автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.05, диссертация на тему:Оптико-электронное устройство распознавания многоконтурных объектов на основе нечеткой логики

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И ОПТИКО-ЭЛЕКТРОННЫХ УСТРОЙСТВ РАСПОЗНАВАНИЯ ОБЪЕКТОВ.

1.1 Методы построения контуров объекта.

1.1.1 Помехонезащищенное построение контуров объекта.

1.1.2 Помехозащищенное построение контуров объекта.

1.2 Методы распознавания образов.

1.3 Оптико-электронные устройства распознавания объектов.

ГЛАВА 2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ РАСПОЗНАВАНИЯ МНОГОКОНТУРНОГО ОБЪЕКТА ОПТИКО-ЭЛЕКТРОННЫМ УСТРОЙСТВОМ.

2.1 Математическая модель ввода изображения.

2.2 Нечеткая математическая модель вычисления класса многоконтурного объекта.

2.2.1 Математическая модель построения контуров.

2.2.2 Математическая модель вычисления признаков.

2.2.3 Распознавание многоконтурного объекта по вычисленным признакам.

2.3 Обобщенный алгоритм работы оптико-электронного устройства распознавания многоконтурных объектов.

ГЛАВА 3. АНАЛИЗ БЫСТРОДЕЙСТВИЯ И СИНТЕЗ ОПТИКО-ЭЛЕКТРОННОГО УСТРОЙСТВА РАСПОЗНАВАНИЯ МНОГОКОНТУРНЫХ ОБЪЕКТОВ.

3.1 Быстродействие ввода изображения.

3.2 Оценка времени распознавания многоконтурного объекта.

3.3 Анализ быстродействия оптико-электронного устройства распознавания многоконтурных объектов.

3.3.1 Анализ зависимости быстродействия оптико-электронного устройства от параметров анализируемых многоконтурных объектов.

3.3.2 Анализ зависимости быстродействия от параметров оптикоэлектронного устройства.

3.4 Инженерная методика выбора количества процессоров в блоке параллельного распознавания многоконтурного объекта.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ОПТИКО-ЭЛЕКТРОННОГО УСТРОЙСТВА РАСПОЗНАВАНИЯ МНОГОКОНТУРНЫХ ОБЪЕКТОВ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ.

4.1 Аппаратно-программный комплекс для проведения испытаний оптико-электронного устройства распознавания многоконтурных объектов и методика их проведения.

4.2 Экспериментальное определение основных характеристик и параметров оптико-электронного устройства распознавания многоконтурных объектов.

4.2.1 Сравнительный анализ оптико-электронных устройств распознавания многоконтурных объектов.

Актуальность работы. Интенсификация производства на основе широкого использования автоматизации и роботизации является основным направлением развития приборостроения в настоящее время [1, 2, 3]. В качестве первоочередной задачи комплексной автоматизации выдвигается создание промышленных роботов и манипуляторов, в том числе обладающих искусственным зрением, позволяющих с высокой скоростью без снижения вероятности распознавания вычислять класс объекта.

Среди многообразия технологических операций далеко не все можно выполнить с помощью существующих оптико-электронных устройств (ОЭУ). Даже в такой области традиционного применения ОЭУ как автоматизированный контроль качества деталей приборостроения не решена до конца задача распознавания произвольным образом расположенных изделий с нелинейными внешними контурами. Кроме того, при условии существования нескольких деталей, отличающихся лишь внутренними контурами, возникает задача учета этих контуров в процессе распознавания. Важным аспектом является также необходимость повышения скорости распознавания.

Перспективным подходом к решению этих задач является использование нечеткой логики, позволяющее учесть нелинейность контуров и произвольный угол поворота объекта [5].

В этой связи задача создания быстродействующего оптико-электронного устройства распознавания многоконтурных объектов на основе нечеткой логики представляется весьма актуальной.

Диссертационная работа выполнялась в соответствии с грантом по фундаментальным исследованиям в области электроники и радиотехники №1.6.96 "Разработка основ теории, принципов построения и алгоритмического обеспечения изделий радиоэлектронной аппаратуры на основе приборов с зарядовой связью"; грантом по фундаментальным исследованиям в области естественных и точных наук № 1.03.01, № гос. регистрации 01.200.109249; единым заказом-нарядом № гос. регистрации 0197002558, финансируемым Министерством образования Российской Федерации из средств федерального бюджета, тема 1.2.95 "Адаптивная оптико-электронная система контроля изделий микро и радиоэлектроники".

Цель работы состоит в разработке нечеткой математической модели и быстродействующего оптико-электронного устройства распознавания многоконтурных произвольно расположенных объектов при одновременном повышении вероятности распознавания.

К основным задачам, решаемым в работе, относятся:

- обоснование необходимости создания быстродействующих, основанных на нечеткой логике методов, устройств распознавания объектов;

- разработка нечеткой математической модели оптико-электронного устройства распознавания многоконтурных произвольно расположенных объектов;

- создание основанного на нечеткой логике быстрого алгоритма распознавания многоконтурных произвольно расположенных объектов, обладающего высокой вероятностью распознавания;

- построение структуры оптико-электронного устройства распознавания объектов и разработка основных принципов его функционирования.

Методы исследования. Для решения поставленных в работе задач использован аппарат аналитической геометрии и теории нечетких множеств, теории распознавания образов, обработки и анализа растровых полутоновых изображений, численных методов.

Научная новизна работы:

- обоснована необходимость создания основанных на нечеткой логике методов, алгоритмов и быстродействующего устройства распознавания многоконтурных произвольно расположенных объектов;

- разработана математическая модель распознавания многоконтурных объектов оптико-электронным устройством, использующая нечеткие признаки для определения класса входного объекта и дающая возможность оценить быстродействие устройства;

- предложен быстрый алгоритм распознавания многоконтурных объектов, анализирующий нечеткие признаки внешнего и внутренних контуров, позволяющий выполнять инвариантное к расположению объекта распознавание;

- создана математическая модель построения контуров объекта, основанная на анализе изображения по спирали Архимеда и позволяющая повысить быстродействие оптико-электронного устройства распознавания.

Практическая ценность работы состоит в следующем:

- выведены формулы (Ь-К)-аппроксимации нечетких входных признаков, дающие возможность существенно ускорить процесс распознавания;

- разработан метод выбора вида и степени (Ь-Ы)-функций, вычисления их нечетких коэффициентов на этапе обучения устройства, основанный на минимизации целевой функции методом переменной метрики;

- создана функциональная схема блока параллельного распознавания, позволяющая увеличить быстродействие устройства на 15% при распознавании четырехконтурного объекта по трем признакам с известным числом классов 25;

- предложена инженерная методика выбора рационального количества нечетких спецпроцессоров в блоке параллельного распознавания.

Результаты диссертационной работы внедрены на предприятиях ОКБ "Авиаавтоматика" г. Курск, ЗАО "Тэнси - техно" г.Тула и используются в учебном процессе Курского государственного технического университета.

На защиту выносятся:

1. Нечеткая математическая модель распознавания объекта оптико-электронным устройством, позволяющая синтезировать алгоритмы обработки объектов и рассчитать быстродействие устройства.

2. Математическая модель построения контуров объекта, основанная на анализе изображения по спирали Архимеда, позволяющая повысить быстродействие оптико-электронного устройства распознавания.

3. Алгоритм распознавания многоконтурных объектов, основанный на анализе нечетких признаков внешнего и внутренних контуров, позволяющий выполнять инвариантное к расположению объекта распознавание.

4. Структурная схема быстродействующего оптико-электронного устройства распознавания объектов.

5. Методика и аппаратно-программный комплекс для определения основных характеристик и параметров оптико-электронного устройства распознавания многоконтурных объектов.

Апробация работы. Основные положения диссертационной работы докладывались и получили положительную оценку на Международных и Российских конференциях: "Распознавание 97, 99,2001" (г. Курск, 1997, 1999, 2001 гг.); "Проблемы и перспективы автоматизации производства и управления" ("Автоматизация 97, 99") (г. Ташкент, 1997, 1999 гг.); "Материалы и упрочняющие технологии - 97, 98, 2001" (г. Курск, 1997, 1998, 2001 гг.); "Медико-экологические информационные технологии -98, 99, 2000" (г. Курск, 1998, 1999, 2000 гг.); "Датчики и преобразователи информации систем измерения, контроля и управления" (" Датчик-99") (г.

Гурзуф, 1999 г.); "Состояние и проблемы измерений: 6-я Всероссийская НТК" (г. Москва, 1999 г.); "5-я Международная конференция "Распознавание образов и анализ изображений: новые информационные технологии" (г. Самара, 2000 г.); на научно-технических семинарах кафедры "Вычислительная техника" Курского государственного технического университета с 1999 по 2002 гг.

Публикации. Основные результаты выполненных исследований и разработок опубликованы в 30 печатных работах, в том числе 7 статьях; получено 3 патента Российской Федерации; в соавторстве написана монография, изданная за рубежом; учебное пособие с грифом УМО. В работах, опубликованных в соавторстве, лично соискателем предложены: в [114, 115, 116, 117, 118] - нечеткие математические модели распознавания, в [82, 136] - математические модели оптико-электронных устройств, в [22, 31, 78, 83, 85, 86, 87, 88, 97, 98, 99, 100, 101, 102, 121, 127, 128, 133, 135, 137, 138, 140] - структурные схемы и основные принципы функционирования оптико-электронных устройств и блоков, а также алгоритмы распознавания изображений, основанные на нечеткой логике, в [133] - вывод формул времени обработки изображения.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 141 наименование, 5 приложений, изложена на 133 страницах и поясняется 32 рисунками и 6 таблицами.

Выводы

1. Разработан аппаратно-программный комплекс и методика проведения экспериментальных исследований для определения основных характеристик и параметров оптико-электронного устройства распознавания многоконтурных объектов.

2. В результате выполнения экспериментальных исследований подтверждена адекватность разработанных математических моделей оптико-электронного устройства распознавания многоконтурных объектов.

3. Приведенные варианты реализации и экспериментальные исследования оптико-электронного устройства распознавания многоконтурных объектов позволили создать ряд быстродействующих оптико-электронных устройств, которые найдут широкое применение в различных областях науки и техники.

Ill

ЗАКЛЮЧЕНИЕ

1. Рассмотрено состояние проблемы распознавания многоконтурных объектов, что позволило обосновать перспективность использования методов нечеткой логики для построения быстродействующих оптико-электронных устройств распознавания многоконтурных объектов.

2. Получена математическая модель распознавания многоконтурных объектов оптико-электронным устройством с использованием нечетких признаков для определения класса входного объекта, дающая возможность оценить быстродействие устройства.

3. Разработан быстрый алгоритм распознавания многоконтурных объектов, анализирующий нечеткие признаки внешнего и внутренних контуров и позволяющий выполнять инвариантное к расположению объекта распознавание.

4. Предложена математическая модель построения контуров объекта, основанная на анализе изображения по спирали Архимеда и позволяющая повысить быстродействие оптико-электронного устройства распознавания многоконтурных объектов.

5. Создана функциональная схема блока параллельного распознавания и инженерная методика выбора количества спецпроцессоров этого блока, позволяющего увеличить быстродействие оптико-электронного устройства распознавания многоконтурных объектов. Проведены экспериментальные исследования оптико-электронного устройства распознавания многоконтурных объектов, основанного на нечеткой логике, подтверждающие достоверность теоретических исследований.

6. Результаты диссертационной работы внедрены на предприятиях ОКБ "Авиаавтоматика", г. Курск, ЗАО "Тэнси - техно" г. Тула и использованы в учебном процессе Курского государственного технического университета.

1. Lynch М. Computer numerical control for machining. Boston: McGraw-Hill, 1992. - 422 p.

2. Machinery's Handbook / E. Oberg, F. Jones, H, Horton, H. Ryffell; Edited by C. McCauley. New York: Industrial Press Inc., 2000.-2630 p.

3. Seames W. Computer numerical control. Concepts and programming. 3rd Edition. Albany: Delmar Publishers, 1995. - 447 p.

4. Фор А. Восприятие и распознавание образов: Пер. с фр. А.В.Серединского; Под ред. Г.П. Катыса. М.: Машиностроение, 1989.-272 с.

5. Тэрано Г., Асаи К., Сугэно М. Прикладные нечеткие системы. М.: Мир, 1993.- 368 с.

6. Аникин И.В. Методы, нечеткие алгоритмы и модели в задачах распознавания визуальной информации с привлечением человеко-машинных информационных технлогий: Дис. . канд. техн. наук. -Казань, 2001,- 151 с.

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

8. Мартинес Ф. Синтез изображений. Принципы, аппаратное и программное обеспечение: Пер. с нем.- М.: Радио и связь, 1990.-192 с.

9. Скотт П. Промышленные роботы переворот в производстве: Сокр. пер. с англ.- М.: Экономика, 1987. - 304 с.

10. Ratai A. Approximating outlines of objects in raster images // Machine GRAPHICS & VISION 1999 - Vol. 8. - No. 3. - PP. 313 - 339.

11. Ratai A. Finding outlines of objects in raster images // Machine GRAPHICS & VISION. 1999. - Vol. 8. - No. 3 - PP. 295 - 312.

12. Leclercq P., Braunl T. A color segmentation algorithm for real-time object localization on small embedded systems // Robot Vision / Edited by R. Klette, S. Peleg, G. Sommer. Berlin, 2001.- PP. 69-76.

13. Линдли К. Практическая обработка изображений на языке Си: Пер. с англ.- М.: Мир, 1996. 512 с.

14. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М.: Машиностроение, 1990. - 320 с.

15. Arcelli С., Serino L. Grey-skeletonization by four directional parallel operations // Image processing & communications 1998. - vol. 4. - no. 3-4. - PP. 3-11.

16. Катыс Г.П., Катыс П.Г. Компьютерный визуальный анализ двумерных изображений // Информационные технологии. 1999 -№12.-С. 28-44.

17. Xu Z., Toncich D., Stefani S. Adaptive edge-preserving filtering // Machine GRAPHICS & VISION. 1999. - Vol. 8 - No. 3. - PP. 295 -312.

18. Платонов A.K., Соколов C.M. Системы сбора и алгоритмы первичной обработки фотометрической информации. М.: Ин. прикл. матем. АН СССР, 1979. - 34 с.

19. Frucci М. A skeleton based decomposition of binary shapes // Image processing & communications 1998. - vol. 4. - no. 3-4. - PP. 37-44.

20. Катыс П.Г., Катыс Г.П. Автоматическая обработка и интерпретация изображений. Часть I. Предварительная обработка изображений // Информационные технологии. 2001 - № 1. - С. 9-17.

21. Тевс С.С., Титов B.C. Метод повышения контрастности изображения. // Сборник материалов 4 международной конференции "Распознавание 99" Курск, 1999. - С. 39-40.

22. Бачило С.А., Калашников В.М., Симоненко Д.М. Алгоритм ускоренной медианной фильтрации изображений // Сборник материалов 3 международной конференции "Распознавание-97".-Курск, 1997. -С. 87-89.

23. Васильев В.Н. Гуров И.П. Компьютерная обработка сигналов в приложении к интерферометрическим системам СПб.: БХВ -Санкт-Петербург, 1998. - 240 с.

24. Яншин В. В. Анализ и обработка изображений: принципы и алгоритмы. М.: Машиностроение, 1995. - 112 с.

25. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника. 1987. - №10, С. 6-14.

26. Спектор А.А. Двухэтапное оценивание неоднородности изображения, сформированного линейкой приемников // Радиотехника. 1986. - №8, С. 20-22.

27. Денисов В.М. Описание бинарных изображений гистограммами второго порядка. // Оптический журнал. 1995. - №2. - С. 18-21.

28. Волков А. А. Исследование алгоритмов пороговой обработки // Системы, методы и анализ данных / Под ред. С.С. Садыкова,-Ташкент, 1997. 50 с.

29. Тевс С.С., Титов B.C., Бабанин А.Г. Адаптивный выбор порога на основе нечеткой логики // Сборник материалов международной технической конференции "Медико-экологические информационные технологии 98". - Курск, 1997. - С. 126-127.

30. Mari M, Smits P.C., Kies P., Chmielewski L. Interactive object detection using a fuzzy image segmentation approach. // Machine GRAPHICS & VISION 1998. - vol. 7. - no. 4. - PP. 765-780.

31. Musilek P. et al. Adaptive fuzzy approach to edge detection // SPIE. -1999-vol.3832, P.109-119.

32. Иванов В. П., Батраков А. С. Трехмерная компьютерная графика / Под. ред. Г.М. Полищука. М.: Радио и связь, 1995. - 224 с.

33. СБИС для распознавания образов и обработки изображений / Под ред. К.Фу: Пер. с англ. М.: Мир, 1988. - 248 с.

34. Салов Г.И. Метод получения равномерно наиболее мощных критериев для обнаружения протяженных объектов на случайном фоне // Автометрия,- 1995.- №1,- С. 34-38.

35. Стакун В.А., Стакун А.А., Грешилов А.А. Метод уменьшения числя ложных решений в задачах распознавания образов путем строго учета погрешностей исходных данных // Вестник МГТУ. Сер. Приборостроение. 1996 - № 1. - С. 85-95.

36. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986. - 264 с.

37. Лапко А.В., Ченцов С.В. Многоуровневые непараметрические системы принятия решений. Новосибирск: Наука, 1997.-192 с.

38. Bogus P., Massone A.M., Masulli F., Schenone A. Interactive graphical system for segmentation of multimodal medical volumes using fuzzy clustering // Machine GRAPHICS & VISION. 1998. - vol. 7. - no. 4. -PP. 781-791.

39. Escofet J., Navarro R., Millan M.S. Detection of local defects in textile webs using Gabor filters. // Opt. Eng. 1998. - vol. 37. - no. 8. - PP. 2297-2307.

40. Lu S., Wong Z Fuzzy neural networks for edge detection // Canadian Conf. on electrical and computer engineering - 1997 - vol.2, P. 446-449.

41. Айдарханов М.Б., JIa Л.Л. Об устойчивости алгоритмов групповой нечеткой классификации // Тр. 5-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" Самара. 2000. - т.1. - С. 5-6.

42. Сандини Ж., Тистарелли М. Анализ последовательностей изображений. М., 1986. - С. 1-3 - Деп. в ВИНИТИ, №17.

43. Корреп М., Franke К., Unold О. A survey on fuzzy morphology // Тр. 5-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" Самара. 2000. -т.2. - С. 424-427.

44. Meitzler T.J., Singh Н., Arefeh L., Sohn E., Gerhart G.R. Predicting the probability of target detection in static infrared and visual scenes using the fuzzy logic approach. // Opt. Eng. 1998. - vol. 37. - no. 1. - PP. 10-17.

45. Лебедев Г.Н., Алисултанов Ш.М., Лебедев M.B. Процедура нечеткой логики для управления частично неработоспособным летательным аппаратом // Приборы и системы. Управление, контроль, диагностика. 2001 - № 9. - С. 55-58.

46. Насс Р. Внедрение средств нечеткой логики в США // Электроника,- 1993,-№7/8.-С. 11-14.

47. Петров С.Ю., Шифрин Б.М. Модель управления установкой для получения целлюлозы на основе нечеткой логики // Приборы и системы. Управление, контроль, диагностика. 2002 - № 2. - С. 7-10.

48. Baraldi A. et al. Contextual clustering for image segmentation // Opt. Eng. 2000. - vol.39. N 4. P. 907-923.

49. Majumder D., Bhattacharya M. A new shape based technique for classification and registration: application to multimodal medical images // Image Processing and Communications. 1998. - vol.4 - No. 3-4. — PP. 45-70.

50. Baltes J. Camera calibration using rectangular textures // Robot Vision / Edited by R. Klette, S. Peleg, G. Sommer. Berlin, 2001.- PP. 245-251.

51. Богословский А. В. Анализ свойств вычислительных сред на приборах с зарядовой связью. // Радиотехника и электроника 1997. т. 42. - № 8. - с. 996—1000.

52. Катыс Г.П. Обработка визуальной информации. М.: Машиностроение, 1990. - 314с.

53. Катыс П.Г., Катыс Г.П. Системы машинного видения с интеллектуальными видеодатчиками // Информационные технологии. 2001 - № 10. - С. 28-33.

54. Пустынский И.Н., Титов B.C., Ширабакина Т.А. Адаптивные фотоэлектрические преобразователи с микропроцессорами. М.: Энергоатомиздат, 1990. - 80 с.

55. Пахомов А.Н. Состояние и перспективы систем активного зрения // Успехи современной радиоэлектроники. -1999. -№ 2,- С.57-65.

56. Кругликов С.В., Логинов А.В. Многоэлементные приемники изображения. Новосибирск: Наука. Сиб. отделение, 1991. - 96 с.

57. Богословский А. В. Обобщение пространственно-временной модели фильтра на ПЗС. — Радиотехника, и электроника, 1993, т. 38, - .№ 5. - с. 931—939.

58. Шемшединов Р.Б., Калеганов В.Ф. Влияние разброса частотных свойств фотоприемных устройств на некоторые характеристики измерительных приборов // Радиотехника,- 1984,- №8,- С. 79-81.

59. Катыс Г.П. Восприятие и анализ оптической информации автоматической системой. -М.: Машиностроение, 1986. 415с.

60. Катыс Г.П., Катыс П.Г. Системы машинного видения: анализ состояния и перспективы развития // Приборы и системы управления. 1999 - №9. - С. 57-67.

61. Разработка систем автоматического распознавания целей: Обзоры / Радиоэлектроника за рубежом 1992. - вып. 4 (60) - с 15—36.

62. Системы технического зрения: Справочник / В.И. Сырямкин, B.C. Титов, Ю.Г. Якушенков и др. // Под общей редакцией В.И. Сырямкина, B.C. Титова,- Томск: МГП "РАСКО", 1993. 367 с.

63. Nquyen М. С., Graefe V. Visual recognition of objects for manipulating by calibration-free robots // Proc. SPIE. 2000. - vol. 3966. P. 290—298.

64. Goulermas J. J. et al. Real-tine intelligent vision systems for process control // Proc. 4th Ichem. E. Conf. Advances in process control. 1995. -Sep. 27, 28. P. 69—76.

65. Farroha B. S., Deshmukh R. G. A novel high-speed architecture for machine vision application // Proc. SPIE. 1996. - vol. 2908, P. 43-49.

66. Kruger N., Wendorff D., Sommer G. Two modules of a vision-based robotic system: attention and accumulation of object representations // Robot Vision / Edited by R. Klette, S. Peleg, G. Sommer. Berlin, 2001,-PP. 219-226.

67. Черноруцкий Г.С., Сибрин А.П., Жабреев B.C. Следящие системы автоматических манипуляторов; Под ред. Г.С. Черноруцкого. М.: Наука, гл. ред. физ.-мат. лит., 1987. - 272 с.

68. Гоев А.И., Заварзин В.П., Чичварин Н.В. Организация проектирования и производства оптико-электронных систем в среде с ограниченными ресурсами // Информационные технологии. 2001 - № 7. - С. 9-17.

69. Козирацкий Ю.Л., Аниканов А.В. Поиск целей оптико-электронными системами среди контрастных выбросов // Информационный конфликт в спектре электромагнитных волн. Приложение к журналу " Радиотехника" 1994,- С. 11-14.

70. Sablating R., Menard C. On representing the object model for automatic visual inspection-using a description language // Proc. SPIE. 1998. - vol. 3306. P. 131—140.

71. Wen Z., Tao Y. Fuzzy-based determination of model and parameters of dual-wavelength vision system for on-line apple sorting. // Opt. Eng. -1998. vol. 37. - no. 1. - PP. 293-299.

72. Titov V.S. Tevs S.S. A Fuzzy Mathematical Model for Recognition in Optoelectronic Systems. Pattern Recognition and Image Analysis // Vol. 11.-No. 1.-2001 PP. 105-107.

73. Моделирование технического зрения промышленных роботов: Учебное пособие / Титов B.C., Колодин В.А., Кукин В.А., Кочанов А.С. Томск: Изд-во Том. ун-та, 1989. - 113 с.

74. Порфирьев Л.Ф. Основы теории преобразования сигналов в оптико-электронных системах. Учебник для приборостроительных специальностей вузов. Л.: Машиностроение, Ленингр. отд-ние, 1989.-387 с.

75. Титов Е.В., Тевс С.С. Волоконно-оптические преобразователи для систем обработки изображений // Сборник материалов VI российской научно-технической конференции "Материалы и упрочняющие технологии 98". - Курск. - 1998. - С. 241-242.

76. Грязин Т.Н. К расчету частотных характеристик приборов с зарядовой связью // Известия вузов. Приборостроение. 2001 - Т. 44. № 3. - С. 22-24.

77. Janesick J., Klaasen К., Elliott Т. CCD charge collection efficiency and the photon transfer technique // Proc. SPIE. 1985. - vol. 570, PP. 7-19.

78. Федосов В.П. Формирование оптического изображения с помощью матричного фотоприемника // Успехи современной радиоэлектроники. 2001 - № 9. - С. 59-63.

79. Тевс С.С., Ширабакина Т.А. Математическая модель оптико-электронного устройства контроля качества объектов // Методы исредства систем обработки информации. Сборник научных статей.-2000. № 2,- С. 38-44

80. Тевс С.С. Построение контуров объекта // Сборник материалов 4 международной конференции "Распознавание 99" Курск, 1999. - С. 38-39.

81. Выгодский М.Я. Справочник по высшей математике. М.: Государственное издательство физико-математической литературы, 1962. - 870 с.

82. Тевс С.С., Павлов В.Д., Титов B.C. Компьютерное распознавание образов на основе нечеткой логики. // Сборник материалов 3 международной конференции "Распознавание-97". Курск. - 1997. -С. 67-69.

83. Тевс С.С., Титов B.C. Нормализация входных объектов на основе нечеткой логики // Сборник материалов второй международной научно-технической конференции "Медико-экологические информационные технологии 99".- Курск, 1999. - С. 157

84. Тевс С.С., Титов B.C. Распознавание образов на основе нечеткой логики // Сборник материалов 1 международной научно-технической конференции "Проблемы и перспективы автоматизации производства и управления" ("Автоматизация 97"). Ташкент. -1997.-С. 57-60.

85. Тевс С.С., Титов Е.В. Определение ориентации объекта при помощи нечеткого анализа его внешнего контура. // Сборник материалов VI российской научно-технической конференции "Материалы и упрочняющие технологии 98". - Курск. - 1998. - С. 235-236.

86. Одеберг X. Нормы расстояний для интеллектуальных преобразователей с утверждениями на основе нечеткой логики. // ВИНИТИ. 1994. - №13. - С. 2-9.

87. Буровцева Т.И., Звягинцев A.M. Коррекция погрешности датчиков методами нечеткой логики. // Датчики и Системы. 1999. - №7-8. -С. 14-21.

88. Романов В.Н. Оптимизация структуры системных моделей на основе нечетких множеств. // Метрология. 1988. - №2. - С. 23-28.

89. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова.-М.: Наука. Гл. ред. физ.-мат. лит., 1986.- 312 с.

90. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./ Под ред. P.P. Ягера,- М.: Радио и связь, 1986. -408 с.

91. Лен Ю.Д., Ли Т.С. Исследование управления с нечеткой логикой для гибких роботов. // ВИНИТИ. 1991. - №17. - С. 11-20.

92. Дюбуа Д., Прад А., Теория возможностей. Приложения к представлению знаний в информатике: Пер. с фр. М.: Радио и связь, 1990. - 288 с.

93. Мир А., Зингер Д.С., Элбулук М.Е. Нечеткое управление инвертором индукционной машины. // ВИНИТИ. 1994. - №29-30. -С. 2-7.

94. Тевс С.С.,Титов B.C. Система технического зрения на основе нечеткой логики. // Деп. ВИНИТИ 25.03.98 № 879 В58 КГТУ. Курск. - 1998.

95. Тевс С.С., Титов B.C., Ширабакина Т.А., Сингха М.К. Фотонные системы контроля скоростного режима транспортных средств. Лазеры в науке, технике, медицине: // Тез. докл. XI МНТК -Геленджик, 1998. С. 140.

96. Titov V.S., Tevs S.S., Shirabakina Т.A., Cinha М.К. Photon systems for speed mode inspection of transport means // SPIE Proc. 1999. Vol. 3901.-PP. 65-68

97. Грибов М.Г. Логический подход к анализу нечетких образов // Тр. 5-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" Самара. 2000. -Т.1.-С. 42-46.

98. Анисимов Д.Н. Использование нечеткой логики в системах автоматического управления // Приборы и системы. Управление, контроль, диагностика. 2001 - № 8. - С. 39-42.

99. Гиляров В.Н., Токмаков А.Н. Формализация знаний в нечетких экспертных системах // Приборы и системы. Управление, контроль, диагностика. 2001 - № 9. - С. 27-29.

100. Третьяков М.Е. Принятие решений по выбору гипотез в технических системах в условиях нечеткой среды // Информационные технологии. 2001 - № 10. - С. 2-11.

101. Шапировский М.Р., Зинина Л.К., Топчаев А.В. Система автоматического управления процессом очистки промышленныхстоков с применением нечеткой логики // Приборы и системы. Управление, контроль, диагностика. 2000 - № 1. - С. 27-29.

102. Патрик Э. Основы теории распознавания образов: Пер. с англ./ Под ред. Б.Р.Левина.-М.: Сов. Радио. - 1980-408 с.

103. Вершинина Л.П. Идентификация фазовых характеристик объекта на основе адаптивной модели нечеткой логики // Сборник материалов 3 международной конференции "Распознавание-97".-Курск, 1997.-, С. 41-42.

104. Глова В.И., Аникин И.В. Структура базы знаний примитивов при их нечетком лингвистическом описании // Вестник КГТУ им. А.Н. Туполева. 1999. - № 3.

105. Yager R.R. Finite linearly ordered fuzzy sets with applications to decision // International Journal of Man-Machine Studies. 1980. - Vol. 12, №3.-P. 299-322.

106. Рыжаков B.B. Прогнозирование показателей надежности приборов длительного применения на основе представлений нечетких множеств // Приборы и системы управления.- 1995.- №1,- С. 27-30.

107. Тевс С.С. Нечеткая логико-лингвистическая модель распознавания в оптико-электронных системах // Сборник материалов второй МНТК "Медико-экологические информационные технологии 2000" -Курск, 2000,-С. 156-157.

108. Тевс С.С., Титов B.C. Распознавание на основе нечеткого логического вывода // Сборник материалов второй МНТК "Медико-экологические информационные технологии 2000" - Курск, 2000, -С. 157-159.

109. Titov V.S., Tevs S.S. Mathematical model of optical electronic recognition system. // Сборник материалов 5 международной конференции "Распознавание-2001".- Курск, 2001. С. 10-11.

110. Тевс С.С., Титов B.C. Нечеткая математическая модель распознавания в оптико-электронных системах // Тр. 5-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" Самара. 2000. -т.1. - С. 152-155.

111. Методы цифровой обработки изображений: Учебное пособие. Часть I. / Дегтярев С. В., Садыков С.С., Тевс С.С., Ширабакина Т.А.Курск: Курский государственный технический университет, 2001.167 с.

112. Норенков И.П., Маничев В.Б. Системы автоматизированного проектирования электронной и вычислительной аппаратуры: Учеб. пособие для вузов. М.: Высш. школа, 1983. - 272 с.

113. Корн Г., Корн Т. Справочник по математике (для научных работников и инженеров): Пер. с англ. М.: Наука, 1974. - 832 с.

114. Титов B.C., Тевс С.С. Оптико-электронная система распознавания и нормализации объектов. Датчики и системы, 2000. №3. - С. 30-32.

115. Григорьев B.JI. 80486. Архитектура и программирование: В 4 т. -М.: МИКАП, 1993. Т. 4. - 382 с.

116. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. М.: Наука, 1980. - 976 с.

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

118. R. Klette, В. Yip The length of digital curves // Machine GRAPHICS & VISION. 2000. - Vol. 9. - No. 3 - PP. 673 - 703.

119. Новиков Ю.В., Калашников O.A., Гуляев С.Э. Разработка устройств сопряжения для персонального компьютера типа IBM PC.

120. Под общей редакцией Новикова. Практ. пособие. М.: ЭКОМ, 1997. - 224 с.

121. Патент N2168207. Устройство для распознавания ситуаций / Тевс С.С. и др. 5 с.

122. Патент N2168764. Устройство для распознавания ситуаций / Тевс С.С. и др. 4 с.

123. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969. - 576 с.

124. Хеннекен П.Л., Тортра А. Теория вероятностей и некоторые ее приложения. М.: Наука, 1974. - 472 с.

125. Вероятностные методы в вычислительной технике: Учеб. пособие для вузов по спец. ЭВМ / А.В. Крайников, Б.А. Курдиков, А.Н. Лебедев и др.; Под ред. А.Н. Лебедева и Е.А. Чернявского. М.: Высш. шк., 1986. - 312 с.

126. Покатило С. А. Крупенько А. В. Адаптивное регулирование разрешающей способности в ОЭС // Автометрия 1994 - № 1. - с 16—20.

127. Письменный Г.В., Михайлов Б.Б., Корнеев А.Ю. Системы технического зрения в робототехнике. М.: машиностроение, 1991. -88 с.

128. Titov V., Tevs S., Shirabakina Т. Optical Recognition System for Radioelectronic Products. // Machine GRAPHICS & VISION. 1999. -Vol. 8.-No. l.-PP. 143- 152.

129. Титов B.C., Тевс С.С. Обучаемая оптико-электронная система распознавания объектов // Оптико-электронные системы