автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Оценка параметров изображений неоднородной поверхности объектов в оптико-электронной информационно-измерительной системе

На правах рукописи

МАНУЙЛОВ ВЛАДИМИР ВЛАДИМИРОВИЧ

ОЦЕНКА ПАРАМЕТРОВ ИЗОБРАЖЕНИЙ НЕОДНОРОДНОЙ ПОВЕРХНОСТИ ОБЪЕКТОВ В ОПТИКО-ЭЛЕКТРОННОЙ ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНОЙ СИСТЕМЕ

Специальность 05.11.16- Информационно-измерительные и управляющие системы (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Тула-2010

004605549

Работа выполнена на кафедре математического, программного и информационного обеспечения АСУ в Тульском артиллерийском инженерном институте

Научный руководитель: - доктор технических наук, профессор

Изотов Виктор Николаевич

Официал ьные оппоненты: - доктор технических наук

Иванов Юрий Владимирович - кандидат технических наук Хомяков Алексан др Викторович

Ведущая организация: - ОАО «АК Центральный научно-

исследовательский институт систем управления», г.Тула

Защита состоится 2010 г. в Л часов на заседании диссерта-

ционного совета Д 212.271.07 при Тульском государственном университете (300600, г. Тула, пр Ленина, 92, корпус 9 , ауд. 101).

С диссертацией можно ознакомиться в библиотеке института.

Автореферат разослан М-ОкЖ^ 2010 г.

Ученый секретарь

диссертационного совета у^О*/ ~ — Ф-А- Данилкин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность ра5оты. Современные требования к качеству выпускаемой древесной продукции (пиломатериалов, древесностружечной плиты (ДСП) и т.д.) обуславливают необходимость ее контроля практически на всех технологических этапах производства. К числу контролируемых величин следует отнести геометрические параметры (ширина, дойна), а также распознавание дефектов (сколы, вмяганы, у иски, выкрашивание углов, обзол, выступ и т.д. для ДСП или наличие трещин и сучков для доски), измерение и определение которых в мировой практике все шире осуществляется с помощью оптико-электронных методов.

В случае применения оппгко-электронных информационно-измерительных систем (ОЭ ИИС] контроля геометрических размеров движущейся древесной продукции, основной целью процесса обработки изображения является точное выделение контуров объекта контроля на фоне рабочей сцены.

Условия производства, как правило, не позволяют создать необходимое освещение рабочей сцены (запыленность воздуха, внешние условия освещения, цвет объекта контроля, неоднородная структура поверхности продукции и т.д.). Тогда применение стандартных алгоритмов обработки изображений не дает желаемых результатов.

Использование современных сложных алгоритмов обработки изображений часто затруднено из-за необходимости использования специализированной дорогостоящей аппаратной поддержки. Кроме того, известные публикации носят в основном лишь рекламный характер и не раскрывают путей решения проблемы.

В этой связи научная задача разработки методик и алгоритмов обработки изображений для улучшения эксплуатационных характеристик оптико-электронной информационно-измерительной системы распознавания дефектов состояния поверхности объектов является весьма актуальной.

Целью работы является повышение эффективности функционирования оптико-электронной информационно-измерительной системы распознавания дефектов состояния поверхности объектов:.

Объектом исследования диссертационной работы является оптико-электронная информационно-измерительная система распознавания дефектов состояния поверхности объектов.

Предметом исследования диссертационной работы являются элементы математического обеспечения процесса обработки изображения в ОЭ ИИС распознавания дефектов состояния поверхности объектов.

В соответствии с этим в работе решаются следующие основные задачи:

1. Анализ методов и алгоритмов обработки информации в ОЭ ИИС распознавания дефектов состояния поверхности объектов.

2. Разработка математической модели ОЭ ИИС распознавания дефектов состояния поверхности объектов.

3. Разработка алгоритма обработки изображения профиля дефектов состояния поверхности объектов.

4. Разработка методики предварительной обработки измерений, объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности.

5. Разработка принципов построения автоматизированной системы для оптико-электронной информационно-измерительной системы распознавания дефектов состояния поверхности объектов.

6. Разработка аппаратурного и программного обеспечения и экспериментальное исследование автоматизированного оптико-электронного контроля качества кромки древесностружечной плиты.

Методы исследований. Для решения поставленных в работе задач использован аппарат генетических алгоритмов, теории вероятности, математической статистики, обработки и анализа растровых полутоновых изображений, а также теория нейронных сетей.

Научная иовшна результатов работы состоит в следующем:

1. Разработана математическая модель ОЭ ИИС распознавания дефектов состояния поверхности объектов , отличающаяся от известных введением вспомогательной цели функционирования системы обработки изображений, что позволило использовать апостериорные оценки изображения объекта, вместо их истинного значения для преодоления непараметрической априорной неопределённости аналитического описания объекта.

2. Разработан алгоритм обработки изображения профиля дефектов поверхности объектов, который в отличие от известных использует процедуру исследования связности, что позволило объединить между собой отрезки, принадлежащие изображению одного и того же дефекта

3. Разработана методика предварительной обработки измерений, отличающаяся от известных введением редукции элементов матрицы оптико-электронного изображения и формированием входного сигнала сокращенной размерности, что обеспечивает повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности.

4. Предложен алгоритм синтаксического анализа для распознавания дефектов, отличающийся от известных в выполнении рекурсивной процедуры согласования генерации и последующего грамматического разбора с последовательным предсказанием терминалов в грамматиках всех уровней, кроме самого нижнего, что позволило установить соответствие значений параметров унаследованным атрибутам терминальных или нетерминальных символов отдельных грамматик, входящих в САМ.

5. Разработана модифицированная структура генетического алгоритма обучения нейронной сети, которая отличается от известных способами представления данных нейронной сети в "хромосомах" и стратегией репродукции, что позволило повысить скорость сходимости алгоритма.

Достоверность результатов диссертационной работы определяется следующими факторами:

1. Результаты получены на базе хорошо апробированного математического аппарата, с использованием математических моделей, отражающих реальные процессы и системы.

2. Правильность основных положений, а также возможность практического применения разработанных моделей, методов й алгоритмов подтверждена результатами экспериментов.

3. Проведением расчетов на ЭВМ с контролируемой точностью, что подтверждается сопоставлением численкых результатов с известными решениями, в том числе с данными классических работ в рассматриваемой области.

Практическая ценность работы заключается в следующем:

1. Разработаны аппаратурное и программное обеспечение и проведено экспериментальное исследование; автоматизированного оптико-электронного контроля качества кромки древесностружечной плиты.

2. Разработаны алгоритмы обработки полутоновых изображений автоматизированной системы контроля геометрических параметров стройматериалов, имеющих неоднородную структуру поверхности.

3. Создано программное обеспечение для классификации дефектов кромки древесностружечной плиты на основе нейронной сети, что позволяет производить дефектацию ДСП в режиме реального времени.

Положения, выносимые на защиту:

1. Математическая модель математическая модель ОЭ ИИС распознавания дефектов состояния поверхности объектов.

2. Алгоритмы обработки изображения профиля дефектов состояния поверхности объектов.

3. Методика предварительной обработки измерений, обеспечивающая повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности.

4. Алгоритм синтаксического анализа для распознавания дефектов состояния поверхности объектов

5. Модифицированная структура генетического алгоритма обучения нейронной сети.

Реализация результатов работы.

Результаты исследований используют в учебном процессе в Тульском артиллерийском инженерном институте на кафедре радиоэлектроники по следующим дисциплинам: «Устройства приема и преобразования сигналов», «Схемотехника аналоговых электронных устройств»; на кафедре математического, программного и информационного обеспечения АСУ по дисциплинам: "Основы теории управления", "Компьютерная графика".

Апробация работы. Основные положения диссертационной работы докладывались и получили положительные отзывы на 1-х Соломат. чтениях.: Всерос.

НТК. (г. Саранск: МГУ, 2002.), межвузовской научно-методической конференции посвященной 75-летию Павла Сергеевича Ксстяева (г. Москва. :МИИТ, 2002.)., международной научно-практической конференции, (г. Москва: МИК-ХиС. 2003), ежегодных научно-технических конференциях Тульского АИИ (2006-2008), II Межд. НПК «Экологии: образование, наука, промышленность и здоровье» (г. Белгород. 2004), а также на научно-технических семинарах, проводимых на базе Тульского государственного университета.

Публикации. По материалам диссертации опубликовано 18 печатных работ, в том числе патент на полезную модель.

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, изложенных на 165 страницах машинописного текста и включает 81 рисунок, 16 таблиц и список использованной литературы из 172 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность исследуемой в диссертационной работе задачи разработки алгоритмов и методик для контроля движущихся образцов древесной продукции с неоднородной структурой поверхности, определены цель работы, объект и предмет исследования. Сформулированы научные результаты, выносимые на защиту, определены их научная новизна и практическая ценность,, приведены сведения об апробации и внедрении работы. Дано краткое изложение содержания по главам.

В первой главе проведен анализ современного состояния задачи автоматизированного контроля геометрических параметров движущихся образцов древесной продукции с неоднородной структурой поверхности.

Показано, «по одним из наиболее перспективных путей решения рассмотренной научно-технической задачи является построение ОЭ ИИС распознавания дефектов состояния поверхности объектов на базе ПЗС (прибор с зарядовой связью) датчиков.

Проверка качества с использованием полученных изображений относится к неразрушающим методам контроля и условно разделяется на контроль геометрических размеров, формы профиля изделий и контроль качества поверхности движущихся образцов древесной продукции.

Проведены классификация и описание дефектов продукции деревообрабатывающей промышленности.

Дефекты пиломатериалов разделялись на 3 класса:

1. Трещины.

2. Следы от живых сучков, образовавшиеся от срезания живых веток с только что спиленного дерева.

3. Мертвые сучки, находящиеся на месте веток, отломанных или отмерших значительно раньше, чем срезано дерево. Эти сучки намного более неприятны, чем живые как из-за действия микроорганизмов., так и особенно из-за того, что они могут выпадать из уже готовой доски.

Разделение на трещины и сучки может выполняться непосредственно по

двухградационному изображению, в то время как разделение сучков на два класса требует исследования видеосигнала. Для дерева, трещины обычно параллельны направлению перемещения, поэтому отношение РС1/РС2 дает среднюю ширину, всегда меньшую, чем 2,4 мм. Этот параметр позволяет различать дефекты широкие и узкие, причем первые — это сучки, вторые — трещины или мелкие дефекты, и тогда второе разделение по величине площади позволяет распознать трещины.

Рассмотрены вопросы построения систем автоматической локализации объектов в потоках изображений динамических сцен. Дано формальное описание систем, рассмотрены известные методы локализации, их достоинства, недостатки и проблемы пр именения в условиях изменяющихся изображений объектов. В формальном описании систем использована логика их представления как систем управления и операторные модели подсистем.

Разработана математическая модель ОЭ ИИС распознавания дефектов состояния поверхности объектов, представленная следующими элементами.

1.Выбранный для дистанционного исследования объект v , как элемент

1 \ 1 \

указанной модели, представлен поверхностью zv =Ь Iлгv ,yv j в веществен-111 3

ном пространстве ху ,у , zy e9î , с началом координат в точке наблюдения,

совмещённой с датчиком изображений (ДИ).

2. Поверхности соответствует трёхмерная функция яркости объекта исследований (ОИ) в выбранном для исследований физическом поле.

3. Сцена в поле зрения датчика D в общем случае содержит фон, другие объекты и помехи, которым соответствуют функции яркостей В bg, В., В ¡f

, «натянутые» на эквивалентные поверхности 2 = Fk k » к ) ■

4. Математическая модель датчика изображения с учётом управляющих воздействий d(t) , неизмеряемых возмущения p{t) , подстраиваемых

коэффициентов H(t) и приведённого ко входу шумового поля S(t)=^x,y,t^j

представлена оператором

3:3{B}=3{Bbg,Bi,Bv,Bif,K(0,a(0,P(0,S(iy)=Bn, (1)

где Вп есть поток изображений (кадров изображений) динамической сцены:

Bn =B(x,y,n)=ï{Bi,Bv,Bbg,Bif,Ç,n}, (2)

Т{...} - составной оператор объединения изображений, Bj ,Ву ,Bbg,Bif -

масштабные проекции функций яркостей Е! ;, В v, В bg, В if на плоскость чу в-

ствительного элемента датчика, п=0,1,2,...,N -номер сцены впотоке.

Задача ОЭСК, по определению, заключается в выделении на двумерной

функции яркости Вп , определённой в области О , подобласти объекта исследований ц в оценке некоторого вектора коорди нат С у п характеризующего координаты изображения объекта Ву п =В у (ху,уу, п) .

5. Математическая модель ОЭ ИИС представлена оператором Ь

Ь: Ь{В„} = Ь{т{В„}} = СУ(П = (уу(п)ху(ш))Т, (3)

который, как и оператор (1), также является нелинейным.

6. Целевой функционал системы на интервале наблюдения , определён в виде

1 н - и 2

||Су,п-Су>„|| <ес, (4)

N п=0

где ес >0 - допустимая средняя невязка, Су п - вектор истинных координат ОИ. Для их определения использованы сглаживание и экстраполяция оценок:

где Р - предсказывающий полином порядка к . Отсюда задача синтеза ОЭ

ИИС сведена к синтезу оператора Ь , обеспечивающего выполнение критерия

оптимальности О =тт <2 системы (4), в котором под ес понимают допус-1«

тимую область сходимости её траекторий.

7. Вследствие непараметрической априорной неопределённости аналитического описания ОИ введена вспомогательная цель функционирования ОЭ ИИС распознавания дефектов состояния поверхности объектов:

Оа =Кп(Ву1П,Ву>п)§шахКп(Ву>п,Вп)>ек, (6)

где К (...) - некоторая функция подобия изображений, ек -допустимая величина коэффициента подобия, § - знак эквивалентности.

Определяющими фасторами синтеза оператора Ь являются методы локализации изображений ОИ и те ограничения на параметры изображений, которые они накладывают.

Рассмотрены синтаксические методы распознавания (или лингвистические, структурные), основанные на множествах локальных признаков. Совокупность признаков рассматривается как алфавит, классы образов - как грамматики и языки, предъявляемые образы - как предложения или цепочки символов алфавита. Решения о классификации принимают по результатам грамматического разбора, устанавливающего соответствие предъявленного предложения формальным языкам.

В работе введены два термина, востребованные в дальнейшем. «Отрезком» названа любая пара значений абсцисс, образующихся при пересечении

видеосигналом заданного порогового уровня, а «профилем» — последовательность выборок сигнала , обозначаемую соответственно для отрезка и Р(0 для профиля; между ними существует взаимнооднозначное соответствие. Они хранятся в памяти в упорядоченной форме в виде двух таблиц, обозначаемых ТЭ и ТР. Каждый отрезок Б(0 состоит из нескольких участков

5(/) = ^4Р(/) (7)

где у, — номер строки, в которой прочитан отрезок БО). Значение Р(1) соответствует адресу начала профиля Р(1). Б,„..., где :

П>:/>,/>„...,/>,....где Р, или р,:х'2-х[+2и

Такой вид представления данных позволяет разделить их обработку на 2 операции:

- оперирование только с отрезками, которые группируются в связки и воссоздание двоичных изображений дефектов с их локализацией на поверхности;

- с помощью профилей можно выделять другие параметры, позволяющие определять более тонкие характеристики каждого дефекта.

Определение характеристик дефектов и принятие решений

Выделение параметров контуров

нурс

Г руппирование в связанные элементы

1

Выделение характеристик на основе профилей

Выделение отрезков

3rL

Выделение профилей

Гг I

L

Ограничение с адаптированны и порогом Интерфейс

Видеосигнал

Рисунок 1- Структурная схема системы восприятия и обработки

Для этого к таблице ТБ добавляют еще одно поле, обозначаемое а, где содержится номер дефекта, к которому принадлежит

ад.

Начиная с первого встретившегося отрезка 8(1), принадлежащего, по определению, первому дефекту, полагают а, =1;

затем присоединяют к отрезку 8(1) все прилегающие к нему отрезки 8(1), где под определением «прилегать» понимают следующее: 8(1) прилегает

У,-УJ-1

На рис. I приведена последовательность операций, выполняемых в системе восприятия и обработки. Важным этапом обработки является исследование связности. В первую очередь следует объединить между собой отрезки, принадлежащие изображению одного и того же дефекта.

Поле а, для отрезков S(i) прилегающих к S(l), также отмечают величиной 1.

Проводя описанные операции шаг за шагом, последовательно, воссоздают дефект № 1, обозначаемый Б!. Затем, начиная с первого отрезка Б (к) таблицы ТБ, для которого ак- 0 полагают ак= 2, воссоздают дефект № 2, называемый 02, и т. д.

В том случае, когда форма дефекта такова, что его направление не совпадает с направлением перемещения доски, описанный метод позволяет воссоздать только часть изображения дефекта, начинающуюся с одной из его точек. Тогда, процедуру повторяют, начиная с другой точки, и добавляют вновь построенную часть к уже имеющейся. Обе составные части дефекта объединяют и обозначают составляющие их отрезки одним и тем же символом.

Обозначим через а номер текущего обрабатываемого дефекта, через N — номер последнего отрезка, получаемого от камеры, а символ 1 присвоим текущему отрезку.

С учетом рассмотренной схемы и введенных обозначений алгоритм обработки изображения текущего обрабатываемого дефекта сводится к следующей последовательности операций:

1- а = 0 и \ = 0;

2-если3М, где М = ¡пГ{/(<7, = Ош </*/)}, то перейдем к следующему этапу, иначе, если плоская часть сигнала имеет значение 1, то ожидать, если 0, то конец;

3 — а = еи-1,а, = а, ам = а начальное обозначение параметров контура;

4- уР такого, что примыкает к 8м, выполнять: РШНР;

5—РорР;

6 — если стек пустой, а = а, и вернуться ко 2-му этапу, иначе если ар --= 0, то выполнять ар=а, дополнить параметры контура М = Р и идти к 4-му этапу. Если ар*О и ар=а, то вернуться к 5-му этапу. Если ар*0 и ар*а, то ~а> выполнять ак=ар, а, ~а-\ и а = ар, дополнить параметры контура, объединяя параметры, полученные на двух только что сгруппированных частях, а затем вернуться к 5-му этапу.

Программа, соответствующая этому алгоритму, выполняется поочередно с программой получения исходных данных, которая активируется прерываниями, вызываемыми положительным! фронтом окончания каждой строки.

Во второй главе рассмотрены вопросы разработки технологии построения инструментальных средств для формирования и обучения нейронных сетей в зависимости от условий в поле контроля. Процесс настройки нейронной сети рассматривается как адаптивный процесс, связанный с максимизацией эффективности функционирования нейронной сети, то есть с минимизацией функции ошибки.

Структура алгоритмов обработки и анализа изображений зависит от множества факторов: решаемых задач, объемов и состава априорной информации, условий наблюдения, имеющихся аппаратных средств и т.д. Выбор оптимальной структуры алгоритмов является сложной задачей, которая решается на ос-

нове сравнительной оценки альтернативных вариантов. Во многих случаях, в частности, при стабильных условиях наблюдения, высокой контрастности объектов наблюдения и фона наиболее выгодными могут оказаться простые алгоритмы, использующие некоторый набор процедур, выполняемых в строго определенном порядке. Колее сложными являются адаптивные (самонастраивающиеся) алгоритмы обработки информации.

Для сокращения времени обучения нейросети: и уменьшения размерности входного сигнала разработана методика предварительной обработки измерений. Методика предполагает: редукцию элементом матрицы оптико-электронного изображения (ОЭИ) и формирование входного сигнала сокращенной размерности и состоит в выполнении следующей последовательности действий:

1. Разбиение исходной матрицы ОЭИ 1т/> (т = \~М ; п = \,Л) на подматрицы -блоки Р,* (/ = 1,1; д = 1 £>) в целях выделения фрагментов изображения; к = 1К -количество блоков.

2. Пороговая обработка фрагментов изображения р,1Л в интересах устранения фона, затрудняющего анализ и обработку измерений, причём уровень порога для каждого фрагмента может различаться.

100

95

90

85

Рисунок 2 - Вероятность правильного распознавания 3. Редукция элементов строки блока и формирование элемента выходного

г.

множества (вектора) в соответствии с правилом у, = Р,л - для строки и

с

у, = ^ Р, ? - для столбца. Выходной вектор для к-ш блока формируется как объ-

,.1

единение Ук и {у.}м - Преобразование проводится как по строкам, так и

по столбцам для сохранения информации о пространственном расположении элементов изображения.

4. Формирование входного сигнала нейросети как объединение выходных мно-«г

жеств к = игк. «-1

Размерность входного сигнала нейросети сокращается в Раз>

К • (£ + б)

что даёт пропорциональный выигрыш по скорости обучения. Результаты моделирования для количества блоков К.=4 показали, что при применении методики предварительной обработки двумерных изображений время обучения искусственной нейронной сети (ИНС) сокращается в несколько раз, что иллюстрирует рис.2, где представлена вероятность правильного распознавания (относительное количество правильно распознанных ОЭИ) при использовании методики предварительной обработки от величины отношения сигнал/шум по амплитуде. Результаты усреднены по всем рассматриваемым клас-сам.При этом вероятность правильного распознавания дефектов снижается на 1-5% из-за потери части измерений, что несущественно по сравнению с получаемым выигрышем.

Проведен сравнительный анализ алгоритмов обучения НС, которые при реализации на персональном компьютере требуют строго меньше 2*Ы вспомогательных переменных, где ТЧ- это число параметров сети, настраиваемых в процессе обучения (синаптических весов и смещений).

Показано, что комбинированное использовакле нейронных сетей и генетических алгоритмов позволяет создавать новое программное обеспечение для параллельного решения широкого класса задач, что повышает эффективность, качество и сокращает время решения. Генетические алгоритмы очень эффективны в поиске глобальных минимумов адаптивных рельефов, так как в них исследуются большие области допустимых значений параметров нейронных сетей. Кроме того, они дают возможность оперировать дискретными значениями параметров нейронных сетей, что упрощает разработ ку их цифровых аппаратных реализаций. При обучении на компьютере нейронных сетей, не ориентированных на аппаратную реализацию, возможность использования дискретных значений параметров в некоторых случаях может приводить к сокращению общего времени обучения.

Разработка генетического алгоритма включает три основных компоненты:

1. Разработка принципов кодирования и декодирования хромосомы.

2. Разраб отка основных генетических операторов.

3. Разработка общей структуры и процесса генетического поиска.

Для фиксированной архитектуры нейронной сети хромосома представляется в виде вектора Н = (У/,В) , хранящего значения семантических весов (^0 и смещений (В).

Предложена модифицированная структура генетического алгоритма обучения НС, ориентированная на работу в контуре управления, состоящая в выполнении следующих операций:

1. Конструирование начальной популяции.

2. Оценка хромосом в популяции и построение целевой функции.

3. Выбор пар аромосом га популяции.

4. Применение оператора кроссинговера с вероятностью Р. Если все пары проанализированы, го переход ж 5, иначе к 6.

5. Применение оператора мутации к каждой новой хромосоме с вероятностью Р. После окончания: переход к 6.

6. Применение оператора инверсии к каждой новой хромосоме с вероятностью Р. После оконча ния переход к 7.

7. Применение оператора сегрегации к каждой новой хромосоме с вероятностью Р и переход к: 8.

8. Конец работы алгоритма.

Видно, что обучение нейронных сетей в основном использует базу знаний, в которой храниться набор гримеров с известными правильными ответами. Каждый пример - это пара: вход - известный выход. Получаемые выходные сигналы сравниваются с эталонными сигналами, и выполняется оценка работы нейронной сети. Отметим, что операторы генетического алгоритма представляют собой переборные процессы, связанные с перераспределением генетического материала. Это дает возможность быстрее получить минимум или максимум функции, чем в методах пошаговой оптимизации. Применение описанного генетического алгоритма позволяет анализировать большое число решений практически параллельно. При этом за счет моделирования процесса "выживают сильнейшие" решение получают оптимальное или близкое к нему.

Для распознавания границ на полутоновом изображении использовался блочный принцип, при котором изображение разбивается на квадратные блоки одинакового размера 2мх2м, где N - натуральное число, которое целесообразно выбирать из диапазона 3..5 (оптимально 4). При меньших значениях N малые размеры блоков не позволят достоверно классифицировать, содержащиеся в них элементы изображения. При больших значениях N классификация также будет затруднена, если объект на изображении имеет небольшие размеры, а также уровень детализации будет достаточно низок. Кроме того, для классификации элементов изображения используется нейронная сеть, обучение которой при больших размерах блоков может составить неприемлемо длительную по времени задачу.

Поэтому в работе предложен алгоритм синтаксического анализа, использованный для распознавания дефектов древесины.

На первом этапе определена статистическая атрибутная метаграмматика (САМ) как формальная система определённым образом связанных стохастических атрибутных грамматик: = {{(?,},^), где {(£} - множество стохастических

атрибутных грамматик, \у - стохастическая схема метаграмматики (МГ), определяющая набор обычных или атрибутных правил согласования (определённого рода отображений) между грамматиками (элементами грамматик) множества

{а}-

Показано, что схема САМ представляет собой ориентированный стохастический помеченный граф, ребра которого соответствуют заданным правилам

согласования (отношениям подчинения и т.п.) одной грамматики более высокого уровня С,- и другой грамматики более низкого уровня Ое. Метки дуг этого графа, аналогично обычным МГ, определяют тип правил согласования (ТБ, ТР и др.). Аналогично известным работам определяются интерпретации правил согласования, а также линейные, многоуровневые и сетевые САМ. Атрибутная компонента А| представляется в стандартном виде:

А,= < Хк Ц;, Г.!,,, К, >, где X,\ - множество атрибутов; С1г„ С1р1 - множества функций и предикатов, заданных на множестве Х< со зн ачениями в множестве Л,.

Рассмотрены классы САМ, отличающиеся особенностями задания схемы IV и используемых в ней правил согласования. Проведен анализ основных формальных свойств рассмотренных классов САМ.

Для описания алгоритма, реализующего метод синтаксического анализа, введены следующие обозначения:

где А = (,!<'> | I -I Л",4"",...,С | А\м\ - век-

тор текущих нетерминалов САМ;

"-Vя/, 1°, >а„2 1 — 1а, »а2 ■ 1°, >аг ) ~ вектор

текущих терминалов САМ;

(д<'> |Я(2\Я<2),.„,/>,1>..,£>са/)) - век-

\ 'I 1 I 1 Нг 1 1 ; 1 ' №п 1 1 ' 2 «м /

тор позиций концов цепочек, генерируемых (разбираемых, анализируемых) с использованием грамматик:, входящих в САМ;

в = (в|;' |В<2\В<2>,...,В<2> |...|В(;\В« ...,В<:> - вектор

текущих значений унаследованных атрибутов; Е =ф<1>| | £[->,£<"",...,Е™ |

тор текущих знамений синтезированных атрибутов.

Модифицированный алгоритм, реализующий выполнение синтаксического анализа «сверхз'-вниз» заключается в последовательном выполнении следующих основных шагов для грамматики произвольного уровня т:

1. В грамматике ¿„ уровня т производится поиск наиболее вероятного (при использующейся записи-самого левого) из еще не использовавшихся правил

подстановки вида в-,^ А^-> ; Где -^¡ткт -текущее состояние вектора

^. Осуществляется вычисление унаследованных атрибутов и, если возможно, ряда синтезированных атрибутов, хсоторые заносятся в вектора В/т ' и Е^.

2. Если в грамматике <ш уровня т есть входящие ТР правила согласования из грамматики ¡„., уровня (ш-1), то также проверяется наличие правила подста-

САМ - О вида:

(8)

новки -^Г'^Г-Х-.,в грамматике /„.,, где ^Г-.Л^о-текущее

состояние вектора л}"~п.

__ „(т) га ч г,(и)

3. Производится определение ТБ правила согласования вида "¡т]т ,

где * -начальный нетерминал грамматики п-го уровня, М > п > ш.

4. В грамматике производятся операции, аналогичные операциям, выпол-

/""•("О

няемым на шагах (1 )-(3) для грамматики .

5. Выполнение подобных операций продолжается для всех грамматик, связанных ТБ правилами согласования вплоть до достижения уровня М, т.е. после перехода -.

6. Грамматика уровня М используется для генерации и анализа соответствующей подсистемы, при этом используются количественные характеристики

унаследованных атрибутов, занесенные в вектор В^ .

7. В случае возможности генерации и разбора проводится предсказание по сто-

хаотическим правилам в грамматике У'^ следующего состояния и продолжение анализа вплоть до достижения заключительного состояния в грамматике. Вычисляются и синтезированные атрибуты для терминалов и нетерминалов данной грамматики, выдается сигнал в грамматику в/"* об успешном выполнении разбора. Синтезированные атрибуты, , а\„]„ и позиция конца последней разобранной цепочки заносятся в соответствующие вектора

Ат) (т) Ыт)

1-,1т ,л!т , а1т , , далее процесс продолжается, начиная с этого состояния, анализ цепочки в соответствии с шагами (1)—(7).

Входная цепочка считается разобранной, если возможен ее полный анализ,

начиная с исходного состояния £?0. н в случае, если С^"1' = С^. Использование векторов состояний позволяет производить возвраты в случае неудачи с разбором очередной части цепочки и проверить новую ветвь разбора. Для реализации записи векторов состояний использованы магазины со специальной стековой организацией доступа к содержимому ячеек.

В третьей главе приведены экспериментальные исследования алгоритмов обработки изображения древесностружечной плиты с неоднородной структурой поверхности с помощью ОЭ ИИС.

Для проверки предложенных методики и адаптивного алгоритма обработки растрового полутонового изображения, а также алгоритма классификации дефектов кромки ДСП была создана экспериментальная установка. Разработанный комплекс позволяет получать изображения размером 768x288 пикселов 256-ти градаций серого цвета и производить его дальнейшую обработку.

Рисунок 3 - Обобщенная схема алгоритма распознавания фрагментов

нейронной сети

Предложен комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического под-

хода и разработано программное обеспечение, которое позволяет решить следующие задачи:

1. Ввод полутонового изображения в ПЭВМ.

2. Отображение полученной информации в графическом виде.

3. Вычисление, как одиночных, так и парных критериев оценки качества изображений.

4. Нахождение эффективного пути обработки изображений в зависимости от условий в поле контроля.

5. Локализацию области изображения, содержащей дефект кромки листа ДСП.

6. Распознавание типа дефектов кромки древесно-стружечной плиты при помощи нейросетевого классификатора.

7. Отображение результатов обработки и их регистрацию.

При выполнении каждого этапа полученная информация поступает в блок управления, в котором формируется план выполнения последующих процедур. Например, для успешной реализации процесса поиска может потребоваться проведение нескольких циклов улучшения изображения и т.д.

Кроме блока управления, в памяти вычислительной системы хранится база данных (БД), содержащая необходимые данные и различные процедуры обработки информации. В соответствии с принимаемыми решениями из исходной БД формируется рабочая БД, непосредственно используемая при обработке и анализе изображений. Обобщенная схема алгоритма распознавания фрагментов некронной сети представлена на рис.3.

На рис. 4 представлен менеджер образов разработанной программы: в этом окне пользователь задаёт все объекты и все их изображения в системе. Каждый объект и каждое изображение имеет название. Изображение имеет тип. Можно добавлять, изменять и удалять объекты целиком, или только их изображения.

Для классификации дефектов использовался разработанный пирамидальный алгоритм, суть которого заключается в последовательном уменьшении (масштабировании) исходного изображения в два раза, как по горизонтали, так и по вертикали. Последнее изображение является изображением нижнего уровня, исходное — верхнего.

После получения изображений всех необходимых размеров производится классификация элементов изображения в блоках на изображении нижнего уровня. После классификации всех блоков на этом уровне производится классификация на один уровень выше и т.д., т.е. до исходного изображения, тем самым достигается цель распознавания дефектов различных размеров. Исходя из возможных искажений и потере детализации изображения при уменьшении, применяемые для распознавания на каждом уровне нейронные сети, обучаются отдельно. Для распознавания используются сети, которые имеют 2ь,х2>| входов и 8 выходов.

Добавить объект.

Новый объект не содержит изображений и не участвует в п(ю-цессе до заполнения

Удалить выбранный

Рисунок 4 - Менеджер о бразов

Дерево проекций. Применима технология Drag&Drop для переноса изображений в другие окна программы

Тип вы бранного изображения.

Задаст метод обработки изображения

Внешний вид изображения. ОоиЫе-СНск вызывает редактор объекта

Удалить все объекты из программы

Добавить новое изображение к текущему объекту. Тип нового изображения

ив определён

Удалить текущее изображение из объекта

Для проведения экспериментов по классификации дефектов кромки ДСП для каждого типа изображений искусственных и реальных были созданы две выборки: эталонная и тестовая. Эталонная выборка использовалась для обучения нейронной сети. После завершения процесса обучения нейронной сети на ее вход подавались признаки, вычисленные как на реальных изображениях дефектов, так: и на "искусственных", представленных тестовыми выборками. Ошибка классификации различных типов дефектов составила от 2 до 5%.

В заключении приводятся основные результаты и выводы по диссертационной работе.

Основные результаты

1. Разработана математическая модель ОЭ ИИС распознавания дефектов состояния поверхности объектов, позволяющая использовать апостериорные оценки изображения объекта, вместо их истинного значения для

преодоления непараметрической априорной неопределённости аналитического описания объекта,

2. Разработан алгоритм обработки изображения профиля дефектов поверхности объектов, дающая возможность объединить между собой отрезки, принадлежащие изображению одного и того же дефекта

3. Разработана методика предварительной обработки измерений, обеспечивающая повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности.

4. Предложен алгоритм синтаксического анализа для распознавания дефектов, позволяющая установить соответствие значений параметров унаследованным атрибутам терминальных или нетерминальных символов отдельных грамматик; входящих в САМ.

5. Разработана модифицированная структура генетического алгоритма обучения нейронной сети, позволяющая повысить скорость сходимости алгоритма.

Основные положения диссертации опубликованы в следующих рабо-

х:

1. Мануйлов В.В., Добшиц JIM. Рациональный способ контроля поверхности материала // Научно-технический сборник к 75-летию 11. С. Костяева / Под общей редакцией В.П. Мальцева и Л.М. Добшица. - М.:МИИТ, 2002. - С. 47-48.

2. Мануйлов В.В., Добшиц Л.М. Оптимальный способ подбора оборудования для контроля состояния поверхности материала // Проблемы строительного материаловедения: 1-е Соломат. чтения.: Материалы Всерос. НТК. - Саранск: МГУ, 2002. - С.64...66.

3. Мануйлов В.В,, Добшиц Л.М. Способ подбора и контроля поверхности материала // Актуальные проблемы градостроительства и жилищно-коммунального комплекса. Межд. НПК-М.: МИКХиС, 2003. - 448 с.

4. Мануйлов В.В., Дсбшиц Л.М. Способ дефектации материала по его поверхности // «Вестник БГТУ им. В.Г. Шухова», № 8 - 2004 г (Материалы II Межд. НПК «Экологии: образование, наука, промышленность и здоровье»), - Белгород: БГТУ, 2004. - 235 с.

5. Мануйлов В.В., Болдин A.B., Морозов Д.В. Методы формирования границ областей неоднородных поверхностей // Сб. НТО РЭС им. A.C. Попова. - Тула: ТулГУ, 2008.-С. 114-117.

6. Мануйлов В.В. Прослеживание контура неоднородной поверхности // Сб. НТО РЭС им. A.C. Попова. - Тула: Тул ГУ, 2008. - С. 50-54.

7. Мануйлов В.В., Подчуфаров, АЛО. Алгоритм обнаружения с использованием выбеливающего фильтра.// Сб. НТО РЭС им. A.C. Попова. - Тула: ТулГУ,-2008.-С. 165-166.

8. Мануйлов В.В., Болдин A.B. Влияние размера носителя вейвлетов на точность Вейвлет- преобразования.// Сб. НТО РЭС им. A.C. Попова. -

. Тула: ТулГУ, 2008. - С. 122-124.

9. Мануйлов B.B., Анкудинов К. А., Подчуфа|юв AJO. Программатор FLASH и EEPROM памяти PIC микроконтроллеров.// Патент РФ №84173.27.06.09. Бюл. №12.

Ю.Изотов В.Н., Мануйлов В.В. Информационно-измерительная система для контроля поверхности // Материалы XXI всероссийской межвузов, научн. техн. конферен.. Каз. ВАИУ. - Казань: Каз. ВАИУ, 2009 г.- С. 188-189.

П.Мануйлов В.В., Петешов A.B. Оптико-электронная система контроля геометрических параметров объекта с неоднородной структурой поверхности // Материалы XXI всероссийской межвузов, научн. техн. конферен.. Каз. ВАИУ. - Казань:.. Каз. ВАИУ, 2009 г.- С. 190-192.

12. Мануйлов В.В., Китаев A.A. Способ изготовления металлургических брикетов с контролируемым состоянием поверхности // Материалы XXI всероссийской межвузов, научн. техн. конферен.. Каз. ВАИУ. - Казань: Каз. ВАИУ, 2009 г,-С. 193-195.

13.Акиншин Н.С., Болдин A.B., Мануйлов В.В.., Подчуфаров А.Ю. Моделирование угловых шумов протяженных радиолокационных целей Н Нелинейный мир.- Москва: Радиотехника, 2009, №12 (7)-С. 912-917.

Н.Мануйлов В.В. Классификация дефектов кромки неоднородной поверхности на основе нейросетевых технологий // Материалы 34-й всероссийской межвузов, научн. техн. конферен. - Рязань: Ряз. ВВКУС, 2009 г.- С. 89-91.

15.Изотов В.Н., Мануйлов В.В. Анализ современных методов оценивания мгновенного спектра // Сб. научных трудов ТАИИ.-Тула; ТАИИ, 2009.-С. 424-427.

16.Изотов В.Н., Мануйлов В.В. Разработка технологий многоуровневого эволюционного поиска // Сб. научных трудов ТАИИ.-Тула; ТАИИ, 2009.-С. 428-430.

17.Мануйлов В.В. Алгоритмы обработки оптико-электронных изображений при контроле качества деревянных поверхностей // Сб. НТО РЭС им. A.C. Попова. - Тула: ТулГУ, 2009. - С. 50-54.

18.Мануйлов В.В. Автоматическая локализация оптико-электронных изображений неоднородных поверхностей // Сб. НТО РЭС им. A.C. Попова. - Тула: ТулГУ, 2009. - С. 50-54.

19.Анкудинов А.И., Мануйлов В.В., Глаголев O.A. Способ и устройство измерения постоянной времени электропривода по времени достижения экстремума реакции апериодического звена // Известия ВУЗов Прибо|)острое1ше.-Саьлст-Петербург.-Санкт-Петербургский государственный университет информационных технологий, механики и оптики, 2009. №12-С. 43-50.

Изд. Лиц. ЛР № 020300 от 12.02.97. Подписано » печать «25» апреля 2010 Формат бумаги 60x84Бумага офшття.

Усл. печ. л. 1,0. Уч.-изд. л. 0,8. Тираж 100 экз. Заказ 0 2-9 • Тульский государственный университет. 300012, г. Тула, просп. Ленина, 92.

Отпечатано в Издательстве ТулГУ. 300012, г. Тула, просп. Ленина, 95.

Введение

1. Анализ методов и алгоритмов автоматизированного контро- 9 ля неоднородных поверхностей из дерева

1.1. Анализ дефектов поверхностей из дерева и методов контроля 9 их качества.

1.2. Автоматическая локализация оптико-электронных изображе- 28 ний неоднородных поверхностей

1.3. Методы синтаксического распознавания дефектов пиломате- 37 риалов.

1.3.1. Характеристика аппарата стохастических атрибутных мета- 39 грамматик

1.3.2. Применение структурного метода распознавания неоднород- 44 ностей сложной формы

Выводы

2. Методика и алгоритмы для построения оптико- 53 электронных систем контроля неоднородных поверхностей из дерева

2.1. Разработка алгоритмического обеспечения оптико- 53 электронной системы контроля неоднородных поверхностей

2.1.1.Сегментация изображений объектов с неоднородной структу- 55 рой поверхности

2.1.2.Методы формирования границ областей. Пороговая обработ- 63 ка

2.2. Распознавание дефектов неоднородной поверхности

2.2.1. Применение нейросетевых технологий в задаче классифика- 71 ции дефектов неоднородных поверхностей

2.2.2. Сравнительный анализ алгоритмов обучения нейронных се- 82 тей с разработкой методики предварительной обработки измерений

2.2.3. Обучение нейронных сетей методами генетического поиска 87 2.2.4 Анализ формальных свойств стохастических атрибутных ме- 90 таграмматик

2.2.5. Особенности применения САМ для структурно- 93 параметрического описания вариантов создания информационно-измерительных систем контроля неоднородных поверхностей

2.3. Метод и алгоритм синтаксического анализа регулярных сто- 105 хастических атрибутных метаграмматик для выбора вариантов формирования программ контроля

Выводы

3. Реализация алгоритмов обработки изображения автомати- 107 зированной системы оптико-электронного контроля геометрических параметров объекта с неоднородной структурой поверхности

3.1. Состав оптико-электронной системы контроля геометрических 107 параметров объекта с неоднородной структурой поверхности

3.2. Алгоритм обработки и анализа изображений в зависимости от 108 условий в поле измерения с использованием генетического подхода

3.2.1. Особенности генетического алгоритма формирования и обу- 108 чения нейронных сетей

3.2.2. Разработка программы обучения нейронных сетей на основе 114 эволюционного поиска

3.2.3. Критерий точности в определении перепадов яркости изо- 117 бражения для выбора целевой функции генетического алгоритма

3.3. Разработка и отладка имитационных программных моделей на 120 основе генетических алгоритмов

3.3.1. Разработка имитационных программных моделей «фокуси- 120 ровки внимания».

3.3.2. Индивидуальная обработка объектов «Неокогнитрон».

3.3.3. Интерфейс программы "Инспектор».

3.3.4. Оценка влияния выбора параметров генетического алгоритма 143 на эффективность адаптивной обработки изображения

3.4.Классификация дефектов кромки древесностружечной плиты 150 на основе нейросетевых технологий

Уровень развития современного производства на сегодняшний день характеризуется не только объемом и ассортиментом выпускаемой продукции, но и показателями ее качества, которые должны соответствовать отечественным и международным стандартам. При этом особое значение придается автоматизации производственных процессов и исключению ручного труда на более трудоемких и ответственных технологических этапах [1-12].

Среди комплекса проблем, которые должны решаться на пути к этой цели, чрезвычайно важное значение приобретает создание теоретических и экспериментальных предпосылок для построения на базе современных ЭВМ промышленных систем обработки визуальной информации: обнаружение объектов, автоматический контроль качества продукции (контроль геометрических параметров, обнаружение дефектов), анализ экспериментальных кривых, графиков, снимков и т. д. Все это позволяет достичь существенно лучших результатов в повышении производительности труда по сравнению с традиционными методами, а наибольший эффект в этом направлении следует ожидать от автоматической обработки изображений, связанных непосредственно с производственными процессами. Методы проектирования подобных систем, исследование их возможностей и областей применения в настоящее время приобретают безусловный интерес [1-5].

Современные требования к качеству выпускаемой древесной продукции обуславливают необходимость ее контроля практически на всех технологических этапах производства. К числу контролируемых величин следует отнести геометрические параметры (ширина, длина), а также распознавание дефектов (сколы, вмятины, риски, выкрашивание углов, обзол, выступ и т.д.), измерение и определение которых в мировой практике все шире осуществляется с помощью оптико-электронных методов. Последние предполагают преобразование оптического сигнала в электрический, ввод его в ПЭВМ и последующую обработку полученного цифрового изображения с целью определения требуемых размеров и распознавания дефектов [10-12].

В случае применения оптико-электронных информационно-измерительных систем (ОЭ ИИС) распознавания дефектов поверхности объектов, основной целью процесса обработки изображения является точное выделение контуров объекта контроля на фоне рабочей сцены [12-16]. Анализ отечественной и зарубежной литературы показывает, что большинство известных алгоритмов обработки изображений, используемых в подобных системах, ориентировано на работу либо с контрастным изображением, либо с изображением, полученным при условиях однородного или структурированного освещения рабочей сцены, что требует, как правило, наличия в составе системы специализированных осветителей, настройка которых зависит от внешних условий освещения, цвета объекта контроля, запыленности воздуха и т.д. [21-24].

К сожалению, в деревообрабатывающей промышленности имеют место ситуации, когда условия производства не позволяют создать необходимые условия освещения рабочей сцены (запыленность воздуха, внешние условия освещения, цвет объекта контроля, неоднородная структура поверхности продукции и т.д.). В таких случаях применение стандартных алгоритмов обработки изображений не дает желаемых результатов [12-23].

Существенный вклад в развитие оптико-электронных систем контроля был внесен Анисимовым Б.В., Кургановым В.Д., Злобиным В.К. Их работы послужили основой для формулировки задачи создания в МВТУ им. Баумана, МАИ.на отдельных предприятиях оборонной промышленности ряда средств контроля поверхностей объектов.

Проблеме фильтрации двумерных сигналов (изображений) посвящены работы известных отечественных ученых Васильева В.Н., Гольденберга Л.М., Гурова И.П., Казаринова Ю.И., Матюшкина Б.Д., Поляка М.Н., Соколова Ю.И., Юрченко Ю.С. и др.

Однако, использование современных сложных алгоритмов обработки изображений часто затруднено из-за необходимости использования специализированной дорогостоящей аппаратной поддержки. Кроме того, известные публикации носят в основном лишь рекламный характер и не раскрывают путей решения проблемы [21-30].

В этой связи научная задача разработки методик и алгоритмов обработки изображений для улучшения эксплуатационных характеристик оптико-электронной информационно-измерительной системы распознавания дефектов состояния поверхности объектов является весьма актуальной.

Целью работы является повышение эффективности функционирования оптико-электронной информационно-измерительной системы распознавания дефектов состояния поверхности объектов.

Объектом исследования диссертационной работы является оптико-электронная информационно-измерительная система распознавания дефектов состояния поверхности объектов.

Предметом исследования диссертационной работы являются элементы математического обеспечения процесса обработки изображения в ОЭ ИИС распознавания дефектов состояния поверхности объектов.

В соответствии с этим в работе решаются следующие основные задачи:

Выводы

1. Для проверки предложенных методики и адаптивного алгоритма обработки растрового полутонового изображения, а также алгоритма обнаружения и классификации дефектов кромки древесно-стружечной плиты создана экспериментальная установка.

2. Разработан комплексный алгоритм обработки и анализа изображений с использованием генетического подхода. В основу такого алгоритма положен репродуктивный план Холланда. Нахождение приемлемой операции на каждом этапе обработки изображения представлено в виде 2 ген. Первый ген каждого этапа отвечает за выбор операции обработки изображения из базы данных, а второй ген каждого этапа отвечает за выбор параметров соответствующей операции.

3. Предложена методика выбора целевой функции генетического алгоритма. Функция отбора представляет собой максимальное значение суммы значений критериев оценки растрового изображения и является критерием останова генетического алгоритма. Преимущество этого метода состоит в том, что в нем используется интегральный критерий вычисления визуального качества.

4. Разработана программа для обработки полутоновых изображений геометрических параметров изображений ДСП, имеющей неоднородную структуру поверхности.

5. Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма и проведена оценка влияния выбора параметров генетического алгоритма на эффективность адаптивной обработки йзобрЗйешшювано программное обеспечение для классификации дефектов кромки ДСП. С помощью экспериментальной установки и разработанного комплекса программ проведена классификация дефектов кромки древесностружечной плиты на основе нейросетевых технологий. Для классификации дефектов использовался пирамидальный алгоритм. В качестве пороговой использовалась функция гиперболического тангенса.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований получены следующие результаты:

1. Проведен анализ существующих методов и систем контроля геометрических параметров объектов.

2. Разработана методика построения адаптивного алгоритма обработки растровых полутоновых изображений, получаемых при изменении обстановки в поле контроля, с использованием эволюционного подхода.

3. Предложена процедура повышения эффективности восстановления изображения объекта с неоднородной структурой поверхности, получаемого в условиях влияния существенных искажений, на основе многомасштабного curvelet-преобразования.

4. Разработан алгоритм распознавания дефектов кромки древесно-стружечной плиты (ДСП) на основе нейросетевого классификатора.

5. Разработано программное обеспечение адаптивности автоматизированной системы нахождения эффективного пути обработки растрового полутонового изображения.

6. Разработано программное обеспечение определения оптимальных параметров генетического алгоритма обработки изображения.

7. Программно реализована методика и алгоритм распознавания дефектов кромки ДСП с использованием бинарного изображения.

8. Разработана экспериментальная оптико-электронная установка, включающая блок видеонаблюдения, осветительный блок, персональный компьютер и соответствующее программное обеспечение, позволяющая осуществлять контроль геометрических параметров древесно-стружечной плиты.

1. Александров В.В. Горский Н.Д. Представление и обработка изображений: рекурсивный подход. -JI-д.: Наука, 1985. -190 с.

2. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. -М.: Высшая школа, 1983. -296 с.

3. Бакут П.А., Колмогоров Г.С., Варновицкий И.Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника, 1987. -№ 10.

4. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей//Зарубежная радиоэлектроника, 1987.-№ 10.

5. Батищев Д. И. Генетические алгоритмы решения экстремальных задач // Под ред. Львовича Я.Е.: Учеб. пособие. Воронеж, 1995.

6. Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. ХЮСНОВА, 1997.

7. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинфор-матика // Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296с.

8. Дуда Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976. -511 с.

9. Добеши И. Десять лекций по вейвлетам.- М: РХД, 2001.

10. Ю.Егорова С. Д., Колесник В. А. Оптико-электронное цифровое преобразование изображений. —М.:Радио и связь, 1991.

11. П.Ким Н.В. Обработка и анализ изображений в системах технического зрения. -М. 2001.

12. Кислый В.В. Контроль качества продукции лесопиления и деревообработки. Учебник для сред, проф-техн. уч.//-М.:В.ш., 1985г.-183с.

13. Кульбак С. Теория информации и статистика. -М.:Наука, 1967.

14. Меркишин Г.В. Многооконные оптико-электронные датчики линейных размеров. -М.:Радио и связь, 1986

15. Потапов А.А., Галкина Т.В., Орлова Т.К., Хлявич Я.А. Метод выделения контуров протяженных детерминированных объектов в стохастических полях // Радиотехника и электроника АН СССР, 1991. №11.

16. Прэтт У. Цифровая обработка изображений, в двух книгах. -М:Мир, 1982. -790 с.

17. Терехов С.А. Вейвлеты и нейронные сети. Лекция для школы-семинара "Современные проблемы нейроинформатики". — М: МИФИ, 2001 г.

18. Уоссермен. Нейрокомпьютерная техника.// Теория и практика, пер. с английского.- М: Мир, 1992

19. Фукунага К. Структурные методы в распознавании образов. -М.:Наука, 1977.-319 с.

20. Фукунага К. Введение в статистическую теорию распознавания образов. -М:Наука, 1979. -368 с.

21. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. -Изд-во Красноярского университета, Красноярск, 1992. 246 с.

22. Чен Ш.К. Принципы проектирования систем визуальной информации. -М.:Мир, 1993.23 .Шварцман Г.М. Производство древесно-стружечных плит.- Изд. "Лесная промышленность" 1977г.-312с.

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

24. J.L. Starck, E.J. Candes and D.L. Donoho "The curvelet transform for image denoising" IEEE Trans. Image Proc., 2000, submitted.

25. Candes E. (1998) Ridgelets: Theory and Applications. Ph.D. Thesis, Department of Statistics, Stanford University.

26. D.L. Donoho and M.R. Duncan "Digital curvelet transform: strategy, implementation and experiments" in Proc. Aerosense 2000, Wavelet Applications VII. SPIE, 2000, vol. 4056, pp. 12-29.

27. D.Whitley and K. Mathias. Genetic Operators, the Fitness Landscape and the Traveling Salesman Problem. Parallel Problem Solving from Nature-PPSN 2. R. Mainner and В Manderick, eds., pp. 219-228. North Holland-Elsevier, 1992.

28. S.Mallat. A Theory of Multiresolution Signal Decomposition: The Wavelet Representation, IEEE Trans. Pattern Analysis and machine Intelligence, vol.11, 1989, pp.429-457.

29. Мануйлов B.B., Болдин A.B., Морозов Д.В. Методы формирования границ областей неоднородных поверхностей // Сб. НТО РЭС им. А.С. Попова. Тула: ТулГУ, - 2008. - с. 114-117.

30. А.В. Петешов, Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности. Дис. На соискание ученой степени к.т.н. Тула: ТулГУ-2006.

31. Мануйлов В.В. Прослеживание контура неоднородной поверхности // Сб. НТО РЭС им. А.С. Попова. Тула: ТулГУ, - 2008. - с. 50-54.

32. Божич В.И.Горбатюк Н.В., Шницер Ю.Л. Нейро-нечеткая система интегральной оценки знаний студента. В кн.: Искусственный интеллект-2000//Тезисы докладов международной конференции.Таганрог. Изд-во ТРТУ, 2000, с 163-164

33. Курейчик В.М. Генетические алгоритмы. Таганрог. Изд.-во ТРТУ, 1998, 242 с.

34. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: ОСНОВА, 1997. - 112 с.

35. Мануйлов В.В., Подчуфаров, AJO. Алгоритм обнаружения с использованием выбеливающего фильтраУ/ Сб. НТО РЭС им. А.С. Попова. Тула: ТулГУ, -2008.-с. 165-166.

36. Edelman. G. Neural Darwinism. New York: Basic Books, 1988.

37. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 — 464 С.

38. Frakes W.B., Baeza-Yates R. Information Retrieval: Data Structures and Algorithms. — EngleWood Cliffs, N.J.: Prentice Hall, 1992.

39. К.Асаи, Д.Ватада, С.Иваи и др. Прикладные нечеткие системы /Пер. с япон.; Под. Ред. Т. Тэрано, К.Асаи, М.Сугэно. — М.:Мир, 1993.—368 е.: ил.

40. Jang J.-S., Sun С.-Т. Neuro-Fuzzy Modelling and Control // In Proc. of the IEEE. — 1995. V. 83. 1 3. P. 378-406.

41. Mamdani E.H., Assilian S. An Experiment in Linguistic Synthesis With a Fuzzy Logic Controller // Int. J. Man-Machine Studies. — 1975. V. 7. 1 1. P. 11-13.

42. Varsek A., Urbancic Т., Filipic B. Genetic Algorithms in Controller Design and Tuning // IEEE Trans, on SMC. — 1993. V. 23. 5.

43. Мануйлов B.B., Болдин A.B. Влияние размера носителя вейвлетов на точность Вейвлет— преобразования^ Сб. НТО РЭС им. А.С. Попова. — Тула: ТулГУ, 2008. - с. 122-124.

44. Zadeh L.A. Fuzzy Sets // Information and Control. — 1965. V. 8. P. 338-353.

45. Holland J. H. Adaptation in Natural and Artificial Systems: An Introductionary Analysis with Application to Biology, Control and Artificial Intelligence. University of Michigan, 1975. — 211 p.

46. Чернухин Ю.В. Искусственный интеллект и нейрокомпьютеры. — Таганрог: изд-во ТРТУ, 1997. — 273 с.

47. Вассерман Ф. Нейрокомпьютерная техника. — М.: Мир, 1992.

48. Горбань А.Н. Обучение нейронных сетей. — М.: СП Параграф, 1990.

49. Мануйлов В.В., Анкудинов К. А., Подчуфаров AJO. Программатор FLASH и EEPROM памяти PIC микроконтроллеров Л Патент РФ №84175. 27.06.09.-Бюл. №12.

50. Изотов В.Н., Мануйлов В.В. Информационно-измерительная система для контроля поверхности // Материалы XXI всероссийская межвузов, научн. техн. конферен, 2009 г. Каз. ВАИУ. Казань, 2009 г. С. 188-189.

51. Мануйлов В.В., Петешов А.В. Оптико-электронная система контроля геометрических параметров объекта с неоднородной структурой поверхности // Материалы XXI всероссийская межвузов, научн. техн. конферен, 2009 г. Каз. ВАИУ. Казань, 2009 г. С. 188-189.

52. Мануйлов В.В., Китаев А.А. Способ изготовления металлургических брикетов с контролируемым состоянием поверхности // Материалы XXI всероссийская межвузов, научн. техн. конферен, 2009 г. Каз. ВАИУ. Казань, 2009 г. С. 188-189.

53. Brown С.Т. An Introduction to avida, an Auto-Adaptive Genetic System : SURF technical report. — Caltech, 1993.

54. Акиншин H.C., Болдин A.B., Мануйлов B.B., Подчуфаров А.Ю. Моделирование угловых шумов протяженных радиолокационных целей // Нелинейный мир.-Москва; Радиотехника, 2009. №12 (7)-С. 912-917.

55. Мануйлов В.В. Классификация дефектов кромки неоднородной поверхности на основе нейросетевых технологий // Материалы 34-й всероссийская межвузов, научн. техн. конферен, 2009 г. Ряз. ВВКУС. Рязань, 2009 г. С. 89-91.

56. Fogel D. В. An Introduction to Simulated Evolutionary Optimization // IEEE Transactions on Neural Networks. — 1994. V. 5. 1 1.

57. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989.

58. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. — Cambridge (Mass.): MIT Press, 1992.

59. Starkweather Т., Whitley D., Mathias K. Optimization using Distributed Genetic Algorithms // Parallel Problem Solving from Nature/ H.-P Schwefel., R. Manner —Berlin: Springer-Verlag Berlin, 1990.—P. 176-185.

60. Muhlenbein H., Schomisch M. Born J. The Parallel Genetic Algorithm as Function Optimizer //Parallel Computing. — 1991. V. 17. P. 498-516.

61. Soft Computing: Fuzzy Logic Neural Networks, and Distributed Artificial Intelligence /Eds. F. Aminzadeh, M. Jamshildi. — Englewood Cliffs: PTR Prentice Hall, 1994 — 301 p.

62. Курейчик B.M. Методы генетического поиска: Учебное пособие, часть 1. — Таганрог: ТРТУ, 1988. — 118 с.

63. Изотов B.FI., Мануйлов В.В. Анализ современных методов оценивания мгновенного спектра // Сб. научных трудов ТАИИ.-Тула; ТАИИ, 2009.-С. 424-427.

64. Агафонов Ю.М., Петешов А.В. Выбор принципов модификации генетических операторов// Изв. Тульского ГУ, серия "Проблемы проектирования и производства систем и комплексов ".-Тула.-2006.-С.129-134.

65. Karr C.L., Stanley D.A. Fuzzy Logic and Genetic Algorithms in lime-Varying Control Problems // In Proc. of the NAPFIS-91. — 1991. — P. 285-290.

66. Ackley D.H., Hinton G.E., Sejnowski T.J. A Learning Algorithm for Вoltzmann Machines. Cognitive Science, 9, 1985, pp. 147-169.

67. Cottrell G.W., Munro P. and Zipser D. Learning Internal Representation from Gray-Scale Images: An Example of Extensional Programming. In Proc. 9th Annual Conference of the Cognitive Science Society, 1987, pp. 461-473.

68. Dennis J., Schnabel R. Numerical Methods for Unconstrained Optimization and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983.

69. Gilev S.E., Gorban A.N., Mirkes E.M. Several methods for acceleration the training process of neural networks in pattern recognition. USSR Academy of Sciences, Siberian Branch, Institute of Biophysics, Krasnoyarsk, 1990. Preprint N 146Б.

70. Guyon I., Poujaud I., Personnaz L., Dreyfus G., Denker J. and Le Cun Y. Comparing different neural network architectures for classifying handwritten digits. In Proc. IEEE Int. Joint Conf. Neural Networks, June 1989.

71. Изотов B.H., Мануйлов В.В. Разработка технологий многоуровневого эволюционного поиска // Сб. научных трудов ТАИИ.- Тула: ТАИИ, 2009.-С. 428-430.

72. Muller В., Reinhardt J. Neural networks. Springer- -Verlag. 1990. 267 p.

73. Neural Computing: NeuralWorks Professional II/Plus and NeuralWorks Explorer. NeuralWare, Inc., 1991. 355 p.

74. Hecht-Nielsen R. Theory of the backpropagation neural network // International joint conference on neural networks, Sheraton Washington Hotel, Washington D.C., June 18-22, vol. 1, 1989, p. 593-606.

75. Мануйлов В.В. Алгоритмы обработки оптико-электронных изображений при контроле качества деревянных поверхностей // Сб. НТО РЭС им. А.С. Попова. Тула: ТулГУ, - 2009. - с. 50-54.

76. Нильсон Н. Принципы искусственного интеллекта / Пер.с анг.— М.:Радио и связь, 1985. — 376 е.: ил.

77. Лорьер Ж.-Л.Системы искусственного интеллекта / Пер. с франц. — М.:Мир, 1991.— 568 е.: ил.

78. Хант Э. Искусственный интеллект / Пер. с англ. — М.: Мир, 1978. — 558 с.

79. Виннер Н. Кибернетика, или управление и связь в животном и машине.2.е. изд. — М.: Наука, 1983. — 338 с.

80. Поспелов Д.А. Вероятностные автоматы. — М.: Энергия, 1970. — 88с. :ил.

81. Edelman. G. Neural Darwinism. New York: Basic Books, 1988.

82. Purves. D. Body and Brain. Cambridge. Mass.: Harvard University Press, 1988.

83. Montana. D. J. and L. Davis Training feedforward neural networks using genetic algorithms. Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 1989. pp. 762-767.

84. Whitley. D. Applying genetic- algorithms to neural net learning. Tech Report number CS-88-128. Department of Computer Science. Colorado State University, 1988.

85. Holland J. The dynamics of searches directed by Genetic Algorithms. In: Lee Y.S. (ed.) Evolution, Learning and Cognition. Word Scientific, Singapore, 1988.

86. Handbook of Genetic Algorithms, Edited by Lawrence Davis, Van Nostrand ReinhoLd, New York, 1991. 412 p.

87. Wynne Jones M. Node splitting: A constructive algorithm for feed - forward neural networks. // Neural Computing and Applications, Vol. 1, № 1, 1993 - p. 17-22.

88. Harp Steven A., Samad Tariq. Genetic Synthesis of Neural Network Architecture. // Handbook of Genetic Algorithms. Edited Lawrence Davis. -Van Nostrand Reinhold. New York, 1991. pp. 202 - 221.

89. Miller G., Todd P. and Hegde S. Designing neural networks using genetic algorithms. In J. D. Schaffer (ed.). Proceedings of Third International Conference on Genetic Algorithms. Morgan Kaufmann, 1989.

90. Schaffer. J. D., Caruana R. and Edelman L. Using genetic search to exploit the emergent behavior of neural networks. Phillips Laboratories. 345 Scarborough Rd. Briar Cliff Manor. NY 10510, 1989 (unpublished).

91. Нечаев Ю.И., Дегтярев А.Б., Сиек Ю.Л. Принятие решений в интеллектуальных системах реального времени с использованием концепции мягких вычислений. Искусственный интеллект № 3, 2000, НАН Украины, ИЛИИ, с. 525-533.

92. Мануйлов В.В. Автоматическая локализация оптико-электронных изображений неоднородных поверхностей // Сб. НТО РЭС им. А.С. Попова.- Тула: ТулГУ, 2009. - с. 50-54.

93. Werbos. P. J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Ph. D. thesis. Department of Applied Mathematics. Harvard University. Cambridge. Mass, 1974.

94. Goldberg D.E., Korb В., Kalyanmoy D. Messy Genetic Algorithms. // Complex Systems, № 3, 1989.

95. Осыка A.B. Экспериментальное исследование зависимости скорости сходимости генетического алгоритма от его параметров. // Известия Академии Наук. Теория и системы управления, № 5, 1997.

96. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Гл. ред. Физ.-мат. Лит., 1986-288 с.

97. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 - 464 С.

98. Мануйлов В.В., Добшиц JI.M. Рациональный способ контроля поверхности материала // К 75-летию Павла Сергеевича Костяева/Под общей редакцией В.П. Мальцева и JI.M. Добшица. М.:МИИТ, 2002. - С. 47-48.

99. Мануйлов В.В., Добшиц JI.M. Оптимальный способ подбора оборудования для контроля состояния поверхности материала // Проблемы строительного материаловедения: 1-е Соломат. чтения.: Материалы Все-рос. НТК. Саранск: МГУ, 2002. - С.64.66.

100. Галушкин А.И. Теория нейронных сетей. М.: И11РЖР, 2000.

101. Hagan М.Т., Demuth Н.В., Beale М.Н Neural Network Design. Boston, MA: PWS Publishing, 1996.

102. Riedmiller M., Braun H. A direct adaptive method for faster back propagation learning: The RPROP algorithm// Proceedings of the IEEE International Conference on Neural Networks, 1993.

103. Чиров Д.С., Лучин A.A., Н.И. Перевозчиков. Информационные технологии обработки оптических и радиолокационных изображений в задаче распознавания космических аппаратов. «Информационные технологии», № 11, 2004

104. Chen S., Cowan C.F.N., Grant P.M. Orthogonal least squares learning algorithm for radial basis function networks // IEEE Transactions on Neural Networks. 1991. Vol. 2, N 2.

105. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина. -М.: ДИАЛОГ-МИФИ, 2002.

106. Kohonen Т. Self-Organization and Associative Memory. 2nd ed.Berlin: Springer-Verlag, 1987.

107. Мануйлов B.B., Добшиц Л.М. Способ подбора и контроля поверхности материала // Актуальные проблемы градостроительства и жилищно-коммунального комплекса. Межд. НПК М.: МИКХиС, 2003. - 448 с.

108. Мануйлов В.В., Добшиц Л.М. Способ дефектации материала по его поверхности // «Вестник БГТУ им. В.Г. Шухова» № 8, 2004 г. Материалы II

109. Межд. НПК «Экологии: образование, наука, промышленность и здоровье». Белгород, 2004. — 235 с.

110. L.G. Roberts. Machine perception of three dimensional solids. In J.T. Tippet, editor, Optical and Electro-optical Information Processing, MIT Press, 1965, pp. 159- 197.

111. H.H. Красильников. Оптическая теория передачи изображений. — М.: Энергия, 1975.-192 с.

112. D. М. Lane. The investigation of a knowledge based system architecture in the context of a subsea robotic application. Ph.D. dissertation, Heriot-Watt University, Scotland, 1986.

113. H.H. Nagel. On the estimation of optic flow: Relations between different approaches and some new results. Artificial Intelligence, 1987, vol. 33, pp. 299 - 324.

114. K.B. Михалков. Основы телевизионной автоматики. JI.: Энергия, 1967.- 284 с.

115. Ф.И. Барсуков, А.И. Величкин, А.Д. Сухарев. Телевизионные системы летательных аппаратов. — М.: Сов. Радио, 1979. 256 с.

116. Е.П. Путятин, В.П. Юрченко, О.М. Абрамов. Телевизионное следящее устройство. А.С. №347948, H04N7/18, 1972.

117. Е.П. Путятин, В.П. Юрченко. Телевизионное следящее устройство. — А.С. №350207, H04N7/18, 1972.

118. G.M. Flash, P. G. Pens, R. S. Rogers. Real time video tracking concepts. -New Mexico State University, 1979. - 38 p.

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

120. R.A Roger, N.Y. Penfield. Automatic video contrast control circuit. U.S. Patent, No. 3790706, H04N5/16, 1974.

121. M.G Woolfson. Volumetric balance video tracker. U.S. Patent, No. 406830, H04N7/18, 1978.

122. Л.Д. Вилесов, B.A. Кириллов, Л.Д. Мурзинов. Телевизионное следящее устройство. А.С. № 754701, H04N7/18, 1980.

123. Д.В. Васильев. Телевизионная система сопровождения целей TVT-300 — Техника вооружения за рубежом, 1975, №6, с. 13-17.

124. Н.Н. Красильников, О.И. Красильникова. Шум пространственной дискретизации изображений. / Межвузовский сборник № 156 «Методы цифровой обработки, передачи и отображения телевизионной информации».- Ленинград: ЛИАП, 1982, с. 3 8.

125. J.H. Pridgen, W.W. Boyd, W.C. Choate, E.E. Mooty. Terminal homing application on solid-state imaging devices. Composite tracking concepts. / Conference on Pattern Recognition and Image Processing. Dallas, Texas, August, 1981, pp. 346-354.

126. A.M. Бочкарёв. Корреляционно-экстремальные системы навигации. — Зарубежная электроника, 1981, №9, с. 28 53.

127. В.К. Баклицкий, А.И. Юрьев. Корреляционно-экстремальные методы навигации. М.: Радио и связь, 1982. - 256 с.

128. У. Прэтт. Цифровая обработка изображений. Пер. с англ. под ред. Д.С. Лебедева. М.: Мир, 1982, т. 2. - 480 с.

129. E.L. Andrade, М. Ghanbari, Е. Khan, J.C. Woods. Description based object tracking in region space using prior information. Electronics Letters, 2003, vol. 39, no. 7, pp. 600 - 602.

130. V.V. Vinod, H. Murase. Image retrieval using efficient local-area matching. — Machine Vision and Application, 1998, vol. 11, no. 1, pp. 7-15.

131. Дж. Ту, P. Гонсалес. Принципы распознавания образов. М.: Мир, 1978. -416 с.

132. Handbook of pattern recognition and computer vision. / Ed. by C.H. Chen, L.F. Pau, P.S Wang. World Scientific Publishing Company, 1993. - 984 p.

133. B.B. Chaudhuri, A. Rosenfeld. On a metric distance between fuzzy sets. — Pattern Recognition Letters, 1996, vol. 17, no. 11, pp. 1157 1160.

134. Д. Кейсессент, Д. Псалтис. Новые методы оптических преобразований для распознавания образов. ТИИЭР, 1977, т. 65, №1, с. 92 — 100.

135. А.А. Васильев. Перестраиваемые пространственные фильтры в устройствах преобразования оптических сигналов. Квантования электроника, 1977, №8, с. 38-49.

136. M.W. Koch, R.L. Kashyap. Using polygons to recognize and locate partially occluded objects. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1987, vol. PAMI-9, pp. 485 - 494

137. F. Leymarie, M. D. Levine. Tracking deformable objects in the plane using an active contour model. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993, vol. 15, no. 4, pp. 617 - 634,.

138. P. Delagnes, J. Benois, D. Barba. Active contours approach to object tracking in image sequences with complex background. Pattern Recognition Letters, 1995, vol. 16, pp. 171-178.

139. D. Geiger, A. Gupta, A. Costa, J. Vlontzos. Dynamic programming for detecting, tracking, and matching deformable contours. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, vol. 17, no. 3, pp. 294 — 303.

140. M.H. Hueckel. An operator which locates edges in digitized pictures. -Journal of the Association for Computing Machinery, 1971, vol. 18, no. 1, pp. 113-125.

141. D. Marr, E.C. Hildreth. Theory of edge detection. Proceedings of the Royal Society, London, 1980, vol. B-207, pp. 187-217.

142. L. Kitchen, A. Rosenfeld. Gray-level corner detection. Pattern Recognition Letters, 1982, vol. 1, pp. 95 - 102.

143. R.M. Haralick. Digital step edges from zero crossing of second directional derivatives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984, vol. 6, no. 1, pp. 58 - 68.

144. А. Розенфельд. Нелинейный метод обнаружения ступенчатого сигнала. -ТИИЭР, 1970,т. 58, № 6, с. 94-95.

145. Л. Роберте. Автоматическое восприятие трёхмерных объектов. / В сб. Интегральные роботы. М.: Мир, 1973, т. 1, с. 162 - 208.

146. I. Sobel. An isotropic 3x3 image gradient operator. / In H. Freeman, editor, "Machine Vision for Three-Dimensional Scenes". — Academic Press, 1990, pp. 376-379.

147. R.M. Haralick, L.G. Shapiro. Image segmentation techniques. Computer Vision, Graphics, and Image Processing, 1985, vol. 29, pp. 100 - 132.

148. М.И. Либенсон, А.Я. Хесин, Б.А. Янсон. Автоматизация распознавания телевизионных изображений. — М.: Энергия, 1975. — 160 с.

149. А.В. Ковалевский. Методы оптимальных решений в распознавании изображений. М.: Наука, 1976. - 214 с.

150. А. Оппенгейм, Р. Шафер. Цифровая обработка сигналов. М.: Связь, 1979.-296 с.

151. Жук А.А. Особенности структурно-лингвистического способа распознавания сложноструктурированных ситуаций. Сборник материалов 6-й международной научно-технической конференции "Медико-экологические информационные технологии-2003", Курск, 2003.

152. Городецкий В.И., Дрожжин В.В., Юсупов P.M. Многоуровневые атрибутные грамматики для моделирования сложных структурно- динамических систем// Техническая кибернетика.-1986.-№1.- С.165

153. Pavlidis Т. A., Farhat А. — In: Proc. Workshop Pict. Data Desc. and Manag. Chicago, 1977, N. Y., 1977.

154. Fu К. S. Syntactic Methods in Pattern Recognition. — New York- Academic Press, 1974.

155. Duff M J. — Science Progress, 1977, v. 64, № 25.

156. Fu K. S., Rosenfeld Arriel. — Ibid. 1978, v. C-25, № 12.

157. Pavlidis T. —ACM Tanslations on Mathematical Software, 1976, v. 2, № 4.

158. Pavlidis T. — IEEE Trans., 1975, v. C-24, Л° 1.

159. Thompson R. A. — IEEE Trans., 1976, C-25, № 3.

160. Gersch W. — Math. Biosciences, 1970, v. 7.i t