Разработка метода автоматизации процесса разбраковки тканей на основе математического аппарата вейвлет-анализа

Размещено на http://www.allbest.ru/

На правах рукописи

АВТОРЕФЕРАТ

диссертации на соискание учёной степени

кандидата технических наук

Разработка метода автоматизации процесса разбраковки тканей на основе математического аппарата вейвлет-анализа

05.19.02 - Технология и первичная обработка текстильных материалов и сырья

Агафонов Владимир Игоревич

Москва - 2009

Работа выполнена в ГОУ ВПО "Российский заочный институт текстильной и лёгкой промышленности" на кафедре технологии тканей и трикотажа.

Научный руководитель:

доктор технических наук, профессор Семин Михаил Иванович.

Официальные оппоненты:

доктор технических наук, профессор Битус Евгений Иванович;

кандидат технических наук, доцент Майоров Михаил Александрович.

Ведущая организация:

Центральный научно-исследовательский институт хлопчатобумажной индустрии (ЦНИИХБИ).

Защита диссертации состоится 6 октября 2009 г. в 11 час. 00 мин. на заседании диссертационного совета Д.212.201.01 ГОУ ВПО "Российский заочный институт текстильной и лёгкой промышленности", г. Москва, ул. Народного ополчения, д. 38, к.2.

С диссертацией можно ознакомиться в библиотеке Российского заочного института текстильной и лёгкой промышленности.

Автореферат разослан "___"________________2009 г.

Учёный секретарь диссертационного совета Тихонова Т.П.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Брак может возникать на различных этапах ткачества или отделочных работ. Разбраковка тканей позволяет определить сортность конечного продукта, анализировать причины брака и влиять на его уменьшение. Выявление пороков внешнего вида тканей, основанное на визуальном восприятии, оказывается медленным при растущих объемах производства, необъективным и недостоверным. Создание системы полностью автоматической разбраковки тканых материалов, имеющей высокую рентабельность, является сложной научно-технической задачей, решение которой в мировой практике еще не получено. Средства ввода изображения в компьютер позволяют проводить анализ визуальной информации при помощи современных прикладных методов компьютерной математики с более высокой эффективностью, чем это было возможно раньше. Тот или иной метод поиска пороков, базирующийся на них, при условии его достаточной универсальности, является основой установок автоматизированной разбраковки тканей. Однако в настоящее время методы автоматического определения сортности готовых тканей, основанные на современных достижениях прикладной математики, а также обладающие высокой точностью, достаточной универсальностью и скоростью работы, отсутствуют.

Таким образом, разработка новых методов обнаружения и классификации пороков внешнего вида тканей базируется на доступных компьютерных средствах, необходимых для моделирования технологического процесса, нормах определения сортности тканей при визуальном контроле качества, которые позволяют выявить критерии обнаружения пороков, а также передовых методах прикладной математики, используемых для анализа оптической информации. Объединение составляющих этого базиса и создание перспективного метода автоматизированной разбраковки тканей является актуальной задачей научного и прикладного исследований.

Объектом исследования данной работы являются системы автоматизированного обнаружения пороков внешнего вида тканей. Отсутствие использования таких систем на текстильных фабриках приводит к тому, что разбраковка тканей - одно из самых узких мест в эффективности технологического процесса текстильного производства. Главной причиной этого является недостаточное развитие методов и алгоритмов, заложенных в разработанные системы. Поэтому предмет перспективного исследования - новые более эффективные методы поиска пороков, базирующиеся на компьютерной обработке визуальной информации о тканом материале.

Цели и задачи исследования. Целью данной диссертационной работы является получение решения задачи о разработке универсального метода автоматизированного обнаружения и классификации пороков внешнего вида тканей.

Для достижения цели были решены следующие задачи:

· Проведён анализ современного состояния проблемы автоматизированного поиска пороков тканей в мировой практике;

· разработана общая концепция решения задачи об обнаружении пороков на основе современного научного представления о визуальном восприятии;

· разработана методика поиска и классификации пороков тканей в лабораторных условиях путем компьютерного анализа изображений поверхности исследуемого материала;

· проведены испытания разработанной методики как на модельных образцах тканей, так и на тканях в промышленном производстве;

· разработаны рекомендации, необходимые для создания промышленных образцов системы автоматизированной разбраковки тканей.

Методической и теоретической основой диссертации явились научные труды и научно-прикладные работы: текстильное материаловедение; технология ткачества, отделки материалов в текстильной промышленности и кожевенного производства; методы и средства измерений; методы оценки и прогнозирования качества; методы получения достоверных цифровых образов тканей; методы компьютерного распознавания образов; научные работы по физиологии зрения и принципам видения; прикладные методы обработки сигналов; функциональный анализ; алгоритмирование и программирование на языках высокого уровня.

Научная новизна. В диссертационной работе впервые получены следующие результаты:

· на основе анализа научных работ по физиологии зрения и принципам видения установлены основные критерии, которые лежат в основе обнаружения пороков тканей при визуальном контроле качества;

· на основе современных достижений прикладной математики разработан метод анализа изображений с помощью вейвлет-функций, использующий энергетические критерии поиска пороков;

· разработана методика классификации пороков тканых полотен, которая позволяет, используя метод анализа изображений с помощью вейвлет-технологий, определять сортность тканей;

Достоверность полученных результатов подтверждается производственными испытаниями, в ходе которых проведено тестирование методов и алгоритмов на ряде промышленных образцов готовых тканей и выявлены преимущества разработанной методики по сравнению с известными подходами.

Практическая значимость работы. В результате проведённых научных исследований созданы исследовательские алгоритмы и программы для лабораторного метода поиска пороков тканей. Универсальность методики поиска пороков на основе энергетических принципов позволяет использовать ее в установках для автоматизированной разбраковки продукции текстильной и лёгкой промышленности с более сложными характеристиками. Общие принципы разработанной методики могут найти применение в других отраслях промышленности, где используется неразрушающий контроль качества оптическими методами.

Апробация работы. Исследования проводились на кафедрах ГОУ ВПО "РосЗИТЛП": технологии тканей и трикотажа, электротехники и автоматизированных промышленных установок. Практические испытания методики обнаружения и классификации пороков внешнего вида тканей проводились также в исследовательских лабораториях ОАО "Трёхгорная мануфактура".

Основные материалы диссертационной работы изложены в докладах и тезисах:

· научно-технических и научно-практических конференций,

· в директорате ОАО "Трёхгорная мануфактура",

· на кафедре технологии тканей и трикотажа ГОУ ВПО "РосЗИТЛП",

· на кафедре электротехники и автоматизированных промышленных установок.

Публикации. По теме диссертационной работы опубликованы статьи:

· в научно-техническом журнале "Известия вузов. Технология текстильной промышленности", № 3, 2008 г.,

· в сборниках "Новое в науке и производстве текстильной и легкой промышленности" (вып. 3, 4), "Наука в высшей школе", "Современные информационные технологии".

На защиту выносятся следующие положения.

· Развитие теории и практики компьютерного анализа структурных характеристик тканых полотен.

· Новые аспекты применения вейвлет-анализа в задачах поиска структурных характеристик и особенностей цифровых изображений.

· Метод автоматического определения параметров строения, поиска и классификации пороков тканей на базе лабораторной установки с использованием специально разработанных алгоритмов и исследовательских программ.

· Методика проведения производственных испытаний разработанной методики поиска пороков на промышленных образцах изделий готовых тканей.

Структура и объём работы. Диссертационная работа состоит из ведения, пяти глав, заключения, списка литературы и приложений. Работа изложена на 132 страницах, включая 41 рисунок и 15 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении дано обоснование актуальности выбранного направления научных исследований, важности практической реализации научно-технического проекта по разработке нового метода автоматизации процесса разбраковки тканей на основе прикладных аспектов математического аппарата вейвлет-технологий. Рассматривается общая характеристика работы. Определены объекты исследования, его цели и задачи.

В первой главе рассматривается современное состояние проблемы контроля качества ткани. Исследуется контроль качества в технологическом процессе производства тканей, анализируются методы автоматизированного контроля качества тканей, проводится сравнительный анализ систем автоматизированного контроля, изучаются компьютерные алгоритмы обнаружения пороков.

На основании проведённого анализа сделаны заключения.

1. Визуальный контроль качества тканей всё менее эффективен.

2. Продуктивным подходом для решения задач автоматизации является применение передовых компьютерных и программных средств.

3. Разработанные системы автоматизированного поиска пороков тканей не могут заменить визуальный контроль качества из-за низкой точности работы и высокой цены. "Узким" местом в каждой системе является алгоритм обработки изображения ткани.

4. Разработанные к настоящему времени методы и алгоритмы дают невысокую скорость работы и не имеют перспектив развития.

Перечисленные особенности устраняются созданием новых систем на базе новых методов и алгоритмов. Перспективным методом является вейвлет-анализ тканей. Метод лишён недостатков других методов анализа изображений и позволяет проводить исследование материалов более эффективно.

Во второй главе рассматривается метод поиска пороков, основанный на вейвлет-анализе изображения ткани.

Поиск и классификация пороков тканей на производстве проводится визуально. В процессе зрения выделяются параметры, значение которых позволяет обнаружить порок и классифицировать его. Согласно теории зрения, эти параметры - пороговый контраст

где L_ф - яркость фона, L - яркость объекта, а также - угловой размер объекта на материале. Значения этих параметров выбираются по таблицам и графикам, которые подробно обсуждаются в работе.

Поиск пороков проводится по цифровому изображению ткани в системе RGB методом выделения областей с особенностями цвета (рис 1). Функция яркости анализируется в каждом слое RGB путём построчного исследования изображения. Строки с особенностями цвета выделяются на общем фоне по глобальному уровню яркости (рис. 2). Поиск пороков проводится методом вейвлет-анализа функции яркости f(x). Вейвлет-преобразование сигнала f(x) определяется как:

а

базис вейвлет-функций ш конструируется с помощью непрерывных масштабных преобразований a и переносов b базового вейвлета ш(x):

В качестве базовых выбираются вейвлеты: Хаара, "Мексиканская шляпа", Добеши 4-го порядка, Мейера.

Рис. 1. Исследуемый образец с цветовыми особенностями

Разложение по вейвлетам оптимально для приближения функции яркости изображения ткани, где наряду с пороками оценивается строение ткани. Энергия вейвлет-преобразования:

определяет энергию отражённого света от поверхности ткани в текущей строке сканирования. Обнаружение пороков происходит при условии, что:

,

где E_{эталона} - энергия отражения света от ткани без пороков. Обнаруженная область считается пороком, если её угловой размер соответствует заранее определённому размеру . Построение алгоритма поиска пороков проводится в главе 4.

Рис. 2. Функции яркости в "срезах" без пороков и с локальным пороком

Спектр распределения энергии по масштабам вейвлет-преобразования:

Зависимость E_w^*(a), (скалограмма) позволяет определить масштаб, на котором уровень энергии велик (рис. 3). Максимумы энергии определяют масштабы сигнала, вносящего основной вклад в полную энергию E_f. Максимум энергии на малых масштабах соответствует узлам сетки (в случае сетчатой структуры ткани). Поэтому скалограмма определяет параметры тканой структуры, что необходимо при классификации обнаруженных пороков (глава 3). Так в случае вейвлета "Мексиканская шляпа" шаг узлов яркости по горизонтальной линии точек сканирования определяется как:

,

где а ₀ - максимум, определённый из скалограммы (рис. 3). Параметр R позволяет определить ориентацию сетчатой структуры и определить плотность ткани по основе и утку (глава 4).

Рис. 3. Скалограмма

Метод в явном виде используется в том случае, когда отсутствуют деформации сетки переплетений ткани. Его дальнейшее развитие позволит проводить расчёт также и на деформированных сетках.

В третьей главе рассмотрена методика классификации пороков тканей, основанная на методе вейвлет-анализа (глава 2). Классификация проведена на примере часто возникающих пороков: пятно, дыра, близна, рассечка, забоина, недосека, полоса по основе, полоса по утку, шишковатость, мушковатость, засорённость. Классификация пороков согласно стандартам ставит им в соответствие определённое количество баллов и определяет сортность ткани.

Методика основана на методе обнаружения базовых пороков близна - в одну нить, рассечка, забоина, недосека - в две нити. Переход от этих пороков к усложнённым проводится с помощью расширения класса базовых пороков, обсуждаемого ниже.

Информация о расположении "дефектных" пикселей объединяет их в группы. Выявленное строение ткани в совокупности со сведениями о группах "дефектных" пикселей позволяет считать ту или иную группу определённым пороком. Структура ткани выявляется скалограммой. В результате вейвлет-анализа изображения ткани определяются: средняя плотность ткани по основе М и утку N, а также векторы ориентации области порока по характерному размеру Х порока и ориентации нитей основы (или - утка) относительно направления сканирования. Размер порока Х:

где перебор проводится по всем парам пикселей (i_m, j_n) области порока, d - шаг сканирования. Коэффициент корреляции:

разделяет пороки на классы:

· при - пороки основы: близна, рассечка, полоса по основе;

· при - пороки утка: забоина, недосека, полоса по утку;

· в других случаях - пороки типа пятно: цветовое пятно, дыра, шишковатость, мушковатость, засорённость.

В диссертации приведены фотографии суровых тканей, на примере которых разработана представленная классификация пороков. Так при исследовании яркости вдоль нитей утка (согласно вектору ) с помощью вейвлет-анализа получены скалограммы (рис. 4), которые дают критерий различения этих пороков: если a<М, то обнаружена близна, если , то - рассечка, где а - максимум энергии на малом масштабе. Аналогично различаются пороки утка.

Рис. 4. Скалограммы в области порока основы. Сплошная линия - рассечка, пунктирная - близна

Пятно и дыра различаются уровнем яркости отражённого от них света. Если выполняется критерий:

то порок считается пятном. Здесь E_f - энергия, ? - область порока, - энергия отражения от подложки при сканировании. Общая схема классификации приведена на рис. 5.

Пороки близна, рассечка, недосека в несколько нитей являются областями ткани, аналогичные по структуре областям с пороком в одну нить. Поэтому усложнение методики сводится к вычислению усреднённых характеристик вдоль нитей основы или утка, отличающих один порок от другого.

Детально алгоритм классификации построен в главе 4.

Размещено на http://www.allbest.ru/

Основные выводы главы.

1. Представленная методика отражает возможности практического применения метода поиска пороков на примере тканых материалов.

2. Методика позволяет не только определить плотность по основе и утку, но и провести классификацию локальных пороков, выявить их размер и количество, приходящееся на условную площадь ткани, что позволяет присвоить тканому материалу тот или иной сорт.

В четвёртой главе подробно рассматриваются вопросы алгоритмизации поиска и классификации пороков тканей на основе разработанных в главах 2 и 3 теоретических положений. Спроектирован набор алгоритмов и программ, связываемых в единый исследовательский блок (рис. 6).

Алгоритм поиска областей с пороками работает по следующей схеме.

1.

Обучение системы на примере материала без пороков. Результатом является энергия излучения:

которая принимается за начальный уровень энергии.

2. Диагностика присутствия пороков. Участок считается содержащим порок, если:

где Т определено в главе 2.

3.

Поиск пороков, их размера и местоположения. Точная информация о размерах и координатах пороков извлекается из каждой области , отмеченной как "дефектная" по методу п. 2. Ищутся связные участки, протяжённость которых определяется заранее и уровень локальной энергии в которых на всём протяжении :

Т ₂ - заданная величина. Эти участки дают наибольший вклад в энергию E_f и определяют область как "дефектную".

В диссертации приведена подробная схема алгоритма поиска пороков.

Алгоритм классификации пороков ткани основан на методике классификации, представленной в главе 3. Целью работы алгоритма является анализ каждого порока, найденного алгоритмом поиска пороков, и отнесение его к тому или иному классу. На выходе алгоритма: класс порока; размеры и расположение порока на ткани. Этих данных достаточно для того, чтобы при наличии множественных пороков на ткани оценить их по известным стандартам и определить сортность ткани. Подробная схема алгоритма приведена в диссертации.

Алгоритм поиска параметров структуры ткани. Входные параметры - пиксели в каждом слое RGB изображения ткани с известной яркостью b_ij и номерами. При расчётах используется вейвлет-анализ изображения. Выходные данные: шаг нитей по основе М, шаг нитей по утку N, векторы ориентации по основе и по утку, матрица пикселей узловых точек переплетения ткани. Выходные данные алгоритма используются как входные параметры в работе алгоритма классификации пороков.

Рис. 6. Вычислительные блоки метода поиска пороков

Расположение узлов сетки определяется с помощью скалограммы. Найденные узлы соединяются отрезками L_q в пределах угла перекоса (рис. 7). Если в строке i₁ первый узел имеет координаты (i₁, j₁), а строка i₁+q, содержащая следующий крайний узел, имеет координаты (i₁+q, j_q), то очевидно, что

,

где d - шаг сетки пикселей.

Рис. 7. Схема расположения узловых пикселей

Тогда расстояние равно шагу нитей по основе. Аналогично определяется шаг N нитей по утку. Векторы направления вдоль нитей основы:

и нитей утка: .

Алгоритм вейвлет-преобразования основан на равенствах:

Таким образом, вычисление коэффициентов W(f)(a,b) сводится к вычислениям интеграла:, которое проводится при помощи каскадного алгоритма, использующего одноуровневое обратное вейвлет-преобразова-ние. Подробно этот вопрос обсуждается в диссертации.

Разработанные алгоритмы реализованы в виде численных процедур, представленных в приложениях к работе.

В пятой главе обсуждаются результаты экспериментальных исследований метода автоматизированного поиска и классификации пороков тканей. Эксперименты проведены на лабораторной установке, состоящей из блока сканирования и компьютера, по схеме, представляющей собой логически завершённый комплекс исследований: испытания на модельных примерах, тестирование метода на выбранных пороках ткачества, испытания на готовой продукции текстильного производства, тестирование стабильности и достоверности обнаружения и классификации пороков.

Рис. 8. Границы обнаружения объектов. Вейвлеты: a - Хаара, b - "Мексиканская шляпа", c - Добеши, d - Мейера

Модели пороков - компьютерные образцы полотен с известным расположением, формой, структурой областей нарушения цвета (рис. 1). Точность обнаружения пороков достигает значения Р=1. Выявлена зависимость точности Р от используемого вейвлета (рис. 8). Графики показывают, что чувствительность метода зависит от применяемого вейвлета и класса порока, а также позволяют провести "настройку резкости" с помощью выбора оптимального вейвлета и энергетического порога Т.



Рис. 9. График измерения яркости эталона по длине сканирования

Рис. 10. Изменение скалограммы Ef при изменении яркости f

Следующий этап - испытания метода на пороках, выбранных в главе 3, на суровых тканях производства ОАО "Рождественская мануфактура". Ткань: бязь, арт. 262, плотность (нитей на 10 см) по основе и утку - 228. В диссертации приведены фотографии тканей с пороками. Результаты измерений плотности тканей, классификации пороков, их размеров представлены в таблицах. Средние оценки точности по сериям из n экспериментов сканирования определены как:

погрешность определяется доверительным интервалом:

где t(р, f) - квантиль распределения Стьюдента. Для в=0,95 и f=n-1: . Установлено, что: максимальная ошибка в определении плотности - 3,21 нитей на 10 см, средняя ошибка в определении линейных размеров порока - 0,47± 0,13 см.

Качество и достоверность работы метода обнаружения пороков определяется следующими факторами.

1. Стабильностью выявления порока при колебаниях параметров сканера.

2. Стабильностью различения оптически близких пороков при тех же условиях.

3. Преимуществами методов и алгоритмов на примере выбранной группы пороков тканей по сравнению с визуальной оценкой качества.

Проверка этих характеристик разработанного метода проведена в ходе производственных испытаний в лаборатории ОАО "Трёхгорная мануфактура". Рассмотрим этапы этих испытаний.

Яркость подсветки и чувствительность датчиков сканирующей системы меняются во времени. Мерой их нестабильности служит функция яркости, полученная при оцифровке эталонного образца (рис. 9). Максимальное отклонение яркости от номинального составляет 5 %, т. е. значение яркости может составлять , где =0,9. Коэффициент - поправочный при определении энергетического критерия Т: т.к.

,

то при Т>1,2 порок с необходимостью обнаруживается. Испытания показывают, что порок обнаруживается и классифицируется с точностью 90 % в течение рабочей смены (8 ч).

Различение оптически близких пороков определяется разницей в энергиях сигнала, соответствующих этим порокам. Однако характерный масштаб шага переплетений, позволяющий различать эти пороки, не меняется (рис. 10). Испытания показывают, что выбранные для тестирования пороки классифицируется с точностью 87 % в течение рабочей смены (8 ч).

На третьем этапе в тестировании использовались ткани готовой продукции (табл. 1). Выбранные полотна ткани размера 500140 см, содержащие различные наборы естественных пороков, исследовались как визуально - специалистом с помощью стандартной методики, так и автоматически - с помощью разработанного метода. Достоверность обнаружения и класссификации пороков проверялась заключительной экспертной оценкой при естественном освещении на горизонтальном столе враскидку.

Таблица 1. Ткани с пороками, использованные в тестировании

Наимен.	Арт.	ТО	ГОСТ	Плотность, нитей на 10 см	Пороки
				основа	уток
"Бязь"	262	17-1145-7-92	29298-92	254	216	Близна, рассечка, полоса по основе, полоса по утку, дыра, пятно.
"Репс"	858	17-29298-07ТР-98	29298-92	401	162	Забоина, недосека, полоса по утку, полоса по основе, дыра, пятно.
"Ласковая"	1431	8310-00319144-001-03	29298-92	424	296	Полоса по основе, полоса по утку, уточные петли, дыра, пятно.
"Полотенце"	4394	17-11027-03ТР-99	11027-80	282	175	Дыра, пятно, локальная разнооттеночность.
"Грация"	5060	17-29298-06ТР-98	29298-92	551	224	Дыра, пятно, локальная разнооттеночность.

Начисление баллов за пороки и сортность ткани устанавливались по ГОСТ 161-86. В приложении к диссертации представлены фотографии некоторых исследованных тканей с пороками. Выявлено, что метод работает не только на гладкокрашеных тканях, но и на тканях с рисунком. Анализ испытаний детально проводится в работе. Результаты оценки ошибок при испытаниях приведены в табл. 2.

Основные выводы проведённых экспериментальных исследований:

1. Методика классификации пороков позволяет проводить оценку как суровых, так и готовых тканей. Получен высокий процент (76 % против 60 % при визуальном контроле) верной классификации.

2. Метод поиска обнаруживает большинство известных пороков, их местоположение и характерные линейные размеры даже при отсутствии сведений об их классе в базе данных компьютера.

Таблица 2. Оценка ошибок анализа тканей

Арт.	Плотность ткани, %	Определение класса порока, %	Определение размера порока авт. методом, %	Сорт
	Основа	Уток	Авт.	Виз.
	Авт.	Виз.	Авт.	Виз.
262	3,9	5,5	3,2	6,0	14,3	28,6	7,2	2
858	3,7	5,2	3,7	4,9	14,3	28,6	6,4	2
1431	5,5	6,8	4,4	6,8	14,3	28,6	5,9	2
4394	-	6,5	-	6,8	50,0	50,0	5,1	1
5060	-	6,1	-	6,3	40,0	60,0	5,2	1
Средние оценки					26,58	39,16	5,96

3. Работа алгоритмов устойчива при возникновении случайных колебаний параметров сканирующей системы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ

1. Новый перспективный метод автоматизации процесса разбраковки тканей (см. раздел 2) является более универсальным по сравнению с известными подходами к автоматизированной разбраковке (см. раздел 1). Он позволяет проводить поиск и классификацию пороков внешнего вида не только суровых, но и готовых тканей и, в конечном итоге, определить сортность текстильной продукции, заменяя визуальный контроль качества.

2. Разработанный метод, базирующийся на офтальмологической теории зрения, может применяться не только в текстильной, но и в других областях промышленности (см. раздел 3), где используется визуальный контроль качества.

3. Разработанная методика классификации пороков тканей (см. раздел 3) позволяет проводить достаточно достоверную классификацию пороков (см. раздел 5), а также определять плотность тканых материалов с высокой точностью. автоматизированное обнаружение порок ткань

4. Используемый в методе поиска пороков (см. раздел 2) подход к диагностике цифрового образа материала с точки зрения теории нестационарных сигналов позволяет использовать эффективность методологии, отработанной практикой различных исследований. Построчное исследование изображения позволяет сократить время работы алгоритма (см. раздел 4) предварительной диагностики изображения с целью выявления структуры материала и общей картины наличия пороков.

5. Разработанные исследовательские алгоритмы и программы (см. раздел 4) позволяют провести прикладные исследования по анализу тканых материалов. Универсальность алгоритмов позволяет реализовать их на любом языке программирования высокого уровня.

6. Компьютерная обработка изображения, выявление и классификация пороков тканей с помощью вейвлет-декомпозиции функций яркости изображения явились эффективным средством исследования. Использование различных типов известных вейвлетов (см. 2.3) позволяет анализировать практически любой сигнал и проводить классификацию локальных пороков материала (см. раздел 3), необходимую для определения сортности ткани.

7. Созданная для прикладных исследований тканей лабораторная установка (см. раздел 5) основана на принципе использования серийных технологий, что существенно уменьшает время разработки и стоимость её промышленного аналога.

8. Метод автоматизированной разбраковки тканей успешно проверен в ряде прикладных исследований по обнаружению и классификации (см. раздел 3) пороков внешнего вида промышленных образцов готовых тканей (см. раздел 5), что является решающим фактором для его включения как составляющей в общий технологический процесс производства текстиля.

Таким образом, в рамках поставленной задачи проведён логически завершённый комплекс исследований, которые могут быть использованы для создания опытных образцов системы автоматического контроля качества тканей, интегрированной в производство.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ

1. Агафонов В.И. Определение местных пороков тканей с помощью вейвлетов / В.И. Агафонов, М.И. Сёмин // Известия вузов. Технология текстильной промышленности. - 2008. - №3. - С. 11-13.

2. Агафонов В.И. Определение местных пороков тканей на базе визуальной информационной системы / В.И. Агафонов, М.И. Сёмин // Современные информационные технологии. Сб. научн. тр. - вып. 2. - М.: РосЗИТЛП. - 2006. - С. 61-67.

3. Агафонов В.И. Математические методы определения местных пороков ткани в текстильной промышленности / В.И. Агафонов, М.И. Сёмин // Современные проблемы текстильной и лёгкой промышленности. Тез. докл. Межвуз. научн.-техн. конф. - М.: РосЗИТЛП. - 2006. - С. 141.

4. Агафонов В.И. Методы и средства определения местных пороков ткани в текстильной промышленности / В.И. Агафонов // Новое в науке, технике и производстве текстильной промышленности. Сб. научн. тр. - вып. 3. - М.: РосЗИТЛП. - 2007. - С. 320-323.

Размещено на Allbest.ru

...