автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.07, диссертация на тему:Разработка классификатора системы разбраковки тканей

Х^СО^СКИЙ ИНДУСТРИАЛЬНЫЙ ИНСТИТУТ

На правах рукописи

Федотова Ольга Николаевна

РАЗРАБОТКА КЛАССИФИКАТОРА СИСТЕМЫ РАЗБРАКОВКИ ТКАНЕЙ

Специальность 05.13.07— Автоматизации технологических процессов п производств

АВТОРЕФЕРАТ

Диссертации на соискание ученой степени кандидата технических наук

/

Я

ХЕРСОН 1996

Диссертация является рукописью.

Работа выполнена в Херсонском индустриальном институте.

Научный руководитель: д.т.н., профессор Храшшвый А. П. Научный консультант: к.т.н., доцент Папченко А.И. Официальные оппоненты: д.т.н., профессор Тодорцев Ю.К.

к.т.н., доцент Лепа Е.В.

Ведущая организация:

Херсонское производственное хлопчатобумажное объединение

специализированного совета К19.01.03 при Херсонском индустриальном институте.

Адрес: 325003,г. Херсон, Бериславское шоссе, 24.

С диссертацией можно ознакомиться в библиотеке Херсонского индустриального института.

Автореферат разослан 1996 г.

Защита состоится ".

.1998 г. в часов на заседании

Ученый секретарь специализированного совета к.т.н., доцент Папченко А.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ.

Актуальность теми: Разработка автоматической системы разбраковки тканей по дефектам внешнего Еида проводится с целью создания АОУТП рассортировки готовой ткани. К числу важнейших факторов, определяющих величину основных показателей зкснокппеской эффективности АСУТП рассортировки готовой ткани можно отнести повышение качества (сортности) выпускаемой ткани, уменьшение возвратов от заказчиков из-за пропущенных дефектов внешнего вида, уменьшение количества работниц, занятых на операции разбра-коеки. (На типовой отделочной фабрике браковочный цех Еключает до ЭС'О машин, работающих в две или три смены.) Кроме того, своевременнее обнаружение полного потока дефектов внешнего вида позволяет увеличить ритмичность производства и принять мерь: по предотвращению срывов сроков поставок продукции в заданном ассортименте.

Предлагаемая работа содержит разработку классификатора автоматической системы распознавания дефектов тканей.

Классификация любого класса объектов основана на теории распознавания образов. В общем случае в зависимости от характеристик потока распознаваемых объектов для классификации последних могут использоваться различные методы распознавания. Однако, разработка общего теоретического подхода к выбору метода классификации позволяет унифицировать процесс создания программного обеспечения для систем распознавания, используемых в различных отраслях народного хозяйства.

В 80-е годы появились системы автоматической разбраковки тканей, реализующие различные аппаратурные и алгоритмические решения. Например, система SC2000, разработанная фирмой SICK (ФРГ, Голландия) или система "AVIS" в США. Опыт использования названных систем в производстве показывает, что они достаточно эффективны и позволяют резко снизить выход брака за счет устранения пропусков дефектов. Но для всех• известных систем существует трудность распознавания вида обнаруженных дефектов.

Следует отметить, что на предприятиях отечественной легкой промышленности дефекты внешнего вида тканей контролируются визуально.

Для успешной разработки классификатора автоматической системы разбраковки тканей необходимо решить следующие проблемы:

1. Первоначальное накопление информации и составление перечня признаков, реализуемых при автоматическом считывании.

2. Определение принципиальней возможности разделения классов дефектов.

3. Разработка метода и алгоритма классификации, реализуемого конкретной автоматической системой разбраковки тканей.

С 1976 года под руководством д.т.н., профессора А.П.Храпливо-го на кафедре автоматизации производственных процессов ХИИ проводились теоретические и конструкторские работы по созданию систем автоматической разбраковки тканей.

Работы выполнялись в рамках важнейшей тематики в соответствии с программой ГКНТ N0.37.02 и координационным планом научно-технического прогресса по проблеме 4.3.3. (задание 13.9), а также в рамках хоздоговорных тематик х/д N 10/86, N госрегистрации 01860042333; х/д M 10/86-1, N госрегистрации 018S00866430 и гос-

бюджетной тематики N госрегистрацшг 01520092135.

С 1985г начались работы по имитационному моделированию процесса распознавания дефектов неокрашенных тканей.

1{оль а задачи работ-. Разработка классификатора дефектов полотна тканей для автоматической лагерной системы разбраковки тканей.

Для достижения поставленной цели решены следующие задачи:

1. Собрана информация, характеризующая дефекты внешнего вида неокрашенных и однотонных хлопчатобумажных тканей;

2. Проведена статистическая обработка массива дефектов и выделена оЗучзюсвя выборка, включавшая все распознаваемые классы. Выявлены неоднородность и пересекаемость клэссое дефектен.

3. Сформирован рабочий словарь пригкаков, в пространстве которых распознавание классов дефектов происходит наиболее эффективно;

4. Е результате имитационного моделирования получена вероятность правильного распознавания дефектов тканей, равная 0.78, что доказывает реализуемость задачи распознавания.

5. Разработано теоретическое обоснование необходимости применения адаптивного метода построения разделительных границ;

6. Разработана процедура построения разделительных кусочно- линейных границ произвольной формы;

7. Показана сходимость алгоритма обучения;

8. Разработаны и испытаны на реальном образце автоматической системы разбраковки тканей математическое и программное обеспечения для процессов обучения и распознавания дефектов полотна тканей.

- Б -

Обще метода исследования:

При формировании массива дефектов, на основе которого проводилось имитационное моделирование, использовался выборочный метод математической статистики.

Разделение дефектов классов на этапе имитационного моделирования проводилось при помощи метода Байеса и анализа логических связей пересекающихся классов.

Теоретическое обоснование адаптивного алгоритма построения разделительных границ разработано с использованием метода Ляпунова об устойчивости, оптимизационной процедуры Белмана и метода динамического программирования. Реализация адаптивного алгоритма построения эталонного пространства осуществлена при помощи метода максимального инварианта и динамического программирования.

Новизна научных положений и результатов:

Впервые дано теоретическое обоснование применения адаптивного алгоритма построения разделительных границ и разработана процедура построения кусочно-линейных разделительных границ произвольной форш.

Впервые разработано математическое и программное обеспечение для автоматической системы распознавания дефектов неокрашенных и однотонных тканей.

Лвяюр защищает научные положения, совокупность которых тлеет -важное народнохозяйственное значение:

1. теоретическое обоснование разработки адаптигного алгоритма и методику построения эталонного пространства пересекающихся классов, априорно являющимися некомпактными пересекающимися множествами.

Защищаются:

1. методика обучения вгтскатической скст-г:.« разбраковки тканей по дефекта».'. Екешнего Е1*_да.

2. классификатор дефектов внешнего рил? пистонных -

Пралзгическая значимость рабопи/ и внедрение результатов

исследований:

1. На основе разработанного теоретического подхода реализован метод формирования разделяющих границ в эталонном пространстве.

2. Выполнено и передано в ОКР совместно с ЕНИПХВ программное обеспечение, реализованное для опытного образца автоматической системы разбраковки тканей.

Апробацм работи По материала: дпссер.'-у;кп сделаны доклады ка конференциях, и совещаниях: на Всёсопсь-д научно-технической конференции (Херсон, , на Шилейнсй научной конференции

"Бккзд КИИ в подготовку кадров и раевктк-. техники и технологии отраслей н/х." (Херсон,. 1991), на научно-практической конференции "Разработка и испэльгонзнке ресурсосб-.регавщкх технологий в текстильном производстве." (Киев, 1992), на II Украинской конференции "Автоматика - 95" (Львов 1995г.).

Публикации. Основное содержание диссертации отражено в 10 публикациях, из них: 2 - авторских свидетельств. 2 журнальные статьи.

Структура и объем работ. Диссертация состоит из введения и пяти глав, выводов, изложенных на 143 с., содержит 135 с. основного текста, 17 таблиц, 29 рисунков, списка литературы, включающего 71 наименований на 7с. и 7 приложений на 110 с.

СОДЕРЖАНИЕ РАБОТЫ.

Во введении обоснована актуальность теш диссертационной работы, формулируются цели и задачи исследования.

Б первой глаЕе проЕеден анализ литературных источников по методам и алгоритмам распознавания классов объектов с точки зрения их применимости к классификации дефектов внешнего вида тканей. Определена цель и задача исследования.

Классификация методов распознавания в зависимости от подхода к задаче распознавания представлена на рис.1.

Вторая глава посвящена описанию и статистической обработке обучающего массива дефектов.

Достоверная обучающая выборка, не зависящая от конкретных условий производства (выборка за месяц), составлялась из зафиксированных на Херсонском ХЕК в течение двух лет дефектов (размер исходного массива дефектов примерно 20 ООО) по случайно Еыбран-ным тридцати дням и количественно составила 984 дефекта.

Согласно ГОСТу 161-86 "Ткани хлопчатобумажные, смешанные и из пряжи химических волокон. Определение сортности." для отбеленных и гладкокрашенных тканей Еыделены 16 классов (Ci) дефектов: С1- слет по утку С2- подплет

СЗ- недосека С4- дыры

С5- утолщенная нить CS- шов

С7~ разный номер утка С8- бракат

С9- непропрядка СЮ- прокол

СИ- пятна масла С12- пятна грязи

С13- плохая белизна С14- близнз

С15- васечка С16- недолет

Классификация методов распознавания

Методы распознавания

[1

¡1 Структурные методы

Одномерная грамматика

Двухмерная грамматика

Грамматика сплетения

Табличная грамматика

иетевая грамматика

Блочная грзммзт.!ка

Метод потенци альных функц.

Распознающие коллективы

Равноправное |-голосование

Диктаторское решение

¡-¡¡перцептроннке методы

Элементарный перцептрон

С жесткими сеязями

С распадающимися связями

С переменньз-ш связями

Шогослойный перцептрон

С перекрестны

ми связями

С адаптивными связям

Вычисление оценок

Групп.учета аргументов .

Оптических масок метод

Матричного сопоставления

Рис.1

! Статистические методы

Метод Байеса

Максимального правдоподобия

Неймана Пирсона

Минимизации эмпирич.риск

Допустимых пре образований

Корреляционный

метод

Эталон.последовательностей

Логический [метод

г! Прикладные методы

Метод зондов

Квазитопологический мет.

Регистрация дефектов производилась с одновременным определением их геометрических размеров: ширины X и длины Y. Кроме того, учитывалось утолщение - утонение полотна: если наблюдалось утонение структуры полотна, размеры дефекта фиксировались со знаком "-",

На основе рассчета параметрической корреляции между одноименными признаками разных классов показано, что классы дефектов являются независимыми.

Основные результаты статистической обработки параметров дефектов обучающей выборки представлены в таблице 1, из анализа информации которой сделан вывод о том, что классы дефектов внешнего вида полотна неокрашенных тканей представляют собой некомпактные размытые множества. Креме того, классы дефектов обучающей выборки пересекается, так как математические ожидания некоторых классов очень близки по значению, а среднеквадрагическии разброс дефектов внутри класса характеризуется значительными величинами.

В третьей главе приведены исследования процесса распознавания дефектов тканей с использованием метода имитационного моделирования, которое осуществлялось на IBM ЭВМ.

Учитывая необходимость использования индивидуальных наборов признаков разделения для смежных пересекающихся классов и реализуемость определения признаков распознавания, априорный алфавит признаков состоял из четырех наименований:

- размер дефекта по ширине:

Xi = SIGN X

- ориентация дефекта относительно начала координат-.

Х2 = SIGN XaX/Y

- длина радиус-вектора дефекта:

лз = 311!>3 )'(>'г + '1?-)

- площадь области дефекта:

Х4 = ^ - ^К! У*'/"/)

Таблица 1

Результаты статистической обработки параметров дефектов обучающей выборки

Название Выборка Вероятность Матем. Средне-

дефектз появления ожпдак. квадрат.

дефекта разброс

X . Слет по утку ? 44 47. , tl 4 r. . 69

£. Подплет 0, .04 с -57. 75 105. 07

о 14S г, и, 4 -< -559, ,57 234. 19

4. Дыры 43 п, . 049 -Q, pc 14. 25

С Утолщенная нить 172 0, . - 1 и 69ü. . 2 199. 19

6. Шов 116 0. .118 799. .91 0. 93

7 4 Разный Н утка 23 0. . 029 792. .9 37. 90

о . Брзкзт о 0. . 009 -500. .0 0. 53

9. Непропрядка 104 0. .105 7. .14 10. 08

10. Прокол 4 0. ,004 -2. ,25 3. 92

И. Маслякные пятна ре 0. ,037 ,64 37. op

12. Грязные пятна 4 0. . 004 2. ,75 ъ. 61

13. Плохая белизна 4 0. . 004 797.5 p 04

14 Елизнз 0. .004 -1. 75 0. 50

1 ^ Засечки 15 и. 014 94. ,4 9. 64

СП Недолет 4 0. ,004 -417. ,5 2 165. 0

Все признаки учитывали знак (SIGN), характеризующий утонение полотна.

Значимость каждого из признаков определялась по апостериорной вероятности имитации процесса распознавания, который осуществлялся на основе байесова классификатора в соответствии с решающим правилом:

£ Ср, если XI £ ЛКр1 £ И4

Ы

где ДИр1 - эталонная облзсть класса Ср по оси X].. Наиболее информативным оказался признак ориентации Хг. (Вероятность достоверного распознавания составила 0,62).

Первый этап моделирования так же показал, что апостериорные классы дефектов представляют собой смешанные группы, включающие до 5-6 наименований. Поэтому второй этап моделирования процесса распознавания проводился с учетом всех логических связей между объектами классов в четырехмерном (И4 = (х1,х2,хз,х4)) признаковом пространстве. При этом предполагалось, что байесовы границы по осям эталонного пространства имеют упорядоченный вид.

Основное правило, по которому осуществлялся Еторой этап классификации, формулировалось следующим образом: входной дефект ш, отнесенный к классу С], следует считать принадлежащим к классу Сг, если дефект относится к классу Сг по одному или нескольким признакам хь обеспечивающим максимум достоверного - распознавания:

ш(СЯ £ Сг, если ш £ Сг(Е ^хИ ),

I Ртах

г=1, ..., 16, 1*2 где - коэффициент, характеризующий необходимость

классификации распознаваемого дефекта по данному признаку;

Е результате имитации полного алгоритма моделирования процесса классификации получена вероятность правильного распознавания 0,76, что характеризует принципиальную Еогможностг, разделения дефектов внешнего Е1ша тканей.

Учитывая, что матрица штрафов для автоматический системы разбраковки тканей определяется не видом дефекта, а его влиянием на сортность ткани, доказана возможность разработки рабочего алгоритма для автоматической системы распознавания.

Так же показано, что поскольку закон распределения дефектов внутри классов неизвестен, появление деФектог обусловлено естественными процессами старения оборудования и еозм^уными случайней отклонениями в организации технологических гооцеосов, рабочий алгоритм классификации необходимо гззр&бат'-'рать, как

Четвертая глаза посвящена разработке алгоритма и программного обеспечения для лазерной автоматической системы разбраковки тканей, разработанной на кафедре автоматизации производственных процессов Херсонского индустриального института.

При сканировании системой распознавания дефектной области каждый проход луча формирует слоео обмена, которое имеет следующий формат:

Уст -1сз -<Ьс -Хст -КС -Е -ЫК, где У=(Уст^'ср^'),и) - расположение дефекта относительно начала куска ткани в мм: Уст- сотни мм, УСр- десятки мм, Умд- единицы мм; с1х - ширина зафиксированного дефекта (длительность импульса считывания);

Х=(ХстХмл) - расположение дефекта относительно подзоны сканирования в мм: Хст- десятки мм, Хщг едшицы мм;

КС - код сигнала, характеризующий уровень амплитуды.

Б - база строки, является рабочей точкой для фиксации промежуточных состояний обработки.

ЫК - номер канала, по которому получена информация о дефекте .

Приведенное слово обмена содержит все признаки дефекта, которые система способна сформировать без дополнительных усложнений.

На основе информации, полученной при сканировании, программно формируется вектор отображения дефекта, компоненты которого представляют собой рабочие признаки распознавания:

У* = (ХД,Мт,Мс), где Х,У - геометрические размеры дефекта;

Мт - признак топологии, который 'формируется на основе контура изображения дефекта при помощи метода структурного анализа и имеет 20 уровней градации;

Мс - признак сигнала, характеризующий результирующий сигнал фотоприемников, тлеет 7 уровней градации. Учет признака площади происходит в результате формирования прямоугольной ( в координатах X и У) эталонной области подкласса, т.е. все признаки алфавита, который использовался на этапе ¡агитационного моделирования учтены в рабочем словаре признаков.

В четвертой главе так же представлено теоретическое обоснование разработки адаптивного алгоритма процесса обучения системы распознавания на основе теоремы устойчивости Ляпунова.

При этом формирование разделяющих границ эталонного пространства рассматривалось как движение системы из произвольной точки к устойчивому состоянию. Обнаруживаемые дефекты являлись возмущениями системы, которая работала в стационарном режиме просмотра двищущегося полотна ткани. В качестве функции Ляпунова использовалась функция изменения ложного распознавания.

Показано, что если обучение проводится в пространстве нескольких (п) значимых признаков, то динамику системы можно представить следующим образом:

с!Р(у) п ц ¿Р

д иг иу 1 п иг

--:- = — У^.уг)

1-1 dv 1-1 &П

где Р - функция ложного распознавания, '/ - объем обучающей выборки,

(У1>У2) " раеделякп^я граница в п-мерком эталсннсм пространстве ме;<ду классами С-1 и Со.

Но так как для системы распознавания чаще всего неизвестна функция Р(у), то для определения устойчивости системы необходимо шлетъ информацию о предыдущих состояниях системы.

Другими словам;;, обучение описывается, как движение систеш по такой траектории у(у), когда корректировка эталонной области при обработке очередного входного дефекта уменьшает вероятность ложного распознавания:

РШДг) I = ?2* Р2* < Рп*

I У=У2

Р0'1,У2)| = Рз* Рз* < Р2*>

Каждый следующий шаг обучения должен быть оптимальным по от-

ношению к предыдущим шагам, а это - выполнение условия оптимальности движения Белмана, которое хорошо реализуется при помощи известного метода динамического программирования.

Таким образом, представлено теоретическое обоснование оптимального по Еелману и устойчивого по Ляпунову адаптивного алгоритма процесса обучения, который гарантированно будет сходиться.

Реализация алгоритма обучения осуществлялась для эталонного пространства достаточно сложной структуры:

¡Д=(р!,1т к.Мс)Е4=(Е?20 Н7Ж4=мок4£ к142)

где - структура пространства Еектора отображения

дефекта У*: к4 = КУ«= кСМ.т.Мс. Х,У)

Для получения разделяющие; границ произвольной формы пространство, занимаемое объектами одного класса, делилось на "прямоугольники" подклассов, каждый из которых может строиться одновременно и независима от других (рис.2).

Формирование эталонной области происходит из произвольной точки пространства, определяемой перЕым дефектом данного подкласса XI. При обработке следующих дефектов данного подкласса Ха, Хз, Хд, происходит построение и корректировка границ области из точки А е состояние АВ"С"С через промежуточные положения АЕСО, АВ'С'О при помощи метода половинного деления с целью получения некоторой инерционности процесса обучения и приведения его к устойчивому оптимальному состоянию. Дефект Х5 соответствует формируемой эталонной области и корректировки границ области при обработке дефекта Х5 не производится.

Формирование эталонной области подкласса при помощи обучающей выборки '<'.'= (ХьХз.Хз.Х-^Хе) (Формирование максималького инварианта ТЗт(Х)).

'I

«4

М

с"

»2 ' Ц>

..Ж

Яэ/1

I

/ XI// /

/

---------11т

гис.;

При зтом формируется эталон подкласса, который соответствует

принцип-/ максимального инварианта:

¥ = (Мс, Мх, Хт1п> . Упип> Ушах) В результате процесса обучения (когда сформированы вектора

эталонов всех подклассов) разделительную границу можно представить в виде рис.2.

Эталонное пространство класса представляется матрицей эталонов:

Мс:1 Мха1 Хггип:1 Хтахз1 1 1 Упипо Ушахз

мё)р м;;р Хпипз'Р ХтахзР Ут1плР Утах^р

где - эталон р-го подкласса з"-го класса.

Разделяющая граница Г(А1,Аг) между пересекающимися классами Са и Сг

Ж

X

4

^ с"

ч

Рис.3

Так как формирование вектора эталонной области происходит на основе пошаговой корректировки весового вектора V?, в зависимости от Еектора входного дефекта Хх, алгоритм обучения тлеет следующий вид:

Уоп = Шк+г =

И^ + ссХ!, если Иц*! > <3

»ю

если < с1

где к -й -

номер шага обучения,

решение принадлежности дефекта XI вектору

а - коэффициент приращения, монет быть меньше нуля, так как при формировании эталонных областей пересекающихся классов возникает необходимость уменьшения этзлон-ной области при возникновении ошибок первого рсдз, которые обнаруживаются при контрольной тассификацяи.

В рабочем режиме системы разбраковки, когда входной поток дефектов классифицируется относительно сформированного эталонного пространства, используется решающее правило, реализованное пакетом подпрограмм классификатора автоматической системы распознавания:

{ Gl, если m^x Yo-X, < d < nun У2'Хх "НхГ ^ Со, если rnax Yi^ < d < ipn YiJXi

Здесь Y-ii - элементы матрицы эталонов AI, включающей эталоны все:-'. подклассоЕ класса Ci, - элементы матрицы эталонов А2, включающей эталоны всех подклассов класса С2.

Программное обеспечение подпрограмм, реализующих разработанные алгоритмы обучения и распознавания, Еключзет целый рлд подп-porp.3i.fti, обеспечивающих функционирование автоматической системы разбраковки тканей.

Текст основных подпрограмм классификатора автоматической системы разбраковки тканей написан нз ассемблере-580 и занимает объем в 14 К.

В пятой главе изложена методика и результаты испытаний полномасштабного образца автоматической лазерной системы разбраковки дефектов тканей.

Испытания проводились в лаборатории кафедры автоматизации производственных процессов ХШ1 в присутствии ведущих специалистов Херсонского ХБК. Автоматическая система разбраковки тканей монтировалась на предоставленном Херсонским ХЕК смотровом столе. При испытаниях использовался рулон ткани длиной 60 метров, состоящий из двух сшитых кусков полотен бязи разного цЕета с реальными производственными дефектами.

Перед испытаниями программистом уничтожалась информация, накопленная системой ранее.

В процессе обучения формировалось эталонное пространство для пяти наиболее часто встречающихся на производстве классов дефектов "слет по утку", "дыра", "утолщенная нить", "узелок" и "складка", обучающий массив состоял из 53 дефектов.

В результате испытаний оказатось, что для построения эталонного пространства для указанных классов необходимо 167 шагов корректировки.

Вероятность достоверного распознавания классов дефектов, для которых проводились испытания, различная, но не ниже 0.9.

С теоретической точки зрения результаты испытаний характеризуют сходимость (эффективность) разработанных алгоритмов обучения и распознавания.

С практической точки зрения результаты испытаний соответствуют возможности обучения системы в производственных условиях. Для осуществления разбраковки тканей разных артикулов необходимо предварительно сформировать эталонные области для используемых артикулов ткани.

ОБЩИЕ ВЫВОДЫ

1. Проведено статистическое исследование массива дефектов внешнего вида неотбеленных и гладкокрашенкых тканей, обнаруженных на стадии контроля, проводимом на Херсонском хлспксбу:,(ахнем комбинате, л анализ расположения классов дефектов в поле аппара-турно реализуемых признаков. Выявлены неоднородность л пересекаемость классов дефектов.

2. Определен словарь рабочих признаков, в пространстве которых возможна классификация дефектов внешнего вида полотна ткани, реализуемый автоматической системой разбраковки тканей.

3. В результате имитационного моделирования, проведенного с использованием метода Еапеса и .анализа логических связей классов в признаковом пространстве, получена вероятность правильного распознавания 0.78, что свидетельствует о реализуемости задачи разбоакоЕки тканей по дефектам внешнего вида.

4. Дано теоретическое обоснование для разработки .адаптивного алгоритма построения разделяющих границ произвольной формы между пересекающимися классами.

5. Разработана процедура построения разделительны;-; .кусочно-линейных границ произвольной формы. При этом использованы идеи метода динамического программирования и метод максимального инварианта.

6. На основе еходного потока дефектов обучающей выборки показана реализуемость алгоритма обучения с использованием конечного объема памяти системы. При этом обеспечивается оптимальность процедуры обучения (а классе Белмановских задач) и сходимость алгоритма распознавания.

I

I

7. Разработано и испытано на реальном образце лазерной автоматической системы рззбраковки тканей математическое и программное обеспечения для процессов обучения и распознавания. Программное обеспечение так же включает комплект программ для функционирования системы в целом.

8. Проведены испытания автоматической системы разбраковки тканей по дефектам внешнего вида с данным программным обеспечением и показан достаточно высокий (0.9) уровень правильной классификации.

9. Результаты работы нашли практическое применение в виде передачи в опытно-конструкторские разработки.

Основное содержание диссертации опубликовано в следующих работах:

1. Федотовз Q.H., Храпливый А.П., Еражкик A.M. Разработка алгоритма распознавания дефектов ткани. ЕННИТИ. Депонированные научные работы. №8, 1990. 9 стр.

2. Федотова О.Н., Бражник A.M. Разработка математического обеспечения классификатора автоматической системы разбраковки тканей. В сборнике Всесоюзной научно-технической конференции. Научно-технический прогресс в текстильной и трикотажной промышленности. Киев, 1990.

3. Федотова О.Н., Храпливый А.П., Бражник A.M. Математическое обеспечение задачи автоматической разбраковки тканей. В сборнике научно-практическ.конференции "Разработка и использование ресурсосберегающих технологий в текстильном производстве." Киев, 1992.

4. Новичков С.Н., Рожков С.А., Бражник A.M., Тимофеев К.В., Федотова О.Н., Храшшвый А.П. Устройство для контроля оптически плотного перемещающегося материала. Заявка Украины, регистр, номер 93G60665 от 25.Q2.92r.

5. Рожков С.А., Еракник A.M., Тимофеев К,В., Храшшвый А.П., Федотова D.H., Новичков С.Н. Устройство для непрерывного контроля перемещающегося материала. Заявка Украины, регистр, номер 93060659 ОТ 25.02.93г.

6. Федотова О.Н. Алгоритм распознавания дефектов ткани. Сборник Юбилейной научной конференции "Вклад ХИИ в подготовку кадроЕ и развитие техники и технологии отраслей н/х." Херсон, 1991.

7. Федотова О.Н. Структура программного обеспечения автоматической системы разбраковки тканей. В сборнике тезисов дскладов конференции преподавателей и сотрудников XJCI, Херсон, 1993.

8. Федотова 0.Н..Храпливый А.П.,Бражник A.M. Розп1зназання образу дефект1в - завдання автоматичного розбракузання тканин. Легка промислов1сть, N 3, 1993.

S. Разработка математического обеспечения системы автоматической разбраковки тканей. Отчет по Hllr lü/35/lc/i.E ССО УССР/ Херсонский индустриальный институт; Руководитель А.П.Храпливый, N ГР 01880086420; ИнвЛГ 0289Q00Ü912.-Херсон, 1989.-4:3с. ,ил.

10. Храпливый А.П.,Федотова О.Н., Терновая Т.И. .Адаптивный алгоритм разбраковки тканей по дефектам внешнего гида. Друга ук-ра1нська конференщя з автоматичного керувааня "Автоматика-95", том 5, Львов, 1995г.-92с.

SUMMARY.

Fedotova O.N.

Working' out of classificator of automatic rejecting fabric system.

Dissertation for Candidate of teohical science of profession 05.13.07 - automatization of technological process and manufacture of textil production. Kherson Industrial institute, 1995.

Dissertation includes complex results of theoretical and experimental researchs of method, algorithm and the software for training and discerning1 of automatic rejecting fabric defects system.

АННОТАЦИЯ.

Федотова O.H.

Разработка классификатора системы разбраковки тканей.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.07 - Автоматизация технологических процессов и производств текстильной промышленности, Херсонский индустриальный институт, Херсон, 1996.

В диссертации приведены результаты комплексных исследований по разработке метода, алгоритма и программного обеспечения обучения и распознавания дефектов тканей при помощи автоматической системы разбраковки.

КЛЮЧ0Б1 СЛОВА.

Тканина, дефект, классификация, метод, алгоритм, программа.