автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.13, диссертация на тему:Метод и средства оптоэлектронного контроля качества поверхности листового металлопроката

На правах рукописи

УЛЬЯНОВ Андрей Николаевич

МЕТОД И СРЕДСТВА ОПТОЭЛЕКТРОННОГО КОНТРОЛЯ КАЧЕСТВА ПОВЕРХНОСТИ ЛИСТОВОГО МЕТАЛЛОПРОКАТА

Специальность: 05.11.13 - Приборы и методы контроля природной среды, веществ, материалов и изделий

Автореферат диссертации на соискание ученой степени кандидата технических наук

Череповец - 2005

Работа выполнена в Институте менеджмента и информационных технологий (филиале) Санкт-Петербургского государственного политехнического университета в г. Череповце.

Научный руководитель: Официальные оппоненты:

кандидат технических наук, доцент Царев Владимир Александрович

доктор технических наук, профессор Поляков Виталий Евгеньевич

кандидат технических наук, доцент Пашков Валерий Павлович

Ведущее предприятие:

ОАО «Северсталь» (г, Череповец)

Защита состоится «о&Л> 2006 г. в 15.00 часов на заседании

диссертационного совета Д 212.233.01 в Государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения» (ГУАП) по адресу: 190000, Санкт-Петербург, ул. Большая Морская, д.67, Круглый Зал.

С диссертацией можно ознакомиться в библиотеке ГУАП.

Автореферат разослан « Л/д^у?,;? 2006 г.

Ученый секретарь

диссертационного совета Д 212.233.01 доктор технических наук, профессор д ^ щелест

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Высокие требования к качеству листового металлопроката требуют обеспечения эффективного неразрушающего контроля качества его поверхности. Данная задача на большинстве отечественных предприятий решается работниками ОТК визуально. Однако, из-за присущего субъективизма, непостоянной природы человеческого зрения и высокой утомляемости визуальная проверка поверхности металлопроката не дает удовлетворительных результатов. Как следствие, необнаруженные дефекты проявляются на следующих переделах, ведут к сбоям технологии и зачастую переходят на конечный продукт, отгружаемый потребителю. Поэтому в настоящее время ведутся активные работы в области создания автоматизированных приборов контроля качества поверхности листового металлопроката.

Наиболее перспективным и конкурентоспособным в отношении цена-качество является использование видеосистем на базе ПЗС.

Несмотря на то, что в настоящее время существует ряд промышленных приборов оптоэлектронного контроля качества (ОЭКК), описание подходов, применяемых при их проектировании, как правило, не публикуются в открытой печати, поскольку носят коммерческий характер и являются интеллектуальной собственностью соответствующих, преимущественно зарубежных, фирм производителей.

Среди исследований российских ученых, посвященных вопросам создания автоматизированных приборов ОЭКК, важно отметить работы Малыгина Л.Л., Ершова Е.В., Рогова В.В. Проведенный анализ этих работ показал, что процесс контроля качества поверхности листового металлопроката рассматривается в них как последовательное выполнение следующих основных этапов: предварительная обработка изображения, поиск дефектных областей на изображении, расчет классификационных признаков по найденным областям, классификация дефектов. Таким образом, для выполнения классификации, требуется предварительное решение задачи поиска дефектных областей. Обеспечение же необходимой точности процедуры поиска, зачастую, не представляется возможным из-за зашумленности и неоднородности изображений поверхности листового металлопроката и высокой скорости движения полосы. Вследствие этого существующие средства оптоэлектронного контроля не позволяют осуществлять контроль качества поверхности листового металлопроката с заданными, достаточно высокими, показателями эффективности.

Таким образом, актуальность темы диссертации предопределяется тем, что оптоэлектронными средствами обеспечивается контроль с заданными показателями эффективности и быстродействия качества поверхности листового металлопроката.

Научная цель. Целью диссертационной работы является разработка

онного контроля обеспечивающих

метода и основ проектирования ■ средств "онтозлщщ качества поверхности

I ¿"ТО/ ;

повышение эффективности контроля качества поверхности листового металлопроката, что позволит улучшить качество продукции металлургических производств.

Основные научные и практические положения, выдвигаемые на защиту:

1. Математическая модель оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката, анализ которой позволил создать алгоритмические средства синтеза эталонов с дефектами и общим фоном максимально приближенных к реальным.

2. Усовершенствованный метод оптоэлектронного контроля качества поверхности листового металлопроката, позволяющий решать задачу выявления поверхностных дефектов с заданными показателями эффективности и быстродействия, за счет отказа от выполнения предварительного этапа поиска дефектных областей.

3. Основы проектирования специализированных средств оптоэлектронного контроля качества поверхности листового металлопроката, позволяющие создавать алгоритмы выявления поверхностных дефектов с заданными показателями эффективности и быстродействия. л

4. Программные и технические средства оптоэлектронного контроля качества поверхности листового холоднокатаного металлопроката, обеспечивающие более высокие показатели эффективности по сравнению с известными средствами и позволяющие осуществлять контроль на движущейся полосе металлопроката.

5. Лабораторный автоматизированный прибор оптоэлектронного контроля качества поверхности стальной холоднокатаной полосы, предназначенный для калибровки оптоэлектронных средств контроля качества поверхности листового металлопроката.

6. Опытный автоматизированный прибор ОЭКК поверхности стальной холоднокатаной полосы на выходе агрегата продольной резки №9 цеха отделки металлопроката (ЦОМ) производства холоднокатаного листа (ПХЛ) ОАО «Северсталь», предназначенный для исследования метода и средств оптоэлектронного контроля качества поверхности листового металлопроката в условиях производства.

Объект исследования: метод и средства оптоэлектронного контроля качества поверхности листового металлопроката.

Методы исследований. Для решения поставленных в работе задач был использован аппарат теории измерений, теории вероятностей и математической статистики, теории вейвлет-анализа, скрытых Марковских моделей, теории распознавания образов, обработки и анализа растровых полутоновых изображений, теории методов статистического моделирования на ЭВМ.

Научная новизна для специальности 05.11.13 результатов работы состоит в следующем:

1. Предложена математическая модель оптоэлектронного сигнала, отраженного от контролируемой поверхности листового

металлопроката, анализ которой позволил создать алгоритмические и программные средства синтеза эталонов с дефектами и общим фоном максимально приближенных к реальным.

2. Разработан усовершенствованный метод оптоэлектронного контроля качества поверхности листового металлопроката, позволяющий осуществлять контроль качества поверхности листового металлопроката с показателями более высокими по сравнению с известными, за счет отказа от выполнения предварительного этапа поиска дефектных областей.

3. Разработаны основы проектирования специализированных средств оптоэлектронного контроля, обеспечивающие возможность синтеза алгоритмов выявления поверхностных дефектов с заданными показателями эффективности и быстродействия.

Таким образом, сделан конкретный научный и практический вклад в специальность 05.11.13 - Приборы и методы контроля природной среды, веществ, материалов и изделий.

Апробация работы. Основные положения диссертации докладывались и обсуждались на XIV, XV, XVI Межвузовских военно-научных конференциях (Череповец, 2000 г., 2002 г., 2004 г.), международной научно-технической конференции «Инфотех-2001» (Череповец, 2001 г.), II и III Межвузовской научно-методической конференции «Образование. Наука. Бизнес. Особенности регионального развития и интеграции» (Череповец, 2003 г., 2004 г.), региональной студенческой научной конференции «Молодые исследователи - региону» (Вологда, 2001 г.), IX международной научно-технической конференции (Ульяновск, 2004 г.), а также на заседаниях кафедры системного анализа и управления ФТК СПбГПУ, научных семинарах Института менеджмента и информационных технологий СПбГПУ и Череповецкого научно-координационного центра РАН, где получили одобрение.

Публикации. По материалам диссертации опубликованы 12 печатных работ.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырёх глав, заключения и приложений. Содержит 158 страниц основного текста, 36 рисунков, 25 таблиц список использованной литературы из 70 наименований, 8 приложений на 34 страницах.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показа актуальность работы, сформулирована ее цель и основные задачи, отмечены научная новизна и практическая ценность.

В первой главе отмечено, что основной продукцией металлургического производства является листовой металлопрокат. Также отмечено, что одним из наиболее перспективных путей решения задачи контроля качества поверхности листового металлопроката, является использование оптоэлектронного метода. Приведена классификация и описание поверхностных дефектов холоднокатаного и горячекатаного металлопроката.

Представлена характеристика качества поверхности листового металлопроката, как объекта оптоэлектронного контроля.

Проведен анализ методов и средств, применяемых при организации контроля качества поверхности листового металлопроката с использованием приборов ОЭКК. Определены их основные достоинства и недостатки.

Отмечено, что, во-первых, известные методы и подходы не позволяют создавать алгоритмы выявления поверхностных дефектов листового металлопроката с заданными показателями эффективности и быстродействия. Во-вторых, основные направления исследований направлены на решение задачи поиска дефектных областей на изображении, поскольку от точности процедуры поиска зависит качество признаков вычисляемых по найденным на изображении областям и, как следствие, эффективность дальнейшей классификации. Отмечено, что повышение точности поиска в настоящее время ведется экстенсивными методами, в основу которых положено использование дополнительных аппаратных ресурсов.

Рассмотрены известные и предложены новые показатели эффективности контроля качества поверхности листового металлопроката, предназначенные для оценки оптоэлектронных средств, не использующих подсистему поиска дефектных областей. С использованием данных показателей, определен критерий оценки эффективности оптоэлектронных средств нового класса, следующим образом:

Р <Р Р <,Р t <t

1 ошк ~~ ошк доп ' отказ * отказ доп ' к — "доп '

(1)

где Рошк - показатель ошибок классификации, Рошк ^ - максимально допустимое значение показателя ошибок классификации, Ротка1 показатель отказов, Ротказ ¿„1П - максимально допустимое значение показателя отказов, tk - время обработки одного кадра

автоматизированной системой обработки изображений (АСОИ), tdon -

максимально допустимое время обработки одного кадра.

Рассмотрены и проанализированы основные факторы, оказывающие влияние на эффективность контроля качества поверхности листового металлопроката с использованием оптоэлектронных средств. Приведены основные метрологические характеристики средств оптоэлектронного контроля качества поверхности листового металлопроката. Описана методика точной калибровки видеодатчика. Отмечена важность выбора оптической схемы и создания эталонных образцов с дефектами и общим фоном для проведения калибровок оптоэлектронных средств.

Во второй главе рассмотрены особенности представления изображений поверхности листового металлопроката в частотной области. Проведены предварительные эксперименты, которые показали, что

основной недостаток классических методов частотного анализа на основе преобразования Фурье, заключающийся в невозможности выявления небольших слабоконтрастных дефектов, может быть преодолен с использованием альтернативного метода частотно-временного анализа на основе вейвлет-преобразования. Данный метод обладает высокой потенциальной возможностью для выявления как больших, так и небольших, слабоконтрастных дефектов, при этом может быть опущен сложный этап поиска дефектных областей, что позволит не только увеличить быстродействие прибора ОЭКК, но и повысить эффективность контроля.

На основе экспериментальных исследований отмечено, что существующие методы вейвлет-преобразования не предназначены для решения задачи выявления дефектов поверхности листового металлопроката, вследствие чего, обладают недостаточно высокой эффективностью. Поэтому, для повышения эффективности контроля качества поверхности листового металлопроката, в работ? был создан усовершенствованный метод оптоэлектронного контроля, заключающийся в поиске наиболее информативных признаков. При этом с использованием адаптивного вейвлет-преобразования строится дискриминантное вейвлет-дерево, содержащее наиболее информативные диапазоны вейвлет-коэффициентов, определяемые путем оптимизации целевой функции, основанной на оценке дискриминантной способности признаков. Рассмотрены различные виды целевых функций.

Обозначим через В = В,= {BJk },j = 0 ,...,1, к = 0,...,41 -1

множество диапазонов полученных после выполнения полного вейвлет-преобразования глубиной Ь контрольных образцов обучающей выборки г= . Необходимо определить такое подмножество диапазонов

А = А1 = {А]4}с5, а также соответствующий ему вектор признаков

Рас. РЬ, для которых выбранная функция стоимости принимала бы максимальное (минимальное) значение.

Исходные данные:

1. Выбор целевой функции.

2. Обучающее множество контрольных образцов изображений поверхности листового металлопроката, содержащее все виды дефектов, подлежащих обнаружению и фон: х = {х,(с>},

г = 1,...,ЫС, с = 1.....С, где - количество образцов,

относящихся к классу с, С - количество классов. Размерность этого множества N = Ni+... + Nc■

2. Выбор вида порождающего (материнского) вейвлета (высокочастотный и низкочастотный фильтр).

4. Задание максимальной глубины вейвлет-преобразования Ь .

5. Формирование рабочего словаря признаков.

Этап восходящего анализа:

Шаг 1. Выполнение полного вейвлет-преобразования, глубиной L всех образцов обучающей выборки.

Формирование множества диапазонов

В = В,={В ¿}J = 0,...,L,k = 0,...,4l -I. Для каждого диапазона В, расчет вектора признаков РЬ: = {Pbjtk,,...,PbJkR), где R - размерность

рабочего словаря. Каждому диапазону из множества В ставится в соответствие два числа d jk = О ,pjk — 0, таким образом, что fl, если Bjk е A Tl, если Pbjk е Ра

djk = [0, если В]к £ А' Pik = [0, если Pbjk i Pa Шаг2. j = L.

Шаг 3. Если j - L, то переход к шагу 4, иначе к шагу 5. Шаг 4. Для каждой четверки узлов, находящихся на уровне j и имеющих одного родителя, по всему набору образцов, методом полного перебора определение такой комбинации диапазонов В max . * с {BJ2k, Bj2k+l, BJ1M, Bjak+i} и соответствующего ей

подмножества признаков Pbmzx. для которых функция стоимости

J**

принимает максимальное (минимальное) значение.

Шаг 5. Построение для каждого узла В j к на уровне j вектора

признаков по следующим трем вариантам: Pbj к = P(Bj к),

Pbj/ =P(BM)wP6maxJ+u, Pbj = PbmaJtiJk.

Расчет функции стоимости по каждому из трех векторов и определение ее максимального значения

F max jk = MAX{F{Pb]; ), F{PbJ ), F{PbJ )).

Если F max J k = F(PbJk ). то dJJt = 0,р„ =1,р1Л = 0,1 = j + l.....L,

Pbj,k =P(BLk).

Иначе если Fmax,* = F(Pbjk2), то dJk = I, pjjc = 1, /Vu = 1еслиЯ,+и еЯтах,+иД = 0,...,3, = P(BJk)yjPbmaxy+u-Иначе если Fmaxjk = F(Pbjk3), to dJt =\,pjk PjfU = 1 если ей max ytl >t, A = 0,...,3, PbJik = Pbmax^k ■

Шаг 6. Если j > 0, to j - j-1 переход к шагу 5, иначе останов. Этап нисходящего анализа: Шаг 1. j = 0.

Шаг 2. Формирование множества наиболее информативных диапазонов а = AJk с. BJk и соответствующего ему вектора признаков Ра.

Если d = о, то дальнейший анализ поддерева, корнем которого является

узел

В

не выполняется. Если р^ = 1 , то

А = АиВ/л к Ра-Раи РЪ^ -

Шаг 3. Если } < Ь, то _/ = _/ +1 и переход к шагу 2 иначе останов. К достоинствам представленного метода можно отнести значительно меньшее количество проверяемых комбинаций, чем при использовании метода полного перебора:

Так при 1 = 2 N = 90, в отличии от N > 2000000 при использовании метода полного перебора.

Лучшие результаты были получены, когда в качестве целевой функции использовался критерий Фишера, при этом, для анализа внутри и между классовой изменчивости применялись расстояния средней связи.

Целевая функция на основе критерия Фишера определяется как:

классов (внутриклассовую разность); Д„,„.

характеризует среднюю изменчивость между классами (межклассовую разность) здесь С - количество видов дефектов; - расстояние

внутри класса /; д1ти.(г,_/') - расстояние между классами / и _/.

Пример результирующего дискриминантного вейвлет-дерева, полученного с использованием предложенного метода, для рабочего словаря признаков, содержащего значение энергии, представлен на рис. 1.

Проанализированы основные подходы, используемые при проектировании АСОИ: сравнение с эталоном, синтаксический (структурный) подход и параметрические классификаторы.

Отмечено, что методы синтаксического (структурного) анализа практически не используются в связи со сложностью выявления терминальных символов и вывода грамматик на основе обучающей выборки. Кроме того, для построения синтаксического классификатора, требуется большой объем обучающей выборки и значительные вычислительные затраты. Использование метода сравнения с эталоном не позволяет создавать эффективные алгоритмы выявления в случае сложных, динамически изменяющихся классов дефектов. Это связано со сложностью формирования эталонных образцов, что в свою очередь обусловлено тем, что дефекты даже в пределах одного класса могут широко варьироваться как по внешнему виду, так и по структуре, более

(2)

1=1 ]=М

того, члены одного дефектного класса могут иметь значительное сходство с дефектами другого класса.

<■ = 4,= о

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (2,7X2,8)

72,.=1 к 7 = 1./2,» = 1 Л « Л и (( 2,1)) А = А о {( 2,7), (2,8)}

Ра = Ра и Е„ и £м

Ра = Ра и Ег1

¿1, = 0,/14 = 0

(1,4)

Л - {(1,3), (2,1), (2,7), (2,8)), Ра = {£, 3, £2>,, Е%1, }, /■щах = 5,9

* - диапазон, не подвергаемый дальнейшей " диапазон, подвергаемый дальнейшей декомпозиции, признаки, рассчитанные по нему, декомпозиции, признаки, рассчитанные по включаются в итоговый вектор признаков не«У. не включаюгс* а итоговый вектор

признаков

Рис. 1 Пример результирующего дискриминантного вейвлет-дерева и соответствующий ему вектор признаков

На основе проведенного анализа было установлено, что наиболее целесообразно использовать параметрический подход, поскольку методы параметрического распознавания отличаются простотой реализации и достаточно высоким быстродействием обработки большого объема данных в режиме реального времени. Среди методов параметрического подхода выбор был сделан в пользу нейросетевых технологий по причине того, что они обладают рядом следующих преимуществ: использование последовательных процедур обучения, высокая обобщающая способность, способность изучать сложные нелинейные связи входов с выходами, что позволяет производить распознавания классов объектов, представленных в пространстве признаков областями со сложной конфигурацией.

Разработаны основы проектирования подсистемы выявления поверхностных дефектов листового металлопроката, не использующей подсистему поиска дефектных областей на изображении. При этом предлагается использовать следующие стратегии построения классификатора:

1. одна нейронная сеть для обнаружения и классификации всех

типов дефектов;

2. коллектив нейронных сетей, каждая из которых предназначена для обнаружения и классификации дефектов одного типа;

3. иерархически связанные нейронные сети, представляющие собой комбинацию двух вышеприведенных стратегий.

Создана методика интерпретации ответов нейронной сети (НС), позволяющая не только реализовывать механизм отказов, но и учитывать возможность появления в зоне контроля дефектов нескольких типов.

В третьей главе отмечено, что для калибровки средств оптоэлектронного контроля качества поверхности, перед разработчиками возникает задача создания и исследования адекватной модели оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката, с последующей ее проверкой экспериментальным путем. Данная модель должна обеспечивать возможность синтеза эталонов с дефектами и общим ф°ном-Необходимость проведения такого синтеза связана с тем, что для проведения калибровки оптоэлектронных средств необходимо сформировать представительную выборку контрольных образцов достаточно большого объема. Сложность создания такой выборки на этапе проектирования обусловлена опасной внешней средой, характерной для металлургической промышленности.

При построении модели оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката, в работе предлагается использовать аппарат теории вейвлет-анализа скрытых Марковских моделей (СММ).

В работе была проведена аппроксимация гистограмм вейвлет коэффициентов изображений поверхности металлопроката, с использованием метода смеси одномерных нормальных распределений, анализ результатов которой позволил сделать вывод о том, что плотность распределения вероятности вейвлет-коэффициентов может быть с достаточно высокой точностью аппроксимирована двухкомпонентной смесью нормальных распределений; это в свою очередь позволяет построить вероятностную модель отдельного вейвлет коэффициента. Однако данная модель не позволяет учитывать зависимости между вейвлет-коэффициентами на разных масштабах преобразования. Поэтому для устранения этого недостатка модель отдельного вейвлет коэффициента была дополнена учетом зависимостей между вейвлет коэффициентами на соседних масштабах. Такая модель называется моделью скрытых Марковских деревьев (СМД) и характеризуется следующим вектором параметров:

вяш = {р'{т),а^,<т2в^ IВ е р-} = 1,...,/;т,я = 0,1}, (4) здесь ¿т,п) ' матрица транзитивных вероятностей Марковской

цепочки при переходе от масштаба ] к масштабу у — 1 диапазона В, определенная как:

а, =

(5)

Р, Р1

¿-»5 ¿-»А

Р/ Р1

ГДе Л ' Р1 И Р, > У1 >Р/ >Р,

Зная Ж, можно, используя ЕМ - алгоритм, определить вектор параметров модели внмт, максимизирующий логарифмическую функцию

правдоподобия /(Ж\виш) вида:

№I У= П£ 21|вшт,т)), (6)

ве/9 *=0 1=0 ж=0

где дг = — - количество вейвлет-коэффициентов по

горизонтали и вертикали соответственно на уровне декомпозиции 3 - размер исходного изображения, тВк I - описывает вейвлет-

поддерево с корнем в узле к, величина /т (тв}к 11 вимт, тп) может быть

определена, используя следующие рекурсивные выражения: При j = L-l,..^:

«12/11 1

/А I <и»))> (7)

1=2» г=2| л=0

При 7=1:

Л«,,, 10нит,п) = 10, <7^). (8)

Задачу синтеза контрольных образцов в рамках модели СМД можно представить как необходимость формирования такого набора коэффициентов Ж, который максимально соответствовал бы заданному вектору параметров модели в:

Ф = а^тах/(Ж|0)- (9)

ЖеЯ2

При этом должны выполняться следующие условия: /л^ — = 0,

2 _ _2 -о-г-

Данная задача может быть сформулирована как задача условной оптимизации с ограничениями в виде равенств. Логарифмическую функцию правдоподобия для двух соседних масштабов j и у +1 можно записать в виде:

2>

1 1 1

*=0 (-0 Ы=0 1=0 1=0 л=0

(10)

Для сокращения записей вводятся дополнительные переменные вида:

О») = о). и„),

О)' (И)

Исходя из этого, функцию правдоподобия можно записать в виде:

1

здесь у = £-1,...,1,

к=0 1=0 Ь -глубина дерева.

При у = Ь:

/(^ I 0) = £ X Ь X ^О^К,*, I 0,<и) • (12)

/=0 1Я-0

Таким образом, зная №можно найти такое IVj, которое

максимизирует целевую функцию (10). Задачу условной оптимизации с ограничениями в виде равенств можно свести к задаче безусловной оптимизации с использованием метода внешних штрафных функций, в котором ограничения-равенства учитывать с помощью квадратичного штрафа. Для этого определим новую целевую функцию ,./? | в,,

введя две штрафные функции следующим образом: Для у = 1-1,...,1:

±ь

(-1

ш

№ р

2 , / *-0 1-0

м)м1

-8]?

Для ] = Ь:

Г ы_г}Чг} 1±

(13)

N,-\Мг\

2 . ! ЫО (=0

= /(^.|0)-л[(Де))2+(Де2)2]

(14)

где ^у=о> и 51- (т)а] ' ожидаемое значение среднего и

т=О

дисперсии, определяемые параметрами модели Ае1 и Ае2 ошибки между полученными значениями среднего и дисперсии ТУ и ожидаемыми.

Таким образом, для обеспечения возможности синтеза контрольных образцов необходимо решить оптимизационную задачу вида:

# = аг8тахА(1Г,,Л|^^+1). (15)

Жей1

Данная задача решается с использованием следующего численного

метода:

Шаг 1. Задаются параметры метода £х,£г> - параметр

окончания линейного поиска; Ег - параметр окончания процедуры оптимизации.

Шаг 2. С использованием градиентного метода при фиксированном находится , при котором функция , /? 10, ) принимает максимальное значение. В качестве начальной точки используется \у(р, а в

качестве параметра окончания шага £г.

Шаг 3. Проверка условия останова, если условие выполняется, то переход к шагу 5; иначе к шагу 4.

Шаг 4. = + ДЛ(,), переход к шагу 2, здесь ДЛ('> -

приращение соответствующего знака. Шаг 5. Останов.

Одним из основных допущений классической модели СМД является предположение о независимости диапазонов между собой, кроме того, представленная модель характеризуется большим количеством параметров. В связи с этим, для уменьшения сложности модели, а также учета зависимости высокочастотных диапазонов между собой вектор параметров модели на каждом масштабе для всех высокочастотных диапазонов преобразовывался следующим образом:

а-2 =/т2 ег2 =етг „а-»« п^^3 - п(5_>5) ("161

где в € = 1,...,Ь\к = О,...,- 1;г = О.....Му -1

Параметры (16) находились в соответствии со следующими выражениями:

-> в^рМ ¡М1 ¿—о |=о 3 ьГрМ)М) 4=0 ~

У = 1 (П)

Учитывая, что в каждый тип дефекта представлен некоторым множеством контрольных образцов, вектор параметров определялся отдельно для каждого вида дефектов в соответствии со следующим выражением:

1 ^

вснт=ТгЛ&'снмт (18>

"с 1=1

где /■= 1,...,^, Nc - количество контрольных образцов обучающей выборки г -го типа дефекта, с е (1,..., М), N - количество видов дефектов.

Для первоначального синтеза эталонов с дефектами и общим фоном в работе использовался известный метод последовательного формирования двумерных массивов, к достоинству которого можно отнести высокое быстродействие, а основным недостатком является слабое приближение синтезируемых эталонов к реальным

Алгоритм синтеза состоит из двух этапов, этапа анализа и'синтеза. Этап анализа.

Шаг 1. Задается максимальная глубина преобразования^ и

выбирается вид порождающего вейвлета. Шаг 2. Формируется выборка реальных образцов для дефекта вида

с е (1,...,АО, где N - количество видов дефектов. Шаг 3. Для каждого образца дефекта вида с выполняется полное ДДВП глубиной £.

Шаг 4.0цениваются параметры модели в1снмт для выбранного

образца в соответствии с ЕМ-алгоритмом. Уменьшается размерность параметров в соответствии с выражениями (16), (17), в результате формируется вектор параметров

меньшей размерности в'сНит ■ Шаг 5.Рассчитывается вектор параметров 0сНМТ дйя образцов

дефектов вида с в соответствии с выражением (18). Шаг 6. Если параметры определены для всех типов дефектов то останов, иначе переход к шагу 2 Этап синтеза.

Шаг 1. Задается вид дефекта с, образец которого необходимо синтезировать.

Шаг 2. Выполняется первоначальный синтез с использованием метода последовательного формирования двумерных массивов.

Шаг3. Для У - Д

а) рассчитываются в соответствии с итеративными процедурами синтеза, описанными выше вейвлет-коэффициенты высокочастотных диапазонов

LHJ ,Я£/ ,НН', с использованием параметров всНМГ,

определенных на этапе анализа.

б) Производится реконструкция диапазона ЬЬ]~Х, с использованием обратного ДДВП.

К достоинствам представленного алгоритма синтеза следует отнести его адаптивность и инвариантность к изменению характеристик изображения. Поскольку определение параметров модели происходит в процессе ее обучения, то при смене характера изображений, которое может произойти, например, в случае увеличения разрешающей

способности прибора ОЭКК или изменения оптической схемы необходимо заново выполнить этап анализа и использовать его результаты для синтеза новых эталонов.

С использованием разработанного метода оптоэлектронного контроля была создана методика синтеза алгоритмических средств оптоэлектронного контроля качества поверхности листового металлопроката. Данная методика позволяет синтезировать алгоритмы выявления поверхностных дефектов с заданными показателями эффективности и быстродействия без использования сложной подсистемы поиска дефектных областей.

Предложенная методика заключается в следующем:

Исходные данные:

1. априорный словарь признаков;

2. значения допустимых показателей эффективности:

Ротказ доп " допустимое значение показателя отказа, Рошкдоп -

допустимое значение показателя ошибки классификации.

Ограничение на быстродействие алгоритма < ím¡a.

3. обучающая и тестовая выборки контрольных образцов изображений поверхности листового металлопроката.

Методика состоит из следующих основных этапов: 1. 2.

3.

4.

5.

6. 7.

8.

Формируется рабочий словарь признаков. Инициализируются начальные значения параметров адаптивного вейвлет-преобразования (максимальная глубина преобразования, вид порождающего вейвлета). Определяется вид, параметры обучения и топология нейросетевого классификатора.

Определяются правила интерпретации ответов классификатора (значения порога принятия и уровня надежности сети).

В соответствии с вышеописанным способом адаптивного преобразования, на обучающей выборке, определяются наиболее информативные вектора признаков. Обучается классификатор.

Проверяется работа классификатора на тестовой выборке и оцениваются значения показателей эффективности

^отказ > Рошк и быстродействие алгоритма tK. Если tK > tdon, то останов.

если ктка^роткало, и рошк^рошн>ог> то oct3hob, ИНЗЧе

изменяются параметры метода в следующем порядке: 9.1 Если (Рвтт]

^ ^отказдоп ** Рошк ~ Рошк дол ^

(Р <р л™ и р >Р то

4 отказ — * отказ доп спик ошкдоп

изменяются правила интерпретации ответа

нейросети и переход к шагу 7. Если корректировки не позволили достичь результата, то переход к шагу 9.2.

9.2 Изменяется топология классификатора и переход к шагу 6. Если корректировки не позволили достичь результата, то переход к шагу 9.3.

9.3 Увеличивается глубина декомпозиции и переход к шагу 5. Если корректировки не позволили достичь результата, то переход к шагу 9.4.

9.4 Формируется новый рабочий словарь признаков в соответствии с методом последовательного добавления признаков и переход к шагу 5. Если корректировки не позволили достичь результата, то переход к шагу 9.5.

9.5 Изменяется вид классификатора и переход к шагу 6. Если корректировки не позволили достичь результата, то останов.

Для формирования рабочего словаря признаков предлагается использовать метод последовательного добавления признаков.

При создании приборов ОЭКК большое значение имеет правильный выбор параметров оптической схемы, то есть взаимного расположения источника света, приемника оптического излучения и контролируемой поверхности.

В качестве основных параметров оптической схемы можно определить:

■ р - угол наклона видеодатчика по отношению к нормали к поверхности полосы металлопроката;

■ г - угол наклона осветителя по отношению к нормали к поверхности полосы металлопроката;

■ Е - освещенность поверхности полосы металлопроката в поле зрения видеодатчика.

Схема используемого метода освещения, размещения видеодатчика и осветителя представлена на рис.2.

Для поиска оптимальных параметров оптической схемы в работе предложена следующая методика:

Шаг 1. Установка ограничений для параметров оптической схемы:

Рпа&ъРтаа. ^min'^max. ®min '^max и СМвЩеНИЙ ^Р ^^

задание параметров метода оптоэлектронного контроля (рабочего словаря признаков, максимальной глубины вейвлет-преобразования, вида порождающего

вейвлета, функции стоимости F)

. Шаг 2. Установка начальных значений Е = Етп , р — р1

рабочая поверхность

Рис. 2 Метод «темного поля».

Шаг 3. Проведение натурного эксперимента, результатом которого является множество изображений поверхности листового металлопроката и выполнение экспертной классификации полученного множества по типам дефектов.

Шаг 4. С использованием разработанного метода оптоэлектронного контроля, построение дискриминантного вейвлет-дерева и

расчет целевой функции Р .

Шаг 5. Е = Е + АЕ.

Шаг 6. Если Е = Е^, то г = т + Ат, Е = ЕЫп

Шаг7. Если т = т1гах,то р = р + Ар, Е = Е1ша, т = тгвш.

Шаг 8. Если р = р^, то останов.

Шаг 9. Вернуться к шагу 3.

Шаг 10. Выбираются такие для которых

= / N - общее количество

проведенных экспериментов.

Изменение освещенности производилось с использованием автотрансформатора, для ее измерения использовался люксметр «Аргус- *

01», позволяющий производить замеры в диапазоне от 1 до 200000 лк.

Предложенная методика поиска оптимальных параметров оптической схемы приборов ОЭКК поверхности металлопроката позволяет находить •

такие значения параметров: т, р, Е, при которых достигается максимальное значение функции стоимости и, как следствие этого, повышается эффективность работы алгоритмов выявления дефектов поверхности. Представлены используемые измерительные приборы и оценка погрешности калибровки прибора оптоэлектронного контроля.

В четвертой главе описан лабораторный прибор ОЭКК поверхности

металлопроката, предназначенный для экспериментального исследования метода и средств оптоэлектронного контроля качества поверхности листового металлопроката. С использованием данного прибора были решены следующие задачи:

- с использованием методики синтеза алгоритмических средств оптоэлектронного контроля качества поверхности листового металлопроката был создан алгоритм выявления поверхностных дефектов листового холоднокатаного металлопроката путем экспериментального определения параметров метода, позволяющий достичь заданных показателей эффективности с учетом ограничения на быстродействие.

- обоснована адекватность предложенной модели, путем сравнения параметров модели, вычисленных на синтезированных образцах, с соответствующими параметрами для реальных образцов;

- в соответствии с предложенной методикой оптимизации параметров оптической схемы прибора ОЭКК поверхности листового металлопроката найдены параметры оптической схемы, которые позволили улучшить результаты работы алгоритмов выявления дефектов.

Требования отдела ОТК цеха отделки металлопроката (ЦОМ) производства холоднокатаного листа (ПХЛ) ОАО «Северсталь», позволили определить допустимые значения показателей отказа и ошибки классификации, которые составили соответственно Роткеи ^ = 1,5%,

Р<пик 4% > при этом минимальный размер выявляемого дефекта в

продольном и поперечном направлении должен быть не менее 1 мм. Учитывая это требование, а также то, что максимальная скорость движения полосы достигает порядка 6 м/с и распознавание предполагается проводить с использованием одного ряда камер, с ПЗС матрицами формата 768*576, была выполнена оценка допустимого времени обработки одного кадра « 96мс ■

В соответствии с методикой синтеза алгоритмических средств оптоэлектронного контроля качества поверхности листового металлопроката были определены следующие параметры метода и, тем самым создан алгоритм выявления поверхностных дефектов листового холоднокатаного металлопроката:

1. Рабочий словарь признаков -энтропия, среднее, СКО.

2. Вид порождающего вейвлета - вейвлет Добеши 6-го порядка.

3. Максимальная глубина вейвлет-преобразования - 3.

4. Вид классификатора - одна нейронная сеть для классификации всех классов изображений.

5. Топология нейронной сети: количество скрытых слоев - 1, количество нейронов в скрытом слое - 8.

6. Параметры обучения нейронной сети: количество эпох

обучения - 2000; скорость обучения 0,2; момент - 0,9.

Для экспериментальной проверки средств ОЭКК поверхности листового холоднокатаного металлопроката в условиях производства был разработан опытный прибор, в состав которого вошли 3 видеокамеры, 4 ПК на базе процессора Intel Pentium 4 2,8 ГГц и ОЗУ типа SDRAM объемом 512 Мб, оснащенных платами видео-ввода, источником освещения, автотрансформатором. Разработанный комплекс позволяет получать изображения размером 384x288 256-ти градаций серого и производить их дальнейшую обработку. Структурная схема опытного прибора представлена на рис. 3.

Созданный алгоритм способен решать задачу выявления поверхностных дефектов и фона холоднокатаного листового металлопроката, при этом показатель ошибки классификации не превышает 4%, а отказ от распознавания 1,5%, что соответствует сформулированным при постановке задач ограничениям. Кроме того, время обработки одного кадра tk « 70мс < t^ = 9вмс, что означает

возможность работы алгоритма в режиме реального времени при заданном разрешении и скорости движения полосы. Результаты работы алгоритма по выявлению различных видов дефектов и фона в лабораторных и производственных условиях представлены в табл. 1.

Рис. 3 Структурная схема опытного прибора ОЭКК поверхности стальной холоднокатаной полосы на выходе агрегата продольной резки-9 цеха отделки металлопроката (ЦОМ) производства холоднокатаного листа (ПХЛ) ОАО «Северсталь».

Созданные программные средства позволяют решать следующие задачи: вводить изображения при помощи платы ввода; проводить расчеты параметров модели оптоэлектронного сигнала для различных

видов дефектов и фона; синтезировать эталоны с дефектами и общим фоном; находить с .использованием предложенного метода наиболее информативные признаки; автоматизировать процесс синтеза алгоритмов выявления поверхностных дефектов; проводить экспериментальные исследования данных алгоритмов; вести статистику появления дефектов каждого типа.

Таблица 1

Результаты выявления поверхностных дефектов холоднокатаного листового металлопроката в лабораторных и производственных условиях

'доверительная вероятность 0 95)

Класс Лабораторные условия Производственные условия

Ротка, > % % Роткш > %

Сквозные разрывы 1,5±0,4 0,2±0,1 2,2±0,5 0,3±0,2

Риски 2,9+0,5 0,5±0,2 - -

Излом 3,7±0,4 1,9±0,3 4,2±0,5 2,0±0,3

Надавы 1,9±0,3 0,5±0,1 2,5±0,5 0,5±0,2

Неметаллические включения 2,9±0,3 1,6±0,2 3,1±0,5 1,6±0,2

Плена 2,4±0,4 1,3±0,3 2,7+0,4 1,4±0,3

Окалина 5,5±0,5 1,3±0,1 6,1 ±0,7 1,1+0,2

Царапины 4,1±0,4 0,6±0,2 4,8±0,5 0,7±0,2

Бездефектная поверхность 0,2±0,1 0,2±0,1 0,3±0,2 0,2±0,1

Среднее 2,8±0,4 0,9±04 3,2±0,4 1,1±0,2

На основании проведенных исследований можно сделать вывод о том, что разработанный метод и средства огггоэлектронного контроля качества поверхности позволяют обеспечивать контроль качества поверхности с заданными показателями эффективности и быстродействия, как в лабораторных условиях, так и в условиях производства.

Рассмотрены пути дальнейшего совершенствования области применения и перспективы развития предложенного метода и средств оптоэлектронного контроля качества поверхности листового металлопроката.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Предложена математическая модель оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката, анализ которой позволил создать алгоритмические средства синтеза эталонов с дефектами и общим фоном максимально приближенных к реальным и предназначенных для проведения

качества поверхности листового металлопроката, позволяющий решать задачу выявления поверхностных дефектов с заданными показателями эффективности и быстродействия за счет отказа от выполнения предварительного этапа поиска дефектных областей.

3. Разработаны основы проектирования специализированных средств оптоэлектронного контроля качества поверхности листового металлопроката, позволяющие создавать алгоритмы выявления поверхностных дефектов с заданными показателями эффективности и быстродействия.

4. Созданы программные и технические средства ОЭКК поверхности листового холоднокатаного металлопроката, обеспечивающие более высокие показатели эффективности по сравнению с известными средствами и обладающие вычислительными характеристиками, позволяющими осуществлять контроль на быстродвижущейся полосе металлопроката.

5. Создан лабораторный прибор ОЭКК поверхности стальной холоднокатаной полосы, предназначенный для калибровки оптоэлектронных средств контроля качества поверхности листового металлопроката.

6. Создан опытный прибор ОЭКК поверхности стальной холоднокатаной полосы на выходе агрегата продольной резки-9 цеха отделки металлопроката (ЦОМ) производства холоднокатаного листа (ПХЛ) ОАО «Северсталь», предназначенный для исследования метода и средств оптоэлектронного контроля качества поверхности листового металлопроката в условиях производства.

7. Полученные результаты использованы при проектировании оптоэлектронных приборов контроля качества поверхности стальной холоднокатаной полосы, разрабатываемой Институтом менеджмента и информационных технологий (филиалом) СПбГПУ по заказу ООО «Малленом».

8. 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 230105 - «Программное обеспечение вычислительной техники и автоматизированных систем».

Основные положения диссертации опубликованы в следующих работах:

1. Ульянов А.Н., Малыгин JI.JI, Шабалов В. А., Петешов A.B. Балунин Е.И. Модели нейронных сетей и области их применения. // Тезисы докладов и сообщения XIV межвузовской научно-технической конференции. - Череповец: ЧВИИРЭ. - 2000. - С. 31-32.

2. Ульянов А.Н., Шабалов В.А., Петешов A.B. Применение дискретных вейвлет-преобразований для обработки статических изображений. // Молодые исследователи - региону. Региональная студенческая научная конференция. Тезисы докладов. - Вологда: ВГТУ. - 2001. - С. 23-24.

3. Ульянов А.Н., Шабалов В.А., Петешов A.B. Нейрочипы - элементная база современных нейрокомпьютеров. // Вузовская наука - региону. Региональная межвузовская научно-техническая конференция. -Вологда: ВГТУ. - 2001. - С. 270-271.

4. Ульянов А.Н., Шабалов В.А., Рогов В.В. Применение вейвлет-анализа для контроля качества поверхности стальной горячекатаной полосы. // «Инфотех-2001». Информационные технологии в производственных, социальных и экономических процессах. Материалы международной научно-технической конференции. - Череповец: ЧТУ. - 2002. - С. 98100.

5. Ульянов А.Н., Малыгин JI.JI., Царев В.А. Применение методов текстурного анализа в системах оптико-электронной дефектоскопии. // Образование, наука, бизнес. Особенности регионального интегрирования. Межвузовская научно-методическая конференция. Сборник трудов. - Череповец: ЧФ СПбГТУ. - 2002. - С. 15-20.

6. Ульянов А.Н. Анализ эффективности применения различных статистических признаков в задаче контроля качества поверхности стальной горячекатаной полосы с использованием вейвлет-анализа. // Образование, наука, бизнес. Особенности регионального интегрирования. Межвузовская научно-методическая конференция. Сборник трудов. - Череповец: ЧФ СПбГТУ. - 2002. - С. 20-25.

7. Ульянов А.Н., Ерёмин С.Н., Шабалов В.А. Алгоритм обнаружения дефектов листового металлопроката в оптико-электронных системах с использованием матриц яркостной зависимости и метода K-средних. // Образование, наука, бизнес. Особенности регионального интегрирования. Межвузовская научно-методическая конференция. Сборник трудов. - Череповец: ИМИТ СПбГПУ. - 2003. - С. 221-225.

8. Ульянов А.Н., Шабалов В.А. Алгоритм классификации дефектов поверхности листового металлопроката на основе вейвлет-анализа и нейросетевых технологий. // Сборник трудов участников IV межвузовской конференции молодых ученых. - Череповец: ЧГУ. -2003.-С. 200-202.

9. Ульянов А.Н. Особенности разработки оптико-электронных систем контроля качества листового металлопроката.// Образование, наука, бизнес. Особенности регионального развития и интеграции. Всероссийская научно-методическая конференция. Сборник трудов. Череповец: ИМИТ СПбГПУ. - 2004. - С. 330-335.

10. Ульянов А.Н. Алгоритм поиска оптимальной структуры дерева вейвлет-декомпозиции для решения задачи классификации дефектов листового металлопроката.// Оптические, радиоволновые и тепловые методы и средства контроля качества материалов, промышленных изделий и окружающей среды. Труды IX международной научно-технической конференции. - Ульяновск: УлГТУ. - 2004. - С. 149-152.

11. Ульянов А.Н., Царев В.А. Алгоритм классификации цифровых и шумовых образов по их полутоновым изображениям с использованием вейвлет-анализ и нейросетевых технологий.// Оптические, радиоволновые и тепловые методы и средства контроля качества

¿¡.ОСХз А

24 Р"15181яз_

материалов, промышленных изделий и окружающей среды. Труды IX международной научно-технической конференции. - Ульяновск: УлГТУ. - 2004. - С. 156-159. 12. Ульянов А.Н., Царев В.А. Математическая и имитационная модель изображения поверхности листового металлопроката на основе вейвлет-преобразования и модели скрытых Марковских деревьев.// Материалы XVI межвузовской военно-научной конференции. Часть 2. - Череповец: ЧВИИРЭ. - 2005. - С. 34-40.

Соискатель А.Н. Ульянов

Подписано в печать 27.12.2005. Объем в п.л. 1,5 Тираж 100 экз. Заказ № 280

Отпечатано с готового оригинал-макета, предоставленного автором, в типографии ЧВИИРЭ, 162600, г. Череповец, пр. Советский, Д26

Введение

Глава 1. Задача контроля качества поверхности листового металлопроката на базе оптоэлектронных систем

1.1. Общая характеристика качества поверхности листового металлопроката как объекта оптоэлектронного контроля

1.2. Анализ существующих методов и средств оптоэлектронного контроля качества поверхности листового металлопроката

1.3. Критерии и показатели оценки эффективности приборов оптоэлектронного контроля качества поверхности листового металлопроката

1.4. Метрологическое обеспечение оптоэлектронных средств контроля качества поверхности листового металлопроката

1.5. Постановка задачи разработки метода и средств оптоэлектронного контроля качества поверхности листового металлопроката

Выводы по главе

Глава 2. Метод оптоэлектронного контроля качества поверхности листового металлопроката

2.1. Особенности представления изображений поверхности 53 металлопроката в частотной области

2.2. Анализ применимости различных методов вейвлет-преобразования для решения задачи выявления поверхностных дефектов листового металлопроката

2.2.1. Метод слияния-разделения

2.2.2. Пороговые методы

2.2.3. Метод локального дискриминантного базиса

2.3. Метод поиска наиболее информативных признаков для решения задачи выявления поверхностных дефектов листового металлопроката

2.4. Основы проектирования подсистемы выявления поверхностных дефектов прибора оптоэлектронного контроля качества поверхности листового металлопроката

Выводы по главе

Глава 3. Средства оптоэлектронного контроля качества поверхности листового металлопроката

3.1. Математическая модель оптоэлектронного сигнала отраженного от контролируемой поверхности листового металлопроката

3.2. Алгоритмические средства синтеза эталонов с дефектами и общим фоном

3.3. Методика синтеза алгоритмических средств выявления поверхностных дефектов листового металлопроката

3.4. Методика оптимизации параметров оптической схемы прибора оптоэлектронного контроля качества поверхности листового металлопроката

Выводы по главе

Глава 4. Разработка лабораторного и опытного приборов оптоэлектронного контроля качества поверхности листового металлопроката, экспериментальные исследования средств оптоэлектронного контроля

4.1. Лабораторный прибор оптоэлектронного контроля качества поверхности листового металлопроката

4.2. Опытный прибор оптоэлектронного контроля качества поверхности листового металлопроката 123 4.3 Экспериментальные исследования метода и средств оптоэлектронного контроля качества поверхности листового металлопроката

4.3.1. Экспериментальные исследования модели оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката

4.3.2. Синтез и экспериментальные исследования алгоритма выявления поверхностных дефектов листового холоднокатаного металлопроката и методики выбора оптимальных параметров оптической схемы 136 4.4. Области применения и перспективы развития предложенного метода и средств оптоэлектронного контроля качества поверхности листового металлопроката

Выводы по главе

Актуальность работы. Одним из основных продуктов металлургического производства является металлопрокат, значительную долю которого в настоящее время составляет листовой металлопрокат, поставляемый потребителю обычно либо в рулонах, либо в пачках листов.

С каждым годом повышаются требования к качеству продукции металлургических производств. В связи с этим возникает необходимость разработки более эффективных методов и средств контроля качества металлопродукции. Задача контроля качества металлопроката становится все более актуальной по причине того, что необнаруженный вовремя брак ведет как к сбоям технологии, так и переходит на конечный продукт.

Одной из основных характеристик качества листового металлопроката является качество его поверхности. Именно к нему предъявляются самые высокие требования. Качество поверхности аттестуется с учетом дефектов, образующихся на различных переделах металлургического производства.

Контроль качества поверхности металлопроката на большинстве отечественных предприятий осуществляется работниками отделов технического контроля визуально. Однако, из-за присущего субъективизма, непостоянной природы человеческого зрения, быстрой утомляемости визуальная проверка поверхности металлопроката не дает удовлетворительных результатов. Поэтому в настоящее время ведутся активные работы в области создания автоматизированных приборов контроля качества поверхности листового металлопроката.

Несмотря на то, что в настоящее время существует ряд промышленных приборов ОЭКК, подходы, применяемых при их проектировании, как правило, не публикуются в открытой печати, поскольку носят коммерческий характер и являются интеллектуальной собственностью соответствующих, преимущественно зарубежных фирм производителей.

Среди исследований российских ученых, посвященных вопросам создания автоматизированных приборов ОЭКК, важно отметить работы Малыгина Л.Л., Ершова Е.В., Рогова В.В. Проведенный анализ этих работ показал, что процесс контроля качества поверхности листового металлопроката рассматривается в них как последовательное выполнение следующих основных этапов: предварительная обработка изображения, поиск дефектных областей на изображении, расчет классификационных признаков по найденным областям, классификация дефектов. Таким образом, для выполнения классификации, требуется предварительное решение задачи поиска дефектных областей. Обеспечение же необходимой точности процедуры поиска, зачастую, не представляется возможным из-за зашумленности и неоднородности изображений металлопроката и высокой скорости движения полосы. Вследствие этого, существующие методы оптоэлектронного контроля не позволяют осуществлять контроль листового металлопроката с заданными, достаточно высокими, показателями эффективности.

Таким образом, актуальность темы диссертации предопределяется тем, что оптоэлектронными средствами обеспечивается контроль с заданными показателями эффективности и быстродействия качества поверхности листового металлопроката.

Научная цель. Целью диссертационной работы является разработка метода и основ проектирования средств оптоэлектронного контроля качества поверхности листового металлопроката, обеспечивающих повышение эффективности контроля качества поверхности листового металлопроката, что позволит улучшить качество продукции металлургических производств.

Основные научные и практические положения, выдвигаемые на защиту:

1. Математическая модель оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката, анализ которой позволил создать алгоритмические средства синтеза эталонов с дефектами и общим фоном, максимально приближенных к реальным.

2. Усовершенствованный метод оптоэлектронного контроля качества поверхности листового металлопроката, позволяющий решать задачу выявления поверхностных дефектов с заданными показателями эффективности и быстродействия, за счет отказа от выполнения предварительного этапа поиска дефектных областей.

3. Основы проектирования специализированных средств оптоэлектронного контроля качества поверхности листового металлопроката, позволяющие создавать алгоритмы выявления поверхностных дефектов с заданными показателями эффективности и быстродействия.

4. Программные и технические средства оптоэлектронного контроля качества поверхности листового холоднокатаного металлопроката, обеспечивающие более высокие показатели эффективности по сравнению с известными средствами и позволяющие осуществлять контроль на движущейся полосе металлопроката.

5. Лабораторный автоматизированный прибор оптоэлектронного контроля качества (ОЭКК) поверхности стальной холоднокатаной полосы, предназначенный для настройки оптоэлектронных средств контроля качества поверхности листового металлопроката.

6. Опытный автоматизированный прибор ОЭКК поверхности стальной холоднокатаной полосы на выходе агрегата продольной резки-9 цеха отделки металлопроката (ЦОМ) производства холоднокатаного листа (ПХЛ) ОАО «Северсталь», предназначенный для исследования метода и средств оптоэлектронного контроля качества поверхности листового металлопроката в условиях производства.

Объект исследования: метод и средства оптоэлектронного контроля качества поверхности листового металлопроката.

Методы исследований. Для решения поставленных в работе задач был использован аппарат теории измерений, теории вероятностей и математической статистики, теории вейвлет-анализа, скрытых Марковских моделей, теории распознавания образов, обработки и анализа растровых полутоновых изображений, теории методов статистического моделирования на ЭВМ.

Научная новизна для специальности 05.11.13 результатов работы состоит в следующем:

1. Предложена математическая модель оптоэлектронного сигнала отраженного от контролируемой поверхности листового металлопроката, анализ которой позволил создать алгоритмические и программные средства синтеза эталонов с дефектами и общим фоном максимально приближенных к реальным.

2. Разработан усовершенствованный метод оптоэлектронного контроля качества поверхности листового металлопроката, позволяющий осуществлять контроль качества поверхности металлопроката с показателями более высокими по сравнению с известными, за счет отказа от выполнения предварительного этапа поиска дефектных областей.

3. Разработаны основы проектирования специализированных средств оптоэлектронного контроля, обеспечивающие возможность синтеза алгоритмов выявления поверхностных дефектов с заданными показателями эффективности и быстродействия. Таким образом, сделан конкретный научный и практический вклад в специальность 05.11.13 - Приборы и методы контроля природной среды, веществ, материалов и изделий.

Апробация работы. Основные положения диссертации докладывались и обсуждались на XIV, XV, XVI Межвузовских военно-научных конференциях (Череповец, 2000 г., 2002 г., 2004 г.), международной научно-технической конференции «Инфотех-2001» (Череповец, 2001 г.), II и III Межвузовской научно-методической конференции «Образование. Наука. Бизнес. Особенности регионального развития и интеграции» (Череповец, 2003 г., 2004 г.), региональной студенческой научной конференции «Молодые исследователи - региону» (Вологда, 2001 г.), IX международной научно-технической конференции (Ульяновск, 2004 г.), а также на заседаниях кафедры системного анализа и управления ФТК СПбГПУ, научных семинарах Института менеджмента и информационных технологий СПбГПУ и Череповецкого научно-координационного центра РАН, где получили одобрение.

По материалам диссертации опубликовано 12 печатных работ.

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

В первой главе приведена классификация и описание поверхностных дефектов холоднокатаного и горячекатаного металлопроката.

Представлена характеристика качества поверхности листового металлопроката как объекта оптоэлектронного контроля.

Проведен анализ методов и средств, применяемых при организации контроля качества поверхности листового металлопроката с использованием приборов ОЭКК. Определены их основные достоинства и недостатки.

Отмечено, что, во-первых, известные методы и подходы не позволяют создавать алгоритмы обнаружения и классификации поверхностных дефектов листового металлопроката с заданными показателями эффективности и быстродействия. Во-вторых, основные направления исследований направлены на решение задачи поиска дефектных областей на изображении, поскольку от точности процедуры поиска зависит качество признаков вычисляемых по найденным на изображении областям и, как следствие, эффективность дальнейшей классификации. Отмечено, что повышение точности поиска в настоящее время ведется экстенсивными методами, в основу которых положено использование дополнительных аппаратных ресурсов.

Рассмотрены известные и предложены новые показатели эффективности контроля качества поверхности листового металлопроката, предназначенные для оценки оптоэлектронных средств, не использующих подсистему поиска дефектных областей. С использованием данных показателей определен критерий оценки эффективности оптоэлектронных средств нового класса. Определена цель диссертационной работы, заключающаяся в разработке метода и основ проектирования средств оптоэлектронного контроля качества поверхности листового металлопроката, обеспечивающих повышение эффективности контроля качества поверхности листового металлопроката, что позволит улучшить качество продукции металлургических производств.

Рассмотрены и проанализированы основные факторы, оказывающие влияние на эффективность контроля качества поверхности листового металлопроката с использованием оптоэлектронных средств. Приведены основные метрологические характеристики средств оптоэлектронного контроля качества поверхности листового металлопроката. Описана методика точной калибровки видеодатчика. Отмечена важность выбора оптической схемы и создания эталонов с дефектами и общим фоном для проведения калибровок оптоэлектронных средств.

Определены решаемые в диссертационной работе задачи.

Во второй главе рассмотрены особенности представления изображений поверхности листового металлопроката в частотной области. Проведены предварительные эксперименты, которые показали, что основной недостаток классических методов частотного анализа на основе преобразования Фурье, заключающийся в невозможности выявления небольших слабоконтрастных дефектов, может быть преодолен с использованием альтернативного метода частотно-временного анализа на основе вейвлет-преобразования. Данный метод обладает высокой потенциальной возможностью для выявления как больших, так и малых слабоконтрастных дефектов, при этом может быть опущен сложный этап поиска дефектных областей, что позволит не только увеличить быстродействие прибора ОЭКК, но и повысить эффективность контроля.

Разработан метод оптоэлектронного контроля качества поверхности листового металлопроката, предназначенный для решения задачи выявления поверхностных дефектов листового металлопроката и заключающийся в построении дискриминантного вейвлет-дерева, содержащего наиболее информативные диапазоны вейвлет-коэффициентов, определяемые путем оптимизации целевой дискриминантной функции, построенной на основе критерия Фишера.

Разработаны основы проектирования подсистемы выявления поверхностных дефектов листового металлопроката. Создана методика интерпретации ответов классификатора, позволяющая не только реализовывать механизм отказов, но и учитывать возможность появления в зоне контроля дефектов нескольких типов.

Третья глава содержит результаты экспериментов по аппроксимации вейвлет-коэффициентов изображений листового металлопроката смесью одномерных нормальных распределений. Приведено описание математической модели оптоэлектронного сигнала отраженного от контролируемой поверхности листового металлопроката, в основе которой лежит математический аппарат теории скрытых Марковских деревьев и вейвлет-анализа. По результатам анализа предложенной математической модели разработаны алгоритмические средства синтеза эталонов с различными типами дефектов и общим фоном, предназначенные для проведения калибровки оптоэлектронных средств в условиях отсутствия представительной выборки реальных образцов. Предложена методика синтеза алгоритмов выявления поверхностных дефектов листового металлопроката, основанная на использовании разработанного метода оптоэлектронного контроля. Методика позволяет создавать алгоритмы выявления поверхностных дефектов листового металлопроката с заданными показателями эффективности и быстродействия.

Предложены критерий и методика поиска оптимальных параметров оптической схемы, при которых достигается максимальное значение целевой функции, и, как следствие этого, повышается эффективность работы алгоритмов выявления дефектов поверхности листового металлопроката.

В четвертой главе описываются созданные лабораторный и опытный приборы оптоэлектронного контроля качества поверхности листового металлопроката.

Лабораторный автоматизированный прибор ОЭКК стальной холоднокатаной полосы предназначен для экспериментальной проверки основных положений работы. Опытный автоматизированный прибор ОЭКК поверхности стальной холоднокатаной полосы на выходе агрегата продольной резки-9 цеха отделки металлопроката производства холоднокатаного листа ОАО «Северсталь» предназначен для экспериментальной проверки средств оптоэлектронного контроля в условиях производства. Описан комплекс программных средств, предназначенный как для автоматизации процесса проектирования прибора ОЭКК на базе предложенных решений, так и для выявления поверхностных дефектов листового металлопроката. Представлены результаты экспериментальных исследований метода и средств оптоэлектронного контроля качества поверхности металлопроката, в результате которых был создан алгоритм выявления поверхностных дефектов листового холоднокатаного металлопроката, имеющий по сравнению с известными алгоритмами более высокие показатели эффективности и обладающий вычислительными характеристиками, обеспечивающими его работу в режиме реального времени.

Рассмотрены области использования и перспективы развития предложенного метода и средств оптоэлектронного контроля качества поверхности листового металлопроката.

В приложениях приведены:

1. Описание основных типов поверхностных дефектов холоднокатаного и горячекатаного металлопроката.

2. Размеры продольной и поперечной разрешающей способности приборов ОЭКК в зависимости от размера ПЗС матрицы, высоты установки камеры над поверхностью полосы, угла наклона камеры, и угла обзора видеокамеры.

3. Искусственные однородные изображения с нанесенными на них точками и линиями различной направленности белого и черного цветов и соответствующие им энергетические карты.

4. Листинг программного модуля, реализующего построение дискриминантного вейвлет-дерева с использованием нового метода оптоэлектронного контроля качества поверхности листового металлопроката.

5. ЕМ - алгоритм для оценки параметров модели оптоэлектронного сигнала отраженного от контролируемой поверхности листового металлопроката.

6. Листинг программного модуля оценки параметров модели оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката с использованием ЕМ-алгоритма.

7. Примеры изображений поверхности с дефектами различных типов и бездефектной поверхностью (общим фоном) для холоднокатаного проката ОАО «Северсталь».

ВЫВОДЫ ПО ГЛАВЕ 4

1) Создан лабораторный автоматизированный прибор ОЭКК стальной холоднокатаной полосы, предназначенный для экспериментальной проверки основных положений работы.

2) Создан опытный автоматизированный прибор ОЭКК поверхности стальной холоднокатаной полосы на выходе агрегата продольной резки-9 цеха отделки металлопроката производства холоднокатаного листа ОАО «Северсталь».

3) Разработан комплекс программных средств, предназначенный как для автоматизации процесса проектирования приборов ОЭКК на базе предложенных решений, так и для выявления поверхностных дефектов листового металлопроката.

4) Проведены экспериментальные исследования модели объекта контроля, метода и средств оптоэлектронного контроля качества поверхности металлопроката, в результате которых был создан алгоритм выявления поверхностных дефектов листового холоднокатаного металлопроката, имеющий по сравнению с известными алгоритмами более высокие показатели эффективности и обладающий вычислительными характеристиками, обеспечивающими его работу в режиме реального времени.

5) Рассмотрены области использования и перспективы развития предложенного метода и средств оптоэлектронного контроля качества поверхности листового металлопроката.

149

ЗАКЛЮЧЕНИЕ

В рамках диссертации с использованием скрытых Марковских моделей и математических принципов вейвлет-преобразования двумерных дискретных сигналов-изображений решена задача повышения эффективности контроля качества поверхности листового металлопроката за счет разработки нового метода и основ проектирования специализированных средств оптоэлектронного контроля качества поверхности листового металлопроката, позволяющих осуществлять контроль с показателями более высокими по сравнению с известными методами, за счет отказа от необходимости выполнения промежуточного этапа поиска дефектных областей, а также за счет обеспечения возможности синтеза алгоритмов выявления поверхностных дефектов листового металлопроката с заданными показателями эффективности и быстродействия.

Основные научные и практические результаты работы заключаются в следующем:

1. Предложена математическая модель оптоэлектронного сигнала, отраженного от контролируемой поверхности листового металлопроката, анализ которой позволил создать алгоритмические средства синтеза эталонов с дефектами и общим фоном, максимально приближенных к реальным и предназначенных для проведения калибровки средств оптоэлектронного контроля.

2. Разработан усовершенствованный метод оптоэлектронного контроля качества поверхности листового металлопроката, позволяющий решать задачу выявления поверхностных дефектов с заданными показателями эффективности и быстродействия за счет отказа от выполнения предварительного этапа поиска дефектных областей.

3. Разработаны основы проектирования специализированных средств оптоэлектронного контроля качества поверхности листового металлопроката, позволяющие создавать алгоритмы выявления поверхностных дефектов с заданными показателями эффективности и быстродействия.

4. Созданы программные и технические средства ОЭКК поверхности листового холоднокатаного металлопроката, обеспечивающие более высокие показатели эффективности по сравнению с известными средствами и обладающие вычислительными характеристиками, позволяющими осуществлять контроль на быстродвижущейся полосе металлопроката.

5. Создан лабораторный прибор ОЭКК поверхности стальной холоднокатаной полосы, предназначенный для калибровки оптоэлектронных средств контроля качества поверхности листового металлопроката.

6. Создан опытный прибор ОЭКК поверхности стальной холоднокатаной полосы на выходе агрегата продольной резки-9 цеха отделки металлопроката (ЦОМ) производства холоднокатаного листа (ПХЛ) ОАО «Северсталь», предназначенный для исследования метода и средств оптоэлектронного контроля качества поверхности листового металлопроката в условиях производства.

7. Полученные результаты использованы при проектировании оптоэлектронных приборов контроля качества поверхности стальной холоднокатаной полосы, разрабатываемой Институтом менеджмента и информационных технологий (филиалом) СПбГПУ по заказу ООО «Малленом».

8. 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 230105 - «Программное обеспечение вычислительной техники и автоматизированных систем».

1. A. Grossmann, J. Morlet, Decomposition of Hardy functions into square integrable wavelets of constant shape, SIAM J. Math. 15 1984.

2. A. K. Jain, J. Mao, and К. M. Mohiuddin, "Artificial neural networks: a tutorial," IEEE Computer, pp. 31-44. March 1996.

3. A. Laine, J. Fan, Texture classification by wavelet packet signatures, IEEE Trans. Pattern Anal. Mach. Intell. 15 1993.

4. A.L. Amet, A. Ertuzun, A. Ercil, Texture defect detection using subband domain co-occurrence matrices, Image Anal. Interpretation 1 1998.

5. Computer Vision and Image Processing. Upper Saddle River: Scott E. U.Prentice Hall, 1999.

6. D. Brzakovie and N. Vujoivie, "Designing a Defect Classification System : A Case Study", Pattern Recognition, Vol. 29, No. 8, pp. 1401141, 1996.

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

8. F. Abramovich, T. Sapatinas, and B. W. Silverman, "Wavelet thresholding via a Bayesian approach," J. R. Statist. Soc. B, vol. 60, pp. 725-749, 1998.

9. Fabric defect detection by Fourier analysis, Chi-ho Chan, Grantham Pang, Proceedings of the 1999 IEEE Industry Applications Society Conference Phoenix, Arizona, USA, October 3-7, 1999.

10. H. Chipman, E. Kolaczyk, and R. McCulloch, "Adaptive Bayesian wavelet shrinkage," J. Amer. Statist. Assoc., vol. 92, 1997.

11. Haar A. Zur Theorie der Orthogonalen Funktionen-System / / Math. Ann. 1910.-No. 69.-P. 331-371.

12. Hannu Kauppinen Development of a color machine vision method for wood surface inspection, Oulun Yliopisto, Oulu 1999.

13. Haralick R.M., Shanmugan K., Dinstein I. Texture features for image classification, IEEE Trans. Systems, Man and Cybernetics, SMC-3, pp. 610-621, 1973.

14. Image processing with neural networks a review M. Egmont-Petersena, D. de Ridder, H. Handels.

15. J. Pesquet, H. Krim, and E. Hamman, "Bayesian approach to best basis selection," in Proc. IEEE Int. Conf. Acoust., Speech, Signal Processing'96, Atlanta, GA, 1996, pp. 2634-2637.

16. K. S. Fu, "A step towards unification of syntactic and statistical pattern recognition," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 5, no. 2, pp. 200-205, March 1983.

17. Koivo AJ & Kim CW (1989) Robust image modeling for classification of surface defects on wood boards. IEEE Transactions on Systems, Man, and Cybernetics, 19: 1659-1666.

18. L. Devroye, L. Gyorfl, and G. Lugosi, A Probabilistic Theory of Pattern Recognition, Springer Verlag, Berlin, 1996.

19. Lampinen J, Smolander S, Silven O., Kauppinen H., Wood defect recognition: a comparative study. Workshop on Machine Vision for advanced production, Oulu, Finland. 1994.

20. M.S. Crouse, R.D. Nowak, and R.G. Baraniuk. Wavelet-Based Statistical Signal Processing using Hidden Markov Models. IEEE Transactions on Signal Processing, 46:886-902, 1998.

21. Mike Muehlemann Standardizing Defect Detection for the Surface Inspection of Large Web Steel Illumination Technologies, Inc.

22. N. Saito, R.R. Coifman, Local discriminat bases, Proc. SPIE, v2303

23. O. Pichler, A. Teuner, B.J. Hosticka, A comparison of texture feature extraction using adaptive Gabor filtering, pyramidal and tree structured wavelet transforms, Pattern Recognition 29 1996.

24. Ronen, J. Rohlicek, and Ostendorf "Parameter estimation of dependence tree model using the EM algorithm". IEEE Signal Proc. Lett., vol. 2, pp. 157-159, Aug. 1995.

25. On-line automatic defect detection and surface roughness measurement of steel strip, F. Treiber, Iron and Steel Engineer, Sept 1989.

26. P.G. Lemarie, Y. Meyer, Ondelettes et bases Hilbertiennes, Rev. Mat. Ibero Americana 2 1986. Lemarie.

27. Parsytec AG Электронный ресурс. Режим доступа: www.parsytec.de.

28. Pattern recognition methods for texture analysis case study: steel surface classification, Cem Unsalan, Hacettepe University, 1998.

29. R.R.Coifman and Mladen Victor Wickerhauser, Entropy based algorithms for best basis selection, IEEE Trans. Information Theory, v38, n2, March, pp713-718, 1992.

30. R.T. Chin. SURVEY: automated visual inspection: 1981 to 1987. Computer Vision, Graphics, and Image Processing, 41:346—381, 1988.

31. S.G. Mallat, A theory for multiresolution signal decomposition: the wavelet representation, IEEE Trans. Pattern Anal. Mach. Intell. 11 1989.

32. Surface defect inspection of cold Rolled Strips with Features Based on Adaptive Wavelets Packets, Chang Su Lee, Chong-Ho Choi, Jin Young Choi, Se Ho Choi, IEICE TRANS. INF. & SYST., Vol. E80-D, No. 5 May 1997.

33. Surface Inspection System for Cold Rolled Strips Based on Image Processing Technique, Ke Xu, Jinwu Xu, Shouli Lu, Journal of University of Science and Technology Beijing, No.4 Vol. 6 1999.

34. T. Chen, C.-C.J. Kuo, Texture analysis and classification with tree-structured wavelet transform, IEEE Trans. Image Process. 2 1993.

35. Tai-Hoon Cho, Richard W. Conners, and Philip A. Araman A Comparison of Rule-Based, K-Nearest Neighbor, and Neural Net Classifiers for Automated Industrial Inspection, IEEE Computer Society Press Los Alamitos, California, 1991.

36. Андронов С. А. Методы оптимального проектирования: Текст лекций // С. А. Андронов; С.-Петерб. гос. ун-т аэрокосм, приборостроения. СПб.: РИО ГУАП, 2001. -169 с.

37. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М., «Высшая школа», 1983.

38. Б. Банди Методы оптимизации. Вводный курс. М.: "Радио и связь", 1988.

39. Барабаш Ю.Л., Варский Б.В. Автоматическое распознавание образов. Изд. КВАИУ, Киев, 1964.

40. Белозерский Л.А. Основы построения систем распознавания образов. Часть I, 1997.

41. Быков Р.Е., Фрайер Р., Иванов К.В., Манцветов А.А. Цифровое преобразование изображений: Учеб. пособие для вузов М.: Горячая линия - Телеком, 2003. - 228 с.

42. В.П. Майоров, Л.Ф. Овчинников, М.С. Семин, Рассуждения о телевизионных камерах "Компьютерра" №4 1998.

43. Валин П.Н. Диссертация на соискание ученой степени кандидата технических наук. Синтез алгоритмов обнаружения и распознавания дефектов поверхности холоднокатаного металла. -Л.: СЗПИ, 1989. 120 с.

44. Волошин Г.Я. Методы распознавания образов (конспект лекций), Сервер Методического Обеспечения ВГУЭС, 2000.

45. Волошин Г.Я., Бурлаков И.А., Косенкова С.Т. Статистические методы решения задач распознавания, основанные на аппроксимационном подходе. Владивосток: ТОЙ ДВО РАН, 1992.

46. Воробьев Е.А. Физические основы получения информации: Учеб. пособие СПбГУАП. СПб., 2004. 190 с.

47. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

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

49. 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.

50. Компания «ЭВС» Как выбирать телевизионные камеры Электронный ресурс. - Режим доступа: www.evs.ru.

51. Малыгин Л.А, Шабалов В.А., Ульянов А.Н., Петешов А.В. Балунин Е.И. Модели нейронных сетей и области их применения. / / Тезисы доклада 14 межвузовской научно-технической конференции. -Череповец. 2000. - 31-32 с.

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

53. Мандель И.Д. Кластерный анализ. М., Финансы и статистика, 1988, - 176 с.

54. Неизвестный С. И., Никулин О.Ю., Приборы с зарядовой связью -основа современной телевизионной техники. Основные характеристики ПЗС, «Специальная техника» №5, 1999.

55. Никулин О. Ю., Петрушин А. Н. Системы телевизионного наблюдения. М., «Оберег-РБ», 1997г.

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

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

58. 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.

59. Старостин Д. А. Диссертация на соискание степени кандидата технических наук. Математическая и имитационная модели изображения поверхности стальной полосы на основе гиббсовских случайных полей. СПб.: ИМИТ, 2003. - 93 с.

60. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. -М.: Мир, 1992. 184 с.

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

62. Шабалов В.А., Ульянов А.Н. Алгоритм классификации дефектов поверхности листового металлопроката на основе вейвлет анализа и нейросетевых технологий. // Сборник трудов участников IV межвузовской конференции молодых ученых. -Череповец. 2003. - 200-202 с.

63. Шабалов В.А., Ульянов А.Н., Петешов А.В. Применение дискретных вейвлет-преобразований для обработки статических изображений. // Молодые исследователи региону. Региональная студенческая научная конференция. Тезисы докладов. - Вологда. -2001. - 23-24 с.

64. Описание основных типов дефектов поверхности холоднокатаного и горячекатаного металлопроката

65. Дефекты на холоднокатаных листах и лентах (ГОСТ 20817-88)4)