координаты.

Само уравнение теплспроЕодности в одномерном случае имеет следующий вид: С

av ' oh

— вг „ I( (6)

Ôt дгг

Дифференцируя функцию (4) я подставляя результаты в уравнение (5). получены функции времени l(t). B(t) и c(t):

Г I

4(к) = -5-; ВЦ) = —: с<1)

В связи с очевидными преимуществами цифровых методов, дальнейшая обработка изображений в ШС КДТ проводится в цифровой форме, для чего выполнено решение разностной краевой задачи, полученной при замене оператора теплопроводности разностным оператором. В этом случае результат фильтрации имеет следующий вид-.

?ЗИ= Ц-27)И *■ 7(И ¥ ** ) /71

I 1 г-1 1+1 " {п

■ Внрааениэ (7) позволяет определять значею1Я 1 во всех уз-

1

узлах сетки от слоя к слои, используя при этом краевые условия.

Так как частотные характеристаси фильтра Марра-Хилдрет ухудшаются на высоких частотах, выбран полосовой фильтр, который на высоких частотах обладает такой же разрешающей способностью, как и на низких.

Исходная свертка при полосовой фильтрации изображения: оиль /-* соешх-ом+щ « кеие. (з>

о М(*-{)

В свертку введена степень свобода в виде параметра (т). При условии, что I 0, свойства свертки приближаются к свойствам язо-бракения, отфильтрованного полосовым фильтром.

Используя преобразование Лапласа, получено уравнение в частных производных:

05О » , Р ¿Зи а$<р

V 2(Д12»12)(1и>2—з— + (АМ2)2^)4— = ДГ—~ +

а* я,)

Зх<91 д£д1 34 дя

* г(дг2-г2)дг(т)г О)

По численному решению уравнения (9) сконструирован соответст-1увдий цифровой фильтр.

В четвертой главе представлены результаты экспериментальных сслэдований, проведенных о помощью установки "Крейт", включающей себя компьютер, телекамеру, аналого-цифровой преобразователь и

интерфейс связи преобразователя с компьютером. Исследованы 18 часто встречающихся дефектов (по два дефекта близны, масляного пятна, грязного пятна, пролетов,"подплетины, дар, цветной "нити, рваной-: кромки, неровноты окраски) при двух расположениях осветителя.

Цель экспериментальных исследований: I)выявить возможность распознавания дефектов ткани по значениям спектральной плотности мощности (СШ);

2 Определить наиболее информативную с точки зрения распознавания дефектов характеристику (СШ вдоль основы ткани, СШ! вдоль утка ткани или взаимную СПМ); 3)установить оптимальные частоты фильтров.

Вычисление СПМ проведено с помощью периодограммного метода, надежного в отношении появления ложных всплесков. Для программ вычислений использован язык Турбо-Паскаль, позволяющий использовать графические возможности дисплея. Проведенное тестирование данных программ показало полное совпадение результатов с примерам;*, шев-щимися в литературе.

Результаты экспериментов показывают, что наибольшие колебания имеет взаимная СШ, которую и рекомендуется использовать , для надежного распознавания дефектов (см. рис. 3)

По критерию, оценивающему отношение разброса классов дефектов к дисперсиям дефектов внутри классов, выделены частоты, на которые должны быть настроены фильтры.' Наиболее- информативной является частота повторения переплетешь нитей.

Для нахождения границ, разделяющих классы дефектов, подобрана стратегия распознавания в вида определения байесовского риска.

По экспериментальным данным из 211 дефектов, обнаруженных на тканях Оренбургского производственного шелкового объединения, выявлено, что с учетам критерия "опасности", равного произведению частоты встречи дефзктэ на его штрафные баллы, наибольший ущерб вносят: из распространенных дефектов - заработка пуха и заломы, из одиночных дефектов - педосека.

В пятой главе описана структура инфармационно-измбрительной систеш классификации дефектов ткани, которая по результатам контроля видает рекомендация о сортности ткани. На основе структуры ИКС КДТ построена математическая модель, позволившая оценить погрешность капала передачи информации. "

Яркость изображения является функцией декартовых координат -1(г,у), которая преобразуется оптическим датчиком в электрическое напряжение: Е(х,у) = к*1(х,у). (10)

Одновременно оптический датчик производит дискретизацию Результат фильтрации для двух диапазонов частот определяется по выражению:

(1-27)?^ * 7(у3 + у3 ), при ? < а"1 .

I 1-1 1и

+2Ьг( дЛг2) (1+т:)г(у^ ,-2у^у|+{«х^1)+(Дг2-*2)« А Г

*(1+'С)г4К<рЬ1-<р.4.1). при * > а4.; ■ (II)

Результаты вычислений по формуле (II% позволяют рассчитать взаимную СТОЛ:

V • (12)

и провести окончательную классификацию дефекта.

При распознавании дефекта общая погрешность система складывается из ошибок измерения признаков, используемых для распознавания, и погрешностей применяемого метода распознавания.

При получении информации погрешности вносятся за счет механической части системы: вибрации браковочного стола, неравномерной скорости протягивания ткани, перекстов протягивающего устройства и пр. Для обеспечения соогветстЕукае-й производительности ИИС КИТ скорость протягивания ткани должа быть не менее 500ш/с. Следовательно, чтобы разрешающая способность совпадала с размером шгги, необходимо в секунду считывать 500/0.3 <* 1667 строк.

Наибольшие механические помехи возникают от вибраций на частоте вращения вала электродвигателя привода протягивания ткани -50 об/сек. Если принять макс,шальную амплитуду вибраций, равную 2 мм, то максимальная скорость вибраций ткани составит 628 мм/сек, а среднеквадратичное отклонение (с.к.о.) при вероятности 0.9 на превышает 0.0165?.

Вторая составляющая погрешности при вводе информации связана с: наличием бликов и затененных мест из-за складок ткани, колебаниями яркости, вносимыми основным и посторонними источниками освещения, запыленностью воздуха, чистотой оптики.и т.п.

При угла наклона ткани в волне складки до 5* и изменении освещенности по закону косинуса с.к.о. составляет 0.2381.

Погрешность, связанная с геометрическими искажениями изображения при проецирования, определяется с учетом исходных данных: ширина ткани АВ, угол захвата объектива а, фокусное расстояние объектива - й. На рис. 4 представлен ход лучей от ткани к воспринимающей оптической системе. Из-за наклопа принимающего устройства различные участки ткани проецируются на линейный фотоприемник I® с , разними искажениями. При одинаковом приращении угла <р длины участков ткани на краях и в центре не одинаковы, поэтому при определв.-нии геометрической' погрешности использованы относительные длины участков ткани. Зависимость отношения этих длин к относительным длинам проекций на фотоприемнике от угла <р имеет вид:

со»2(| + т - Ф) (13)

в!пг{| V Ф) -

Ъ

При условии равновероятного попадания дефекта в любое место по ширине «сани закон распределения геометрической погрешности близок к равномерному. В этом случав с.к.о. достигает 0.3811.

В процессе Преобразования светового сигнала в электрический погрешность вносится преобразующим датчиком из-за нелинейности его характеристики, различия свойств от ячейки к ячейке, изменений напряжения питания, колебаний температуры и других причин. С. к. о. равно 1.53*. -

Аналого-цифровое преобразование характеризуется погрешностями квантования и дискретизаций. При использовании для перехода от аналогового к цифровому сигналу двоичного восьмиразрядного кода с.КкО.составит 0.00051*.

При вычислении СЩ вносятся погрешности из-за округления результатов, а также неточностей, связанных с конечностью разрядов, хранящих коэффициенты, используемые при цифровой фильтрации. Однако при разрядности коэффициентов более Г6 эти погрешности пренеб-решаю малй.

Часть погрешностей вносится самим методом определения СПМ. Если ширина полосы пропускания фильтра равна 0.33 колеб./мм и размер выборки составляет 140 точек (т.е. минимальная площадь дефекта 1см2), то с.к.о. 14.68. "

Результирующая погрешность измерительного канала при некорре-

лированном характере рассмотренных выве ее составляющих определена по их геометрической сумме и составляет 14.7$.

Если бы дефекты были строго заданными, то погрешности системы складывались бы только из ошибок измерений. Однако на практике иногда затруднительно определить к какому классу отнести тот или иной дефект, Поэтому экспериментально на десяти типах дефектов было определено по 100 значений взаимной спектральной плотности модности при разной заиумленности, максимальный уровень которой не превосходит максимальной яркости ткани.

Результирующие виды распределений СШ для всех дефектов пред-

ка этом графике распределения СШ с использованием байесовской стратегии определена оптимальная по ущербу граница разделения оишго "опасного" из одиночных дефектов - недосеки - со всеми ос-галышмл дефектами. По площади под кривой распределения СШ недо-

- 15 -

секи найдена погрешность распознавшая системы - 1.7*.

Так как на практике возмогло появление бликов большей яркое -ти по сравнению с яркостью ткани, дополнительно исследовано влияния уровня шума на результирующую дисперсию недосеки. Осраднящая по методу наименьших квадратов лшия результатов этих исследований имеет малый угол наклона, что свидетельствует о слабом влиянии уровня шума на-дисперсию недосеки.

С учетом погрешности измерительного канала я независимости ее от ошибки распознавания дефекта найдено общее с.к.о. ИИС КДТ, составившее 14.8%.

Так как с.к.о. распределения СШ на входе ШС КДТ составляет 1.75$, на выходе - 14.81, площадь под кривой распределения не изменяется и граница между классами не меняет своего положения, то окончательная ошибка распознавания недосеки достигает 15.11.

Таким образом, погрешность метода определения СПМ является наибольшей составляющей суммарной погрешности ШС КДТ.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАВОТЫ

В процессе исследования, проведенного з данной работе, получены следующие практические и теоретические результаты:

1.На основе анализа существующие методов линейного и кадрового сканирования разработатш две попке схем!! контроля качества гибкого материала. Одна из схем имеет более высокую по сравнению с существующими производительность, а др.у-зя - повышенную разреиаю-дув способность.

2.Предложены критерии оптимизации расположения осветителя и фотоприемника с точки зрения соотношения сигнал/шум.

3.Установлена зависимость оптимальных углов хода лучей при вводе информации от частоты переплетения нитей, максимизирующая видимость контролируемой структуры ткани.

4.Найдет дифференциальные уравнения для фильтра Марра-Хилд-р&т п полосового фильтра, интегрирование которых позволяет совмес-ткге^процесс ввода изображения с его фильтрацией. На основе этих уравнений предложены две схемы реализации цифровых фильтров.

5.Выбрана характеристика пространственных частот, перспективная для классификации дефектов тканей - спектральная плотность могщости, а также обоснован метод определения.

6.Критернй эффективности в виде отношения среднеквадратичного разброса классов к произведению среднеквадратичнйх разбросов объектов внутри классов в результате экспериментальных исследований позволил определить наиболее информативный признак власяфпсашт -

взаимную спектральную плотность мощности, а также самые информативные значения последней;

7.Выбран метод определения границ между классами дефектов, обладающий наименьшими потерями от неверной классификации - метол байесовской оценки.

8.На основе экспериментальных исследований определены приближение оценки вероятности появления различных классов дефектов.

9.разработана структурная схема и предложена математическая модель информационно-измерительной системы классификации дефектов ткани.

10.На основе предложенных структурной схемы и математической модели оценена погрешность канала ввода и преобразования информации.

11.Проведенные экспериментальные исследования позволили оценить погрешность распознавания наиболее "опасного" из одиночных дефектов - недосеки.

Эта работа позволяет наметить пути дальнейших исследований в направлении плоскостной (текстурной) оптимизации взаиморасположения телекаг'ры и осветителя, поиска более совершенных фильтров и их реализации, проведешь дополнительных исследований по применению двумерной фильтрации и т.д.

ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИЙ ' 1.А.с. н 1615755 Устройство для моделирования нервной системы, кл. о 05 с 7/60, 1988г., Абдрашитов Р.Т., Пшцухин A.M.

2.Патент KI796058 Устройство для обнаружения дефектов поверхности движущегося гибкого материала, кл. 5 01 я 21/89, 1992г, A.M. Пищухин.

3.Информ. листок К39-93 Сканирующий узел с увеличенной производительностью и точностью, Е.Г.Гайсина, А.М.Пищухин, Оренбургский ШЛИ. 1993Г.

4.А..С. я 1827598 Устройство для контроля передвигающихся полотен, кл. G 01 В 21/89, 1992г. С.А.Есин, А.М.Пищухин

б.йнформ. листок В53-93 Сканирующий узел с увеличенной разрешающей способностью, Е.Г.Гайсина, С.А.Есин, А.Ы.Щвдух1Ш, Оренбургский ЦНТИ, 1993г.

6.Абдрашитов Р.Т., Пищухин A.M., Есин С.А. Оптимизация проблемно-ориентированных СТЗ стр.6-7,в сб. Метода использования искусственного интеллекта в 'автоматизированных систеМ'ах, Самара, 1991г.

7.Абдрашитов Р.Т., Есин С.А.', Падухин A.M. Распознавание

форма и расположения объекта в пространстве//Методы использования искусственного интеллекта в автоматизированных системах.-Куйбышев, {98Э.С.64-68.

В.Пщухт A.M. Предварительная обработка изображения дефекта ткани.-Оренбург, 1991,-12с,деп, в ВИНИТИ 12.04.91, Я I575-B9I.

Э.йщухин A.M., Коростелев В. Синтез узкополосых пространственно-частотных фильтров // Метода использования искуственного ин-толлэкта в автоматизированных системах.-Самара, 1991, с. 69-70

Ю.Есиа O.A., Пияухин A.M. Проблемы ПО САК дефектов ткани // Тезисн докл. Шнаучн.-техн. конф. Оренбургского политехнического института "Состояние а перспективы развития Уральского региона". -Оренбург, 1992. - с. 47-48.