автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Математическая и имитационная модели изображения поверхности стальной полосы на основе гиббсовских случайных полей

Введение

Глава 1. Анализ современного состояния проблемы моделирования изображения поверхности стальной полосы в задачах проектирования ОЭСККПМ

1.1 Общая характеристика оптико-электронных систем контроля качества поверхности металлопроката

1.2 Анализ известных методов, средств и моделей, используемых при разработке оптико-электронных систем контроля качества поверхности стальной полосы

1.3 Постановка задачи построения моделей изображения поверхности стальной полосы

Выводы по главе

Глава 2. Математическое моделирование изображения поверхности стальной полосы на основе гиббсовских случайных полей

2.1 Построение модели изображения поверхности стальной полосы

2.2 Оценка параметров модели

2.2.1 Методика оценки параметров модели на основе МНК

2.2.2 Формирование набора статистики для нахождения параметров модели с использованием аппроксимирующей нейросети

2.2.3 Методика оценки параметров модели при помощи генетических алгоритмов

2.3 Адекватность модели и поиск ее оптимальных параметров

2.3.1 Методика проверки адекватности модели и выбор оптимального способа оценки параметров модели

2.3.2 Поиск оптимальных параметров модели при исследовании систем окрестностей различных порядков и различных градаций яркости

Выводы по главе

ГлаваЗ. Оптимизация процесса поиска значений основных параметров оптико-электронных систем контроля качества поверхности стальной полосы на основе имитационного моделирования

3.1 Построение имитационной модели изображения поверхности стальной полосы

3.2 Разработка алгоритма сегментации изображения поверхности стальной полосы на основе пороговых методов

3.3 Взаимосвязь параметров оптической схемы и параметров модели изображения поверхности стальной полосы

3.4 Оптимизация параметров оптической схемы в задачах оптико-электронного контроля стальной полосы на основе имитационной модели

Выводы по главе

Глава 4. Экспериментальные исследования моделей изображения поверхности стальной полосы

4.1 Описание экспериментальной установки

4.2 Экспериментальные исследования математической и имитационной моделей

4.3 Области применения и перспективы развития технологии автоматизированного проектирования оптико-электронных систем контроля качества поверхности стальной полосы

Выводы по главе

Возрастающий спрос на стальную полосу высокого качества, выпускаемую на скоростных станах холодной и горячей прокатки, требует обеспечения эффективного контроля ее поверхности, который осуществляется в настоящее время, как правило, визуально работниками ОТК. Однако, из-за присущего субъективизма, непостоянной природы человеческого зрения конечная визуальная проверка поверхности проката не дает удовлетворительных результатов. Как следствие необнаруженные дефекты проявляются на следующих переделах, ведут к сбоям технологии и зачастую переходят на конечный продукт, отгружаемый потребителю. Вот почему сегодня во всем мире ведутся активные работы в области создания автоматических оптико-электронных систем контроля качества поверхности стальной полосы.

К числу основных задач при разработке таких систем следует отнести настройку основных параметров оптико-электронных систем контроля качества поверхности металлопроката (ОЭСККПМ) и, прежде всего, параметров оптической схемы, алгоритмов обнаружения дефектов и т.п. Зачастую эта задача решается экспериментальным путем, методом «проб и ошибок». Использование эффективной модели изображения поверхности позволило бы существенно снизить время и материальные издержки на этапе проектирования подобных систем.

Отдельные публикации в зарубежной печати, касающиеся вопросов построения таких моделей, носят, в основном, рекламный характер и не раскрывают сути предложенных решений. Отечественные методики моделирования изображения поверхности стальной полосы, использующие либо модель Бугера, либо «классическую» модель Гиббса, не позволяют эффективно решать задачи проектирования. Представления изображений, используемые в компьютерной графике и позволяющие синтезировать текстуры, например, на основе теории вейвлет-преобразований или теории фракталов, используются, в основном, для сжатия изображений. В задачах оптико-электронного контроля качества поверхности металлопроката эти представления могут применяться, но лишь на этапах предварительной обработки и хранения изображений поверхности или на этапе классификации дефектов. Как правило, такое ограничение обусловливается сложностью построения имитационной модели изображения поверхности стальной полосы.

Таким образом, проблема построения моделей изображения поверхности стальной полосы, позволяющей настраивать параметры оптической схемы и параметры алгоритмов сегментации оптико-электронных систем контроля качества поверхности стальной полосы на сегодняшний день мало изучена и представляется весьма актуальной.

Целью диссертационной работы является построение математической и имитационной моделей изображения поверхности стальной полосы, которые не только адекватно описывают изображение, но и позволяют настраивать основные параметры оптической схемы, а также характеристики алгоритмов сегментации ОЭСККПМ.

Для достижения поставленной цели в рамках диссертационной работы решаются следующие основные задачи:

1. Анализ современного состояния проблемы моделирования изображения поверхности стальной полосы в задачах проектирования ОЭСККПМ.

2. Математическое и имитационное моделирование изображения поверхности стальной полосы на основе теории гиббсовских случайных полей.

3. Оптимизация процесса поиска основных параметров оптико-электронных систем контроля качества поверхности стальной полосы на основе имитационного моделирования.

4. Экспериментальные исследования разработанных моделей изображения поверхности стальной полосы.

Для решения поставленных в работе задач использован аппарат теории вероятностей и математической статистики, теории случайных полей, теории распознавания образов, обработки и анализа растровых полутоновых изображений, теории методов статистического моделирования на ЭВМ.

Объектом исследования является изображение поверхности стальной полосы.

Научная новизна работы состоит в следующем:

1. Разработана математическая модель изображения поверхности стальной полосы на основе гиббсовских случайных полей, использующая новый способ представления индикаторных функций, а также методику оценки параметров предложенной модели на основе аппарата генетических алгоритмов.

2. Разработана имитационная модель изображения поверхности стальной полосы, осуществляющая синтез изображений поверхности стальной полосы и обеспечивающая возможности оптимизации параметров оптической схемы, тестирования и настройки алгоритмов сегментации.

3. Предложен новый способ оптимизации оптико-электронных систем контроля качества поверхности стальной полосы, включающий в себя методику, критерии и алгоритм оптимизации параметров оптической схемы.

Практическая ценность работы заключается в следующем:

1. Разработано программное обеспечение процедуры имитационного моделирования изображения, позволяющее синтезировать изображения поверхности металлопроката с различными типами дефектных областей.

2. Разработано программное обеспечение для расчета параметров гиббсовского распределения уровней яркости бездефектных и дефектных областей на изображении поверхности стальной холоднокатаной полосы. Рассчитаны параметры распределения уровней яркости для изображений наиболее часто встречающихся поверхностных дефектов и бездефектной поверхности.

3. Разработано программное обеспечение для проверки адекватности предложенных моделей и поиска их оптимальных параметров, при помощи которого обоснована адекватность применения гиббсовского подхода для моделирования изображений поверхности металлопроката.

4. Даны практические рекомендации по выбору оптимальных параметров оптической схемы при проектировании оптико-электронных систем контроля качества поверхности горячекатаного и холоднокатаного металлопроката.

5. Предложен критерий оценки эффективности алгоритмов сегментации изображений поверхности металлопроката. Создано программное обеспечение для проверки эффективности таких алгоритмов.

6. Полученные результаты использованы при проектировании автоматизированной оптико-электронной системы контроля качества поверхности стальной холоднокатаной полосы, разрабатываемой Институтом менеджмента и информационных технологий (филиалом) СПбГПУ по заказу ООО «Малленом».

7. Результаты исследований используются в учебном процессе в Институте менеджмента и информационных технологий (филиале) СПбГПУ в г. Череповце в курсе «Обработка и анализ изображений» для специальности 220400-«Программное обеспечение ВТ и АС».

Основные результаты работы докладывались на 5 научно-технических конференциях, по материалам диссертации опубликованы 7 печатных работ.

В структурном отношении работа состоит из введения, четырех глав, заключения, списка литературы и приложений.

В первой главе проведен анализ современного состояния проблемы моделирования изображения поверхности стальной полосы. Дана общая характеристика оптико-электронных систем контроля качества поверхности металлопроката. Указаны требования, предъявляемы к таким системам. Приведена классификация и описание поверхностных дефектов. Рассмотрены известные методы, средства и модели, используемые при разработке оптико-электронных систем контроля качества поверхности металлопроката. Выявлены их основные достоинства и недостатки. Выделена одна из основных задач, которую необходимо решить в первую очередь для эффективной разработки ОЭСККПМ - настройка параметров ОЭСККПМ, оказывающих основное влияние на эффективность контроля качества поверхности, таких как параметры оптической схемы, параметры алгоритмов обнаружения дефектов и т.д.

Выявлен наиболее перспективный подход к моделированию изображения поверхности стальной полосы с использованием известной модели изображения на основе гиббсовских случайных полей. Указаны недостатки этого подхода, заключающиеся в сложности определения параметров модели и в отсутствии функциональных возможностей оптимизации параметров оптической схемы. Определена цель диссертационной работы, заключающаяся в построении и исследовании математической и имитационной моделей изображения поверхности стальной полосы, позволяющих настраивать основные параметры ОЭСККПМ. Показаны пути ее достижения и определены решаемые в диссертационной работе задачи.

Вторая глава содержит описание математической модели изображения поверхности стальной полосы, в основе которой лежит математический аппарат теории случайных полей. Предложена процедура формирования набора статистики для нахождения параметров модели. Предложены методики оценки параметров модели текстур дефектных и бездефектных областей поверхности, использующие новый способ представления индикаторных функций. Предложены методики проверки адекватности модели и выбора оптимального способа оценки параметров модели, а также поиска оптимальных значений параметров модели.

Третья глава посвящена вопросам имитационного моделирования изображения поверхности стальной полосы. Рассмотрен алгоритм синтеза изображений поверхности стальной полосы. Разработан алгоритм сегментации изображения поверхности стальной полосы на основе пороговых методов. Выявлена взаимосвязь параметров оптической схемы и параметров модели изображения поверхности стальной полосы. Предложен новый способ оптимизации оптико-электронных систем контроля качества поверхности стальной полосы, включающий в себя методику, критерии и алгоритм оптимизации параметров оптической схемы.

Четвертая глава посвящена экспериментальному исследованию разработанных методик и алгоритмов. Дано описание экспериментальной установки. Выбран оптимальный вариант оценки параметров модели. Выполнена оценка параметров гиббсовского распределения уровней яркости для бездефектных и наиболее распространенных дефектных областей поверхности холоднокатаного проката. Обоснована адекватность моделей изображения поверхности стальной полосы. На основе значений параметров модели для бездефектной и дефектных областей осуществлен синтез изображений поверхности стальной холоднокатаной полосы. Экспериментально подтверждена возможность применения предложенного алгоритма сегментации для решения задачи обнаружения дефектов поверхности стальной холоднокатаной полосы. Рассмотрены области применения и перспективы развития технологии автоматизированного проектирования оптико-электронных систем контроля качества поверхности металлопроката с использованием математического и имитационного моделирования.

В приложении приведены:

1. Классификация поверхностных дефектов холоднокатаного и горячекатаного проката;

2. Сведения об отношении объема бракованного проката для основных разновидностей дефектов, по которым бракуется металл на ОАО «Северсталь», к общему объему производства проката за 2002 год.

3. Примеры изображений бездефектной поверхности и поверхности с наличием дефектов различных типов для холоднокатаного проката.

4. Классификация методов предварительной обработки изображений.

5. Классификация методов обнаружения дефектов.

6. Значения кодов Грея.

7. Блок-схема генетического алгоритма.

8. Схема определения оптимального способа оценки параметров модели.

9. Схема поиска оптимальных параметров модели.

10. Программный модуль синтеза изображений поверхности стальной холоднокатаной полосы;

На защиту выносятся следующие положения:

1. Математическая модель изображения поверхности стальной полосы на основе математического аппарата теории случайных полей.

2. Имитационная модель изображения поверхности стальной полосы.

3. Способ оптимизации параметров оптической схемы в задачах проектирования оптико-электронных систем контроля качества поверхности стальной полосы.

4. Экспериментальная установка для исследования моделей изображения поверхности стальной полосы.

ВЫВОДЫ ПО ГЛАВЕ 4

1) Разработана экспериментальная автоматизированная становка для проверки математической модели изображения юверхности холоднокатаного металлопроката, поиска оптимальных гараметров модели, проверки имитационной модели; выбора »птимальных параметров оптической схемы, исследования алгоритма >бнаружения поверхностных дефектов и экспертной классификации ;ефектов по типам.

2) Разработано программное обеспечение для исследования додели изображения поверхности металлопроката, позволяющее производить сегментацию изображения на бездефектные и дефектные области; оценивать параметры распределения Гиббса для :егментированных областей изображения; синтезировать изображения поверхности металлопроката, как без присутствия дефектов, так и с их присутствием.

3) Проведены экспериментальные исследования по оценке адекватности и поиску оптимальных параметров модели изображений эездефектной и дефектной поверхности холоднокатаного металлопроката, которые доказали адекватность применения модели Гиббса для моделирования изображений поверхности металлопроката и выявили оптимальный способ оценки параметров модели.

4) Получены векторы параметров для бездефектных и дефектных областей текстуры. Проведен синтез изображений поверхности стальной холоднокатаной и горячекатаной полосы, на основе использования параметров гиббсовского распределения.

5) Экспериментально подтверждена возможность применения предложенного алгоритма обнаружения дефектов для контроля качества поверхности холоднокатаной стальной полосы.

6) Рассмотрены области применения и перспективы развития технологии автоматизированного проектирования оптико-электронных систем контроля качества поверхности стальной полосы с использованием математического и имитационного моделирования.

ЗАКЛЮЧЕНИЕ

В рамках диссертации на основе математического аппарата теории :лучайных полей решена проблема моделирования изображения юверхности стальной полосы в системах ОЭСККПМ. Предложенные додели, методики и алгоритмы обеспечивают возможность штоматизации проектирования оптико-электронных систем контроля сачества поверхности стальной полосы путем оптимизации основных траметров таких систем: параметров оптической схемы, параметров алгоритмов обработки изображений.

Основные научные и практические результаты работы $аключаются в следующем:

1. Разработана математическая модель изображения поверхности :тальной полосы на основе гиббсовских случайных полей, использующая новый способ представления индикаторных функций, а также методику оценки параметров предложенной модели на основе аппарата генетических алгоритмов.

2. Разработана имитационная модель изображения поверхности стальной полосы, осуществляющая синтез изображений поверхности стальной полосы и обеспечивающая возможности оптимизации параметров оптической схемы, тестирования и настройки алгоритмов сегментации.

3. Предложен новый способ оптимизации оптико-электронных систем контроля качества поверхности стальной полосы, включающий в себя методику, критерии и алгоритм оптимизации параметров оптической схемы.

4. Разработано программное обеспечение процедуры имитационного моделирования изображения, позволяющее синтезировать изображения поверхности металлопроката с различными типами дефектных областей.

5. Разработано программное обеспечение для расчета параметров гиббсовского распределения уровней яркости бездефектных и дефектных областей на изображении поверхности стальной :олоднокатаной полосы. Рассчитаны параметры распределения гровней яркости для изображений наиболее часто встречающихся юверхностных дефектов и бездефектной поверхности.

6. Разработано программное обеспечение для проверки щекватности предложенных моделей и поиска их оптимальных траметров, при помощи которого обоснована адекватность 1рименения гиббсовского подхода для моделирования изображений товерхности металлопроката.

7. Даны практические рекомендации по выбору оптимальных тараметров оптической схемы при проектировании оптико-электронных систем контроля качества поверхности горячекатаного и солоднокатаного металлопроката.

8. Предложен критерий оценки эффективности алгоритмов :егментации изображений поверхности металлопроката. Создано программное обеспечение для проверки эффективности таких алгоритмов.

9. Полученные результаты использованы при проектировании автоматизированной оптико-электронной системы контроля качества поверхности стальной холоднокатаной полосы, разрабатываемой Институтом менеджмента и информационных технологий (филиалом) СПбГПУ по заказу ООО «Малленом».

10. Результаты исследований используются в учебном процессе в Институте менеджмента и информационных технологий (филиале) СПбГПУ в г. Череповце в курсе «Обработка и анализ изображений» для специальности 220400-«Программное обеспечение ВТ и АС».

1. An Area-Scan Defect Atlas of CRM Surface Defects. Amitabha Mukerjee, International Automated Surface Inspection Technology, Conf., Lake Buena Vista, Fla., Febr., 1999.

2. An Evaluation of Stochastic Models for Analysis and Synthesis of Gray-Scale Texture. Havard Iversen & Tor Lonnestad. Image Processing Laboratory, Department of Informatics, University of Oslo, 1990.

3. Automated inspection system with bright field and dark filed illumination, патент № W09820327, 1998-05-14.

4. Bayes smoothing algorithms for segmentation of binary images modeled by Markov random fields. Derin H., Elliott H., Cristi R., Geman D., IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984.

5. Classification of Rust Grades on Steel Surfaces. Cem Unsalan, Aytiil Ergil, Part I. Bogazigi University Research Report, FBE-IE-12/97-16, 1997.

6. Defect detection and classification with the iS-i inspection system, Isys, Isys Controls Inc., Aug. 4, 1991.

7. Detection of Defects in Colour Texture Surfaces. Kittler.J, Marik R., Mirmehdi M., Petrou M., Song J.

8. Detection, Representation and Classification of Anomalies in Homogeneous Images, Williams P.S., Alder M.D.

9. Edge Flow: A Framework of Boundary detection and Image Segmentation. Ma W.Y., Manjunath B.S., ECE Technical Report #9702, University of California, Santa Barbara.

10. European Experiences in Cold Strip Surface Inspection, Marco Vascotto, International Automated Surface Inspection Technology, Conf., Lake Buena Vista, Fla., Febr., 1999.

11. Generic Flaw Detection with in Images, Williams P.S., Alder M.D.

12. Image segmentation using simple Markov field models. Hansen F.R., Elliott H., Comput. Graphics Image ProcessingД982.1.. Markov Random Field Modeling in Computer Vision. S.Z. Li, Springer-Verla, 1999.

13. Markov Random Fields and Gibbs ensembles. Spitzer F., Amer. Math. Mon., 1971.

14. Method of evaluating objects based upon image processing, and inspection apparatus using said method, патент № EP0435660, 199107-03.

15. Modeling and Segmentation of Noisy and Textured Images Using Gibbs Random Fields. Haluk Derin, Howard Elliott, IEEE Transactions on pattern analysis and machine intelligence, 1987.

16. Spatial interaction and the statistical analysis of lattice systems. J. Besag, J.Roy. Statist. Soc. B, 1974.

17. Statistical Image Texture Analysis. Handbook of Pattern Recognition and Image Processing, Haralick R.M., volume 86, pages 247-279. Academic Press, 1986.

18. Steel Surface Classification by Texture Analysis Methods. Cem UNSALAN Aytul ERCIL, Machine Vision Aplications journal, 1998.

19. Stochastic relaxation, Gibbs distribution and the Bayesian restoration of images. Geman S. and Geman D., IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984.

20. Surface defect Inspector, system configuration. Tospectron Series, Toshiba Corp., 1990.

21. Surface Detect Inspection of Cold Rolled Strips with Features based on Adaptive Wavelet Packets. Lee C.S., Choi C.H., Choi J.Y., Choi S.H. IEICE Trans. Inf & Syst., vol. E80-D, No.5, May 1997.

22. Textural Properties for Pattern Recognition, in Picture Processing anc Phychopictorics. Lipkin B.S., Rosenfeld A., Academic Press, New York 1956.

23. Texture Analysis Anno 1983. Van Gool L., Dewaele P., Oosterlinck A. Computer Vision, Graphics, and Image Processing, 29, 336-357, 1985

24. Абламейко C.B., Лягуновский Д.М. Обработка изображений: технология, методы, применение. Учебное пособие. Мн.: Амалфея, 2000. - 304 с.б. Александров В.В., Горский Н.Д. Представление и обработка изображений: рекурсивный подход. М.: Наука, 1985. - 117 с.

25. Барский В.Ф. Диссертация на соискание степени кандидата технических наук. Метод контроля и алгоритмы выявления окалины на поверхности горячекатаного листа дефектов жести. -СПб.: СЗПИ, 1993. 183 с.

26. Валин В.Н. Диссертация на соискание степени кандидата технических наук. Синтез алгоритмов обнаружения и распознавания дефектов поверхности холоднокатаного металла. СПб.: СЗПИ, 1989. 176 с.

27. Варфоломеев В.И. Алгоритмическое моделирование элементов экономических систем. М.: Финансы и статистика, 2000. - 140с.

28. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблема виртуальной реальности. Харьков: Основа, 1997. -193с.

29. Горелик A.A., Скрипкин В.А.,М. Методы распознавания. М.: Высшая школа, 1989. - 95 с.

30. Грузман И.С., Спектор A.A., Киричук B.C., Косых В.П., Перетяган Г.И. Цифровая обработка изображений в информационных системах. Новосибирск, 2000. - 324 с.

31. Гультяев A.K. Matlab 5.2. Имитационное моделирование в среде Windows: Практическое пособие. -СПб.: Корона принт, 1999.-288 с.

32. Дрессировка холоднокатаных отожженных полос на дрессировочном стане 1700. Технологическая инструкция ТИ 105-ПХЛ.-04-95, Череповец, 1995.

33. Дрессировка холоднокатаных отожженных полос на дрессировочном стане 1700 №2 ПХЛ. Технологическая инструкция ТИ 105-ПХЛ.-26-98, Череповец, 1998.

34. Ежов А., Шумской В. Нейрокомпьютеринг и его применение в экономике и бизнесе. -М., 1998. 235 с.

35. Ершов Е.В. Диссертация на соискание степени кандидата технических наук Метод оптико-электронного контроля и алгоритмы выявления поверхностных дефектов жести, СПб.: СЗПИ, 1993. - 188 с.

36. Змитрович А.И. Интеллектуальные информационные системы. -Мн.: НТООО ТетраСистемс, 1997. 368 с.

37. Каллан Р. Основы концепции нейронных сетей. М.: Вильяме, 2001.-287 с.

38. Ю. Камени Дж., Снелл Дж., Кнепп А. Счетные цепи Маркова. М.: Наука, 1987. 415 с.

39. П. Коновалов Ю.В., Налча Г.И., Савранский К.Н. Справочник прокатчика. М.: Металлургия, 1977. 321 с.

40. Кориков A.M., Сырямкин В.И., Титов B.C. Корреляционные зрительные системы роботов. Томск: Радио и связь, 1990. - 257 с.

41. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1997. - 831 с.

42. Максимов Ю.Д. Математика. Теория вероятностей: выпуск 8. -Санкт-Петербург: СПбГПУ, 2002. 96 с.

43. Максимов Ю.Д. Математика. Математическая статистика: выпуск 8. Санкт-Петербург: СПбГПУ, 2002. - 96 с.

44. Малыгин A.A. Диссертация на соискание степени доктора технических наук. Основы теории проектирования приборов контроля качества поверхности стальной полосы. СПб.: СЗПИ, 1994. 376с.

45. Малыгин A.A., Старостин Д.А. О способе расчета разрешающей способности и угла наклона оптической оси видеодатчика СТЗ. //Образование, наука, бизнес. Особенности регионального развития и интеграции. Череповец, 2002. - 67-72 с.

46. Малыгин A.A., Царев В.А., Старостин Д. А. Иерархическая гиббсовская модель изображения стальной полосы //Тез. докл. xv межвузовская военно-научная конференция. 26-27 ноября 2002 г. Часть I. - С. 120-122.

47. Марр Д., Марр М. Зрение. Информационный подход к изучению представлению представления и обработки зрительных образов. М.: Радио и связь, 1987. 377с.

48. Математическое моделирование и оптимизация: Математические исследования, выпуск 110. Кишинев: Штица, 1988. - 41с.

49. Маторин В.И., Абабков В.Т., Хромов В.Д., Каплан A.C. и др. Прокат черных металлов. Термины и определения дефектов поверхности. ГОСТ 21014-88. М.: Государственный комитет СССР по стандартам. 1988. 61 с.

50. Методы компьютерной обработки изображений / Под ред. В. А. Сойфера. М.: Физматлит, 2001. - 841 с.

51. Моделирование, программное обеспечение и наукоемкие технологии в металлургии: Труды Всероссийской научно-практической конференции, посвященной 20-летию кафедры «Информационные технологии в металлургии». Новокузнецк, 2001. - 127 с.

52. Никулин О.Ю., Петрушин А.Н. Системы телевизионного наблюдения. М.: Оберег-РБ, 1997. - 175 с.

53. Ожгибесов А. А, Старостин Д.А., Царев В.А. Программное средство синтеза алгоритмов обработки изображения. // XIV Межвузовская военно-научная конференция: Тезисы докладов и сообщения. -Череповец: ЧВИИР. 2000. - 73 с.

54. Оптико-электронные методы сбора информации о параметрах движущихся объектов, Рогов В. В., Малыгин Л.Л., Еремин С. Н. //XIII Межвузовская военно-научная конференция: Тезисы докладов и сообщений, часть 2. Череповец, 1999. - с.23.

55. Остовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. - 344 с.

56. Павловский Ю. Н. Имитационные модели и системы. М.: Фазис, 2000.

57. Писаревский А.Н., Чернявский А.Ф., Афанасьев Г.К. и др.; Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение). А.: Машиностроение. Ленингр. отд-ние, 1988. - 424 с.

58. По материалам сайта http://www.com2com.ru.

59. По материалам сайта http://www.cssip.elec.uq.edu.au.

60. По материалам сайта www.cogs.susx.ac.uk.

61. По материалам сайта www.neuralbench.ru.

62. По материалам сайта www.parsytec.de.

63. Порев В.Н. Компьютерная графика: учебное пособие. СПб.: Бхв-Петербург, 2002. - 423 с.

64. Прикладные задачи моделирования и оптимизации: Межвузовский сборник научных трудов. Воронеж: Воронежский государственный технический университет, 1998. - 180 с.

65. Прокат полос на 5-ти клетевом стане 1700 цеха холодной прокатки. Временная технологическая инструкция ВТИ 105-ПХЛ.-16-92, Череповец, 1992.

66. Прокатка полос на четырехклетевом стане 1700 производстве холодного листа. Технологическая инструкция ТИ 105-ПХЛ.-2-96 Череповец, 1996. 67 с.

67. Прокатка полос на четырехклетевом стане 1700 производства холодного листа. Технологическая инструкция ТИ 105-ПХА.-2-96, Череповец, 1998. 81 с.

68. Прэтт У. Цифровая обработка изображений. Т.2. М.: Мир, 1982. -421 с.

69. Разрезка горячекатаных травленых полос на агрегате резки. Технологическая инструкция ТИ 105-ПХЛ.-07-96, Череповец, 1996.

70. Рогов В.В. Диссертация на соискание степени кандидата технических наук Разработка алгоритмического и программного обеспечения автоматизированной системы контроля качества поверхности стальной горячекатаной полосы, Череповец: ЧГУ, 2000. - 150 с.

71. Самарский A.A., Михайлов А.П. Математическое моделирование. Идеи. Методы. Примеры, М.: Физматлит, 2001. - 313 с.

72. Советов Б.Я., Яковлев С.А. Моделирование систем: Учебник для вузов. М.: Высшая школа, 2001. - 343 с.

73. Статический анализ данных на компьютер / Ю.Н. Тюрин, А.А Макаров. / Под ред. В.Э. Фигурова. Ярославль: Инфра-М, 1998. -528с.

74. Топорец A.C., Топорец A.C., Оптика шероховатой поверхности. ■ М.: Машиностроение, 1988. 167 с.

75. Травление металла на непрерывно-травильном агрегате № 3 цеха травления металла производства холоднокатаного листа. Технологическая инструкция ТИ 105-ПХЛ.-44-98, Череповец, 1998.

76. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. -М.: Мир, 1992. 184 с.$3. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989. 123 с.

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

78. Чэн Ш.-К., М. Принципы проектирования систем визуальной информации. М.: Мир, 1994. - 408 с.

79. Эйнджел Эдвард. Интерактивная компьютерная графика. Вводный курс на базе OpenGL: Пер. с англ. М.: Вильяме, 2001. -592 с.

80. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы. М.: Машиностроение, 1994. - 112 с.

81. Описание основных дефектов поверхности стальной холоднокатаной полосы

82. Дефекты на холоднокатаных листах и лентах (ГОСТ 20817-88)к §