автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы обработки и анализа снимков в капиллярной дефектоскопии

На правах рукописи

Ермаков Александр Андреевич

МЕТОДЫ И АЛГОРИТМЫ ОБРАБОТКИ И АНАЛИЗА СНИМКОВ В КАПИЛЛЯРНОЙ ДЕФЕКТОСКОПИИ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

003470204

I

Владимир - 2009

003470204

Работа выполнена на кафедре «Информационные системы» Муромского института (филиала) ГОУ ВПО «Владимирский государственный университет»

Научный руководитель кандидат технических наук, доцент

Орлов Алексей Александрович

Официальные оппоненты: доктор технических наук, профессор

Денисенко Владимир Иванович

кандидат технических наук Яковлев Александр Владимирович

Ведущая организация Пензенский государственный университет

(г. Пенза)

Защита состоится 17 июня 2009 г. в 14 часов на заседании Диссертационного Совета Д.212.025.01 при Владимирском государственном университете по адресу: 600000, г.Владимир, ул.Горького, 87, ауд. 211-1.

С диссертацией можно ознакомиться в библиотеке Владимирского государственного университета.

Автореферат разослан 14 мая 2009 г.

Ученый секретарь диссертационного совета

доктор технических наук, профессор * /у Р.И.Макаров

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. В связи с усложнением новой техники и повышением требований к ее надежности, трудоемкость контрольных операций в промышленности резко увеличивается. Практика показывает, что усовершенствование методов неразрушающего контроля позволяет повысить надежность и качество продукции, предотвращает аварии сложных агрегатов и дает производству огромные экономические преимущества.

Существующие методы контроля качества изделий и материалов базируются в основном на визуальных возможностях человека. Однако возникают сложности, связанные с наличием субъективизма и ограниченных возможностей зрения человека. В связи с этим возникает необходимость автоматического контроля для объективной и более точной оценки качества.

Так как многие методы контроля на выходе дают изображения дефектов, в последнее время наблюдается тенденция внедрения систем технического зрения в дефектоскопию. Такие системы намного превышают возможности человеческого глаза, а в некоторых случаях и самого человека как анализатора изображений. Цифровой анализ обеспечивает быстрое обнаружение, измерение и классификацию образов дефектов для обеспечения неразрушающего контроля различных материалов и изделий. Сообразно с этим в области компьютерной обработки изображений существуют работы, связанные с анализом дефектоскопических снимков различной природы. Известны труды Д. Мери, Р. Силвы, М. Карраско, Н. Насреддина, Н.Г. Федотова, С.С. Садыкова, A.M. Секерина и др.

Однако многие дефекты имеют особые специфичные сложные образы. Например, очень распространены дефекты-трещины, риски, царапины, имеющие протяженную линейчатую форму в виде полосы. Такие дефекты часто выявляются капиллярным методом. Применяемые в дефектоскопии системы технического зрения используют в основном достаточно простые методы цифровой обработки изображений и не позволяют выполнить более детальный разбор таких сложных по форме дефектов.

Таким образом, актуальным является создание, исследование и применение новых специальных методов обработки и анализа изображений полосовых дефектов.

Цель диссертационной работы: разработка и исследование методов и алгоритмов цифровой обработки изображений в промышленных системах контроля качества для повышения оперативности анализа дефектоскопических снимков, полученных капиллярным методом.

Задачи исследования:

1. Обзор и анализ методов контроля качества, известных дефектоскопических систем и методов, методов фильтрации и выделения линейчатых образов.

2. Изучение структуры полосовых образов, разработка модели и алгоритма их синтеза.

3. Разработка метода и алгоритма выделения изображений полосовых образов на основе теории интегрального преобразования по сегменту полосы.

4. Построение методики оценки разработанного алгоритма и его исследование на тестовых и реальных изображениях.

Методы исследования. В работе используются теория и методы цифровой обработки сигналов и изображений, математический анализ, теория множеств и алгоритмов, линейная алгебра, теория вероятностей.

Научная новизна. В работе предложены следующие новые результаты:

1. Построены модель и алгоритм синтеза полосового образа, позволяющие описать и сгенерировать различного вида линейчатые образы с заданным профилем. Кривизна и масштаб полосы рассматриваются как случайные процессы.

2. Разработаны метод и алгоритм фильтрации, которая обеспечивает выделение полос прямоугольного профиля на растровых изображениях. В фильтрации применяется интегральное преобразование по сегменту полосы.

3. Сформирована методика оценки качества алгоритмов выделения полос, подтверждающая точность разработанного алгоритма. Методика основана на вычислении геометрических и статистических признаков.

4. Построена технология обработки и анализа дефектоскопических изображений при капиллярном контроле качества. Технология включает в себя алгоритм выделения полос прямоугольного профиля на основе интегрального преобразования по сегменту полосы.

Практическая ценность работы. Работа выполнена в рамках госбюджетной НИР №340/98. Результаты работы приняты к использованию в ОАО «Муроммашзавод».

На защиту выносятся следующие результаты работы:

1. Модель и алгоритм синтеза полосового образа с варьированием кривизны и масштаба.

2. Метод и алгоритм выделения полос прямоугольного профиля на основе интегрального преобразования по сегменту полосы.

3. Методика и результаты оценки качества разработанного алгоритма выделения полос на тестовых изображениях.

4. Технология обработки и анализа капиллярных дефектоскопических изображений.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на VIII международной научно-технической конференции «Распознавание - 2008» (г. Курск, 2008 г.); на научно-практической конференции «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» (г. Санкт-Петербург, 2008 г.); на международной молодежной научной конференции «XXXIV Гагаринские чтения» (г. Москва, 2008 г.); на XIV международной научно-практической конференции студентов и молодых ученых «Современные техника и технологии СТТ 2008» (г. Томск, 2008 г.); на международной научно-технической конференции «Кибернетика и высокие технологии XXI века» (г. Орел, 2008 г.); на международной научно-практической конференции "Современные проблемы науки" (г. Тамбов, 2008 г.); на международной конференции молодых ученых, студентов и специалистов «Инновационные технологии в проектировании» (г. Пенза, 2008 г.), на 9-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" (г. Нижний Новгород, 2008 г.); на научных конференциях МИВлГУ (2007-2009 гг.).

Публикации. По теме диссертации опубликовано 18 работ, включая 4 статьи в изданиях по перечню ВАК и монографию.

Личный вклад автора. Результаты и положения, выносимые на защиту, получены автором лично. Для создания основных методов и алгоритмов использовалась теория, разработанная научным руководителем. Постановка основных задач и направлений исследования,

их анализ выполнены совместно с соавторами и научным руководителем. В работах, опубликованных в соавторстве, представлены: в [1,15] - модели и алгоритмы синтеза полосовых образов, в [2,7,8,16] - методы и алгоритмы выделения полос, в [3,6,9] - методика и результаты исследования алгоритмов выделения полос, в [4,5,10,11,17,18] - применение научных результатов для обработки и анализа капиллярных дефектоскопических изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, имеющего 180 наименований и приложения. Объем диссертации 128 с. Таблиц 15, рисунков 27.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В первой главе рассмотрены виды контроля качества, существующие системы технического зрения и методы обработки, применяемые в дефектоскопии. Приведен обзор известных методов и алгоритмов выделения линейчатых образов на растровых изображениях.

Определены цели и задачи диссертационной работы, направленные на разработку новых алгоритмов обработки и анализа снимков в капиллярной дефектоскопии.

Во второй главе приведена разработка новых моделей, методов и алгоритмов обработки и синтеза полосовых образов.

Разработана математическая модель полосового образа. Введены понятия области полосы, образующей линии полосы, полосы с переменной шириной, изображения полосы, профиля полосы.

Определение 1. Множество точек, расположенных вдоль кривой х = x(t),y- у{0 на расстоянии, не превышающем значение а (рис.1),

S = {(Wo)|(*o -*(0)2 + 0\> -У(»)2 назовем областью полосы (или просто полосой), заданной этой кривой.

Определение 2. Кривую х - x(t), у = y(t) будем называть образующей кривой (или просто образующей) полосы S.

Определение 3. Если значение а является функцией cr = o{t), то полосу S будем называть полосой с переменной шириной, так что 2a{t) - ширина этой полосы, изменяющаяся по образующей кривой х = x{t),y = y{t).

Определение 4. Изображением полосы (или образом полосы) назовем сцену, заданную характеристической функцией^ : /?2—> {0, 1},

Определение 5. Профилем полосы 5 в точке (х, у) будем называть

Таким образом, полоса характеризуется профилем и рассматривается как область переменной ширины, построенная вокруг образующей линии полосы.

Дано определение сегменту полосы. Анализируются его параметры. Рассмотрено интегральное преобразование изображения по сегменту полосы (ИПСП).

Определение 6. Прямоугольник, аппроксимирующий часть полосы, называется сегментом полосы.

Обозначим полуширину (или масштаб) сегмента как <т, полудлину -Да угол наклона сегмента (который равен углу наклона нормали к образующей полосы) - в (рис. 1).

На основе ИПСП вычисляются признаки сегмента (позиция, масштаб ориентация).

Разработан метод много мае штабной фильтрации одномерных сигналов на основе фильтра воспроизведения полезного сигнала. Построены метод и алгоритм воспроизведения двумерного полезного сигнала на основе одномерной многомасштабной фильтрации и преобразования по сегменту

сечение поверхности г = х(х, у) нормальной плоскостью в пространстве Л к образующей кривой х = х((), у = у({) в точке (дг, у).

.з

Рис.1. Область и сегмент полосы.

Рис.2. Детектор сегмента полосы прямоугольного профиля.

полосы. Для осуществления воспроизведения двумерного полезного сигнала сформированы два преобразования: воспроизводящее интегральное преобразование по сегменту полосы и преобразование для воспроизведения полосы.

Теорема. Многомасштабное воспроизведение одномерного сигнала обеспечивает фильтр, спектр Фурье которого

М^Ссга)]

44<Ö) =

Ma\WÁow)]+W„<e>y

1

где Mff[Ws(ег®)] =- \lVs(íjco)dcr ; Mff - оператор среднего по

масштабу а (а е <т2]У, Wn(co) - энергетические спектры

полезного сигнала и помех соответственно; сг,, а2 - минимальное и максимальное значение масштаба соответственно.

Много масштабное воспроизведение дает возможность фильтрации сигнала заданного вида в некотором диапазоне масштаба.

Пусть S (со, v), N{ai, v), F(û), v) - Фурье-спектры детектора сегмента полосы (двумерного полезного сигнала, рис.2), функции шума и исходного

fcosi? -sinö4

изображения fix, у) соответственно, Rot =

siní? cosû

- матрица

вращения на угол в.

Определение 7. Преобразование Н^-], выполняющее фильтрацию по масштабу в пределах [сг,, о~2] функции/}*, у) вдоль каждого направления в, формируя спектральную функцию g(x, у, в), по правилу

G(co,v,9) = F(û),v)--^--,

Ms+\N(co,v)\2

где F (со, v, в) - Фурье-спектр функции g(x, у, в) соответственно, Ms =--1-- Г |s(Rot- (crajv))2 dcr,

назовем воспроизводящим интегральным преобразованием по сегменту полосы (ВИПСП).

Определение 8. Преобразование исходного изображения fix, у) на основе ВИПСП в изображение g(x, у), так что

g(x,y) = тахНДДх,>')],

в

назовем воспроизведением полосы (BII).

ВП находит максимумы в откликах ВИПСП, тем самым среди сегментов разной ориентации определяется сегмент, который наилучшим образом повторяет часть полосы.

Алгоритм воспроизведения полосовых образов построим следующим образом.

1 ) Формирование Фурье-спектра F(a>, v) исходного изображения J{x, у):

2) Вычисление спектра шума N(co, v) по области изображения, которая не содержит полезный сигнал.

3) Выполнение воспроизводящего интегрального преобразования

G(a, к в) = Щ F(eo, v)].

4) Обратное преобразование Фурье спектра G(co, v, в) для каждого

значения 0 в функцию д).

5) Поиск максимумов в функции g(x,y, в):

g(x,y) = шах g(x, у, в).

в

Приведенный алгоритм позволяет выделять на полутоновом изображении полосы прямоугольного профиля, различного масштаба и кривизны.

Построена модель фона и образа полосы на исходных изображениях. Разработан способ и алгоритм синтеза образующей линии полосы и изображения полосы.

Анализ фона реальных капиллярных изображений показывает, что спектр фона очень хорошо аппроксимируется гиперболой (табл.1):

Для синтеза фона будем генерировать гиперболический спектр и искажать его добавлением случайной комплексной составляющей:

+ и + ПУ,

где и, И'-стандартные гауссовские случайные величины.

Складывая изображение полосы и фона, мы наносим шум на образ полосы. Интенсивность такого шума будет характеризоваться параметрами а и Ь. Чем больше значение а, тем больше искажается полоса. По графику спектра видно, параметр Ь должен быть отрицательным. Чем ближе он к

нулю, тем больше низкочастотных шумов, которые отображаются в виде пятен.

Образующая полосы синтезируется по алгоритму:

1. Синтез случайного спектра Z.

2. Обратное преобразование Фурье Z (получение последовательности кривизны К - {£,}).

3. Вычисление последовательности единичных векторов:

v, = Rot- v,_,,

lAs

где As - расстояние между двумя соседними точками синтезируемой кривой; v0 - единичный касательный вектор в начале дуги кривой.

4. Определение координат синтезируемой кривой:

Р< = р,-1 +

где р0 - координаты начала дуги кривой.

Синтез изображения полосы осуществляется по алгоритму:

1. Синтезировать образующую кривую.

2. Получить функцию изменения ширины Дa(t).

3. Найти <у = егср + Д а.

4. Определить характеристическую функцию полосы %(х, у).

5. Наложить ее на фон }(х,у): fix,у) = yixy) +х(ху).

Алгоритм синтеза полосы позволяет сгенерировать различного вида линейчатые образы с заданным профилем, переменной кривизной и масштабом.

В третьей главе выполнено исследование разработанного алгоритма фильтрации на тестовых изображениях. Показана точность алгоритма.

Проведены эксперименты синтеза тестовых изображений фоновых и полосовых образов. Выполнена аппроксимация полос на реальных изображениях.

На рис.3 приведены результаты этапов синтеза и обработки изображения полосы. На основе модели полосы и алгоритма синтеза полосовых образов построены тестовые изображения с различными значениями параметров. Показано видоизменение образа полосы при варьировании некоторых параметров, что дает возможность генерировать линейчатые изображения специфического вида.

1ШШШ&

Рис.3. Результаты этапов синтеза и обработки изображения полосы (а - спектр кривизны, б - график кривизны, в - образующая полосы, г - образ полосы, д - сцена,

содержащая полосу, е - результат фильтрации, ж,з,и - результат бинаризации «чистого», зашумленного и фильтрованного изображения соответственно).

Осуществлена оценка качества фильтрации полос. Для оценки разработаны алгоритмы, основанные на корреляционном сравнении и сравнении геометрических характеристик образов полос.

Оценка на основе коэффициента корреляции выполнялась по алгоритму:

1. Для а = 0, /г, 2/г, ..., атах выполнить шаги 2-8.

2. Генерация т тестовых изображений полосы без помех.

3. Зашумление всех т сгенерированных изображений полосы с уровнем шума а.

4. Вычисление коэффициента корреляции между незашумленным и зашумленным изображениями для каждых т пар.

5. Определение среднего значения коэффициента корреляции по т полученным значениям на шаге 3.

6. Фильтрация всех т тестовых изображений исследующимся алгоритмом.

7. Вычисление коэффициента корреляции между незашумленным и фильтрованным изображениями для каждых т пар.

8. Определение среднего значения коэффициента корреляции по т, полученным значениям на шаге 3.

График статистической зависимости коэффициента корреляции от среднеквадратического отклонения шума (СКО, квадратный корень из мощности шума) приведен на рис.4,а. Видно, что фильтрация сохраняет большие значения коэффициента корреляции при увеличении мощности шума.

В алгоритме сравнения по геометрическим характеристикам выполняется бинаризация тестового, зашумленного и фильтрованного изображения. По бинарным сценам вычисляются характеристики полос: площадь, длина, максимальная ширина, центр тяжести, вторые центральные моменты. Данные характеристики позволяют оценить форму, позицию и ориентацию анализируемого образа.

Показано, что фильтрация полос вносит лишь незначительные искажения. Полезный эффект фильтрации наблюдается при наличии на изображении шумов: шум сильно варьирует признаки объекта, фильтрация же устраняет такой разброс (рис.4,б).

П

0,8'

100

SS, %

а)

б)

Рис.4. Зависимости коэффициента корреляции // (а) и отклонения площади AS1 (б) от СКО шума а (пунктирной линией показана зависимость без фильтрации, сплошной - с

фильтрацией).

Тестирование разработанного алгоритма фильтрации показывает целесообразность применения фильтрации при наличии помех на изображении.

Приведены результаты фильтрации реальных изображений. Визуальный анализ полученных результатов позволяет говорить о хорошем качестве обработки.

В четвертой главе приведены результаты практического применения разработанного алгоритма фильтрации для обработки и анализа изображений в капиллярной дефектоскопии.

Выполнен статистический анализ капиллярных снимков. Отмечено, что дефекты на всех взятых снимках представляют линейчатые образы прямоугольного профиля со случайно варьируемой шириной. Для оценки уровня шума на данных дефектоскопических снимках проведены исследования, которые позволяют определить значения параметров, характеризующих спектр фона. Результаты аппроксимации усредненного по множеству направлений Фурье-спектра исходного изображения гиперболой приведены в табл. 1.

Табл.1. Значения спектральных параметров реального дефектоскопического снимка.

Изображение Фурье-спектр м его аппроксимация Параметр

а Ь

л И И) 60 50 100 235 -3

Визуальный анализ исследуемых изображений в областях дефектов показывает, что минимальная ширина раскрытия дефекта составляет один пиксель, а максимальная - шесть пикселей. Для нахождения длины сегмента полосы дефектов выполнялось усреднение изображений в каждой точке образующей полосы по алгоритму:

1. Обозначение точек образующей линии дефектов: (хо,уо), (ль^]),-.. , (х„,у„).

2. Определение угла наклона касательной а, к образующей в каждой

такой точке.

3. Генерирование для каждой ряд изображений, которые были смещены на вектор (х„ у,) и претерпели вращение на угол а,.

4. Усреднение всех полученных изображений.

В результате такой аппроксимации определена длина сегмента для исследуемых снимков.

Полученные параметры в ходе проведенного анализа используются как входные данные для разработанного алгоритма фильтрации.

Построена общая методика обработки капиллярно-дефектоскопических снимков. Методика основана на следующем алгоритме:

1) Фильтрация полосовых образов исходного или предобработанного изображения.

2) Бинаризация фильтрованного изображения.

3) Вычисление площади выделенных областей.

4) Устранение областей малой площади.

5) Вычисление признаков выделенных дефектных областей.

6) Классификация дефектов.

Выполнялась обработка реальных изображений. В табл. 2 приведены примеры воспроизведения полос прямоугольного профиля как образов трещин на дефектоскопических изображениях. Обработка выполнена при параметрах, которые соответствуют выделяемому объекту: угол наклона сегмента полосы в е [0, я), полуширина полосы а е [0,5, 3], полудлина сегмента полосы 1 = 4. Спектр помех Щт, V) и его параметры определены по области всего изображения.

С порогами, выбранными по гистограммам, произведена бинаризация исходного и обработанного изображений (табл.3). По бинарным сценам видно, что применение фильтрации позволяет довольно четко отделить фон от трещины. Возникает возможность выделения изображений дефектов такого рода для дальнейшей автоматической оценки качества поверхности анализируемого изделия (вычисление длины, ширины и других геометрических характеристик с помощью известных алгоритмов). Это позволяет оператору-дефектоскописту анализировать снимок не более одной минуты, тогда как при ручном анализе время достигает 15-20 мин.

Табл.2. Результаты фильтрации образов полос на дефектоскопических изображениях

Исходный снимок

Результат фильтрации

.1

Табл.3. Результаты бинаризации исходных и фильтрованных изображений.

Результат бинаризации исходного снимка

Результат бинаризации фильтрованного снимка

Визуальный экспертный анализ подтвердил достоверность результатов обработки и анализа капиллярных снимков на основе построенной методики.

В заключении сформулированы основные результаты диссертационной работы:

1. Осуществлен обзор и анализ методов дефектоскопического контроля качества, известных дефектоскопических систем и методов, методов фильтрации и выделения линейчатых образов. Показана необходимость разработки новых методов и алгоритмов анализа дефектоскопических изображений с учетом линейчатой специфики дефектов в капиллярной дефектоскопии.

2. Разработаны:

- модель полосового образа, приближенная по свойствам к реальным образам линий;

- метод многомасштабного воспроизведения полезного одномерного сигнала заданного вида;

- метод и алгоритм воспроизведения полос на основе интегрального преобразования по сегменту полосы;

- алгоритм синтеза полосового образа с варьированием кривизны и масштаба;

- алгоритмы оценки качества фильтрации, заключающиеся в корреляционном сравнении и сравнении по геометрическим характеристикам незашумленного и фильтрованного от шума изображения;

- методика обработки дефектоскопических изображений, полученных капиллярным методом.

3. Произведена статистическая оценка разработанного алгоритма воспроизведения полос на тестовых изображениях. Исследования показали высокое качество фильтрации полос.

4. Алгоритмы апробированы на реальных дефектоскопических изображениях, полученных капиллярным методом неразрушающего контроля.

В приложении приведены документы, подтверждающие практическое использование результатов исследований.

РАБОТЫ, ОПУБЛИКОВАННЫЕ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях по перечню ВАК

1. Ермаков, A.A. Построение технологии воспроизведения полос заданного профиля на цифровых изображениях [Текст] / A.A. Ермаков, С.С. Садыков // Известия ОрелГТУ. Серия «Фундаментальные и прикладные проблемы техники и технологии: информационные системы и технологии». - 2008, № 1-2/269(544). С.77-83.

2. Орлов, A.A. Технология сравнения и идентификации растровых изображений линий [Текст] / A.A. Орлов, A.A. Ермаков // Программные продукты и системы. - 2008, №1. С.68-70.

3. Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля [Текст] / A.A. Орлов, A.A. Ермаков // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. -СПб.: СПбГПУ, 2008, №3(60). С.52-56.

4. Садыков, С.С. Теория, алгоритмы и методика обработки линейчатых образов на дефектоскопических снимках [Текст] / С.С. Садыков, A.A. Орлов, A.A. Ермаков // Известия высших учебных заведений. Приборостроение. - 2009, №2. С. 11-16.

Монография

5. Ермаков, A.A. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков [Текст] У A.A. Ермаков, A.A. Орлов, С.С. Садыков, Д.Н. Стародубов. - Владимир: Изд-во Владим. гос. ун-та, 2008. - 112с.

Публикации в остальных изданиях

6. Орлов, A.A. Выделение линейчатых образов в капиллярной дефектоскопии [Текст] / A.A. Орлов, A.A. Ермаков // Алгоритмы, методы и системы обработки данных: Сборник научных статей. - М.: ООО «Центр информационных технологий», 2007. С.138-143.

7. Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля [Текст] / A.A. Орлов, A.A. Ермаков // Управление созданием и развитием систем, сетей и устройств телекоммуникаций: Труды научно-практической конференции. - СПб.: СПбГПУ, 2008. С.138-143.

8. Орлов, A.A. Применение интегральных преобразований по линиям в обработке изображений [Текст] / A.A. Орлов, С.С. Садыков, A.A. Ермаков // Распознавание - 2008: сб.материалов VIII Междунар. конференции. - Курск: Курск, гос. тех. ун-т., 2008, 4.2. С.36-37.

9. Орлов, A.A. Методика компьютерного анализа образов в капиллярной дефектоскопии [Текст] / A.A. Орлов, A.A. Ермаков // Современные проблемы науки: Сборник материалов 1-й международной научно-практической конференции. - Тамбов: Издательство: ТАМБОВПРИНТ, 2008. С.191-193.

Ю.Зацепин, Д.Б. Метод анализа рентгенографических снимков на наличие образов трещин сварного шва [Текст] / Д.Б. Зацепин, A.A. Ермаков // Труды международного симпозиума «Надежность и качество'2008». - Пенза: ПГУ, 2008. С.87-88.

П.Зацепин, Д.Б. Практическая адаптация интегральных преобразований двумерных сигналов по кривым в дефектоскопии [Текст] / Д.Б. Зацепин, A.A. Ермаков // Материалы всероссийской научной конференции студентов и аспирантов. - Вологда: ВоГТУ, 2008, Т.1. С.82-83.

12. Ермаков, A.A. Фильтрация полос на дефектоскопических изображениях [Текст] / A.A. Ермаков // Труды XIV Международной научно-практической конференции студентов,аспирантов и молодых ученых «Современные техника и технологии». - Томск: ИздательствоТПУ, 2008, Т.2. С.296-297.

13. Ермаков, A.A. Метод цифровой обработки дефектоскопических изображений [Текст] / A.A. Ермаков // Научные труды Международной молодежной научной конференции XXXIV "Гагаринские чтения". - М: MATH, 2008, Т.З. С.198-200.

14. Ермаков, A.A. Анализ структуры дефектоскопических изображений [Текст] / A.A. Ермаков // Научные труды Международной молодежной научной конференции XXXIV "Гагаринские чтения". - М: МАТИ, 2008, Т.З. С.200-202.

15. Orlov, A.A. Processing the band images on the defectoscopic pictures [Текст] / A.A. Orlov, S.S. Sadykov, A.A. Ermakov // 9th International Conference "Pattern Recognition and Image Analysis: New Information Techologies" (PRIA-9-2008): Conference Proceedings. - Nizhny Novgorod: NNSU, 2008, V.2. P.104-106.

16. Ермаков, A.A. Алгоритм выделение полос на растровых изображениях [Текст] / A.A. Ермаков // Materialy IV mezinarodnoni vedecko - prakticka konference "Veda a vznik - 2008/2009". - Praha: Publishing House "Education and Science" s.r.o., 2009. C.46-48.

17. Ермаков, A.A. Методика обработки снимков в капиллярном контроле качества [Текст] / A.A. Ермаков // Труды Всероссийской межвузовской научной конференции "Наука и образование в развитии промышленной, социальной и экономической сфер регионов России". -Муром: Изд-во пол. центр МИВлГУ, 2009, Т.1. С.110.

18. Ермаков, A.A. Алгоритм обработки капиллярных снимков [Текст] / A.A. Ермаков // Materialy V Miedzynarodowej naukowi-praktycznej konferencji "Kluczowe aspekty naukowej dzialalnosci - 2009". - Przemysl: Nauka i stud i a, 2009. C.l 1-13.

Подписано в печать 07.05.09. Формат 60x84 1/16. Усл.печ.л. 0,93. Тираж 100 экз. Заказ УЗ^ Издательство Владимирского государственного университета 600000, Владимир, ул. Горького, 87

Введение.

Глава 1. Обзор и анализ методов и средств автоматизации контроля качества и постановка задач исследования.

1.1. Задачи и виды дефектоскопии.

1.1.1. Дефекты и их классификация. 1.1.2. Осковные понятия и методы капиллярного контроля.

1.2. Системы и методы цифрового анализа изображений, применяемые в капиллярной дефектоскопии.

1.2.1. Обзор систем анализа снимков, полученных при капиллярном контроле.

1.2.2. Методы и алгоритмы цифровой обработки снимков, полученных при капиллярном контроле.

1.3. Обзор и анализ методов выделения линейчатых объектов на изображениях.

1.4. Выводы по главе 1.

1.5. Постановка задач исследования.

Глава 2. Разработка методов и алгоритмов обработки и анализа полосовых образов.

2.1. Разработка математической модели полосового образа.

2.2. Интегральное преобразование по сегменту полосы.

2.3. Разработка алгоритма фильтрации полосовых образов.

2.3.1. Воспроизведение одномерных сигналов.

2.3.2. Двумерная фильтрация вдоль полосы.

2.4. Разработка алгоритма синтеза полосовых образов.

2.4.1. Моделирование фона.

2.4.2. Синтез образующей полосы.

2.4.3. Формирование полосы по ее образующей.

2.5. Выводы по главе 2.

Глава 3. Исследование разработанных методов и алгоритмов обработки и анализа полосовых образов.

3.1. Синтез тестовых изображений и исследование на них алгоритма выделения полосовых образов.

3.1.1. Синтез полосовых образов.

3.1.2. Синтез фоновой составляющей изображения.

3.1.3. Оценка фильтрации полос на основе корреляционного сравнения.

3.1.4. Оценка влияния фильтрации на геометрические характеристики полосовых образов.

3.2. Сравнительный анализ методов выделения линейчатых образов.

3.3. Выводы по главе 3.

Глава 4. Практическое применение разработанных методов и алгоритмов обработки и анализа полосовых образов в капиллярной дефектоскопии.

4.1. Статистический анализ капиллярных снимков.

4.1.1. Определение параметров фона капиллярных снимков.

4.1.2. Измерение диапазона ширины раскрытия дефектов и длины сегмента их полос.

4.2. Методика, система и примеры обработки дефектоскопических изображений, полученных капиллярным методом.

4.2.1. Методика и система обработки и анализа дефектоскопических изображений, полученных капиллярным методом.

4.2.2. Примеры фильтрации полос на капиллярных снимках.

4.3. Выводы по главе 4.

Актуальность исследования. В связи с усложнением новой техники и повышением требований к ее надежности, трудоемкость контрольных операций в промышленности резко увеличивается. Практика показывает, что усовершенствование методов неразрушающего контроля позволяет повысить надежность и качество продукции, предотвращает аварии сложных агрегатов и дает производству огромные экономические преимущества.

Существующие методы контроля качества изделий и материалов базируются в основном на визуальных возможностях человека. Однако возникают сложности, связанные с наличием субъективизма и ограниченных возможностей зрения человека. В связи с этим возникает необходимость автоматического контроля для объективной и более точной оценки качества.

Так как многие методы контроля на выходе дают изображения дефектов, в последнее время наблюдается тенденция внедрения систем технического зрения в дефектоскопию. Такие системы намного превышают возможности человеческого глаза, а в некоторых случаях и самого человека как анализатора изображений. Цифровой анализ обеспечивает быстрое обнаружение, измерение и классификацию образов дефектов для обеспечения неразрушающего контроля различных материалов и изделий. Сообразно с этим в области компьютерной обработки изображений существуют работы, связанные с анализом дефектоскопических снимков различной природы. Известны труды Д. Мери, Р. Силвы, М. Карраско, Н. Насреддина, Н.Г. Федотова, С.С. Садыкова, A.M. Секерина и др.

Однако многие дефекты имеют особые специфичные сложные образы. Например, очень распространены дефекты-трещины, риски, царапины, имеющие протяженную линейчатую форму в виде полосы. Такие дефекты часто выявляются капиллярным методом. Применяемые в дефектоскопии системы технического зрения используют в основном достаточно простые методы цифровой обработки изображений и не позволяют выполнить более детальный разбор таких сложных по форме дефектов.

Таким образом, актуальным является создание, исследование и применение новых специальных методов обработки и анализа изображений полосовых дефектов.

Цель диссертационной работы: разработка и исследование методов и алгоритмов цифровой обработки изображений в промышленных системах контроля качества для повышения оперативности анализа дефектоскопических снимков, полученных капиллярным методом.

Задачи исследования:

1. Обзор и анализ методов капиллярного контроля качества, известных дефектоскопических систем и методов цифровой обработки изображений применяемых в капиллярном контроле и методов выделения линейчатых образов.

2. Изучение структуры полосовых образов, разработка модели и алгоритма их синтеза.

3. Разработка метода и алгоритма выделения изображений полосовых образов на основе теории интегрального преобразования по сегменту полосы и их исследование.

4. Практическое применение методов и алгоритмов для обработки и анализа снимков, полученных капиллярным методом.

Методы исследования. В работе используются теория и методы цифровой обработки сигналов и изображений, математический анализ, теория множеств и алгоритмов, линейная алгебра, теория вероятностей.

Научная новизна. В работе предложены следующие новые результаты:

1. Модель и алгоритм синтеза полосового образа, позволяющие описать и сгенерировать различного вида линейчатые образы с заданным профилем. Кривизна и масштаб полосы рассматриваются как случайные процессы.

2. Метод и алгоритм фильтрации, которая обеспечивает выделение полос прямоугольного профиля на растровых изображениях. В фильтрации применяется интегральное преобразование по сегменту полосы.

3. Методика обработки и анализа дефектоскопических изображений при капиллярном контроле качества. Методика включает в себя алгоритм выделения полос прямоугольного профиля на основе интегрального преобразования по сегменту полосы.

Практическая ценность работы. Работа выполнена в рамках госбюджетной НИР №340/98. Результаты работы приняты к использованию в ОАО «Муроммашзавод». .

На защиту выносятся следующие результаты работы:

1. Модель и алгоритм синтеза полосового образа с варьированием кривизны и масштаба.

2. Метод и алгоритм выделения полос прямоугольного профиля на основе интегрального преобразования по сегменту полосы.

3. Результаты исследования методов и алгоритмов выделения полос на тестовых и реальных изображениях.

4. Система обработки и анализа капиллярных дефектоскопических изображений.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на VIII международной научно-технической конференции «Распознавание - 2008» (г. Курск, 2008 г.); на научно-практической конференции «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» (г. Санкт-Петербург, 2008 г.); на международной молодежной научной конференции «XXXIV Гагаринские чтения» (г. Москва, 2008 г.); на XIV международной научно-практической конференции студентов и молодых ученых «Современные техника и технологии СТТ 2008» (г. Томск, 2008 г.); на международной научно-технической конференции «Кибернетика и высокие технологии XXI века» (г. Орел, 2008 г.); на международной научно-практической конференции

Современные проблемы науки" (г. Тамбов, 2008 г.); на международной конференции молодых ученых, студентов и специалистов «Инновационные технологии в проектировании» (г. Пенза, 2008 г.), на 9-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" (г. Нижний Новгород, 2008 г.); на научных конференциях МИВлГУ (2007-2009 гг.).

Публикации. По теме диссертации опубликовано 18 работ, включая 4 статьи в изданиях по перечню ВАК и монографию.

Личный вклад автора. Результаты и положения, выносимые на защиту, получены автором лично. Для создания основных методов и алгоритмов использовалась теория, разработанная научным руководителем. Постановка основных задач и направлений исследования, их анализ выполнены совместно с соавторами и научным руководителем. В работах, опубликованных в соавторстве, представлены: в [1,15] — модели и алгоритмы синтеза полосовых образов, в [2,7,8,16] - методы и алгоритмы выделения полос, в [3,6,9] — методика и результаты исследования алгоритмов выделения полос, в [4,5,10,11,17,18] - применение научных результатов для обработки и анализа капиллярных дефектоскопических изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, имеющего 180 наименований и приложения. Объем диссертации 128 с. Таблиц 15, рисунков 27.

4.3. Выводы по главе 4

1. Выполнен анализ реальных дефектоскопических изображений. Определены параметры шума, диапазон ширины раскрытия дефектов.

2. Построен алгоритм определения среднего значения длины сегмента полосы. Алгоритм позволяет осуществить измерение длины сегмента трещины на реальном снимке.

3. Построена методика обработки и анализа дефектоскопических снимков, полученных капиллярным методом. Используя построенную методику, удается выполнить автоматический анализ капиллярных снимков.

4. Приводятся примеры фильтрации полос на капиллярных дефектоскопических изображениях. Применение разработанного алгоритма фильтрации позволяет отделить образы дефектов от фона.

ЗАКЛЮЧЕНИЕ

1. Осуществлен обзор и анализ систем и методов капиллярного контроля качества и методов выделения линейчатых образов. Показана необходимость разработки новых методов и алгоритмов анализа снимков с учетом линейчатой специфики дефектов в капиллярной дефектоскопии.

2. Разработаны:

- модель полосового образа, в которой полоса характеризуется профилем и рассматривается как область переменной ширины;

- метод и алгоритм воспроизведения полос, построенные на основе интегрального преобразования по сегменту полосы;

- алгоритм синтеза полосового образа, отличающийся варьированием кривизны и масштаба;

- алгоритмы оценки качества фильтрации, заключающиеся в корреляционном сравнении и сравнении по геометрическим характеристикам незашумленного и фильтрованного от шума изображения; методика обработки дефектоскопических изображений, полученных капиллярным методом, основанная на использовании метода воспроизведения полос.

3. Произведено исследование разработанного алгоритма воспроизведения полос на тестовых и реальных изображениях. Исследования показали высокое качество фильтрации полос.

4. Построена методика обработки и анализа дефектоскопических снимков, полученных капиллярным методом. Используя построенную методику, удается выполнить автоматический анализ капиллярных снимков.

5. Результаты исследований внедрены на предприятие для использования в системе контроля качества трубной арматуры с целью автоматического вычисления параметров дефектов на снимках капиллярного контроля.

РАБОТЫ, ОПУБЛИКОВАННЫЕ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях по перечню ВАК

1. Ермаков, A.A. Построение технологии воспроизведения полос заданного профиля на цифровых изображениях [Текст] / A.A. Ермаков, С.С. Садыков // Известия ОрелГТУ. Серия «Фундаментальные и прикладные проблемы техники и технологии: информационные системы и технологии». - 2008, № 1-2/269(544). С.77-83.

2. Орлов, A.A. Технология сравнения и идентификации растровых изображений линий [Текст] / A.A. Орлов, A.A. Ермаков // Программные продукты и системы. - 2008, №1. С.68-70.

3. Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля [Текст] / A.A. Орлов, A.A. Ермаков // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. -СПб.: СПбГПУ, 2008, №3(60). С.52-56.

4. Садыков, С.С. Теория, алгоритмы и методика обработки линейчатых образов на дефектоскопических снимках [Текст] / С.С. Садыков, A.A. Орлов, A.A. Ермаков // Известия высших учебных заведений. Приборостроение. - 2009, №2. С. 11-16.

Монография

5. Ермаков, A.A. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков [Текст] / A.A. Ермаков, A.A. Орлов, С.С. Садыков, Д.Н. Стародубов. - Владимир: Изд-во Владим. гос. ун-та, 2008. - 112с.

Публикации в остальных изданиях

6. Орлов, A.A. Выделение линейчатых образов в капиллярной дефектоскопии [Текст] / A.A. Орлов, A.A. Ермаков // Алгоритмы, методы и системы обработки данных: Сборник научных статей. - М.: ООО «Центр информационных технологий», 2007. С. 138-143.

7. Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля [Текст] / A.A. Орлов, A.A. Ермаков // Управление созданием и развитием систем, сетей и устройств телекоммуникаций: Труды научно-практической конференции. - СПб.: СПбГПУ, 2008. С. 138-143.

8. Орлов, A.A. Применение интегральных преобразований по линиям в обработке изображений [Текст] / A.A. Орлов, С.С. Садыков, A.A. Ермаков // Распознавание - 2008: сб.материалов VIII Междунар. конференции. - Курск: Курск, гос. тех. ун-т., 2008, 4.2. С.36-37.

9. Орлов, A.A. Методика компьютерного анализа образов в капиллярной дефектоскопии [Текст] / A.A. Орлов, A.A. Ермаков // Современные проблемы науки: Сборник материалов 1-й международной научно-практической конференции. - Тамбов: Издательство: ТАМБОВПРИНТ, 2008. С.191-193.

Ю.Зацепин, Д.Б. Метод анализа рентгенографических снимков на наличие образов трещин сварного шва [Текст] / Д.Б. Зацепин, A.A. Ермаков // Труды международного симпозиума «Надежность и качество'2008». - Пенза: ПТУ, 2008. С.87-88.

П.Зацепин, Д.Б. Практическая адаптация интегральных преобразований двумерных сигналов по кривым в дефектоскопии [Текст] / Д.Б. Зацепин, A.A. Ермаков // Материалы всероссийской научной конференции студентов и аспирантов. - Вологда: ВоГТУ, 2008, Т.1. С.82-83.

12. Ермаков, A.A. Фильтрация полос на дефектоскопических изображениях [Текст] / A.A. Ермаков // Труды XIV Международной научно-практической конференции студентов,аспирантов и молодых ученых «Современные техника и технологии». - Томск: ИздательствоТПУ, 2008, Т.2. С.296-297.

13.Ермаков, A.A. Метод цифровой обработки дефектоскопических изображений [Текст] / A.A. Ермаков // Научные труды Международной молодежной научной конференции XXXIV "Гагаринские чтения". - М: МАТИ, 2008, Т.З. С. 198-200.

14. Ермаков, A.A. Анализ структуры дефектоскопических изображений [Текст] / A.A. Ермаков // Научные труды Международной молодежной научной конференции XXXIV "Гагаринские чтения". - М: МАТИ, 2008, Т.З. С.200-202.

15,Orlov, A.A. Processing the band images on the defectoscopic pictures [Текст] / A.A. Orlov, S.S. Sadykov, A.A. Ermakov // 9th International Conference "Pattern Recognition and Image Analysis: New Information Techologies" (PRIA-9-2008): Conference Proceedings. - Nizhny Novgorod: NNSU, 2008, V.2. P. 104-106.

16. Ермаков, A.A. Алгоритм выделение полос на растровых изображениях [Текст] / A.A. Ермаков // Materialy IV mezinarodnoni vedecko - prakticka konference "Veda a vznik - 2008/2009". - Praha: Publishing House "Education and Science" s.r.o., 2009. C.46-48.

17. Ермаков, A.A. Методика обработки снимков в капиллярном контроле качества [Текст] / A.A. Ермаков // Труды Всероссийской межвузовской научной конференции "Наука и образование в развитии промышленной, социальной и экономической сфер регионов России". -Муром: Изд-во пол. центр МИВлГУ, 2009, Т.1. С. 110.

18. Ермаков, A.A. Алгоритм обработки капиллярных снимков [Текст] / A.A. Ермаков // Materialy V Miedzynarodowej naukowi-praktycznej konferencji "Kluczowe aspekty naukowej dzialalnosci - 2009". - Przemysl: Nauka i studia, 2009. C. 11-13.

1. Абламейко, C.B. Обработка изображений: технология, методы, применение Текст. / C.B. Абламейко, Д.М. Лагуновский. Учебное пособие. Мн.: Амалфея, 2000 - 304 с.

2. Автоматизация визуального технологического контроля в производствах на автоматических роторных линиях Текст.: Учебное пособие / П.А. Сорокин; Тул. гос. ун-т; Тула, 2001. 82 с.

3. Анисимов Б.В. Распознавание и цифровая обработка изображенийТекст.: Учеб. пособие / Б. В. Анисимов, В. Д. Курганов, В. К. Злобин, М. : Высш. шк., 1983. 295 с.

4. Бабиков, Д. Б. Визуализация дефектов, обнаруженных в сварных швах рельсов при ультразвуковом контроле Текст. / Д.Б. Бабиков, А.Г. Кириллов, С.Ю. Ксенофонтов, М.Б. Прудников, A.M. Рейман, A.B. Шишков Дефектоскопия, 1999, № 6, С. 93-97.

5. Барабаш, Ю.Л. и др. Автоматическое распознавание образов Текст./ Ю.Л. Барабаш Киев: Изд-во КВАИУ, 1963.

6. Бархатов, В. А. Развитие методов ультразвуковой дефектоскопии сварных соединении Текст. Дефектоскопия, 2003, № 1, С. 28 - 55.

7. Баскаров, В.Н. Алгоритмы обработки двумерных изображений Текст. -М., 1986.

8. Белокур, И.П. Дефектоскопия материалов и изделий Текст. / И.П. Белокур, В.А. Коваленко К.: Тэхника, 1989. - 192с.

9. Бобков, A.B. Выделение отрезков на изображении в задаче ориентации по визуальной информации Текст. // Вестник МГТУ. Приборостроение, №3(48), 2002.

10. Бочаров, Ю.А. Промышленные роботы в технологии современного машиностроительного производства Текст. / Ю.А. Бочаров, A.C. Ющенко // Средства и системы очувствления промышленных роботов. — С.: НИИМаш, 1984. С. 30 35.

11. Бутаков, Е.А. Обработка изображений на ЭВМ Текст. / Е.А. Бутаков, В.И. Островский, И.Л. Фадеев. М.: Радио и связь, 1987. - 240 с.

12. Быстрые алгоритмы в цифровой обработки изображений Текст. / Под ред. Т.С. Хуанга: Пер. с англ. М.: Радио и связь, 1984. - 224 с.

13. Короткий, С. Введение в распознавание образов // Монитор N8, 1994. С.22-25.

14. Вакунов, Н.В. Разработка и исследование многомасштабных алгоритмов обработки и анализа изображений в производственных системах контроля качества Текст. Автореф. канд. техн. наук. -Владимир, ВлГУ, 2005. 18 с.

15. ГОСТ 16504-81 Система государственных испытаний продукции. Испытания и контроль качества продукции. Основные термины и определения

16. ГОСТ 18353-79 Контроль неразрушающий. Классификация видов и методов

17. ГОСТ 20415-82 Контроль неразрушающий. Методы акустические. Общие положения

18. ГОСТ 20426-82 Контроль неразрушающий. Методы дефектоскопии радиационные. Область применения

19. ГОСТ 21105-87 Контроль неразрушающий. Магнитопорошковый метод

20. ГОСТ 23055-78 Классификация сварных соединений по результатам радиографического контроля.

21. ГОСТ 23479-79 Контроль неразрушающий. Методы оптического вида. Общие требования

22. ГОСТ 23480-79 Контроль неразрушающий. Методы радиоволнового вида. Общие требования

23. ГОСТ 23483-79 Контроль неразрушающий. Методы теплового вида. Общие требования

24. ГОСТ 23829-85 Контроль неразрушающий акустический. Термины и определения

25. ГОСТ 24034-80' Контроль неразрушающнй радиационный. Термины и определения

26. ГОСТ 24289-80 Контроль неразрушающий вихретоковый. Термины и определения

27. ГОСТ 24450-80 Контроль неразрушающий магнитный. Термины и определения

28. ГОСТ 24521-80 Контроль неразрушающий оптический. Термины и определения

29. ГОСТ 25225-82 Контроль неразрушающий. Швы сварных соединений трубопроводов. Магнитографический метод.

30. ГОСТ 25313-82 Контроль неразрушающий радиоволновой. Термины и определения

31. ГОСТ 25314-82 Контроль неразрушающий тепловой. Термины и определения

32. ГОСТ 25315-82 Контроль неразрушающий электрический. Термины и определения

33. ГОСТ 25714-83 Контроль неразрушающий. Акустический звуковой метод определения открытой пористости, кажущейся плотности, плотности и предела прочности при сжатии огнеупорных изделий

34. ГОСТ 26170-84 Контроль неразрушающий. Приборы радиоволновые. Общие технические требования

35. ГОСТ 7512—82 Контроль неразрушающий. Соединения сварные. Радиографический контроль.

36. ГОСТ 18442 — 80. Контроль неразрушающий. Капиллярные методы контроля. — 7с.

37. Генкин, В.Л. Системы распознавания автоматизированных производств Текст. / В.Л. Генкин, И.Л. Ерош, Э. С. Москалев. — Л.: Машиностроение, Ленинградское отделение, 1988. — 246 с.

38. Глазков, Ю.Л. Особенности аттестации контрольных образцов для капиллярной дефектоскопии Текст. // Дефектоскопия, 2004, № 9, с. 74-84.

39. Гмурман, В.Е. Теория вероятностей и-математическая статистика

40. Текст. Учеб. пособие для вузов. Изд. 7-е, стер. М.: Высш. Школа, 1999. - 479 с.

41. Горский, Н.Д. Восприятие двухмерных изображений Текст. // Искусственный интеллект. — В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. - С. 196 -201.

42. Гостев, И.М. Об одном методе получения контуров изображений Текст. // Известия РАН. Теория и системы управления. М. 1998. №3. С. 97-104.

43. Грузман, И.С. Цифровая обработка изображений в информационных системах Текст. / И.С. Грузман, B.C. Киричук и др. Учебное пособие. Новосибирск: НГТУ, 2000. 160 с.

44. Гуляев А.П. Металловедение Текст. Учебник для вузов. 6-е изд., перераб. и доп. М.: Металлургия, 1986. 544 с.

45. Дегтярев, C.B. Методы цифровой обработки изображений Текст. /

46. C.B. Дегтярев, A.A. Орлов, С.С. Садыков и др. Учебное пособие. Курск:

47. Курск, гос. тех. ун-т., 2004, Ч.З. 216 с.

48. Дегтярев, C.B. Методы цифровой обработки изображений Текст. / C.B. Дегтярев, С.С. Садыков, С.С. Тевс, Т.А. Ширабакина : учеб. Пос. Ч. 1. -Курск: Курск, гос. техн. ун-т, 2001 — 167 с.

49. Дистанционно-управляемые роботы и манипуляторы Текст. / Под ред. B.C. Кулешова и H.A. Лаготы. М.: Машиностроение, 1986. - 362 с.

50. Ермаков, A.A. Анализ структуры дефектоскопических изображений Текст. / A.A. Ермаков // Научные труды Международной молодежной научной конференции XXXIV "Гагаринские чтения". М: МАТИ, 2008, Т.З. С.200-202.

51. Ермаков, A.A. Метод цифровой обработки дефектоскопических изображений Текст. / A.A. Ермаков // Научные труды Международной молодежной научной конференции XXXIV "Гагаринские чтения". М: МАТИ, 2008, Т.З. С. 198-200.

52. Ермаков, A.A. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков Текст. / A.A. Ермаков, A.A. Орлов, С.С. Садыков, Д.Н. Стародубов. Владимир: Изд-во В ладим, гос. ун-та, 2008. - 112с.

53. Жизняков, A.JI. Вейвлет-преобразования в обработке и анализе изображений Текст. // A.JI. Жизняков, Н.В. Вакунов. М.: Гос. научн. центр РФ - ВНИИ геосистем, 2004. - 102 с.

54. Журавлев, Ю.И. Избранные научные труды Текст. / Ю.И. Журавлев М.: Магистр, 1998 416 с.

55. Загоруйко, Н.Г. Методы распознавания и их применение Текст. -М.: «Советское радио», 1972. 208 с.

56. Зацепин, Д.Б. Метод анализа рентгенографических снимков на наличие образов трещин сварного шва Текст. / Д.Б. Зацепин, A.A. Ермаков // Труды международного симпозиума «Надежность и качество'2008». Пенза: ПТУ, 2008. С.87-88.

57. Зацепин, Д.Б. Практическая адаптация интегральных преобразований двумерных сигналов по кривым в дефектоскопии Текст. / Д.Б. Зацепин, A.A. Ермаков // Материалы всероссийской научной конференции студентов и аспирантов. Вологда: ВоГТУ, 2008, Т.1. С.82-83.

58. Иванов, Д. Эффективный алгоритм построения остова растровогоизображения Текст. / Д. Иванов, Е. Кузьмин // Труды межд. конф. «Графикон-98», М., 1998. С. 65 685 8. Иконика. М.: Наука, 1968 - 116 с.

59. Канунова, Е.Е. Методы и- алгоритмы реставрации изображений архивных текстовых документов Текст. / Е.Е. Канунова, A.A. Орлов, С.С. Садыков М.: Мир, 2006. 134с.

60. Комплекс автоматизированных систем технического контроля Текст. / ЗАО НИИИН МНПО Спектр. 2006. 131 с.

61. Компьютерное зрение Текст. / JI. Шапиро, Дж. Стокман; Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.

62. Кориков, A.M. Корреляционные зрительные системы роботов Текст. / A.M. Кориков, В.И. Сверямкин, B.C. Титов; Под ред. A.M. Корикова. — Томск: Радио и связь, Томское отделение, 1990 264 с.

63. Краткое описание рентгеновского дефектоскопа серии АРИНА Текст. / ООО Спектрофлэш, Неразрушающий контроль. 2007. 27 с.

64. Краткое описание системы; для рентгенографического анализа сварных швов Текст. / Уралмаш-завод. 2006 96 с.

65. Кретов, Е.Ф. Ультразвуковая дефектоскопия в энергомашиностроении Текст. Санкт-Петербург: "Радиоавионика", 1995 - 195с.

66. Лабунец, В.Г. Теория и применение преобразования Хо Текст. В.Г. Лабунец, С.Д. Чернина Зарубежная радиоэлектроника, №10, 1987, С. 48-56.

67. Ланге, Ю.В. По страницам иностранных журналов Текст. // Контроль, диагностика за рубежом, №7, 2004, с. 18-20.

68. Лбов, Г.С. Выбор эффективной системы зависимых признаков

69. Текст. // Труды Сиб. отд. АН СССР: Вычислительные системы. -Новосибирск, 1965, вып. 19.

70. Методы и алгоритмы цифровой обработки изображений Текст./ Под ред. С.С. Садыкова. Ташкент; УзНПО «Кибарнетика» АН РУз, 1992. -296 с.

71. Методы компьютерной обработки изображений Текст./ Под ред. В.А. Сойфера. 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

72. Методы структурного анализа материалов и контроля качества деталей Текст.: Учеб. пособие / В.А. Батаев, A.A. Батаев, А. П. Алхимов: -2-е изд. М.: Флинта, 2007 - 224 с.

73. Мигун, Н.П. О некоторых возможностях повышения эффективности капиллярного контроля Текст. / Н.П. Мигун, А.Б. Гнусин, И.В. Волович Дефектоскопия, 2005, № 7, С. 55 - 60.

74. Неразрушающий контроль и диагностика Текст.: Справочник / В.В. Клюев, Ф.Р. Соснин, В.Н. Филинов и др. Под ред. В.В. Клюева. М.: Машиностроение, 1995. - 488 с.

75. Неразрушающий контроль металлов и изделий Текст. Справочник. Под ред. Г.С. Самойловича. М., Машиностроение, 1976 -456с.

76. Неразрушающий контроль Текст.: Справочник: В 8 т. / Под общ. ред. В.В. Клюева. Т. 1: В 2 кн. Кн. 1. Ф.Р. Соснин. Визуальный и измерительный контроль. Кн. 2. Ф.Р. Соснин. Радиационный контроль. — 2-е изд., испр. М.: Машиностроение, 2006 - 560 с.

77. Неразрушающий контроль Текст.: Справочник: В 8 т. / Под общ. ред. В.В. Клюева. Т. 4: В 3 кн. Кн. 1: В.А. Анисимов, Б.И. Каторгин, А.Н.• " 119

78. Куценко и др. Акустическая тензометрия. Кн. ' 2: Г.С. Шелихов. Магнитопорошковый метод контроля. Кн. 3: MB. Филинов. Капиллярный; контроль. — 2-е изд., испр. —М.: Машиностроение, 2006.:-736 с.

79. Орлов, A.A. Выделение полосовых образов заданного профиля на цифровых изображениях Текст. // IX международная конференция

80. Интеллектуальные системы и компьютерные науки", Москва,.2006." *

81. Орлов, A.A. Квантование мод гистограмм полутоновых изображений Текст. // Научные труды муромских ученых. Материалы.35-й научно-технической конференции преподавателей, сотрудников и аспирантов по итогам работы за 1999 год. Муром 2001. С.46-47.

82. Орлов, A.A. Выделение линейчатых образов в капиллярной, дефектоскопии Текст. / A.A. Орлов, A.A. Ермаков // Алгоритмы, методы и системы обработки данных: Сборник научных статей. М;: ООО «Центр информационных технологий», 2007. С.138-143.

83. Орлов, A.A. Технология сравнения и идентификации растровых изображений линий Текст. / A.A. Орлов,. А.А. Ермаков // Программные продукты и системы. 2008, № 1. С.68-70.

84. Орлов A.A., Ермаков A.A. Фильтрация полосовых образов прямоугольного профиля // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. СПб.: СПбГПУ, 2008, №3(60). С.52-56.

85. Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля Текст. / A.A. Орлов, A.A. Ермаков // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. -СПб.: СПбГПУ, 2008, №3(60). С.52-56.

86. Павлидис, Т. Алгоритмы машинной графики и обработки изображений Текст.: Пер. с англ. -М.: Радио и связь, 1986 — 400 с.

87. Писаревский, А.Н. Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение) / Под общ. ред. А.Н. Писаревского, А.Ф. Чернявского. JL: Машиностроение. Ленинградское отделение, 1988.— 424 с.

88. Прохоренко, П.П. Введение в капиллярную дефектоскопию Текст. / П.П. Прохоренко, Н.П. Мигун. Под ред. А. С. Боровикова. Мн.:

89. Наука и техника, 1988. 207 с.

90. Прэтт, У. Цифровая обработка изображений Текст. М.: Мир, 1982, т. 1,2.

91. Путятин, Е.П. Обработка изображений в робототехнике Текст. / Е.П. Путятин, C.B. Аверин. М.: Машиностроение, 1990. - 320 с.

92. Розенфельд, А. Распознавание и обработка изображений с помощью вычислительных машин Текст.: Пер. с англ. М.: Мир, 1972. -232 с.

93. СТБ 1172-99 Контроль неразрушающий Текст. Контроль проникающими веществами (капиллярный). Общие положения

94. Садыков, С.С. Цифровая обработка и анализ изображений Текст. Ташкент: НПО "Кибернетика" АН РУз, 1994. - 193 с.

95. Садыков, С.С. Методы выделения структурных признаков изображений Текст. / С.С. Садыков, В.Н. Кан, И.П. Самандаров -Ташкент: Фан, 1990. 104. с.

96. Секерин, A.M. Метод сегментации изображений контролируемой поверхности при автоматической регистрации результатов капиллярного контроля Текст. Дефектоскопия, 2001, № 1, С. 35 - 41.

97. Семенков, О.И. Методы обработки и формирования растровых изображений Текст. / О.И. Семенков, C.B. Абламейко, В.В. Старовойдов, В.Н. Берейтик Минск: Ин-т технической кибернетики АН БСср, 1986. -98 с.

98. Системы технического зрения Текст. / А.Н. Писаревский и др. — JI: Машиностроение. Ленинград. Отд-ние, 1988. 424 с.

99. Сойфер, В.А. Компьютерная обработка изображений, 4.1 // Соровский образовательный журнал, № 2, 1996, с. 118-124.

100. Справочное руководство Текст., ЗАО Спектр КСК, Комплексные системы контроля. 2005. 125 с.

101. Таточенко, Л.К. Промышленная гамма-дефектоскопия Текст. / Л.К. Таточенко, C.B. Медведев М., 1955 - 199с.

102. Теория оптимальных систем оптической дефектоскопииповерхности Текст.: Учебной пособие / П. А. Сорокин; Ту л. гос. ун-т; Тула, 2001 100 с.

103. Техническое зрение роботов Текст. / В.И. Мошкин, А.А. Петров, B.C. Титов, Ю.Г. Якушенков; Под общ. ред. Ю.Г. Якушенкова. М.: Машиностроение, 1990. - 272 с.

104. Техническое зрение роботов Текст. / Под ред. А. Пью; пер. с англ. Д.Ф. Миронова; Под ред. Г.П. Катыса. М.: Машиностроение, 1987. - 320 с.

105. Трапезников, А.К., Рентгенодефектоскопия Текст., М., 1948 -157с. '

106. Фу, К. Робототехника Текст. / К. Фу, Р. Гонсалес, К. Ли : Пер. с англ. М.: Мир, 1989. - 624 с.

107. Хант, Б.Р. Цифровая обработка изображений Текст. / Применение цифровой обработки сигналов. / Пер. с англ. М.: Мир, 1980

108. Хорн, Б.К.П. Зрение роботов Текст.: Пер. с англ. -М.: Мир, 1989. -487 с.

109. Яншин, А.Л. Анализ обработки изображений: принципы и алгоритмы Текст., 1995. 75 с.

110. Ярославский, Л.П. Введение в цифровую обработку изображений Текст. -М.: Наука, 1988

111. ASTM D4788-03 Standard Test Method for Detecting Delaminations in Bridge Decks Using Infrared Thermography // American Society of Testing and Materials, 2003.

112. Adams, J. Investigation of Construction Related Asphalt Concrete Pavement Temperature Differentials / J. Adams, R. Mulvaney, B. Reprovich, B. // Worel Report submitted to Minnesota Department of Transportation, October 2001.

113. Atiquzzaman, M. Complete line segment description using the Hough Transform / M. Atiquzzaman, M.W. Akhtar // Image and Vision Computing 12(5), pp. 267-273, 1994. •

114. Bishop, C.M. Neural Networks for Pattern Recognition. New York, Oxford University Press, 1995.

115. Boerner, H. Automated x-ray inspection of aluminium castings / H. Boerner, H. Strecker // IEEE Trans on Pattern Anal & Machine Intelligence, PAMI-lO(l), 1988, pp. 79-91.

116. Bow, S.T. Pattern Recognition and Image Preprocessing // Marcel Dekker, Inc., New York, NY, 1992.

117. Canny, J. A. Computational Approach To Edge Detection // IEEE Trans. Pattern Analysis and Machine Intelligence. 1986. V. 8(6). pp. 679-714.

118. Carrasco, M. Segmentation of welding defects using digital imageprocessing techniques // Master of Science Thesis, Departamento de Ingeniería Informática, Universidad de Santiago de Chile, Abril, 2004.

119. Carrasco, M. Segmentation of welding defects using a robust algorithm // M.Carrasco, D. Mery.

120. Castle, D.A. Physical Methods for Examining and ComparingTransparent Plastic Bags and Cling Films / D.A. Castle, B. Gibbins, P.S. Hamer // Journal of Forensic Science Society 34, 1994, pp. 61-68.

121. Demandt, K. Real-time x-ray system with fully automated defect detection and quality classification / K. Demandt, L.K. Hansen // X-ray Real Time Radiography and Image Processing, Proc. of Symposium, Newbury, Berkshire, 1988, pp. 96-119.

122. Dongping, Zhu. CT Image Sequence Processing For Wood Defect Recognition / Zhu Dongping, Conners Richard, Araman Phil // Ehe twenty-third southeastern symposium on system theory, March 10-12, 1991. pp.75-78.

123. Gayer, A. Automatic recognition of welding defects in real time radiography / A. Gayer, A. Sayer, A. Shiloh // NDT International, vol. 23(3), 1990, pp. 131-136.

124. Gonzalez, R.C. Digital Image Processing / R.C. Gonzalez, R.E. Woods, USA, Addison-Wesley Publishing Company, 1992.

125. Grman, J. Use of Optical Visualization Method for Evaluation of Transparent Polymeric Foils / J. Grman, R. Ravas, L. Syrova // In: 11th1.ternational DAAAM Symposium "Intelligent Manufacturing&Automation", Opatija, Croatia 2000, pp. 167-168.

126. Builtjes, J.H. Automatic evaluation of weld radiographs by digital image processing / J.H. Builtjes, P.Rose, W. Daum // X-ray Real Time Radiography and Image Processing, Proc. of Symposium, ed; by R. Halmshaw, Newbury, Berkshire, 1988, pp 63-72.

127. Haralick, R.M. Computer and Robot Vision / R.M. Haralick, L.G. Shapiro .-USA, Addison-Wesley Publishing Company, 1992.

128. Jensen, J. R. 1996. Introductory Digital Image Processing: A remote sensing perspective, 2nd Edition. NJ: Prentice-Hall.

129. Kato, Y. Development of an Automatic Weld Defect Identification System for Radiographic Testing / Y. Kato, T. Okumura, S. Matsui et al. Welding in the Word, v. 30, n. 78, 1992. p. 182-188.

130. Klyuev, V. V. Development of nondestructive testing and technicaldiagnostics is a basis of.safety. Trends in NDE Science & Technology;lli • Proceeding of the 14 World Conference on Non-Destructive Testing. New

131. Delhi, 8 13 December 1996, v. 1, P. 109- 112.

132. Lawson, S. Intelligent segmentation of industrial radiographic images using neural networks / S. Lawson, G.A. Parker // In Machine Vision Applications and Systems Integration III, Proc. of SPIE, volume 2347, pages 245-255, November 1994.

133. Liao, T.W. Weld defect detection based on Gaussian Curve /T.W,. Liao, Y. M. Li // Proceedings of the 28th Southeastern Symposium on System Theory (SSST'96)

134. Liao, T.W An Automated Radiographic NDT System for Weld Inspection / T.W, Liao, Y. M. Li // Part II Flaw detection. NDT&E International, 31(3):183-192., 1998.

135. Liao, T.W. Classification of welding flaw types with fuzzy expert systems // Expert Systems with Applications 25, 101-111, 2003.

136. Liao, T.W. Automated Extraction of Welds from Digitized Radiographic Images Based on MLP Neural Networks / T.W. Liao, K. Tang //

137. Applied Artificial Intelligence, v. 11, p. 197-218, 1997.

138. Lindeberg, T. Edge detection and ridge detection with automatic scale selection // International Journal of Computer Vision. 1998. V. 2. pp. 117-154.

139. Mathworks. Image Processing Toolbox for Use with MATLAB: Users Guide // The MathWorks Inc., Enero 2003.

140. Mathworks. Image Processing Toolbox for Use with MATLAB: Users Guide // The MathWorks Inc., Enero 2003.

141. Mery, D. Automated Flaw Detection in Aluminum Castings Based on the Tracking of Potential Defects in a Radioscopic Image Sequence / D. Mery, D. Filbert. // IEEE Transactions on Robotics and Automation, 18(6): 890-901, 2002. ISSN 1042-296X.

142. Mery, D. Processing Digital X-ray Images and Its Applications in the Automated Visual Inspection of Aluminum Casting // 3rd Pan American Conference for Nondestructive Testing PANNDT, Rio de Janeiro RJ, June 2003.

143. Mery, D. Automatic Detection of Welding Defects using Texture Features / D.Mery, M.A. Berti // Insight, 45(10):676-681, 2003.

144. Nacereddine, N. Automated method implementation for detection and classification of weld defects in industrial radiography // M.S. thesis, Dept. Automation, Boumerdes Univ., Algeria, 2004.

145. Nacereddine, N. Preliminary classification of weld defects in radiograms based neural networks. IASTED International Conference, Las Vegas, Nevada, USA, 28-31 Octobre. 1998.

146. Nacereddine, N. Artificial Neural Network and its configuration for weld defect edge detection in X-ray images / N. Nacereddine, R. Drai, B. Heriouk // IASTED International Conference, Las Vegas, Nevada, USA, 28-31 Octobre. 1998.

147. Nacereddine, N. Automated method implementation for detection andclassification of weld defects in industrial radiography / N. Nacereddine, M. Zelmat. // M.S. thesis, Dept. Automation, Boumerdes Univ., Algeria, 2004.

148. Newman, T.S. A Survey of Automated Visual Ispetion. Computer Vision and Image Understanding, 1995, 61,N 2, p. 231—262.

149. Nintzan, D. Use of sensors in robot systems / D. Nintzan, C. Barroit, P. Cheeseman // Proc. of 83 Intern. Conf. on advensed Robotics, Tokio, 12-13 September 1983. Tokiyo: Jap., Ind. Robot. Assoc., 1983 P. 123-132.

150. Normalized Guts and Image Segmentation Shi J., Malik J., University of California at Berkeley, 1997.

151. Ohlander, R. Picture segmentation using a recursive region splitting method. Comput. Graphics and Image Proc., v.8:313-333.

152. Otsu, N. A Threshold Selection Method from Gray-Level Histograms. IEEE Trans, on Systems, Man, and Cybern, Vol. SMC-9, 1979, pp. 62-66.

153. Padua, G. X. Classification of welding defects in radiographs using traversal profiles to the weld seam / G. X. Padua, R. R. Silva, M. H. S. Siqueira, J. M. A. Rebello, L. P. Caloba

154. Padua, G.X. Detection of Welding Defects on Radiographic Patterns Using Artificial Neural Networks // 3 PANNDT. June 2003. Rio de Janeiro.1. Brazil.

155. Pal, N.R. A Review on Image Segmentation Techniques / N.R. Pal, S.K. Pal // Pattern Recognition, Vol. 26, No 9, 1993.

156. Pao, D. Shapes recognition using the straight line Hough Transform: Theory and Generalization / D. Pao, H. Li, R. Jayakumar // Pattern Anal. Mach. Intell., Vol.14, NO. 11, 1992.

157. Schmidt, J. T. A New Method for Measuring Fluorescent Brightness and Color. Material Evaluation, 1966, 24, N12, p. 697-702.

158. Schwartz, Ch. Automatic Evaluation of Welded Joints Using Image Processing on Radiographs // Conference Proceedings American Institute of Physics, vol. 657(1), March 2003. pp. 689-694.

159. Shafeek, H.I. Assessment of Welding Defects for Gas Pipeline Radiographs Using Computer Vision / H.I. Shafeek, E. Gadelmawla, A.A Abdel-Shafy, I.M. Elewa // NDT&E International, 2004.

160. Shafeek, H.I. Automatic Inspection of Gas Pipeline Welding Defects Using an Expert System / H.I. Shafeek, E. Gadelmawla, A.A. Abdel-Shafy, I.M. Elewa // NDT&E International, 2004.

161. Shi, J. Normalized cuts and image segmentation / J. Shi, J. Malik // IEEE Conf. Comput. Vision and Pattern Recog., 1997. 731 737.

162. Silva, R.R. Radiographic pattern recognition of welding defects using linear classifier / R.R. Silva, M.H.S. Siqueira, L.P. Caloba, J.M.A. Rebello // Insight, Journal of the British Institute of Non-destructive Testing, 2001.

163. Silva, R.R. Patterns Nonlinear Classifiers of Weld Defects in Industrial Radiographs. 3 PANNDT. June 2003. Rio de Janeiro. Brazil.

164. Silva, R.R. Radiographic Image Processing and Analysis of Defects in Weld Bead. Master's Degree // PEMM/COPPE/UFRJ. RJ, Brazil, 1999.

165. Silva, R.R. Pattern Recognition of Weld Defects Detected by Radiographic Test / R.R. Silva, L.P. Caloba, M.H.S Siqueira.H.S, J.M.A. Rebello // NDT&E International, 2004.

166. Silva, R.R. Evaluation of the Relevant Characteristic Parameters of Welding Defects and Probability of Correct Classification Using Linear

167. Classifiers/ R.R. Silva, L.P. Caloba, M.H.S. Siqueira et al. // Insight, v. 44, n. 10, Outubro, 2002.

168. Simoncelli, E.P. Steerable Wedge Filters for Local Orientation Analysis / E.P. Simoncelli, H. Farid // IEEE Transactions on Image Processing. 1996. V. 5(9) pp. 1377-1382.

169. Stroup-Gardiner, M. Identifying Segregation in Hot Mix Asphalt Pavements Using Rolling Nuclear Gage Measurements and Infrared Imaging. ASTM Journal of Testing and Evaluation. Volume 28, No. 2, 2000, pages 121130.

170. Syrova, L. Optical Methods for Examining and Comparing Optically Transparent Polymeric Foils // Journal of Electrical Engineering, 51, 2000, pp. 133-137.

171. Syrova, L. Use of Statistical Approach for Classification of Visualized Transparent Polymeric Foils / L. Syrova, R. Ravas, J.Grman // In: Proc. of the 2 DAAAM Workshop " Intelligent Manufacturing Systems", Kosice, 2000, pp. 69-70.

172. Tarek, A. Asphalt Crack Detection Using Thermography / A. Tarek Monem, A.Amr, H.Oloufa // InfraMation 2005 Proceedings. ITC 108 A 200506-01

173. The, C.H. On image analysis by the methods of moments / C.H.Teh. R.T. Chin // IEEE Trans. Pattern. Anal. Machine Intell., vol. 10, 1988. pp. 496512.

174. Wang, G. Automatic Identification of different types of welding defects in radiographic images / G.Wang, W . Liao // NDT&E International, 2002.

175. Использование результатов диссертационной работы Ермакова A.A. позволило повысить точность контроля качества и уменьшить время проведения такого процесса.

176. Разработанные на основе научных результатов программные продукты используются в системе проверки качества деталей и изделий.1. Начальник ЦЗЛ

177. ОАО «П0-Муроммашзавод» Коробкова Н.П. «гу» об 2008г.

178. Заведующий кафедрой «Информационные системы» Муромского института (филиала)1Ндриаиов Д.Е. «¿Ь^ о« 2008г. Аспирант кафедры «Информационные системы» Муромского института (филиала)

179. Ермаков A.A. «т> об 2008г.