автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Исследование и разработка методов и средств повышения эффективности видеоинформационных систем мониторинга сложных объектов

На правах рукописи

Нашёкин Алексей Сергеевич 003486347

Исследование и разработка методов и средств повышения эффективности видеоинформационных систем мониторинга сложных объектов

Специальность 05.11.16 - Информационно-измерительные и управляющие системы

АВТОРЕФЕРАТ

диссертации на соискание учёной степени кандидата технических наук.

- 3 ЛРК 2009

Москва - 2009 г.

003486347

Работа выполнена в

Московском Государственном Университете Приборостроения и Информатики

Научный руководитель:

д.т.н., профессор Шатерников В.Е.

Официальные оппоненты:

д.т.н., профессор Слепцов В.В.

Защита диссертации состоится «22» декабря 2009 года в 14— на заседании диссертационного совета Д 212.119.01 в Московском Государственном Университете Приборостроения и Информатики по адресу 107846, г. Москва, ул. Стромынка, 20.

С диссертацией можно ознакомиться в библиотеке Университета. Автореферат разослан 13 ноября 2009 г.

к.т.н. Гавриков В.А.

Ведущая организация:

ЗАО НИИИН МНПО «Спектр»

Учёный секретарь диссертационного совета д.т.н., проф.

Филинов В.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. В настоящее время снижение рисков возникновения техногенных и аварийных ситуаций связано с организацией мероприятий по непрерывному мониторингу сложных технических объектов, природной среды и производств, таких как магистральные трубопроводы, нефтехимические производства, тепловые, атомные, гидроэлектростанции, объекты транспортной инфраструктуры, оборонного комплекса и др. Особенностью этих объектов являются сложные конфигурации, наличие большого числа взаимосвязанных систем и подсистем с множеством датчиков и функциональных преобразователей, информация от которых должна поступать в реааьном масштабе времени. Современные системы мониторинга характеризуются широким применением оптических устройств сбора, передачи и обработки информации, т.е. видеоинформационных систем (ВИС). Так как оптические изображения и образы являются высшей формой получения, хранения и представления информации, а также её наиболее удобным, оптимальным видом для восприятия человеком. Поэтому широко используются различные ВИС в том числе с применением интеллектуальных видеодатчиков для решения самых сложных задач контроля и диагностики различных объектов и оборудования. В настоящее время наблюдается тенденция расширения применения ВИС для диагностики объектов и оборудования в труднодоступных полостях с помощью эндоскопической микровидеотехники для визуального мониторинга трубопроводов, турбомашин, теплообменных структур парогенераторов и др. оборудования, зазоры в которых не превышают 3 мм, с целью своевременного обнаружения повреждений, коррозии, образования свищей, налетов и дефектов. Создание высокоразрешающих и устойчивых к влиянию внешних воздействий волоконно-оптических систем делает решение этой задачи вполне реальной. Вместе с тем создание подобных систем возможно только при условии детального анализа процессов преобразования информации в вышеуказанных ВИС с учётом спецификии их функционирования, конкретных условий применения и функционального назначения.

В области разработки ВИС, обработки и передачи изображения имеется много работ зарубежных и отечественных учёных (В.Г.Домрачев, Н.И. Пахомов, А.П.Иванов, М.Н. Мирошников, К.Г. Предко, И.П.Истомин, В.А. Сойфер, Дж. Госсорг, Ф. Перрен, Д. Джутген, Д. Херольт, У. Прэтт и др.) ведущих научных организаций (ИППИ РАН, ГОИ имени Вавилова, Самарский институт исследования изображений РАН, МГУ, Новосибирский институт электрометрии, МИИГАиК, МГТУ им. Н. Баумана, МН110 Спектр, НПО "Астрофизика" и зарубежные фирмы Олимпас (Япония), Эверест (США), Шторц (Германия), Форт (Франция) и др.

Новая волна интереса к разработке и применению видеоинформационных систем связана с появлением новых матричных преобразователей изображения (ПЗС-матрицы, микроболометрические и фотодиодные системы), отличающихся высоким пространственным разрешением (10 мегапикселей и более), быстродействием, широким динамическим диапазоном, большим спектральным диапазоном и устойчивостью к влияниям внешней среды, а также хорошим согласованием с цифровыми средствами ввода и обработки информации.

Расширение функциональных возможностей видеоинформационных систем обусловило актуальность разработки эффективных методов повышения качества изображения ВИС и их оценки с использованием современного математического аппарата. В настоящее время наиболее перспективны цифровые методы улучшения и реконструкции изображения. Это методы инверсной фильтрации, метод анализа главных компонент (ICA), метод Уотса глобальной бинаризации, метод Ниэлка локальной адаптивной бинаризации, методы основан-

ные на быстром преобразовании Фурье и его дискретном аналоге (ЦПФ) широко применяемые для восстановления контуров объектов по их искаженным изображениям и известным частотно контрастным характеристикам. Среди цифровых методов обработки изображений особенно перспективны, методы основанные на нейросетевых алгоритмах. Они отличаются универсальностью, высокой помехоустойчивостью, эффективностью и высокой скоростью обработки изображений. Однако эти методы плохо адаптированы к реальным задачам решаемым ВИС. В этой связи теоретическое обоснование и разработка методов повышения эффективности восстановления информативных составляющих сигналов ВИС, математических моделей и построение программно-алгоритмического комплекса является весьма актуальной задачей.

Таким образом, тема диссертации актуальна, так как направлена на решение важной научно-практической задачи - разработке средств повышения эффективности восстановления изображений ВИС, применяемых для мониторинга сложных технических объектов, а также определения их информационных характеристик и улучшения качества изображений.

Объектом исследования в настоящей диссертационной работе являются видеоинформационные системы широкого спектра применения при этом особое внимание уделялось системам мониторинга.

Предмет исследования - методы и средства повышения эффективности восстановления информативных составляющих сигналов ВИС на основе анализа независимых компонент, методов их фильтрации, быстрого преобразования Фурье и теории нейронных сетей для восстановления многомерных сигналов; определение и анализ информационных характеристик ВИС; методы автоматической коррекции сигналов в волоконно-оптических системах передачи.

Цель настоящей диссертационной работы - исследование и разработка методов и средств повышения эффективности видеоинформационных систем мониторинга сложных технических объектов.

Для достижения поставленной цели были решены следующие задачи:

• проведен анализ современного состояния ВИС мониторинга сложных объектов, классификация этих систем и показателей качества с учетом специфики эксплуатации, а также определены основные направления разработки и исследования новых ВИС с улучшенными характеристиками;

• выполнено теоретическое обоснование и анализ методов повышения эффективности восстановления информативных составляющих сигналов ВИС, разработаны математические модели и принципы построения программно-алгоритмического комплекса;

• исследованы информационные характеристики ВИС и разработаны методы их улучшения;

• разработаны и реализованы методы и средства повышения эффективности ВИС.

Методы исследования. В работе применены следующие методы исследования: теория линейной и нелинейной фильтрации, математическая статистика, вычислительная математика, методы решения систем нелинейных уравнений и интерполяции, теория нейронных сетей, численные методы интегральных преобразований. Научная новизна:

• разработана принципиальная блок-схема программно-алгоритмического комплекса восстановления и тестирования информативной составляющей входного сигнала и изображения.

• предложен и теоретически обоснован метод фильтрации сигнала ВИС и восстановле-

ния изображений, основанный на анализе независимых компонент (ICA) с использованием математического аппарата нейронных сетей Херольта-Джуггена. разработан метод реконструкции изображений и алгоритм его формирования на основе быстрого преобразования Фурье и математического аппарата нейронных сетей прямого распространения сигнала, использование которых позволило повысить разрешение при фиксированном количестве отсчётов и снизить влияние зашумленности сигнала и его искажения приемной аппаратурой на качество изображений.

предложен алгоритм тестирования качества реконструкции изображений, основанный на анализе результатов тестовых восстановлений, производимых с виртуальными тестовыми объектами, использование которого позволяет быстро в контролируемом режиме производить весь комплекс вычислительных тестов программного обеспечения, необходимых для отладки его работы.

Практическая значимость полученных результатов состоит в следующем: разработан программный комплекс для реализации нейросетевых алгоритмов обработки и восстановления изображений и выполнена его экспериментальная проверка, подтвердившая высокую эффективность за счет снижения влияния шумовых компонентов и артефактов.

создано программно-алгоритмическое обеспечение для реконструкции изображений, которое повышает качество изображения и разрешающую способность ВИС по сравнению с известными алгоритмами, использующими при восстановлении одномерное и двумерное быстрое преобразование Фурье;

предложенный алгоритм фильтрации сигналов, сглаживает наиболее характерные искажения реконструируемых изображений и обладает способностью к гибкой настройке, а также снижает влияние зашумленности сигнала и его искажения приемной аппаратурой на качество реконструкции изображений;

предложенный метод тестирования и его программно-алгоритмическое обеспечение ВИС, улучшает технологию контроля качества результатов сканирования объектов, и отладку алгоритмов реконструкции изображений;

разработаны способы и алгоритмы автоматической коррекции сигналов мультиплексированных систем мониторинга с волоконно-оптическими каналами, а так же метод контроля обрыва волокна в них, которые значительно увеличивают надёжность ВИС; разработана и апробирована портативная лазерная ВИС для контроля теплообменников парогенераторов и программно-аналитический комплекс для реконструкции контуров лопаток турбомашин, которые позволили надежно выявлять коррозионные и эрозионные зоны, и другие дефекты.

разработанный программно-алгоритмический комплекс может найти широкое применение в различных системах мониторинга сложных объектов (ядерных и радиационно-опасных объектов, охраняемых ответственных объектов и территорий, АЭС, ГЭС, тепловых электростанций, подводных газо-нефтепроводов и др.)

Реализация результатов. Результаты диссертации прошли апробацию и использова-шсь в ФГУП «РНИИ КП», что позволило повысить качество изображений контролируе-ых объектов, снизить количество бракованных изделий. Кроме того, результаты диссер-ации использовались в NVisionGroup при разработке автоматизированной системы мони-оринга ядерных и радиационно-опасных объектов и грузов, в Научно-производственном icHipc антитеррористической и криминалистической техники «Спектр-АТ» для поиско-ых н охранных систем, в ФГУ «Центр лабораторного анализа и технических измерений о ЦФО» в системах технических измерений параметров и экспертной оценки техноген-

5

ных объектов в результате чего повысилась эффективность работы оборудования и улучшилось качество получаемых изображений.

Достоверность. Представленные в диссертации результаты обоснованы теоретическим анализом, численным моделированием и верифицированы на известных фактах и экспериментальном материале, полученном и опубликованном различными авторами. Разработанные алгоритмы и программные комплексы прошли апробацию в ФГУП «РНИИ КП», НПЦ «Спектр-АТ», МЛ^юпОгоир и ФГУ «ЦЛАТИ по ЦФО», по результатам которых подтверждены основные выводы, положения и технические решения.

Апробация работы. Основные результаты работы опубликованы в двух рекомендованных ВАКом журналах - «Контроль. Диагностика» и «Приборы», и в сборниках научных трудов международных конференций в 12 статьях общим объёмом около 60 м.п. страниц, докладывались на 8-й международной конференции «Неразрушающий контроль и техническая диагностика в промышленности» (Москва, 2009), на международной конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2009), 12-й международной конференции «Фундаментальные и прикладные проблемы приборостроения, информатики и экономики» (Сочи, 2009), международной конференции «Новые инновационные технологии в науке, промышленности и образовании» (Тунис-2008, Египет-2009), на научных семинарах (МГУПИ, РНИИ КП). Получено положительное решение по заявке на патент РФ № 2009117929/22(024689) от 23 июля 2009 г.

Положения работы, выносимые на защиту:

1. Адаптивный алгоритм фильтрации и восстановления изображений, использующий принцип разделения сигнала на независимые компоненты эффективно вычитающий шумовые компоненты из входного сигнала, основанный на математическом аппарате нейронных сетей Херольта-Джуттена, который позволяет быстро восстанавливать изображение из доступных исходных данных.

2. «Малошумящий» метод реконструкции изображений, основанный на математическом аппарате нейронных сетей и быстром преобразовании Фурье, сопряженный с алгоритмом фильтрации.

3. Эффективный метод тестирования качества реконструкции изображений на основе разработанного метода анализа тестовых восстановлений, проводимых с виртуальными объектами.

4. Метод и алгоритм определения предельной чувствительности ВИС к изменениям линейных размеров дефектов контролируемых объектов.

Структура и объём диссертации. Диссертация состоит из введения, 4 глав, заключения, списка литературы и приложений. Общий объём диссертации 130 стр., включая 55 рисунков и библиографию из 122 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении рассматривается область применения ВИС, обосновывается актуальность темы диссертации, приводится выбор и обоснование путей достижения поставленной цели и решения основных задач по повышению эффективности ВИС, указаны новые научные результаты и их практическая значимость, представлена информация о реализации основных результатов работы, её апробации и структуре диссертации.

В первой главе рассматривается область применения и аналитический обзор состояния видеоинформационных систем мониторинга сложных технических систем, сформулированы требования, предъявляемые к ним, и дана их классификация по разным показателям и признакам (по спектральным, энергетическим, масштабным и временным характеристикам, по типу

отображения информации и каналам связи, по разрешающей способности, по конструктивным особенностям и т.д.). Дается анализ структурных схем ВИС, и делается выбор обобщённой структурной схемы, а также её основных характеристик-частотно-контрастных (ЧКХ),пространственно-частотного спектра (ПЧС) и других информационных характеристик, влияющих на качество изображения в ВИС. Приводится анализ современных методов повышения эффективности ВИС и улучшения качества изображения, даётся обоснование применения нейросетевых и цифровых методов фильтрации и реконструкции видеоизображений, сформулированы цели и задачи исследования.

Во второй главе даётся теоретическое обоснование применения теории нейронных сетей, метода независимых компонент (ICA) и быстрого преобразования Фурье для разработки математических моделей и программно-алгоритмического комплекса для повышения эффективности ВИС и улучшения её характеристик.

В начале второй главы подробно рассматривается и анализируется разработанный программно-алгоритмический комплекс, разделённый на несколько функционально независимых блоков Рис. 1. Особое внимание уделено блокам восстановления и фильтрации изображения, как основным по сложности и важности при работе в составе всей системы. Анализируются недостатки существующих способов дискретизации и вычислительной адаптации известных формул, применяемых для их устранения.

Во второй главе обосновывается выбор процедур для улучшения характеристик ВИС, показаны методы их улучшения, рассмотрена система предварительной фильтрации сигнала и её особенности, обусловленные процессом получения изображения.

На теоретическом уровне рассмотрены методы фильтрации, построенные на основе принципа разделения входного сигнала на независимые компоненты и показаны преимущества этого метода по сравнению с другими методами, а также обоснован способ его реализации в форме нейронных сетей Херольта-Джуттена.

Рассматриваются вопросы элементов теории построения системы реконструкции изо-

Рис. 1 Принципиальная блок-схема разработанного программно-алгоритмического комплекса

7

бражений и математической модели системы их формирования, а также комплекса алгоритмов обработки входных данных вычислительной системой ВИС, фильтрации и формирования изображения, эффективно восстанавливаемого из доступных исходных данных.

Принципиальная блок-схема функционирования разработанного программного комплекса, приведена на Рис. 1. Процесс обработки данных состоит в следующем. Источник данных во время регистрации подаёт данные на блок предварительной фильтрации. Ввод данного блока также доступен для данных, поступающих из банка данных обучающих паттернов (который может включать данные из внешних источников). Предварительно примеры, поступающие из банка обучающих паттернов пропускаются через блок приведения данных к соответствующей форме.

Блок предварительной фильтрации представляет собой простой частотный фильтр, пропускающий полосу частот входного сигнала, относительно заданной изоцентральной частоты. Сигналы остальных частот признаются шумовыми и отсеиваются. К таким сигналам можно отнести шум от радио- и телестанций, наводки от электроприборов, различных элементов работающих компьютеров и т. п.

Затем данные сигналы направляются на блок фильтрации методом анализа независимых компонент (ICA), где подвергаются разделению на компоненты, в соответствии с критериями некоррелированности и статистической независимости, после чего проводиться сравнение и поиск среди всех компонент шумовых составляющих. В процессе разделения сигналов принимает участие блок контроля обучающих процедур, который осуществляет подбор и внедрение в вычислительную последовательность величин коэффициентов обучения и нелинейных функций, применяемых при обучении нейронных сетей Херольта-Джуттена. Найденные «шумовые» составляющие удаляются, сигнал суммируется заново из остающихся компонент.

Данные, очищенные от шума, направляются на распределительный слой нейросете-вого систолического процессора, где буферизируются и подготавливаются для подачи на блок интерполяции или расширения размерности, который представляет собой нейросете-вой аппроксиматор поверхностями переменного уровня нелинейных функций. Обработанные таким образом данные направляются в подпрограмму реконструкции (которая представляет собой следующие, после фильтрующих и распределительных, слои многослойной нейронной сети), откуда на блок развёртки изображения, после чего, готовые изображения могут быть представлены оператору или направлены на хранение. По желанию оператора, результаты после реконструкции могут быть направлены в банк данных обучающих паттернов и калибровочных изображений, где хранятся качественные изображения и образцы для проведения обучения фильтрующих систем, в том числе дополнительные образцы, применяемые для распознавания шума при фильтрации методом ICA.

Дополнительные адаптивные обучающие и/или тестирующие процедуры фильтрации реализованы в специальном блоке контроля обучающих процедур. Эта подпрограмма, косвенно, через банк данных обучающих паттернов имеет информационные входные связи с блоком реконструкции (с результатами реконструкции изображений), а также с блоками распознавания шумовых компонент и банком примеров шумовых компонент, что образует необходимую обратную связь, требующуюся для проведения обучающих процедур.

Опционально вся система способна работать при общем информационном вводе из банка данных калибровочных изображений. Последний включает в себя процедуру приведения изображения к виду «регистрируемой последовательности» и иммитации формата данных регистрирующей аппаратуры ВИС. Здесь же находится интерфейс для ввода в систему потока виртуальных фантомов, генерируемых независимой от программно-

го контура обработки изображений, генератора виртуальных фантомов. Кроме того, этот участок программного комплекса имеет гибкий информационный интерфейс, позволяющий ему получать данные и из других источников.

Банк данных обучающих паттернов содержит и может загружать в «контур восстановления изображения» виртуальные фантомы, представляющие собой эталоны восстановления. Сравнивая поданные на вход программного комплекса изображения виртуальных фантомов с результатами реконструкции можно сделать выводы о степени адекватности восстановления и необходимости коррекции процесса восстановления путём модификации коэффициентов обучения и весов соответствующих нейронных сетей, т.е. проводить переобучение по мере необходимости.

Во второй главе также приводиться алгоритм формирования изображения, основанный на математическом аппарате нейронных сетей прямого распространения сигнала. Показана возможность фильтрации некоторых артефактов изображения на стадии его формирования и способность построенного фильтра к обучению, как адаптивного свойства всей обрабатывающей системы.

В работе предложены и рассмотрены два метода фильтрации. Помимо простого фильтра, основанного по отсечке сигнала по порогу в частотном диапазоне, в работе применён «малошумящий» метод реконструкции изображений, основанный на фильтрующих свойствах нейронных сетей. Данная процедура снижает влияние зашумленности сигнала и его искажение приемной аппаратурой на качество реконструкции изображений, так как отфильтровывает нежелательные элементы последовательностей входных сигналов, которые после проведения преобразования восстановления могли бы быть источниками искажения изображения.

В работе рассмотрен следующий метод фильтрации входного сигнала. Данные, получаемые при регистрации сигналов, очень редко удовлетворяют всем требованиям оптимального их представления для последующих вычислительных процедур. В большинстве случаев необходимо провести линейную фильтрацию данных. Ограничение линейными процедурами оправдано, поскольку в этом случае можно обрабатывать перекрывающиеся резонансные линии без того, чтобы не могли возникнуть эффекты интерференции. Однако, для того чтобы избавиться от нежелательных эффектов «более высокого порядка» в исходном сигнале следует использовать более сложные приёмы фильтрации.

Второй метод фильтрации основан на разделении сигнала на независимые компоненты при помощи нейронных сетей Херольта-Джуттена.

Суть этого алгоритма состоит в разделении исходного набора сигналов, на составные части и выделения из них тех составляющих, которые наиболее похожи на шумовые компоненты. Использовалось сравнение входного вектора с вектором «характеризующим» белый шум и/или характерный шум. Похожесть или «норма похожести» определяется попаданием в некоторые эмпирические рамки среднего значения разности модуля кандидатного сигнала и сигнала эталона:

о)

где е - эмпирическая постоянная, г, и ^ • вектора сигнала-кандидата и сигнала-эталона, суммирование ведётся по длине N вектора.

В программной реализации, предусмотрен режим обучения, в котором фильтр учится идентифицировать новые типы шумов. Примеры шумовых компонент хранятся в специальной базе данных и используются для распознавания шумовых компонент.После этого составные части вновь суммируются с весами, полученными во время решения задачи разделения.

9

Сети этого типа также относятся к классу линейных сетей корреляционного типа с самоорганизацией. Для поиска весов такой сети использовался алгоритм, основанный на естественном градиенте и представляемый дифференциальным уравнением

Здесь IV - матрица весов нейронной сети, с начальным условием до обучения сети IV (0) = 1, коэффициент обучения ?/(/) уменьшается в процессе обучения до нуля. Функции типаДх) и нечётны и не равны между собой,Дх) ф В данной работе использовались следующие фун кции / (у, (/)) = у] sgn (у, (/)) = 1апЬ (>>,). Следует отметить, что зависимость (2) представляет собой нелинейное обобщение простого правила Хебба. Веса подбирались путём решения методом Руиге-Кутта соответствующей системы дифференциальных уравнений.

С алгоритмической точки зрения суть данного метода заключается в том, что на входе нейросетевого блока для Фурье-преобразования надстраивается дополнительная фильтрующая нейронная сеть.

Совместное использование описанных алгоритмов фильтрации позволило добиться существенных результатов по повышению качества восстановленного изображения.

При реализации нейросетевого фильтра в проверочных целях также использовалась фильтрующая нейронная сеть-надстройка, построенная на основе теории линейных фильтров с аппроксимацией передаточной функции методом наименьших квадратов.

Нейросетевые фильтры, используемые в работе, имеют три отличительные особенности. Во-первых, они могут быть построены из одного линейного нейрона на сигнальную линию, хотя число таких нейронов нужно увеличить для получения более «гладких» результатов в случае ужесточения требований к качеству изображения. Во-вторых, функция стоимости £(и>), использованная для создания этого фильтра, представляет собой сумму

квадратов ошибок и определяется по формуле ¿'(>у) = '<?2 (') ,где е(!')-/-й компонент

многомерного сигнала с размерностью М.

В-третьих, все нейросетевые фильтры способны к обучению. Преимущественно такие процедуры проводятся на стадии настройки программного обеспечения для конкретной ВИС. В частности, на стадии настройки системы проводится рад предварительных калибровочных экспериментов с реальными или виртуальными фантомами, которые являются основным этапом для получения векторов «желаемого отклика», необходимых для обучения составляющих систолического процессора.

В работе также показан метод построения алгоритма реконструкции изображения, основанный на алгоритме БПФ (Быстрое Преобразование Фурье). Как правило, подобные алгоритмы зависят от способа разбиения входного вектора на подвекгоры. За основу взята схема синтеза последовательности алгоритмов БПФ «с прореживанием по частоте».

Для вектора Х={х^, 0 < / < И-1 прямое дискретное преобразование Фурье (ДПФ) определяется классическим выражением: = о^О'^'л > гДе ^О* 1> •••> N—1 - номер

гармоники, М'-е^"11* - поворачивающий множитель.

Число комплексных операций умножения при выполнении ДПФ в общем случае равно Дга наиболее распространённых алгоритмов БПФ, как правило, выбирают размерность вектора исходных данных равным Л'=2", где п - целое число. Если размерность вектора входных данных не соответствует этому требованию, то вектор дополняют нулями.

(2)

- точечных иослооогпедыгогги

Это является существенным недостатком, так как количество нулей может быть значительным. В стратегии прореживания по частоте вектор Л'={х*} разбивают на несколько субвекторов, начиная с разбиения на 2 вектора, содержащие чётные и нечётные элементы, далее ещё на 2 и т. д. Этот приём позволяет, в конечном счёте, свести вычисление Лг-точечного преобразования к вычислению множества 2-х точных преобразований. Вычислительная сложность падает, таким образом, с Л'2 до Моё2(Л0. Схематично этот процесс можно представить диаграммой, приведённой на Рис. 2.

Таким образом, элементарная операция быстрого преобразования Фурье, может быть представлена так называемой «бабочкой», вид которой показан на Рис. 3. Индексы означают: /-номер этапа преобразования, /и-номер элементарного ДПФ внутри этапа, ¿-номер отсчёта элементарного ДПФ, ¿-размерность ДПФ (на первом этапе 1=2). Описанный выше процесс можно также представить в виде графа (Рис. 3).Графы этого вида сводятся к структурной схеме искусственной нейронной сети прямого распространения сигнала.

Каждой базовой операции ставиться в соответствие вершина графа, а дугам - операторы связи между базовыми операциями.

В контексте нейронных сетей базовой операции отвечает группа нейронов. Такая группа представляет однослойный персептрон малой размерности, для которого значение размерности элементарного преобразования Ь определяет размерность входного рецептивного поля и число нейронов в сети. На Рис. 4 приведена принципиальная схема такой нейронной сети для случая 6-точечного преобразования.

Структура алгоритма, представленного таким образом, задаётся размером рецептор-ного поля, то есть размерностью входного сигнального вектора, числом нейронов и

структурой межнейронных связей.

Рис. 2 Схема построения быстрого преобразования Фурье с прореживанием по частоте

X

Хг»(к) = Х'т{к) + К{к + Ы2)

Х'т(к + Ы 2)

Х(к)=[х1{к)~х'т{к+иг)

Рис. 3 Направленный граф базовой операции алгоритма БПФ с прореживанием по частоте («бабочка»)

Устранение недостатка необходимости дополнения последовательности нулями в рассматриваемом алгоритме может быть реализована двумя способами. Первый основан на возможности гибкого задания размерности рецептивного поля и рекурсивного вхождения в процедуру обработки сигнала. Так, например, если имеется последовательность из 321 временных отчё-

А

гов регистрируемого сигнала, то ближайшее кратное 2 число - 256. Для 256 первых отчётов формируется нейронная сеть, реализующая быстрое преобразование Фурье, принципиальная схема которой показана на Рис. 5. Для оставшихся 56 отчётов, ближайшее кратное 2 число -32, для которых, при рекурсивном вхождении в процедуру реконструкции, динамически формируется дополнительная нейронная сеть, связанная с основной восходящими связями. И так далее до тех пор, пока не останется количество отчётов, меньшее 8 (или 4 в зависимости от размерности применяемого элементарного преобразования), которое, будучи существенно меньше начальной «зануляемой подпоследовательности» заполняется нулями.

Классические представления о быстром преобразовании Фурье, лежащие в основе предлагаемого алгоритма дополняются, таким образом, алгоритмом эффективного распределения начальных отчётов на виртуальной шине данных сигнального систолического процессора, что повышает точность его работы.

Недостаток необходимости дополнения последовательности нулями, а также недостаток нечётности поступающего сигнала, который возникает при желании повысить разрешение при фиксированном количестве отчётов, приводящий к нежелательным искажениям изображения после преобразования, может быть купирован применением входного распределительного слоя нейронной сети, а также несколькими дополнительными входными слоями «сети обратного распространения», аппроксимирующими функцию сигнала в недостающих отчётах

Здесь необходимо указать на возможность регулирования разрешения, с которым возможно рассчитать спектры. Допустим известно, что для оптимального восстановления функции F(u) из fix) достаточно 2,v точек дискретизации заданной функции, расположенных друг от друга на расстоянии Д. Соответственно этим точкам функция F{u) должна быть вычислена только в 2N точках, расположенных с интервалом 1 IL, где ¿=(2Л-1)Д. Уменьшить интервал дискретизации вдоль оси и, можно путём такого преобразования функции fix), чтобы она занимала больший отрезок оси х. Для этого необходимо взять дополнительные отчёты вне (для случая простого дополнения нулями) или внутри отрезка длиной L (в последнем случае следует заполнить их интерполяционными значениями по отношению к соседним отчётам). Фактически необходимо взять другой отрезок длиной l, где величина L/l должна представлять степень 2, если используется алгоритм БПФ. Интервал дискретизации для дополнительных отчётов должен быть равен Д. Так можно разместить имеющиеся отсчёты функции F(u) вдоль оси и с интервалом 0,5L или 0,25L и т. д. Такой же приём может быть использован и в 2-мерном случае и в случае большей размерности.

На этом эффективном в вычислительном отношении теоретическом приёме интер-

12

поляции основаны оба метода устранения недостатков (с точки зрения используемых алгоритмов и преобразований) входных последовательностей и алгоритм повышения разрешающей способности.

Разработанная нейронная сеть, реализующая быстрое преобразование Фурье содержит три слоя нейронных элементов, причём входной слой распределяет компоненты входного «-мерного вектора на все нейроны промежуточного слоя. Промежуточный слой содержит одинаковое количество линейных нейронов, и нейронов Кохонена, имеющих попарные горизонтальные связи внутри слоя. Нейроны слоя Кохонена работают по принципу «победитель забирает всё», по условию:

II, при =тах(5';)

/ \ (5)

О, при^ ^тах(лу]

где .V = (Й7}>-?') = ' wi.J ~ весовой коэффициент между ¡-м и у'-м нейронами про-

межуточного слоя, х[ - ¡-я компонента /-го входного вектора.

Такая нейронная сеть ещё до преобразования Фурье ставит в соответствие кавдому «кластеру» входного вектора некий весовой коэффициент, то есть линейно аппроксимирует многомерную функцию поверхностями переменного уровня группу входных значений и подает свой выходной вектор на преобразование стандартной размерности, в соответствии со своим правилом формирования окрестности целевой точки.

Принципиальная схема интерполирующего слоя нейронной сети и преобразующей сети представлена на Рис. 5.

Вся система от регистрации сигнала до получения изображения представляет собой, таким образом, гетерогенный нейросетевой систолический сигнальный процессор.

Необходимым элементом процесса построения новых алгоритмов восстановления и фильтрации изображений, является тестирование новой ВИС и математических методов на предмет соответствия установившимся стандартам.

Для тестирования правильности восстановления изображения разработанными алгоритмами применён метод «виртуальных фантомов» (имитации объектов мониторинга). «Виртуальный фантом» также представляет собой некий модельный объект, имитирующий некоторые свойства реального объекта, содержащей элементы, формирование которых на изображении может представлять трудную задачу для тестируемого с его помощью алгоритма восстановления.

Рис. 5 Структурная схема нейронной сета блока обработки входного сигнала система регистрации. (Ко/, - нейроны слоя Кохонена, Л,„ - линейные нейроны, /к -нейроны-распределители)

Процесс тестирования алгоритма восстановления или фильтрации проходит следующим образом. Специальная программа - генератор виртуальных фантомов, в потоковом режиме генерирует тестовые объекты (пары «исходный сигнал» и «эталон восстановления»), в состав которых, кроме некоторой базы «обычных» элементов входят элементы изображения, потенциально способные сказаться на качестве восстановления при использовании соответствующего алгоритма обработки изображения.

Виртуальный фантом в компьютерном представлении является массивом данных. Поток этих объектов в автоматическом режиме передаётся программе, реализующей тестируемый метод обработки изображения, происходит обработка, после чего восстановленное изображение сравнивается с ранее определённым эталоном. Между восстановленным изображением и эталоном происходит сравнение, по следующей формуле: 1-ХхХг =1-|^1р2||соз(Х1Д2)<^ (6)

Здесь X, и Хг, соответственно, эталонное и восстановленное изображение, <5 - эмпирическая константа, задаваемая из условия достижимости необходимого качества изображения.

Такая оценка разницы для пары «изображение-эталон» накапливается для всего потока, после чего проводиться её усреднение и уже по сформированной таким образом средней ошибке можно делать выводы о качестве восстановленного изображения ВИС.

Рассмотрены ключевые с точки зрения практики, типы артефактов и ошибок восстановления, вариации внутренней структуры виртуального фантома в граничных точках и/или в объёме, например, линии раздела объектов с резко разным уровнем сигналов, точки с уровнем сигнала сравнимым с уровнем шума, или со значениями сигналов не характерных для рассматриваемых объектов.

Таким образом в этой главе обоснована возможность использования метода анализа независимых компонент в задачах фильтрации и восстановления изображения ВИС и разработан алгоритм быстрого преобразования Фурье с использованием математического аппарата нейронных сетей, а также предложена система автоматического тестирования и отладки алгоритмов реконструкции и фильтрации изображений.

Третья глава посвящена разработке и адаптации предложенных методов и средств для повышения эффективности функционирования и разрешающей способности ВИС, а также определению и анализу их информационных характеристик.

В этой главе рассматривается классический способ регистрации сигнала от исследуемого объекта для последующей реконструкции изображения (метод «быстрое спин-эхо»') и используемые сигнальные последовательности. Дано обоснование использования двумерного преобразования Фурье в качестве основы восстановления изображения ВИС.

Проведена сравнительная оценка чувствительности различных методов формирования изображении в зависимости от набора характерных факторов, в частности от числа элементов рассматриваемого объёма объекта, которые необходимо достоверно различать на изображении. Показано, что как трехмерные, так и двумерные методах восстановления по проекциям и «Фурье-интроскопии» являются наиболее оптимальными, потому что в этих случаях регистрируется сигнал со всех элементов объема одновременно.

В работе детально описывается процесс обработки изображения от момента реконструкции до момента вывода на экран и рассматриваются особенности программной реализации основных и вспомогательных систем и составных частей предложенного нейро-сетевого систолического процессора. Такое рассмотрение проводилась применительно к

1 «Быстрое спин-эхо» (англ. «Fast Spin Echo»)

- общепринятое назвзние типа сигнальной последовательности,

14

конкретным практическим задачам контроля качества и структуры специальных блоков из углеродных и метало-керамических композитных материалов и теплообменников парогенераторов.

Во второй части этой главы приведены результаты экспериментального исследования частотно-коптрасных характеристик элементов ВИС и поверхности ОК и оценки пропускной способности реальных электроннооптических преобразователей ВИС, получено выражение для его определения в зависимости от максимального контраста объекта Ко, коэффициента сохранения контраста крупных деталей О и контрастной чувствительности /^(у) приёмника

(7)

В работе определены предельная чувствительность ВИС лазерного мониторинга теплообменников парагенераторов, а также оптические передаточные функции всей системы и её основных элементов. Применение ранее разработанных методов фильтрации и цифровой обработки изображения, с учётом реальных условий работы лазерной ВИС, позволили существенно повысить информационные характеристики системы видеомониторинга теплообменников парогенераторов и увеличить их разрешающую способность.

В этой главе, также, исследованы зависимости индикатрисы отражения объектов от шероховатости их поверхности и излагаются методы оценки надёжности свето- и фотодиодов по результатам климатических испытаний и наработки на отказ, выполненных на АО «Сапфир», под научным руководством проф. Рыжикова И.В.

Четвёртая глава посвящена разработке методов и средств повышения эффективности ВИС и их практической реализации.

В этой главе приведены результаты тестовых и рабочих восстановлений с использованием разработанного алгоритма реконструкции изображения и подробно рассмотрены два типа алгоритмов: алгоритм нейросетевого восстановления с использованием нейронных сетей Хопфильда и алгоритм фильтрации с обучением и динамической настройкой на виды шумов, содержащихся во входном сигнале, в соответствии с математической моделью контура лопатки, которую запомнила сеть на этапе обучения по обобщённому правилу Хэбба. Эти алгоритмы реализованы в виде единого систолического процессора прямого распространения сигнала и с одной стороны позволяют восстановить контур изображения

лопатки турбомашины из последовательностей получаемых сигналов ВИС, а с другой стороны, на стадии до реконструкции позволяют проводить эффективную фильтрацию входного сигнала. Эти алгоритмы способны в большей степени сглаживать артефакты и неточности входных сигналов и получаемых изображений.

Результаты обработки контура изображения лопатки представлены на Рис. 6.

Для повышения надёжности Рис. 6 Изображение «профиля» лопатки ГТД функционирования ВИС с волокон-

и ее восстановленное изображение но-оптическими преобразователями

и каналами передачи информации, в них вводится дополнительный канал с интегрально-оптическим развитвителем со ступенчатым делением мощности, который используется для контроля и коррекции изменения мощностей излучателей различного вида-световых, лазерных, ИК-излучателей и др. Структурные схемы автокорекции сигнала мультиплексированной ВИС приведены на Рис. 7. Использование интеллектуального МП в подсистеме сбора информации, позволяет корректировать погрешность изменения мощности излучателя (Рис. 8) путём статистической обработки данных.

Контроль обрыва оптоволокна или выхода из строя датчика в подсистеме последовательного сбора информации осуществляется по собственным шумам оборванного волокна, фотоприёмника и функционального АЦП. В работе также рассмотрены вопросы защиты информации в телекоммуникационных каналах ВИС.

деградацией источника излучения 1-управляемый генератор опорного напряжения^ - излучатель; 3, 7,10 - ВОЛС; 4, 6 - оптические раз-ветвители; 5 - блок волоконно-оптических преобравователей;9-АЦП; 8,11-фотоприемник.

Выходной кол

Рис. 8 Коррекция погрешности сигнала в схеме с интеллектуальным микропроцессором 1-АЦП, 2-микропроцессор (МП); 3-ЦАП; 4-прецизионный компаратор; 5-ЦАП опорного напряжения.

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ ПО ДИССЕРТАЦИИ:

1. Выполнен анализ современных ВИС мониторинга и их классификация, сформулированы требования, предъявляемые к ним, выбраны методы повышения эффективности ВИС и поставлены задачи их решения.

2. Предложен и теоретически обоснован метод фильтрации сигнала и восстановления изображений ВИС на основе анализа независимых компонент (ICA) с использованием математического аппарата нейронных сетей Херольта-Джуттена.

3. Разработана принципиальная блок-схема программно-алгоритмического комплекса восстановления и тестирования информативной составляющей входного сигнала и изображения.

4. Предложен и построен алгоритм быстрого преобразования Фурье с использованием нейронных сетей для фильтрации сигналов и восстановления изображений ВИС.

5. Предложена и описана система автоматического тестирования и отладки алгоритмов фильтрации многомерных сигналов и реконструкции изображений в ВИС.

6. Разработаны основные направления использования нейросетевых методов и алгоритмов для апостериорного улучшения качества изображений в ВИС, которые реализованы для восстановления контура изображения лопатки турбин.

7. Разработана программная реализация системы автоматического тестирования и отладки алгоритмов восстановления изображений.

8. Определены частотно-контрастные характеристики и предельная чувствительность ВИС для лазерного мониторинга теплообменников парогенераторов.

9. Разработаны методы оценки надежности светодиодов и фотодиодов и способы ее повышения по результатам климатических испытаний и наработки на отказ (life time).

10. Разработана система - алгоритм автоматической коррекции сигналов мультиплексированных систем мониторинга с волоконно-оптическими каналами передачи, а также метод контроля обрыва волокна в них.

11. Разработан метод защиты информации при передачи ее по волоконно - оптическим линиям связи с использованием активных средств защиты.

12. Разработанные программно-алгоритмические методы были применены для определения структуры и качества углеродно-композитных материалов для изделий ответственного назначения в РНИИ КП.

13. Основные результаты, полученные в диссертационной работе, были доведены до практического применения и апробированы в ряде ведущих организаций - Российский НИИ КП, ФГУ «Центр лабораторного анализа и технических измерений по ЦФО», Научно-производственный Центр антитеррористической и криминалистической техники «Спектр-АТ» и холдинговая компания NVision Group.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ ОПУБЛИКОВАНО В СЛЕДУЮЩИХ РАБОТАХ:

1. Нащёкин A.C., Аркадов Г.В., Фролов Ф.В. Потарин А.Е. Корпоративная информационная система: сегодня и завтра. РОСЭНЕРГОАТОМ. Ежемесячный журнал по атомной энергетике России № 5. Москва, 2006 г., с. 20-22.

2. Нащекин A.C., Шатерников В.Е. Автоматическая коррекция погрешностей мультиплексированных систем мониторинга сложных объектов. /Сборник трудов Международной научно-технической конференции «Инновационные технологии в науке, технике и образовании». Хаммамст, Тунис, 12-19 октября. Том 1, М., МГУПИ., 2008 г.. с. 80-86.

3. Куроедов A.B., Нащекин A.C., Рыжиков И.В. Оценка надежности PIN-фотодиодов охранным кольцом по результатам испытаний на безотказность и способы повышения на дежности./Сборник трудов Международной научно-технической конференции «Инноваци онные технологии в науке, технике и образовании». Хаммамет, Тунис, 12-19 октября 2008 г Том 1, М., МГУПИ, 2008г., с. 86-91.

4. Nashekin A.S. Reliability and life time considerations for light emitting diodes wit chips./ Сборник трудов Международной научно-технической конференции «Инновационны технологии в науке, технике и образовании». Хаммамет, Тунис, 12-19 октября 2008 г. Том 1 М„ МГУПИ., 2008г., с. 49-52.

5. Голубятников И.В., Нащекин A.C., Шатерников В.Е. Повышение надежности работь мультиплексированных информационных систем мониторинга./ Тезисы докладов 8-й Между народной конференции «Неразрушшощий контроль и техническая диагностика в промыш ленности». Москва, 18-20 марта 2009 г., М., Машиностроение., 2009г., с. 29-30.

6. Нащекин A.C., Никонов В.В. Безопасность в волоконно-оптических телекоммуникацн онных системах./Сборник научных трудов Международной научно-практической конференцш «Современные направления теоретических и прикладных исследований». Одесса, Украина, 16-1 марта 2009 г. т.З Технические науки., Одесса Черноморье, 2009., с. 52-56.

7. Коршаков A.B., Нащекин A.C. Повышение эффективности восстановления инфор мативной составляющей сигналов систем мошггоринга./Конгроль и диагностика, №10, М. Машиностроение., 2009 г., с. 48-52.

8. Нащекин A.C. Исследование предельной чувствительности лазерного метода мони торингатеплообменников парогенераторов./Приборы №7, М., 2009г., с. 30-33.

9. Нащекин A.C., Шатерников В.Е. Автоматизированная система мониторинга объек тов ядерной энергетики./Научные труды XII Международной научно-практической конфе ренции «Фундаментальные и прикладные проблемы приборостроения, информатики и эко номики.» 5-9 октября 2009г. г.Сочи, кн. Информатика, Москва, МГУПИ, 2009 г., с. 112-115.

10. Зеленский В.А., Нащекин A.C. Методы коррекции сигналов в волоконно оптических системах мониторинга сложных объектов./Контроль и диагностика, №9., М. Машиностроение, 2009 г., с. 18-22.

11. Нащекин A.C., Шатерников В.Е. Контроль обрыва волокна в мониторинговых систе мах./Сборник трудов Международной конференции «Инновационные технологии в науке, про мышленности и образовании». Египет, 14-17 ноября, 2009г. Т.1, М.,МГУПИ, 2009г, с.100-104

12. Нащекин A.C., Коршаков A.B. Восстановление формы и структуры объектов кон троля по искаженным видеоизображениям./ Сборник трудов Международной конференци «Инновационные технологии в науке,технике и образовании». Египет, 14-17 ноября, 2009 Т.2, М., МГУПИ, 2009 г, с.3-15.

13. Абдуллаев О.П., Нащекин A.C., Руденко H.H. Оценка надежности светодиодов все основных цветов на основе AlGalnP и AlGalnN гетеросгруктур по результатам life time испы таний/Сборник трудов Международной конференции «Инновационные технологии в нау ке,технике и образовании». Египет, 14-17 ноября, 2009г. Т.1, М., МГУПИ, 2009 г, с.II8-124.

14. Нащекин A.C., Сумкин К.С. Защита оптического волокна/Сборник научных трудо Международной научно-практической конференции «Современные направления теоретич ских и прикладных исследований». Одесса, Украина, 16-17 марта 2009 г. т.4 Технически науки., Одесса. Черноморье, 2009., с. 33-38.

15. Зеленский В.А., Нащекин A.C., Шатерников В.Е. Система обнаружения событий н основе бинарных волоконно-оптических датчиков./Положительное решение по заявке н патент РФ № 2009117929/22(024689) от 23 июля 2009 г.

ЛР № 020418 от 08 октября 1997 г.

Подписано к печати 16.11.2009 г. Формат 60x84.1/16. Объем 1,25.л. Тираж 5 экз. Заказ № 197.

Московский государственный университет приборостроения и информатики

107996, Москва, ул. Стромынка, 20

Введение.

Глава 1.Анализ видеоинформационных систем мониторинга.

1.1 Область применения и обзор состояния видеоинформационных систем мониторинга.

1.2 Требования к видеоинформационным системам (ВИС), их классификация.

1.3 Анализ современных ВИС, их характеристик и выбор методов и средств повышения эффективности и качества изображений.

1.3.1 Структурные схемы современных ВИС и их анализ.

1.3.2 Анализ методов повышения эффективности ВИС и улучшения качества изображений.

1.4 Выводы по главе.

Глава 2.Теоретическое обоснование и анализ методов повышения эффективности восстановления информативных составляющих сигналов систем мониторинга сложных объектов, разработка математических моделей для построения программно-алгоритмического комплекса.

2.1 Разработка принципиальной блок-схемы программно-алгоритмического комплекса.

2.2 Теоретическое обоснование метода анализа независимых компонент (1СА) и метода фильтрации сигналов на его основе.

2.3 Разработка математического метода построения быстрого нейросетевого преобразования Фурье для восстановления многомерных входных сигналов.

2.4 Разработка системы автоматического тестирования и отладки алгоритмов реконструкции и фильтрации многомерных сигналов.

2.5 Выводы.

Глава 3.Исследование информационных характеристик ВИС и разработка методов их улучшения.

3:1 Разработка методов и средств повышения эффективности и разрешающей способности восстановления изображения в ВИС

3:1.1 Постановка задач и выбор метода их реализации.

3.1.2 Некоторые возможности применения разработанных методов восстановления сигналов для улучшения качества и разрешающей способности пространственных изображений.

3.1.3" Программная реализация системы автоматического тестирования и отладки алгоритмов реконструкции изображений.

3.2 Определение частотно-контрастных характеристик ВИС.

3.3 Определение предельной чувствительности лазерного метода мониторинга теплообменников парогенераторов.

3.4 Исследование зависимости индикатрисы отражения объектов от степени шероховатости их поверхности.

3.5 Разработка методов оценки надежности светодиодов и фотодиодов по результатам климатических испытаний и наработки на отказ.

3.5.1 Исследование надежности светодиодов при воздействии внешних факторов.

3.5.2 Оценка надежности РПчГ-фотодиодов по результатам испытаний на безотказность и способы повышения их надежности.

3.6 Выводы.

Глава 4.Разработка методов и средств повышения эффективности ВИС и их реализация.

4.1 Применение нейросетевых методов для апостериорного улучшения качества изображений в ВИС.

4.2 Методы коррекции сигналов в волоконно-оптических системах мониторинга сложных объектов.

4.3 Контроль обрыва оптического волокна в мониторинговых системах

4.4 Применение предложенных программно-алгоритмических методов для определения качества углеродно-композитных спецматериалов.

4.5 Использование активных средств защиты информации в телекоммуникационных каналах ВИС.

4.6 Выводы.

Актуальность. Как показывает опыт мирового сообщества, в первую очередь снижение рисков возникновения техногенных аварийных ситуаций связано с организацией мероприятий по непрерывному комплексному мониторингу сложных технических объектов и природной среды [1—11].

Сложные технические объекты и производства, такие как магистральные трубопроводы, нефтехимические производства, тепловые и атомные электростанции, гидроэлектростанции, объекты транспортной инфраструктуры, оборонного комплекса и др. требуют постоянной защиты от несанкционированного доступа и постоянного мониторинга их параметров с целью своевременного обнаружения предкризисных состояний. Особенностью этих объектов являются сложные конфигурации, наличие большого числа взаимосвязанных систем и подсистем с множеством датчиков и функциональных преобразователей, информация от которых должна поступать в реальном масштабе времени [6, 12—26 29-53].

Современные системы мониторинга характеризуются широким применением оптических способов и устройств сбора, передачи и обработки информации, применением разветвлённой инфраструктуры волоконно-оптических линий связи (ВОЛС) и видеоинформационных систем(ВИС)[21-28].

ВИС сбора и передачи информации в виде изображений особенно перспективны. Оптические изображения и образы являются высшей формой получения, хранения« и представления информации, а также её наиболее удобным, оптимальным видом для восприятия человеком. Поэтому широко используются различные ВИС в том числе с применением интеллектуальных видеодатчиков для решения: самых сложных задач контроля и диагностики различных объектов и оборудования [6, 13, 18, 24].

Вместе с тем, всё возрастающее количество ВИС и выполняемых ими функций делает актуальной разработку достоверной оценки их информационных свойств,- среди которых основным является, безусловно, качество воспроизведения» изображений., В настоящее время наблюдается тенденция- расширения применения ВИС для диагностики? объектов; и оборудования в труднодоступных полостях с помощью эндоскопической видеотехники. Это позволяет повысить уровень пространственной локализации: диагностируемых параметров в; реальном масштабе времени. Разработкой ВИС различного назначения занимается значительное число фирм в России и за рубежом. Среди них можно отметить фирмы Олимпас (Япония), Эверест (США), Шторц (Германия), Форт (Франция), ИАЭ им. И.В. Курчатова, МНПО Спектр (Москва), ГОИ им. СИ. Вавилова (Санкт-Петербург) и др. [6-53] Однако среди продукции этих фирм практически отсутствуют микровидеоинформационные системы для мониторинга объектов; в зазорах и полостях шириной порядка 1-3" мм. В тоже время, в связи с длительными сроками эксплуатации обострилась проблема визуального мониторинга трубопроводов, турбомашин, теплообменных структур парогенераторов и др. оборудования, зазоры в которых не превышают 3 мм, с целью своевременного обнаружения повреждений, коррозии, образования свищей и дефектов.' Создание высокоразрешающих и устойчивых к влиянию внешних воздействий волоконно-оптических систем, фото- и световодов, сверхминиатюрных ПЗС-матриц с размерами пикселей 1-3 мкм, микролазеров делает решение этой задачи вполне реальной [23, 27, 28, 37, 43, 45, 53-57]. Диагностические возможности этих систем могут быть расширены за счёт их системной интеграции с такими инновационными средствами и методиками, как лазерная световодная УЗ-дефектоскопия, ИК-спектроскопия налётов и др.

Вместе с тем создание подобных систем возможно только при условии детального анализа процессов преобразования информации в вышеуказанных ВИС с учётом спецификии их функционирования, конкретных условий применения и функционального назначения.

Разработка методов и средств повышения качества передачи и воспроизведения изображений, получаемых ВИС, является в этой связи актуальной задачей повышения эффективности их применения в системах мониторинга.

Для решения этой задачи обычно используются фундаментальные структурометрические характеристики систем передачи изображения, такие как оптическая передаточная функция и отношение сигнал-шум и разработанные на этой основе интегральные критерии качества, базирующиеся на достижениях современной теории информации и кибернетики. К таким критериям может быть отнесена, например, информационная пропускная способность видеосистемы, выраженная количеством бит на единицу площади телевизионного кадра [32, 58, 69-73].

В области обработки и передачи изображения имеется много работ зарубежных и отечественных учёных В.Г. Домрачев, Н.И. Пахомов, А.П. Иванов, М.М. Мирошников, К.Р. Предко, И.П. Истомин, В.А. Сойфер, Дж. Госсорг, Ф. Перрен, Д.К. Джуттен, Д. Херольт, У. Прэтт и др. ведущих научных организаций России ИППИ РАН, ГОИ имени Вавилова,.Самарским институтом исследования изображений, МГУ, Новосибирским институтом электрометрии, МИИГАиК, МГТУ им. Н. Баумана, МНПО Спектр, НПО "Астрофизика" и др. [21-23, 25; 27, 32, 42, 44, 60, 69-94].

Видеоинформационным системам диагностики и мониторинга объектов посвящено большое количество монографий, справочников, научных работ [1-6, 16-18, 23-25, 27, 30, 37, 42, 44-46^ 47, 56-60]

Новая волна интереса к разработке • и применению видеоинформационных систем связана с появлением новых матричных преобразователей изображения (ПЗС-матрицы, микроболометрические и фотодиодные системы), отличающихся высоким пространственным разрешением (10 мегапикселей и более), быстродействием (до 0,00001 с/кадр), широким динамическим диапазоном (до 100 дБ), большим спектральным диапазоном (от ультрафиолета до дальней инфракрасной области спектра), стабильностью работы, устойчивостью к влияниям внешней среды, в том числе к воздействию радиации. Дискретная структура матричных преобразователей хорошо согласуется с цифровыми средствами ввода и обработки информации на компьютерах [43, 56, 61-68].

Расширение функциональных возможностей видеоинформационных систем и одновременно повышение требований к эффективности их применения, обусловили актуальность разработки эффективных методов повышения качества изображения ВИС и их оценки с использованием современного математического аппарата.

В настоящее время наиболее перспективны цифровые методы улучшения и реконструкции изображения. Это методы инверсной фильтрации, метод анализа главных компонент (ICA), метод Уотса глобальной бинаризации, метод Ниэлка локальной адаптивной бинаризации, методы основанные на быстром преобразовании Фурье и его дискретном аналоге (ДПФ) широко применяемые для восстановления контуров объектов по их искаженным изображениям и известным частотно-контрастным характеристикам [74-94].

Среди цифровых методов обработки изображений особенно перспективны методы, основанные на нейросетевых алгоритмах [87-92, 94— 96]. Они отличаются универсальностью, высокой помехоустойчивостью, эффективностью и высокой скоростью обработки изображений. Однако эти методы плохо адаптированы к реальным задачам решаемыми ВИС. В этой связи теоретическое обоснование параметрических методов для повышения эффективности восстановления информативных составляющих сигналов ВИС, разработка математических моделей и построение программного комплекса является весьма актуальной научной задачей.

Автор в течение многих лет участвовал в разработке современных систем мониторинга различных объектов в том числе с применением различных ВИС. Это послужило основной предпосылкой для обобщения проведенных им* исследований с использованием последних достижений в области теории информаци и прикладной математики.

Таким образом, тема диссертации,, весьма актуальна, так как направлена на решение важной научно-практической задачи - разработке, совершенствованию, повышению эффективности и устойчивости вычислительных методов и алгоритмов восстановления изображений ВИС, применяемых для мониторинга сложных технических объектов, а также определению их информационных характеристик и улучшению качества изображений.

Объектом исследования в настоящей диссертационной работе являются видеоинформационные системы широкого спектра применения при этом особое внимание уделялось системам мониторинга.

Предмет исследования - методы повышения эффективности восстановления информативных составляющих сигналов ВИС на основе анализа независимых компонент, методов их фильтрации и быстрого нейросетевого преобразования Фурье для восстановления многомерных сигналов; определение и анализ информационных характеристик ВИС (частотно-контрастных, предельной чувствительности и т.п.); определение надежности фото- и светодиодов по результатам испытаний и наработки, методы автоматической коррекции и контроля сигналов в волоконно-оптических системах передачи.

Цель настоящей диссертационной работы - исследование и разработка методов и средств повышения эффективности видеоинформационных систем мониторинга сложных технических объектов.

Для достижения поставленной цели были решены следующие задачи:

• проведен анализ современного состояния ВИС мониторинга сложных объектов, рассмотрены и проанализированы основные варианты построения структурных схем видеоинформационных систем мониторинга, проведена классификация этих систем и показателей качества с учетом специфики эксплуатации в системах мониторинга, а также определены основные направления разработки и исследования новых видеоинформационных систем с улучшенными характеристиками;

• выполнено теоретическое обоснование и исследование методов повышения эффективности восстановления информативных составляющих сигналов ВИС мониторинга сложных объектов, разработаны математические модели для построения программно-алгоритмического комплекса;

• исследованы информационные характеристики ВИС и разработаны методы их улучшения;

• разработаны и реализованы методы и средства повышения эффективности ВИС.

Методы исследования. В работе применены следующие методы исследования: теория линейной и нелинейной фильтрации, математическая статистика, вычислительная математика, методы решения систем нелинейных уравнений и интерполяции, теория нейронных сетей, численные методы интегральных преобразований.

Научная новизна:

1. Разработана принципиальная блок-схема программно-алгоритмического комплекса восстановления и тестирования информативной составляющей входного сигнала и изображения.

2. Предложен и теоретически обоснован метод фильтрации сигнала ВИС и восстановления изображений, основанный на анализе независимых компонент (ICA) с использованием математического аппарата нейронных сетей Херолта-Джуттена.

3. Разработан «малошумящий» метод реконструкции изображений и алгоритм его формирования на основе быстрого преобразования Фурье и математического аппарата нейронных сетей прямого распространения сигнала, использование которых позволило повысить разрешение при фиксированном количестве отсчётов и снизить влияние зашумленности сигнала и его искажения приемной аппаратурой на качество изображений.

4. Предложен метод тестирования качества реконструкции изображений, основанный на анализе результатов тестовых восстановлений, производимых с виртуальными тестовыми объектами. Использование этого метода позволяет быстро, в контролируемом режиме производить весь комплекс вычислительных тестов программного обеспечения, необходимых для отладки его работы.

Практическая значимость полученных результатов состоит в следующем:

1. Разработан программный комплекс для реализации нейросетевых алгоритмов обработки и восстановления изображений и выполнена его экспериментальная проверка, подтвердившая высокую эффективность за счет снижения влияния шумовых компонентов и артефактов.

2. Создано программно-алгоритмическое- обеспечение для реконструкции изображений, которое повышает качество изображения и разрешающую способность ВИС по сравнению с алгоритмами, использующими при восстановлении одномерное и двумерное быстрое преобразование Фурье и позволяет гибко регулировать число срезов и увеличивать их количество;

3. Предложенный алгоритм фильтрации сигналов сглаживает наиболее характерные дефекты реконструируемых изображений и обладает способностью к гибкой настройке, а также снижает влияние зашумленности сигнала и его искажения приемной аппаратурой на качество реконструкции изображений;

4. Предложенный метод тестирования и программное обеспечение ВИС, улучшает технологию контроля качества результатов сканирования объектов, и отладку алгоритмов реконструкции изображений.

5. Разработаны способы и алгоритмы автоматической коррекции сигналов мультиплексированных систем мониторинга с волоконно-оптическими каналами, а так же метод контроля обрыва волокна в них.

6. Разработана и апробирована портативная ВИС для контроля теплообменников парогенераторов и программно-аналитический комплекс для реконструкции контуров лопаток, которые позволили надежно выявлять коррозионные и эрозионные зоны, и другие дефекты.

7. Разработанный программно-алгоритмический комплекс может найти широкое применение в различных системах мониторинга сложных объектов (ядерных и радиационно-опасных объектов, охраняемых ответственных объектов и территорий, АЭС, ГЭС, тепловых электростанций подводных газо-нефтепроводов и др.)

Реализация результатов. Результаты диссертации прошли апробацию и использовались в ФГУП «РНИИ КГГ», что позволило повысить качество и наглядность визуализации изображений контролируемых объектов, снизить количество бракованных изделий. Кроме того, результаты диссертации использовались в ]ЧГУЪюпОгоир при разработке автоматизированной системы мониторинга ядерных и радиационно-опасных объектов и грузов, в научно-производственном центре криминалистической и антитеррористической техники «Спектр-АТ» для поисковых и охранных систем, в ФГУ «Центр лабораторного анализа и технических измерений по ЦФО» в системах технических измерений параметров и экспертной оценки техногенных объектов в результате чего повысилась эффективность работы оборудования и улучшилось качество получаемых изображений благодаря снижению частоты появления низкокачественных изображений, загрязнённых влиянием шумов и артефактов различной природы.

Достоверность. Представленные в диссертации результаты обоснованы теоретическим анализом, численным моделированием и верифицированы на известных фактах и экспериментальном материале, полученном и опубликованном различными авторами. Разработанные алгоритмы прошли апробацию в Федеральном государственном унитарном предприятии «Российский научно-исследовательский институт космического приборостроения» (ФРУП «РНИИ КП»), НПЦ «Спектр-АТ», ЫЛ^зюпвгоир и (ФРУ «ЦЛАТИ по ЦФО»)

Апробация работы. Основные результаты работы опубликованы в двух рекомендованных ВАКом журналах — «Контроль. Диагностика», «Приборы», а также в сборниках научных трудов 6 международных конференций (в Москве, Марокко, Египте, Одессе), в количестве 8 статей общим объёмом около 40 страниц, докладывались на 8-й международной конференции «Неразрушающий контроль и техническая диагностика в промышленности» (Москва, 2009), на международной конференции «Надежность информационных систем и элементов» (Марокко, 2009), на международной конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2009), 12-й международной конференции «Фундаментальные и прикладные проблемы приборостроения, информатики и экономики» (Сочи, 2009), международной конференции «Новые инновационные технологии в науке, промышленности и образовании» (Египет, 2009), международной конференции по информационным технологиям (Москва, 2009) на научных семинарах (МГУПИ, РНИИКП).

Положения работы, выносимые на защиту:

1. Адаптивный алгоритм фильтрации и восстановления изображений, использующий принцип разделения сигнала на независимые компоненты эффективно вычитающий шумовые компоненты из входного сигнала, основанный на математическом аппарате нейронных сетей Херольда-Джуттена.

2. Алгоритм формирования изображения, позволяющий быстро восстанавливать изображение из доступных исходных данных.

3". «Малошумящий» метод реконструкции изображений, основанный на математическом аппарате нейронных сетей, сопряженный с алгоритмом фильтрации.

4. Эффективный метод тестирования качества реконструкции изображений на основе разработанного метода анализа тестовых восстановлений, проводимых с виртуальными объектами.

5. Метод и алгоритм определения*предельной чувствительности ВИС к изменениям линейных размеров.

Структура и объём? диссертации. Диссертация состоит из введения, 4 глав, заключения; списка литературы и приложений. Общий объём диссертации 118 стр., включая 52 рисунка и библиографию- из 103 наименований.

13. Основные результаты, полученные в диссертационной работе, были доведены до практического применения и апробированы в ряде ведущих организаций - Российский НИИ Космического приборостроения, ФГУ «Центр лабораторного анализа и технических измерений по ЦФО», Научно-производственный Центр антитеррористической и криминалистической техники «Спектр-АТ» и холдинговая компания NVision Group.

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ ПО ДИССЕРТАЦИИ:

1. Выполнен анализ современных ВИС мониторинга и их классификация, сформулированы требования, предъявляемые к ним, выбраны методы повышения эффективности ВИС и поставлены задачи их решения.

2. Предложен и теоретически обоснован метод фильтрации сигнала и восстановления изображений ВИС на основе анализа независимых компонент (ICA) с использованием математического аппарата нейронных сетей Херольта-Джуттена.

3. Разработана принципиальная блок-схема программно-алгоритмического комплекса восстановления и тестирования информативной составляющей входного сигнала и изображения.

4. Предложен и построен алгоритм быстрого преобразования Фурье с использованием нейронных сетей для фильтрации сигналов и восстановления изображений ВИС.

5. Предложена и описана система автоматического тестирования и отладки алгоритмов фильтрации реконструкции многомерных сигналов и изображений в ВИС.

6. Разработаны основные направления- использования нейросетевых методов и алгоритмов для апостериорного улучшения качества изображений в ВИС, которые реализованы для восстановления контура изображения лопатки турбин.

7. Дана программная реализация системы автоматического тестирования и отладки алгоритмов восстановления изображений.

8. Определены частотно-контрастные характеристики и предельная чувствительность ВИС для лазерного мониторинга теплообменников парогенераторов.

9. Разработаны методы оценки надежности светодиодов и фотодиодов и способы ее повышения* по результатам климатических испытаний и наработки на отказ (life time).

10. Разработана система и алгоритм автоматической коррекции сигналов мультиплексированных систем мониторинга с волоконно-оптическими каналами передачи, а также метод контроля обрыва волокна в них.

11. Разработан метод защиты информации при передачи ее по волоконно — оптическим линиям связи с использованием активных средств защиты.

12. Разработанные программно-алгоритмические методы были применены для определения структуры и качества углеродно-композитных материалов для изделий ответственного назначения в РНИИ Космического приборостроения, восстановления контура лопаток турбомашин и лазерного мониторинга теплообменников газогенераторов.

1. Неразрушающий контроль и диагностика: справочник / В.В. Клюев, Ф.Р. Соснин, A.B. Ковалёв и др.; Под. ред. В.В. Клюева. 2-е издание., испр. И доп. - М.: Машиностроение, 2003. 656 с.

2. Машиностроение. Энциклопедия. Ред. совет: К.В. Фролов (пред.) и др. М.: Надёжность машин. Т. IV-3/B.B. Клюев, В.В. Болотин, Ф.Р. Соснин и др.; Под общ. ред. В.В. Клюева. 1998. 592 с.

3. Неразрушающий контроль: Справочник: В 7 т. Под общ. ред. В.В. Клюева. Т. 1: В 2 кн. Кн. 1: Визуальный и измерительный контроль. Кн. 2: Радиационный контроль. -М.: Машиностроение, 2003. 560 с.

4. Голубятников И.В., Зеленский В.А., Шатерников В.Е. Системы мониторинга сложных объектов. — М.: Машиностроение, 2009. — 172с.

5. Общие положения обеспечения безопасности атомных станций (ОПБ-88) ПН АЭ Г-1-011-89-М.:Энергоатомиздат., 1990г.

6. Правила ядерной безопасности атомных электростанций (ПБЯ-04— 89).-М., Атомиздат, 1990г.

7. Основные технические требования к АСУ ТП АЭС с реактором ВВЭР-1000 (ОТТ-86)-М.:Энергоатомиздат., 1986г.

8. ГОСТ 12.1.030-81. ССБТ. Электробезопасность. Общие требования

9. Требования к программе обеспечения качества для атомных станций ПНАЭ Г-1-028-91.-ГПАН СССР, 1991г.

10. ГОСТ 34.601 Информационная-технология. Комплекс стандартов на автоматизированные системы.

11. Абрамов Ю.В. Методологические основы формирования модели распределения пространства сложных технических объектов в среде САО/САМ/САЕ. Электронный ресурс: http://lab 18.ipu.rssi.ra/labconi7aticle.asp?num=l 8

12. Авдошин Е.С., Авдошин Д.Е., Волоконно-оптические измерительные датчики и приборы. // Зарубежная радиоэлектроника, 1991,№1.-С.35-55.

13. Автомобильная электроника и вопросы автоматизации управления транспортными средствами. // Радио-электроника за рубежом, 1991, вып. 5(53). -С. 27-41.

14. Акимов В. А., Лапин В. JI., Попов В. М. Надежность технических систем и техногенный риск. — М.: ЗАО ФИД «Деловой экспресс», 2002 — 368с.

15. Акимов В. А., Новиков В. Д., Радаев Н. Н. Природные и техногенные чрезвычайные ситуации: опасности, угрозы, риски. — М.: ЗАО ФИД «Деловой экспресс», 2001. — 344 с.

16. Александров Д.А., Аносов Д.В., Виргин В .П. и др. Наука и безопасность России. М.: Наука, 2000. - 328 с.

17. Андрейчиков, A.B., Андрейчикова О.Н. //Интеллектуальные информационные системы.- М.: Финансы и статистика, 2004-264 с

18. Артамонов B.C., Гусев H.H., Малыгин И.Г. Методология создания и эксплуатации информационной системы мониторинга безопасности зданий и сооружений опасных производственных объектов и гидротехнических сооружений. СПб.: СПбУ ГПС МЧС России, 2007.-472 с.

19. Бахарев К.С., Гусев H.H., Малыгин И.Г. Проблемные вопросы создания- региональной информационной системы мониторинга гидротехнических сооружений, объектов4 водозабора и водоочистки // Пожаровзрывобезопасность. 2007, №3; - с. 54 - 67.

20. Бутусов М.М., Верник С.М., Балкин С.А. и др. Волоконно-оптические системы передачи. М. Радио и связь, 1992 г. - 416 с.

21. Возможности, задачи и перспективы волоконно-оптических измерительных систем в. современном приборостроении/ В.Б. Гармаш, Ф.А. Егоров, Л:Н: Коломиец, А.П. Неугодников, В;И. Поспелов./ Спецвыпуск «Фотон-Экспресс Наука». - 2005, № 6. - с. 128-140.

22. Волноводная- оптоэлектроника: Пер: с англ./ Под. Ред. Т.Тамира.-М.:Мир, 1991.-575 с.24; FacKapoB, Д:В1 Интеллектуальные информационные системы: учеб; для?вузов«/,Д;В1Гаскаров^М:,: Высш-шк., 2003.г 431 с;

23. Гауэр Дж. Оптические: системы: связи: Пер с англ. М.: Радио и связь, 1989:-504 с.

24. Геловани B.Ä. Системы поддержки принятия решений в нештатных ситуациях с использованием современной информационной Г технологии /

25. В.А. Геловани, В.Б. Бритков // Системные исследования. Методологические проблемы. Ежегодник 1995 -1996. М.: Эдиториал УРСС, 1996. с. 179-190.

26. Гиниятулин Н.И. Волоконно-оптические преобразователи информации. -М.Машиностроение, 2004. 328 с.

27. Инфракрасная термография в энергетике. Том III Под ред. Р.К. Ньюпорта, А.И. Таджибаева/-СПб.: Изд. ПЭИПК, 2000. 240 е.: ил.

28. Афонин A.B., Ньюпорт Р.К., Поляков B.C., Сергеев С.С., Таджибаев А.И. Инфракрасная термография в энергетике. Том 1. Основы инфракрасной термографии/ Под ред. Р.К. Ньюпорта, А.И. Таджибаева/ -СПб.: Изд. ПЭИПК, 2000 г.

29. Бажанов С.А. Инфракрасная диагностика электрооборудования распределительных устройств. Библиотечка электроника. Приложение к журн. «Энергетик»/ -М.: НТФ «Энергопрогресс», «Энергетик», 2000. 76 с.

30. Бугаенко А.Г. Аппаратура для оценки характеристик тепловизионных систем// Оптич. журнал, 2002. Т.69, №4. С. 19-25.

31. Будадин О.Н., Потапов А.И., Колганов В.И. и др. Тепловой -неразрушающий контроль изделий/ -М.: Наука, 2002. 476 с.

32. Вавилов, В.П. Тепловой контроль. -Книга 1 в справочнике «Неразрушающий контроль» Т.5/ Под редакцией В.В. Клюева/ -М.: Машиностроение, 2004.

33. Вавилов В.П., Александров А.Н. Тепловизионная диагностика в энергетике. Прилож. журн. «Энергетик»/ -М.: НТФ- «Энергопрогресс», «Энергетик», 2003.82с.

34. Вавилов'* В.П., Климов А.Г. Тепловизоры и их применение/ -М.: Интел универсал, 2002. 88 с.

35. Волков В;Г. Малогабаритные телевизионные системы. Обзор №5591/ -М.: НТЦ.«Информтехника», 2000: 157 с.38; Волков В.Г. Приборы ночного видения новых поколений/ Специальная техника, 2001. №5. С. 2-8.

36. Волков В.Г. Тепловизионные и многоканальные приборы наблюдения-для бронемашин/ Специальная техника, 2005, №1. С. 2-20.37.

37. Волков В.Г. Тепловизионные приборы средней дальности действия/ Специальная техника, 2005, №4. С. 2-17. 35.

38. Волков В.Г., Ковалев A.B., Федчишин В.Г. Тепловизионные приборы нового поколения. 4.1// Специальная техника, 2001, №6. С. 2-10. 38.

39. Госсорг Ж. Инфракрасная термография. Основы. Техника. Применение// Пер. с франц./ -М.: Мир, 1998. 339 е.: ил.

40. Ерофейчев В.Г., Мирошников М.М. Перспективы использования ИК матриц в тепловидении// Оптич. журнал, 1997. Т.64, №2. С. 5-13.

41. Иванов В.П. Прикладная оптика атмосферы в тепловидении/ -Казань: Новое знание, 2000. 357 с.

42. Карасик В.Е., Орлов В.М. Лазерные системы видения/ -М.: Изд-во МГТУ им. Баумана, 2001.

43. Ковалев A.B. Антитеррористическая и криминалистическая диагностика. Книга 2 в справочнике «Неразрушающий контроль» Т.8/ Под редакцией В.В. Клюева. -М.: Машиностроение, 2005.

44. Ковалев A.B., Федчишин В.Г., Щербаков М.И. Тепловидение сегодня/ Специальная техника, 1999, №3. С. 13-18. 1999, №4. С. 19-23.

45. Поцелуев A.A., Архангельский В.В. Дистанционные методы исследования окружающей среды. Учебное пособие для вузов/ -Томск, 88Т, 2001. С. 184.

46. Саликов B.JI. Приборы ночного видения: история поколений/ Специальная техника, №2, 2000, С. 40-48.36.

47. Тарасов В.В. Оптико-электронные тепловизионные системы/ -М.: МИИГАиК, 2001.

48. Тарасов В.В., Якушенков Ю.Г. Инфракрасные системы «смотрящего» типа/-М.: Логос, 2004.

49. Тарасов,В.В., Якушенков Ю.Г. Тенденции развития инфракрасных систем «смотрящего» типа/ -Специальная техника, 2004, №1. С. 24-37. 2004, №3.С. 16-25.

50. Шахраманьян М.А. Новые информационные технологии в задачах обеспечения национальной безопасности России/ -М.: ФЦ ВНРШ ГОЧС, 2003. 398 е.; ил.

51. Маляров В.Г. Неохлаждаемые тепловые инфракрасные матрицы// Оптич. журнал, 2002. Т. 69, №10. С. 60-72.

52. Зеленский В.А. Интегрированная система обработки сигналов бинарных волоконно-оптических датчиков. — Самара: Издательство Самарского научного центра РАН, выпуск 3, том. 9 Раздел «Общая физика и электроника». 2007.- С. 37- 40.

53. Проектирование оптико-электронных приборов: Учебник. Изд. 2-е, перераб. и доп./ Ю.Б. Парвулюсов, С.А. Родионов, В.П. Солдатов и др.; под ред. Ю.Г. Якушенкова/ -М.: Логос, 2000. 488с.; ил.

54. Синеглазое В.М., Кеткович A.A. Активная тепловая интроскопия/ -Киев: Техника, 1990. 110с.

55. Скоков И.В. Оптические спектральные приборы/ -М.: Машиностроение, 1984. 240 с.

56. Электронный ресурс: http://daily.sec.ru/dailypblshow.cfm?rid=45&pid=21146

57. Электронный ресурс: http://www.gsm-guard.net/press33.html

58. Электронный ресурс: http://ipumps.ru/info/detail.php?ID=662&FID=612

59. Электронный ресурс: http://www.khalus.com.ua

60. Электронный ресурс: http://www.nnz-ipc.ru/item/show/16655/16668/66.* Электронный, ■ ресурс: http://www.tecon.com.Ua/img/2013/l 121172936Statj.doc

61. Юшин A.M.* Оптоэлектронные" приборы и их зарубежные аналоги. М.: РадиоСофт, 2000. 512 с.

62. Зеленский В.А., Гречишников В.М. Бинарные волоконно-оптические датчики в системах управления и контроля. — Самара: Самарский научный центр РАН, 2006. — 140 с.

63. Катыс Г.П. Восприятие и анализ оптической информации автоматической системой/ -М.: Машиностроение, 1986. 416 с.

64. Мирошников М.М. Теоретические основы оптико-электронных приборов/ -JI.: Машиностроение, 1983. 696 с.

65. Мосягин Г.М., Немтинов В.Б., Лебедев Е.Н. Теория оптико-электронных систем/ -М.: Машиностроение, 1990. 432 с.

66. Порфирьев Л.Ф. Основы теории преобразования сигналов в оптико-электронных системах/ -Л.: Машиностроение. Ленинградское отделение, 1989.387с.

67. Шульман М.Я. Измерение передаточных функций оптических систем, Л.: Машиностроение. Ленингр. отд., 1980—208с.

68. Цветков Э.И. Алгоритмические основы измерений. Л.: Энергоатомиздат, 1992. 254 с.

69. Шеннон К. Работы по теории информации и кибернетике. Пер.с англ. М.: Изд. иностр. лит., 1963. - 830 с.

70. Cichotski A.,Bogner R., Moszczynski L., Pope K. Modified Herault-Jutten algorithm for blind separation of sources // Digital signal Processing, 1997. -Vol. 7.-Pp. 80-93.

71. Cichotski A., Unbehauen R., Moszczynski L., Rummert E. A new online adaptive learning algorithm for blind separation of sources signals. ISANN. -Taiwan, 1994. Pp. 421 - 427.

72. Cardosso J. F., Belouchrani A., Leheld B. A new composite criterion for for adaptive and iterative blind source separation // Proc. ICASSP-94. Adalaide. -Vol. IV.-Pp. 273-276.

73. Бейтс P., Мак-Доннелл M. Восстановление и реконструкция изображений: Пер. с англ. М.: Мир, 1989. - 336 с.

74. J.J. Murillo-Fuentes. «Independent component analysis in the watermarking of digital images», Lectures notes on computer science, vol. 3195, pp. 938-945, 2004.

75. Boloix-Tortosa, JiJ. Murillo-Fuentes. Blind' Source Separation in the Adaptive Reduction of Inter-Channel Interference for OFDM». Lectures notes on computer science, vol.3195, pp.l 142-1149,2004.

76. JJ. Murillo-Fuentes. «Independent component analysis in the watermarking of digital images». Lectures notes on computer science, vol. 3195, pp. 938-945, 2004.

77. J J. Murillo-Fuentes. «Robust Blind Image Watermarking with independent component analysis: an embedding algorithm». Lectures notes on computer science, vol. 3512, pp. 1100-1107, 2005.

78. Шредер M Фракталы, хаос, степенные законы. Миниатюры из бесконечного рая 2005. Твердый переплет. 528 с.

79. Р. М. Кроновер. Фракталы и хаос в динамических системах. Основы теории. Москва: Постмаркет, 2000. 352 с. 61

80. Фаррар Е., Беккер Э. Импульсная Фурье-спектроскопия ЯМР. — М.: Мир, 1973.

81. С. Осовский. «Нейронные сети для обработки информации» М.: «Финансы и статистика» 2002, 344 с.

82. А.И. Солонина, Д.А. Улахович, С.М. Арбузов, Е.Б. Соловьёва. Основы цифровой обработки сигналов: курс лекций. Изд. 2-е испр. и перераб. СПб.: БХВ-Петербург, 2005. - 768 с.

83. С. Хайкин. «Нейронные сети: полный курс», 2-е издание., испр. : Пер. с англ. М.: ООО «И.Д. Вильяме», 2006, 1104 с.

84. В. А. Головко. «Нейронные сети: обучение, организация и применение». Издательское предприятие журнала «Радиотехника». Москва 2001, 256 с. (Нейрокомпьютеры и их применение).

85. Коршаков A.B. Современные методы реконструкции томографических изображений //Межвузовский сборник научных трудов «Приборостроение». -М.: МГУПИ,2007.-с.100-107

86. Коршаков A.Bf. Обзор некоторых методов реконструкции томографических изображений. //Контроль. Диагностика. М.: Машиностроение.-№3(105) 2007.-е. 45-49

87. Коршаков A.B., Шатерников В.Е. Использование математической концепции нейронных сетей в задаче восстановления ЯМР-томографического изображения. //Системы управления и информационные технологи. С.: Воронеж.-№ 2(32) 2008.-е. 67-72.

88. Кеткович A.A., Яковлева Н.И., Чичигин Б.А. Лазерная компьютерная система контроля лопаток газотурбинных двигателей ÜGRGK1// Контроль. Диагностика №3, 2007. М.: Машиностроение., с 32-36

89. Таубкин И.И., Тришенков М.А. Предельная чувствительность и информативность тепловизоров и других оптико-электронных преобразователей изображения// Оптич. журнал, 1996. Т. 63, №6. С. 18

90. Оценка качества оптического изображения. Под ред. O.A. Герасимовой., М, Геодезиздат., 1995, 276с.

91. Петров В.П. Контроль качества и испытание оптических приборов/ -Л.: Машиностроение, 1985. 222 с.

92. Цифровое преобразование изображений: Учеб. Пособие для вузов/ P.E. Быков, Р. Фрайер, К.В. Иванов, A.A. Манцветов, под ред. Профессора P.E. Быкова.-М.:Горячая линия-Телеком., 1984—162с.

93. Р. Гонсалес, Р. Вудс. Цифровая обработка изображений. М.: Техносфера, 2005-1072с.

94. Гринфильд Д. Оптические сети-С-Пт.:ДиаСофтЮП.-2002.-256с.

95. Никулин О.Ю., Петрушин А.Н. Системы телевизионного наблюдения/ -М.: Оберег-РБ, 1997. 168с.

96. Коршаков A.B., Шатерников В.Е. Автоматизация отладки алгоритмов восстановления томографических изображений с использованием виртуальных фантомов. //Экологические приборы и системы. -М. «Научтехлитиздат».-№12 2007. с. 7-10.

97. Нащекин A.C., Коршаков A.B. Восстановление формы и структуры объектов контроля по искаженным видеоизображениям./ Труды Международной конференции «Инновационные технологии в науке,технике и образовании». Египет, 14-17 ноября, М., МГУПИ, 2009 г.

98. Коршаков A.B., Нащекин A.C. Повышение эффективности восстановления информативной составляющей сигналов системГ132мониторинга./Контроль и диагностика, №10, М., Машиностроение., 2009 г., с. 48-53.

99. Дьячков П.Н. Углеродные нанотрубки: строение, свойства, применения / П.Н. Дьячков. М.: БИНОМ. Лаоратория знаний, 2006. - 293 с. (Серия: Нанотехнология)

100. Нащекин A.C. Исследование предельной чувствительности лазерного метода мониторинга теплообменников парогенераторов./Приборы №7, 2009г., с. 30-33.

101. ПО.Кеткович A.A., Чичигин Б.А. Лазерный профилометр изделий сложной формы // Литьё и металлургия 2(34)2005-Минск, Литьё и металлургия, 2005г.-с. 141-142

102. Ш.Кучин А.А, Обрадович К.А. Оптические приборы для измерения шероховатости поверхности.-Л.: Машиностроение. Ленинг. отд., 1981.-197 с.

103. Топорец A.C. Оптика шероховатой поверхности. -Машиностроение. Ленинг.отд., 1988.-191 с.

104. Зеленский В.А., Нащекин A.C. Методы коррекции сигналов в волоконно-оптических системах мониторинга сложных объектов./Контроль и диагностика, 2009 г., №7., М., Машиностроение, с.23-29.

105. Зеленский В.А., Нащекин A.C., Шатерников В.Е. Система обнаружения событий на основе бинарных волоконно-оптических датчиков./Положительное решение по заявке на патент РФ № 2009117929/22(024689) от 23 июля 2009 г.

106. Нащекин A.C., Шатерников В.Е. Контроль обрыва волокна в мониторинговых системах./Труды Международной конференции «Инновационные технологии в науке, промышленности и образовании». Египет, 14-17 ноября, М., МГУПИ, 2009 г.

107. Нащекин A.C., Аркадов Г.В., Фролов Ф.В. Потарин А.Е. Корпоративная информационная система: сегодня и завтра. РОСЭНЕРГОАТОМ. Ежемесячный журнал по атомной энергетике России № 5. Москва, 2006 г., с. 20-22.