Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Реферат

Система контроля качества, матричный фотоприбор, уточная нить, методы.

Цель работы - исследование цифровой измерительной системы контроля качества текстильных материалов на базе матричных фотоприборов с зарядовой связью.

При проведении технологических операций по отделке тканей распространенными дефектами являются перекос уточных нитей и отклонение плотности ткани от заданной. Присутствие этих дефектов существенно снижает качество выпускаемой продукции. На долю перекоса уточных нитей приходится около 30 % от общего количества брака. Не менее важным является поддержание заданной плотности ткани. В связи с этим актуальной является задача исследования и разработки цифровой системы контроля качества текстильного материала. В настоящее время создание таких систем сдерживается недостаточной эффективностью устройств сбора информации о качестве текстильного материала. Это говорит о необходимости поиска новых возможностей совершенствования технических характеристик этих устройств.

Содержание

Введение

1. Анализ методов улучшения качества изображения

1.1 Подготовка утка

1.2 Причина перекоса уточных нитей

1.3 Критерии качества изображения

1.4 Теория повышения качества изображений

1.5 Обзор методов цифровой обработки изображений

1.6 Ранговые алгоритмы

1.7 Разностные методы

1.8 Гистограммные методы

1.9 Метод локальных контрастов

1.10 Координатный метод анализа изображения

1.11 Спектральный метод анализа изображения

2. Структурная схема

2.1 Основные параметры элементов

2.2 Требуемая разрешающая способность матрицы

2.3 Обеспечение возможности работы на движущейся ткани

3. Расчётная часть

3.1 Расчёт блока питания

3.2 Расчет мостовой схемы выпрямления

3.3 Расчет трансформатора

4. Анализ эффективности использования различных прикладных программ для улучшения качества изображений

4.1 Adobe Photoshop

4.2 Adobe Premiere Pro

4.3 MATLAB

5. Компьютерное моделирование обработки изображений

5.1 Способы представления изображений

5.2 Функции MATLAB

5.3 Подавление шумов на изображениях

5.4 Технология повышения контрастности изображений

5.5 Метод обнаружения краев изображения

6. Систематизация рекомендаций по применению методов для улучшения качества изображения

6.1 Общие рекомендации по применению методов

6.1.1 Эквализация

6.1.2 Контрастирование

6.1.3 Выделение контуров

6.1.4 Подавление шума

7. Экономическая часть

7.1 Технико-экономическое обоснование проекта

7.2 Заключение о рыночном состоянии отрасли и конкуренции

7.3 Расчет текущих затрат

7.4 Финансовые показатели результативности

7.5 Источники финансовой результативности проекта

7.6 Оценка экономической эффективности инвестиционного проекта

7.7 Заключение

8. Охрана труда

8.1 Охрана труда на предприятии

8.2 Надзор и контроль за состоянием охраны труда на предприятии

8.2.1 Общественный контроль

8.2.2 Ступени оперативного контроля

8.2.3 Виды ответственности

8.2.4 Виды инструктажей по охране труда

8.3 Роль освещения для здоровья человека

8.4 Системы производственного освещения и требования к ним

8.5 Основные требования к производственному освещению

8.6 Естественное освещение

8.7 Естественное и искусственное освещение

8.8 Общее освещение помещения

8.9 Мерцание и стробоскопический эффект

Заключение

Список использованных источников

Введение

Основным направлением развития современного, производства является возрастание требований к качеству выпускаемой продукции. Наиболее высокие требования к качеству продукции предъявляются в отделочном производстве. Для этого этапа производства характерны значительные материальные и энергетические затраты. Кроме того, продукция отделочного производства непосредственно оценивается потребителем и поэтому должна быть высокого качества. Естественным путем повышения качества продукции является автоматизация технологического оборудования.

При проведении технологических операций по отделке тканей распространенными дефектами являются перекос уточных нитей и отклонение плотности ткани от заданной. Присутствие этих дефектов существенно снижает качество выпускаемой продукции. На долю перекоса уточных нитей приходится около 30 % от общего количества брака. Не менее важным является поддержание заданной плотности ткани. В связи с этим актуальной является задача исследования и разработки цифровой системы контроля качества текстильного материала. В настоящее время создание таких систем сдерживается недостаточной эффективностью устройств сбора информации о качестве текстильного материала. Это говорит о необходимости поиска новых возможностей совершенствования технических характеристик этих устройств.

В данной работе необходимо выполнить следующие задачи:

- проанализировать эффективность применения матричных фотоприборов с зарядовой связью в качестве первичных преобразователей перспективных систем контроля качества продукции текстильной и легкой промышленности;

- в данной работе будут рассмотрены такие методы как, методы подавления шумов, методы подчёркивания границ и выделения контуров, методы градационной фильтрации, контрастирования и эквализации гистограмм;

- необходимо проанализировать данные методы и выработать рекомендации по способу их применения для улучшения изображений;

- на конкретных изображениях с помощью прикладных программ необходимо смоделировать рассмотренные методы и проверить данные рекомендации, чтобы сформулировать выводы к работе.

1. Анализ методов улучшения качества изображения

1.1 Подготовка утка

Уток - система нитей, которые в ткани располагаются поперёк длины куска, проходя от одной кромки к другой.

Зачастую от утка не требуется такой крепости, как от основы, поэтому ему придают большую гибкость, чтобы он свободнее укладывался между нитями основы, а также пушистость, чтобы он заполнял промежутки между нитями и делал ткань плотнее на просвет. Поэтому уточную пряжу крутят гораздо слабее, чем основу. В то же время иногда по техническим условиям к конечному продукту (ткани) уток должен обладать прочностью, не уступающей основе. В этом случае уточные нити выпускаются также с высокой круткой, а также иногда и шлихтуются (а также замасливаются, если речь идёт о филаментной нити из полимеров или стекла).

1.2 Причины перекоса уточных нитей

Перекос уточных нитей (перекос утка) -- это неперпендикулярное расположение нитей по отношению к основным на всей ширине ткани или на её части.

Образование перекосов на движущей ткани может быть следствием в основном 2-х причин:

- различные по ширине участки ткани имеют разные скорости движения или транспортировки;

- различные по ширине участки ткани проходят разные длины путей (движение по дуге и т.п.).

Возможно также совместное действие этих причин.

Диагональные перекосы возникают в основном из-за разной степени натяжения кромок тканей при обработке их расправленным полотном. Чаще всего причиной таких перекосов являются тканенаправляющие ролики с непараллельными осями (перекошенные ролики). Если оси роликов лежат в одной плоскости, то они вызывают перекос ткани в большей степени, чем ролики, оси которых лежат в разных плоскостях. Различные по форме перекосы могут быть вызваны неодинаковой степенью прижима полотна ткани по кромкам в жалах валов тканенаправляющими роликами, имеющими неправильную цилиндрическую форму, косыми или волнистыми швами при сшивке полотен ткани, повышенным натяжением ткани, повышенным трением полотна в местах перегиба, неравномерностью потока воздуха при сушке, неравномерностью сушки нитей основы при шлихтовании и ряд других причин.

Различные скорости участков ткани могут создаваться также из-за неравномерного прижатия валов по ширине ткани, загрязнения участков валов или роликов, неравномерной выработки валов, при жгутовой обработке вследствие трения различными участками ткани о ведущие и ведомые валы, при транспортировке жгута в направляющих кольцах и т.д.

Возникновение перекосов уточных нитей может происходить уже в ткацком производстве. Однако в основном перекосы образуются в процессе отделки тканей.

Наибольшее количество перекосов в отделочных фабриках дают, как правило, отбельные цеха; много перекосов образуется в красильно-заварочных и аппаратурно-отделочных цехах. Необходимо отметить, что распределение перекосов по цехам, их количество и величина зависят от системы контроля за перекосами на каждой фабрике, от количества и места установки приспособлений и устройств правки перекосов утка, а также культуры производства на данном участке, цехе и всей фабрике.

Ткани с перекосом утка считаются браком и могут привести к следующим нежелательным явлениям: при пошиве одежды, после раскроя ткани с перекошенными уточными нитями, в месте шва может не совпадать рисунок, особенно клетки; может изменяться форма раскроя; может измениться внешний вид сшитой одежды из-за деформации ткани с перекошенными уточными нитями; при поступлении на печать ткани с перекошенными уточными нитями происходит несовпадение геометрического печатного рисунка с направлением уточных нитей, что в дальнейшем приводит к искажению рисунка и т.д.

По причине перекосов уточных нитей понижается сортность более 20 % тканей от общего количества выпускаемых тканей 2-го сорта или около 1 % от общего количества выпускаемых хлопчатобумажных и штапельных тканей, а также велик процент переправы из-за перекосов утка.

Для управления устройствами исправления перекоса необходимо их оснащение системами контроля, способными непрерывно определять пространственное положение уточных нитей в ходе процесса отделки ткани [1].

1.3 Критерии качества изображения

Цель процесса повышения качества изображения состоит в том, чтобы снимок «выглядел лучше». Неудивительно поэтому, что если цель намечена неоднозначно, то и методы, применяемые для повышения качества изображений, оказываются весьма разнообразными. Субъективные суждения о том, что изображение «выглядит лучше», связаны также с критериями, зависящими от предназначения изображения (изображение должно «выглядеть лучше» применительно к определенной задаче). Если использование изображения связано с точным анализом или количественными измерениями, то радикальные операции, приводящие к значительному изменению пространственных или яркостных соотношений в изображении, могут оказаться неприемлемыми. С другой стороны, если изображение применяется только для субъективных целей, то допустимы операции, существенно изменяющие пространственные или яркостные соотношения или же и те и другие, но в целом улучшающие субъективное восприятие изображения. Следовательно, для повышения качества изображения можно применять широкий круг методов; пригодность каждого из них зависит от целей повышения качества данного изображения.

Очень часто окончательную оценку изображения делает человек. Если бы человеческое зрение было идеальным и отвечало на световое воздействие с абсолютной точностью и совершенной линейностью, то его можно было бы и не изучать. Однако система зрения человека обладает нелинейной характеристикой, а ее отклик не является абсолютно верным. Важность этих положений для получения изображений признана довольно давно, однако они не в полной мере использовались при обработке изображений. Поэтому прежде чем говорить об улучшении качества изображения, нужно сказать о том, какими характеристиками обладает зрение человека, чтобы в большей мере использовать возможности, которыми можно воздействовать на человека.

Одной из характеристик системы зрения человека является способность восприятия яркости света. Эксперименты по определению восприятия людьми минимально различимых градаций яркости света, поступающего от калиброванного источника, показали, что яркость света воспринимается глазом нелинейно. Если начертить график зависимости величины этой минимально различимой градации яркости от эталонной яркости, то при изменении яркости в пределах нескольких порядком этот график имеет логарифмический характер. Такие субъективные экспериментальные результаты согласуются с объективными данными, полученными в экспериментах на животных, в которых было показано, что светочувствительные клетки сетчатки и оптический нерв возбуждаются с частотой, пропорциональной логарифму интенсивности подводимого к ним света. По вполне понятным причинам подобные объективные измерения на людях не проводились. Тем не менее объективные данные для животных и субъективные показания для людей более чем убедительно подтверждают вывод о том, что яркость света воспринимается по логарифмическому закону.

Другой отличительной характеристикой системы зрения человека является ее пространственно-частотный отклик. Импульсный отклик глаза, рассматриваемого в виде двумерной линейной системы (т.е. линейной после начального логарифмического преобразования интенсивности наблюдаемого света), не является - функцией Дирака. Реакция глаза на приходящее световое поле описывается аппаратной функцией, сечение которой показано на рисунке 1.1(а). Острый центральный пик и отрицательные боковые лепестки импульсного отклика глаза показывают, что глаз обрабатывает пространственные частоты так же, как фильтр верхних частот. Точная форма частотной характеристики глаза исследовалась с помощью ряда психовизуальных экспериментов; было показано, что глаз подавляет низкие и ослабляет высокие пространственные частоты. В грубом приближении пространственно-частотный отклик глаза имеет полосовой характер. Подобная характеристика (рисунок 1.1 б), например, была получена в ряде экспериментов, проведенных Манносом и Сакрисоном.

Рисунок 1.1 - Сечения глаза человека. (a - сечение (осеcимметричной) аппаратной функции глаза человека; б - сечение (осесимметричной) частотной характеристики глаза человека)

Наконец, особенностью зрения человека является способность к насыщению, т.е. к ограничению отклика при очень больших или очень малых интенсивностях наблюдаемого светового потока. Перечисленные свойства системы зрения можно описать моделью, представленной в виде блок - схемы на рисунке 1.2. Однако данная модель совершенно не отражает других известных свойств системы зрения. Например, есть сведения, что некоторые стороны процесса восприятия изображения можно объяснить только наличием не одной, как на рисунке 1.2, а нескольких линейных систем, включенных параллельно, т.е. в рамках модели с частотными каналами. Другие визуальные явления (такие, как иллюзия одновременного контраста) указывают, что логарифмическое преобразование, введенное в блок-схеме, является слишком большим упрощением. Но, несмотря на известные недостатки, представленная модель, является полезной, поскольку она:

· объясняет ряд важных явлений, таких, как восприятие яркости света и полосы Маха;

· указывает, что в системе зрения содержатся некоторые элементы системы обработки информации. В частности система зрения человека, по-видимому, выполняет некоторые операции гомоморфной обработки информации [2].

Рисунок 1.2 - Блок-схема системы зрения человека

Полезно связать логарифмическое преобразование изображения, выполняемое глазом, с рассмотренным ранее вопросом о плотностном и яркостном изображениях. Можно заметить, что поскольку яркость света воздействует на глаз по логарифмическому закону, глаз воспринимает изображение как плотностное, если даже оно представлено (с помощью устройства отображения) в виде яркостного изображения.

Представляется логичным воспользоваться моделями системы зрения человека при анализе возможных применений цифровой обработки изображений. Однако это делать нужно осторожно, так как система зрения человека настолько сложна, что необоснованное применение упрощенных моделей зрения может принести больше вреда, чем пользы.

1.4 Теория повышения качества изображений

Множество подходов к улучшению изображений распадается на две большие категории: методы обработки в пространственной области (пространственные методы) и методы обработки в частотной области (частотные методы). Термин пространственная область относится к плоскости изображения как таковой, и данная категория объединяет подходы, основанные на прямом манипулировании пикселями изображения. Методы обработки в частотной области основываются на модификации сигнала, формируемого путем применения к изображению преобразования Фурье. Наряду с этим не являются бесполезными и технологии, базирующиеся на различных комбинациях методов из данных двух категорий.

Термин пространственная область относится к множеству пикселей, составляющих изображение. Пространственные методы суть процедуры, оперирующие непосредственно значениями этих пикселей. Процессы пространственной обработки описываются уравнением:

g(x,y) = T[f(x,y)], (1.1)

где f(х, у) -- входное изображение, g(x, у) -- обработанное изображение, а T -- оператор над f, определенный в некоторой окрестности точки (х, у). Более того, T может оперировать над последовательностью входных изображений, например, выполняя поэлементное суммирование.

Рисунок 1.3 - Окрестность 3x3 вокруг точки (х, у)

Главный подход в определении окрестности вокруг точки (х, у) заключается в использовании квадратной или прямоугольной области -- подмножества изображения, центрированного в точке (х,у), как показано на рисунке. Центр данного подмножества передвигается от пикселя к пикселю, начиная, скажем, с верхнего левого угла. Оператор T выполняется в каждой точке (х,у), давая в результате выходное значение g для данной точки. Процесс использует только пиксели внутри области изображения, ограниченной некоторой окрестностью. Квадратные или прямоугольные массивы являются, безусловно, наиболее распространенными из-за простоты их реализации, хотя иногда применяются окрестности другой формы, например, приближающиеся к кругу.

Простейшая форма оператора T достигается в случае, когда окрестность имеет размеры 1x1 (т.е. один пиксель). В этом случае g зависит только от значения f точке (х,у), и T становится функцией градационного преобразования (также называемой функцией преобразования интенсивностей или функцией отображения) вида:

s=T(r) , (1.2)

где, для простоты обозначения, r и s суть переменные, обозначающие, соответственно, значения яркостей изображений f( х, у) u g(x, у) в каждой точке (х, у). Например, если Т(r) имеет вид, показанный на рисунок 1.3, то эффект от такого преобразования выразится в получении изображения более высокого контраста по сравнению с оригиналом, а также в затемнении пикселей со значениями меньшими m и повышении яркостей пикселей со значениями большими m на исходном изображении. В этом методе, известном как усиление контраста, значения r меньшие m при приближении к уровню черного сжимаются с помощью функции преобразования во все более узкий диапазон s. Обратный эффект имеет место для значений r, больших m.

В предельном случае, показанном на рисунке 1.4 (б), Т(r) дает в результате двух-градационное (бинарное) изображение.

Рисунок 1.4 - Градационное преобразование для улучшения контраста (а - гипотетическая функция преобразования T(r); б - предельный случай T(r))

Отображение такой формы называют пороговой функцией. С помощью градационных преобразований могут быть построены некоторые довольно простые, но действенные методы обработки изображений. Поскольку результат улучшения каждого элемента изображения зависит только от яркости этого же элемента, методы данной категории часто относят к процедурам поэлементной обработки.

Увеличение размеров окрестности приводит к значительно большей гибкости. Принцип заключается в том, что для нахождения значения g в некоторой точке (х, у), используются значения функции f внутри некоторой окрестности заранее заданной формы, окружающей точку (х, у). Один из основных подходов в такой постановке базируется на использовании так называемых масок (также упоминаемых как фильтры, ядра, шаблоны или окна 1). Чаще всего маска представляет собой небольшой двумерный массив, значения коэффициентов маски внутри которого определяют существо процесса, например, повышение резкости изображения. Методы улучшения, базирующиеся на таком подходе, часто относят к обработке по маске или фильтрации по маске.

1.5 Обзор методов цифровой обработки изображений

Все основное множество методов, которые решают данные задачи, делится на методы обработки в частотной и пространственной областях. Для обработки изображений в пространственной области наибольшее распространение получили методы:

· Ранговые алгоритмы

· Разностные методы

· Гистограммные методы

· Метод локальных контрастов

· Координатный метод анализа изображения

· Спектральный метод анализа изображения.

К преимуществам методов обработки изображений в пространственной области относится возможность быстрой обработки в масштабе реального времени, а к недостаткам - ограниченность функциональных возможностей и недостаточная эффективность. При рассмотрении методов обработки изображений всегда остро стоит вопрос выбора критериев оценки качества их преобразования. Хотя способы обработки изображений в частотной области и достаточно развиты, но требуют значительных вычислительных затрат и для решения практических задач применяются реже.

1.6 Ранговые алгоритмы

Существующие методы цифровой обработки изображений с позиций использования вычислительных средств можно разделить на две категории - структурированные и неструктурированные методы.

Структурированные методы - такие, которые построены на использовании крупных вычислительных (программных) блоков, оперирующих векторами отсчетов, а не отдельными отсчетами изображений. Cреда MATLAB позволяет реализовывать методы обработки изображений, оперирующие не только с векторами, но и с массивами отсчетов.

Неструктурированные методыте, которые нельзя представить более крупными стандартными блоками, чем обычные для существующих цифровых вычислительных машин арифметико-логические операции над отдельными отсчетами сигналов. Неструктурированные методы, как правило, возникают на начальной стадии поиска решения содержательных задач обработки изображений и по мере нахождения решения перерастают в структурированные.

Рассмотрим класс структурированных нелинейных алгоритмов, которые осуществляют преобразование вида:

(1.3)

где - нелинейная функция, которая определяется некоторым подмножеством рангов и (или) порядковых статистик выборки, образованной отсчетами сигнала из некоторой окрестности данного элемента, в последовательности упорядоченных отсчетов сигнала. Поэтому класс алгоритмов называется ранговыми алгоритмами.

Преимуществом ранговых алгоритмов является их отличие от методов линейной фильтрации, они лишены такого характерного недостатка как пространственная инерционность, которая заключается в том, что при использовании линейных фильтров влияние отдельных деталей изображения проявляется на результирующем изображении на расстоянии порядка размеров апертуры фильтра. Это заметно в частности в размывании границ деталей при сглаживании изображений, в искажении формы деталей при их выделении из фона и т.п.

На первый взгляд может показаться, что вследствие переупорядочивания данных в вариационный ряд ранговые алгоритмы не используют пространственных связей между элементами изображений, и это является принципиальным недостатком. Действительно, ранговые алгоритмы инвариантны к пространственным связям и даже к размерности сигнала. Однако, как ни удивительно, это свойство является не недостатком, а преимуществом ранговых алгоритмов, еще одной стороной их адаптивного характера.

Пространственные связи между элементами изображения, определяемые, например, принадлежностью их к одной детали, проявляют себя в вариационном ряду через параметры условной гистограммы распределения значений сигнала в окрестности данного элемента.

Ранговые алгоритмы могут использоваться во всех процедурах обработки изображений - стандартизации, сглаживания, усиления детальности, выделения объектов из фоновой части, выделения границ, определения статистических характеристик и т.д.

Ранговые алгоритмы локально-адаптивны по своей сути, поскольку их параметры являются функциями локальной характеристики изображений - локальной гистограммы. Термин "ранговые алгоритмы" в обработке изображений появился относительно недавно, когда множество алгоритмов, которые фактически относятся к классу ранговых, были уже достаточно известны. Для фильтрации импульсных помех и сглаживания изображений давно используется предложенный Тьюки алгоритм медианной фильтрации. Известны также алгоритмы экстремальной фильтрации, которые используют значения минимума и максимума в окрестности. Все эти алгоритмы можно рассматривать как частные случаи широкого класса ранговых алгоритмов.

Методы ранговых преобразований позволяют осуществить нелинейное усиление высокочастотной составляющей изображения. Это приводит к повышению детальности изображений, однако сопровождается уменьшением контрастности тонкоструктурных объектов. Возможным вариантом устранения этого недостатка является использование взвешенных ранговых преобразований.

Кроме применений для сглаживания, усиления детальности, выделения деталей изображений и границ деталей, ранговые алгоритмы можно употреблять для решения многих других задач обработки изображений, в частности, для диагностики статистических характеристик искажений видеосигнала, стандартизации изображений, определения статистических характеристик видеосигнала и измерения текстурных признаков.

Одним из наиболее простых примеров ранговой обработки изображений является медианная фильтрация. Преимуществом данного алгоритма является простота его реализации. К недостаткам же относится то, что сглаживание изображений с помощью медианной фильтрации приводит к устранению границ деталей изображения [3].

1.7 Разностные методы

Психофизические эксперименты показывают, что фотографическое или телевизионное изображение с подчеркнутыми границами часто воспринимается субъективно лучше, чем фотометрически совершенная продукция. Процедуру подчеркивания границ реализуют с использованием методов нечеткого маскирования (разностных методов).

Суть этих методов состоит в следующем. Исходное изображение сканируют двумя апертурами с различной разрешающей способностью. В одной апертуре разрешающая способность отвечает норме, а во второй - ниже нормы. В результате образуются два массива: массив элементов изображения и массив элементов нечеткого изображения . Результат формируется путем вычитания изображений по алгоритму:

(1.4)

где - коэффициент пропорциональности. Оставляющей риантом этого метода является выражение:

(1.5)

где - коэффициент усиления контрастности; - среднеарифметическое значение яркостей элементов скользящей апертуры с центром в элементе с координатами размером элементов. В зависимости от размеров апертуры скользящего окна результат действия разностных методов находится в пределах от локального усиления контуров до выравнивания общего фона на изображении. Существуют другие, более сложные модификации метода нечеткого маскирования. К таким методам можно отнести методы коррекции фоновой составляющей, на которую накладывается высокочастотная текстура объектов и деталей изображения. Использование этого подхода приводит к усилению локальных контрастов деталей различных размеров и улучшению визуального восприятия изображений. Известны также методы представления детальной с изображения через локальный контраст. Они позволяют создавать новые классы методов нечеткого маскирования, базирующиеся на нелинейных преобразованиях локальных контрастов. Это в свою очередь говорит об общности различных методов преобразования контрастности изображений.

Изображения, которые формируются во время различных исследований, часто не используют весь диапазон возможных градаций яркостей. Это предопределяет их низкую информативность. Контрастность изображения, яркости элементов которого расположены в узком промежутке возможных значений, низкая. Один из методов повышения качества таких изображений состоит в нелинейном преобразовании значений видеосигнала, в частности, в расширении области используемых значений градаций яркости на максимально возможный диапазон. Часто в основе таких преобразований лежит линейное растяжение или гамма-коррекция. Благодаря простой программной реализации и относительно высокому быстродействию, этот метод получил широкое применение. Преобразование, реализующее растяжение (рисунок 1.5):

Рисунок 1.5 - Линейное растяжение яркостей элементов изображения

, (1.6)

где , - соответственно минимальная и максимальная яркости элементов изображения;- элемент изображения с координатами ; R - максимальное значение яркости элементов изображения.

Выражение (1.6) осуществляет одинаковое растяжение для элементов разной яркости.

Методы линейного растяжения и гамма-коррекции являются базовыми при построении табличных методов. Они имеют ряд недостатков, среди которых слабая адаптация к характеристикам конкретного изображения, поскольку в качестве характеристик изображения они используют лишь минимальное и максимальное значения яркостей его элементов. Вместе с тем никак не учитываются локальные особенности изображения и структура распределения яркостей элементов. С другой стороны, по закону формирования уровня адаптации зрительный механизм человека приспосабливается к определенному уровню яркости объекта. В этом случае уровень яркости отвечает усредненной яркости всех элементов изображения:

, (1.7)

где - размеры изображения .

Методы линейного растяжения и гамма-коррекции имеют еще один существенный недостаток, который состоит в том, что если яркости элементов изображения занимают максимально допустимый диапазон, а яркости элементов важных деталей - узкий промежуток, то улучшить контраст таких объектов этими методами достаточно тяжело. Использование других методов, которые решили бы эту задачу, связано с увеличением вычислительной сложности.

Итак, если динамический диапазон яркостей элементов изображения в целом приемлем, но значения градаций информативно важных объектов не распределены равномерно во всем промежутке, тогда методы растяжения не дают эффективного усиления контрастности. В качестве решения этой проблемы предложен метод кусочного растяжения с фиксацией узловой точки. Этот метод является обобщением известных методов растяжения и имеет более широкие функциональные возможности относительно улучшения разных классов изображений. Это касается, в первую очередь, изображений, динамический диапазон яркостей которых в общем приемлемый, а диапазон яркостей информативной части - узкий. В целом предложенный подход к преобразованию изображений позволяет существенно повысить эффективность их обработки простыми алгоритмическими средствами. Он служит основой построения быстрых методов повышения контраста изображений.

Экспериментальные исследования предложенного метода показали его преимущества в сравнении с известными методами того же класса.

1.8 Гистограммные методы

Гистограмма распределения яркостей реального изображения, подвергнутого линейному квантированию, имеет ярко выраженный подъем в сторону малых уровней. Поэтому мелкие детали на темных участках видимы плохо, а сами изображения характеризуются низким контрастом. С целью повышения контраста таких изображений используют методы видоизменения гистограммы. Суть этих методов состоит в преобразовании яркостей исходного изображения таким образом, чтобы гистограмма распределения яркостей приобрела желательную форму.

Оптимальным с точки зрения зрительного восприятия человеком является изображение, элементы которого имеют равномерное распределение яркостей. Множество исследователей получили ряд улучшенных изображений путем выравнивания гистограммы, то есть в каждом случае они стремились достичь равномерности распределения яркостей обработанного изображения. Процедура выравнивания гистограммы состоит из следующих действий:

1. Вычисляется гистограмма распределения яркостей элементов изображения;

2. Строится нормированная кумулятивная гистограмма;

3. Формируется новое изображение.

Это преобразование эффективно для улучшения визуального качества низко контрастных деталей. Существует также ряд известных методов видоизменения гистограммы, которые приводят к получению изображений с заранее заданным распределением. Описанные методы преобразования гистограммы могут быть глобальными, то есть использовать информацию обо всем изображении, и скользящими, когда для преобразования используются локальные области изображения. Рассмотренные выше подходы служат основой широкого класса гистограммных методов преобразования изображений.

1.9 Метод локальных контрастов

Одной из наиболее удобных форм представления информации является изображение. Существуют различные подходы к визуализации. Одним из существенных недостатков этих методов является то, что в большинстве своем они обеспечивают формирование слабоконтрастных изображений. Это вызывает необходимость развития методов их обработки. Поэтому основная цель методов улучшения состоит в преобразовании изображений к более контрастному и информативному виду. Довольно часто на изображении присутствуют искажения в определенных локальных областях, которые вызваны дифракцией света, недостатками оптических систем или расфокусировкой. Это порождает необходимость выполнения локальных преобразований изображения.

Рассмотрим известную технологию повышения качества изображений, которая основывается на преобразовании локальных контрастов. Основная ее идея состоит в том, что для каждого элемента изображения сначала определяется локальный контраст, а потом происходит его нелинейное усиление и восстановление яркости данного элемента изображения из уже скорректированного локального контраста.

Рассмотренный метод является классическим примером методов класса преобразования локальных контрастов. Эти методы позволяют решать задачи не только улучшения визуального качества изображений, но и реализовывать как высокочастотную, так и низкочастотную фильтрацию с помощью применения различных функций преобразования локальных контрастов.

Контрастирование может использоваться как для улучшения изображений. Как правило, при контрастировании преобразуется и яркость. Основное правило для оценки применимости контрастирования: монотонно нарастающие характеристики преобразования яркости в основном используются для повышения качества изображений. Контрастирование может применяться как для ахроматических, так и для цветных изображений.

1.10 Координатный метод анализа изображения

Как первичный преобразователь оптической информации фотоприбор с зарядовой связью (ФПЗС) обладают целым рядом положительных свойств, к которым можно отнести: высокую разрешающую способность, малые габариты и стоимость, высокую надежность, а также, что наиболее важно, эти приборы представляют возможность получать обширную информацию о контролируемом объекте.

Отмеченные свойства совместно с использованием современных средств микропроцессорной техники позволят разрабатывать эффективные системы сбора первичной информации. В подобных оптоэлектронных системах выделение интересующей информации об объекте контроля в основном возлагается на математические и алгоритмические методы обработки получаемых от ФПЗС первичных изображений. Это позволяет создавать гибкие автоматизированные системы, способные быстро адаптироваться к изменяющимся условиям современного производства. Использование матричных ФПЗС (по сравнению с линейными) позволяет создавать более универсальную аппаратуру, а так же избежать необходимости решения задачи синхронизации с движущимся полотном ткани, так как матричные ФПЗС предоставляют для анализа целостностное двумерное изображение контролируемого объекта. В качестве аппаратурной части таких систем могут использоваться серийно выпускаемые ФПЗС преобразователи и микроэлектронные средства цифровой обработки сигналов.

На рисунке 1.6 изображена возможная схема системы для обнаружения и устранения дефектов шва с использованием матричных ФПЗС. Отраженный от поверхности ткани световой поток, несущий информацию о структуре ткани, воспринимается матричными ФПЗС преобразователями 1.

Преобразователи формируют электронное изображение исследуемого участка поверхности ткани, которое преобразуется посредством АЦП 2 в цифровую форму в виде матрицы чисел, пропорциональных освещенности элементов матрицы ФПЗС и образующих цифровое изображение участка поверхности ткани. Полученные цифровые изображения поступают на обработку в ЭВМ 3. В ЭВМ с помощью разработанных алгоритмов из полученных цифровых изображений выделяется информация о расположении уточных нитей, а следовательно, и о дефекте шва. Далее на основании данных о величине и знаке перекоса утка формируется управляющее воздействие на механизм правки утка 4. Посредством блока управления осветителями 6 имеется возможность оперативной коррекции режима работы осветителями 5. Результаты дефекта шва могут быть так же выведены на индикатор 7.

Рисунок 1.6 - Cхема правки утка и измерения плотности ткани с использованием матричных ФПЗС (1 - фотоприемники на ФПЗС; 2 - АЦП; 3 - ЭВМ; 4 - механизм правки утка; 5 - осветители; 6 - блок управления осветителями; 7 - индикатор; 8 - ткань)

Основной исследовательской задачей, возникающей при разработке систем правки перекоса дефектов шва с использованием матричных фотоприборов с зарядовой связью (ФПЗС), является разработка методик анализа первичных цифровых изображений с целью выделения информации о дефекте шва.

Разрабатываемые алгоритмы должны обеспечивать устойчивое и достоверное измерение величины и знака перекоса уточных нитей, а также и плотности ткани для широкого ассортимента тканой продукции, в том числе и для тканей со сложными типами переплетений. Причем, к разрабатываемым алгоритмам анализа цифровых изображений должны быть предъявлены жесткие требования по быстродействию, что необходимо для обеспечения работы системы в реальном масштабе времени с учетом необходимости обработки большого объема информации. Время, затрачиваемое на анализ первичного цифрового изображения для рассматриваемой системы регулирования, является чистым запаздыванием и поэтому оно должно быть минимальным. Отмеченные требования накладывают существенные ограничения на разрабатываемые алгоритмы обработки изображений. Применяемые для анализа изображения алгоритмы должны обеспечивать высокую скорость анализа. При обработке зашумленных цифровых изображений, а так же при работе на тканях со сложными типами переплетений требуется предварительная обработка изображений для устранения зашумленности и адаптации к рисункам переплетений. Это приводит к дополнительному увеличению времени анализа изображения и, соответственно, времени запаздывания в системе регулирования, изображенной на рисунке 1.6.

Указанные требования говорят о необходимости разработки высокоэффективных алгоритмов анализа изображений, удовлетворяющих таким противоречивым требованиям, как высокая достоверность результатов анализа для широкого ассортимента тканей и высокая скорость обработки реальных сигналов, необходимая для обеспечения возможности работы системы регулирования в реальном масштабе времени .

Координатный метод обеспечивает большую, по сравнению со спектральным методом, скорость обработки информации. Спектральный метод обладает преимуществами при обработке зашумленных изображений, а так же при работе на тканях со сложными типами переплетений.

Матричный ФПЗС преобразователь представляет собой матрицу светочувствительных элементов размера N х К. Для выполнения анализа матрица ФПЗС ориентируется относительно ткани так, как показано на рисунке 1.7.

В общем случае процесс преобразования оптического сигнала е(х,у), осуществляемый матрицей ФПЗС, можно представить следующим образом:

Е(i,j)=kе(iТ_ДХ,jТ_ДУ), (1.8)



Рисунок 1.7 - Ориентация матрицы ФПЗС относительно ткани

где: Е(i,j) - выходной сигнал матрицы, k - коэффициент пропорциональности.

Применительно к решаемой задаче анализа двумерное изображение удобней рассматривать как совокупность одномерных сигналов, измеренных вдоль строк изображения:

Е_j(i)=ke_j(1Т_Дx), j=0чN-1. (1.9)

Характерный вид сигнала E_j(i) одной из строк изображения представлен на рисунке 1.8.

Представленный сигнал соответствует реальному образцу ткани с полотняным переплетением. При этом матрица ФПЗС воспринимает отраженный от поверхности ткани световой поток.



Рисунок 1.8 - Фрагмент сигнала E_j(i)

Сигнал E_j(i) рассматривается как сумма полезной составляющей a(i) и составляющей A(i), обусловленной общей интенсивностью освещения. Считается, что составляющая a(i) обусловлена присутствием уточных нитей. Причем уточным нитям соответствуют положительные полуволны составляющей a(i) с амплитудами а_k. Реальные сигналы E_j(i) характеризуются непостоянством величины составляющей A(i) и значительным разбросом амплитуд положительных полуволн а_k, соответствующих различным нитям утка.

В соответствии с координатной методикой, определение положения уточных нитей осуществляется следующим образом: идентифицируются координаты расположения уточных нитей. Идентифицированные координаты уточных нитей связываются в множества, соответствующие одноименным нитям утка [4].

За координаты уточных нитей принимаются координаты точек локальных максимумов i_o^k (смотреть рисунок 1.3) сигнала E_j(i), где j=0чN-l.

С учетом дискретного характера задачи точка i_o^k считается точкой локального максимума, если для нее выполнено условие:

Е_j(i₀^k-1)?Е_j(i_о^k)>Е_j(i_о^k+1). (1.10)

При дополнительном условии существования хотя бы одного i в интервале i₀^k-1 <i< i₀^k , для которого выполняется неравенство:

Е_j(1)<Е_j(i+1). (1.11)

Предложенный метод идентификации координат расположения нитей слабо чувствителен к непостоянству величины составляющей A(i) и разбросу амплитуд положительных полуволн a_k. Метод обладает высокой достоверностью определения координат уточных нитей. В процессе исследований определено, что достоверность идентификации координат уточных нитей существенно зависит от коэффициента масштаба:

г=Т_ДХ/Т_Н, (1.12)

где Т_Н - период повторения уточных нитей, Т_ДХ -период дискретизации равный расстоянию между светочувствительными элементами матрицы ФПЗС. Путем оптимального выбора коэффициента масштаба г можно существенно повысить достоверность идентификации координат уточных нитей.

Связывание точек максимумов осуществляется на основании критерия принадлежности точек максимумов одноименным нитям: две точки максимумов i₀, _j и i_o, _j+1, лежащие на осях x_j и x_j+1 и принадлежащие одной нити утка, не могут быть смещены в направлении осей x_j более чем на расстояние д:

|i₀, _j - i₀, _j+1 | ? д. (1.13)

От величины интервала поиска д зависит достоверность связывания точек максимумов. Рассмотрено влияние величины д на достоверность связывания точек максимумов, определены критерии выбора величины д. На основании условия (1.4) построен алгоритм позволяющий связывать точки максимумов в множества по признаку принадлежности одноименным нитям утка.

Схема работы алгоритма связывания точек максимумов изображена на риcунке 1.9.

Рисунок 1.9 - Схема работы алгоритма

Реальные сигналы, поступающие от ФПЗС преобразователя, оказываются искажены действием различного рода помех. Для повышения достоверности идентификации координат уточных нитей исходное изображение обрабатывается цифровым фильтром. С учетом времени обработки оптимальный эффект дает обработка сигналов E_j(i) полосовым рекурсивным фильтром второго порядка:

Е^v_j(i)=a₀Е_j(i)+а₁Е_j(i-1)+b₁Е^v_j(i-1)+b₂Е^v(i-2), j=0чN-l, (1.14)

где: E_j(i) - отсчетные значения входного сигнала фильтра; Е^v_j(i) - отсчетные значения выходного сигнала фильтра.

Применение данного фильтра на тканях со сложными переплетениями позволяет повысить количество идентифицированных нитей на 30-40 %.

1.11 Спектральный метод анализа изображения

Полезная составляющая a(i) сигнала Ej(i) представляет собой периодический процесс с законом, близким к гармоническому. Это позволяет представить ее в виде синусоидальных функций:

Yj(i)= Ajsin[2рfHi+ц(j)], i=0чK-l , j=0чN-l. (1.15)

Значения функции ц(j) в выражении 1.16 определяют начальную фазу составляющих Yj(i) на каждой из осей Xj. Смещение уточных нитей на осях Xj и Xj+1 определяет приращение ? ц функции ц(j). Для ткани с перекосом утка (рисунок 1.10) можно записать:

ц (j+1) = ц(j) + ? ц, j=0чN-l, ц (0) =ц о, (1.16)

где ц о - начальная фаза составляющей a(i) на оси хо; ц(j) - начальная фаза составляющей a(i) на оси X_j; ?ц - приращение начальной фазы составляющей a(i), вызванное перекосом уточных нитей.

С учетом периодичности функций Y_j(i), функция ц(j) так же оказывается периодической. Период Тр функции ц(j)непосредственно связан с величиной перекоса утка, знак перекоса определяется знаком приращения ?ц.

Построение функции ц(j) осуществляется путем спектрального анализа сигналов E_j(i). Спектральный анализ производится на основе дискретного преобразования Фурье (ДПФ).

Характерный вид функции ц(j) для образца ткани с правым перекосом утка приведен на рисунке 1.10. В работе предложены методы обработки функции ц(j) с целью достоверного выделения периода Т_р и знака при ?ц. Это позволяет определять численное значение величины и знака перекоса утка [5].

Рисунок 1.10- Функции Yj(i) для ткани с перекос уточных нитей

2. Структурная схема

2.1 Основные параметры элементов

Исследуемый участок ткани освещается осветителями И1 или И2 и И3 (рисунок 2.1) в зависимости от того, каким образом исследуется материал: на просвет или на отражение. В качестве источников освещения использовались лампы накаливания. Отраженный или прошедший через ткань световой поток воспринимается матричным ФПЗС преобразователем 2 типа К1200ЦМ1, где световой поток преобразуется в электрические сигналы, пропорциональные освещенности светочувствительных элементов матрицы.

Рисунок 2.1 - Структурная схема (1 - ткань; 2 - ФПЗС преобразователь; 3 - АЦП; 4 - видеоадаптер; 5 - телемонитор; 6 - блок связи; 7 - принтер; 8 - ЭВМ; 9 - монитор)

Аналоговые сигналы преобразуются в цифровой 8-ми разрядный код посредством АЦП 3 типа К1107 ПВ2 и поступает через блок связи 6 в ЭВМ 8. При выполнении преобразований и передаче сигналов охраняется информация о координатах светочувствительных элементов матрицы. Для обеспечения возможности визуального контроля получаемого изображения сигнал через видеоадаптер 4 поступает на телемонитор 5. Имеется так же возможность распечатки изображения посредством принтера 7.

В таблице 2.1 приведены технические параметры ФПЗС типа К1200ЦМ1.

Таблица 2.1 - фотоэлектрические параметры ФПЗС типа К1200 ЦМ1

Матрица работает с поверхностным каналом р- типа и содержит	Размеры светочувствительного элемента матрицы	Область проекции изображения	Матрица работает в диапазоне длин волн
288 X 230 элементов	21 X 27 мкм	3,89 X 4,83 мм	от 0,5 до 1 мкм

Таблица 2.2 - Основные электрические характеристики ФПЗС типа К1200 ЦМ1

Напряжение насыщения выходного сигнала, В	Интегральная чувствительность при времени накопления 20 мс, В/лк	Неравномерность темпового сигнала, мВ	Пороговая освещенность при времени накопления 20 мс, лк
Не менее 0.08	Не менее 0.003	Не более 2	Не более 0.05

Таблица 2.3 - Основные электрические параметры АЦП К1107 ПВ2

Максимальная входная частота	Номинальное значение напряжения питания	Коэффициент ослабления синфазного напряжения	Температурный диапазон	Выходное напряжение источника опорного напряжения	Ток потребления
20 МГц	±5 В	100	от -27 до +70 °C	2,6	1,8

В качестве АЦП применена полупроводниковая 8-разрядная быстродействующая БИС типа К1107 ПВ2. Время преобразования микросхемы составляет 100 нс. В таблице 2.3 указаны основные параметры АЦП К1107 ПВ2.

2.2 Требуемая разрешающая способность матрицы

Минимальный размер матрицы ФПЗС определяется минимальными размерами контролируемого участка поверхности ткани, при котором возможна достоверная экстраполяция результатов измерения перекоса утка на контролируемом участке на всю ширину полотна ткани. Размер матрицы ФПЗС определяет объем обрабатываемой цифровой информации. Таким образом, максимальный размер матрицы ограничивается быстродействием обрабатывающей изображение аппаратуры. Для достоверного определения перекоса утка нет необходимости непрерывного контроля полотна ткани по всей его ширине. В реальных условиях перекос утка имеет постоянное значение на значительных участках по ширине полотна ткани. С учетом этого обстоятельства измерение перекоса утка возможно производить на небольших зонах с последующей интерполяцией результатов измерений на всю ширину полотна ткани. Согласно данным, наиболее сложным типом перекоса утка является S - образный. Для надежной идентификации S- образного перекоса утка достаточно контролировать перекос в трех зонах по ширине ткани (рисунок 2.2). На основании сказанного, зону контроля размером порядка 3x3 см можно считать достаточной для достоверного определения перекоса утка.

Установленный ранее оптимальный коэффициент масштаба, при котором достигается максимальное количество идентифицированных нитей, г ? 0,25. Это соответствует четырем элементам матрицы ФПЗС, приходящимся на период повторения нитей. Для ткани средней плотности расстояние между нитями составляет приблизительно 0,5 мм. Отсюда следует, что необходимый размер матрицы ФПЗС для реализации зоны контроля размером 3x3 см составит 240x240 элементов. Матрицы ФПЗС такого размера в настоящее время являются широко распространенными.



Рисунок 2.2 - Размещение зон контроля (1- зоны контроля; 2 - полотно ткани)

2.3 Обеспечение возможности работы на движущейся ткани

В реальных производственных условиях исследуемая ткань перемещается относительно матрицы. В результате, без принятия соответствующих мер, изображение получится смазанным. Это сделает невозможным его дальнейшую обработку. Для уменьшения смазывания изображения необходимо ограничить время восприятия матрицей ФПЗС светового потока до величины, при котором возникающий "смаз" существенно не искажает первичное изображение. Ограничить время восприятия светового потока возможно двумя способами: применением импульсного освещения с необходимой длительностью импульса; ограничением времени накопления самой матрицы ФПЗС. Оценим необходимую длительность восприятия светового потока. При этом будем исходить из следующего. Для исключения существенного смазывания изображения необходимо, чтобы за время восприятия светового потока исследуемый участок поверхности ткани переместился бы не более, чем на некоторое допустимое расстояние . Тогда, время восприятия должно быть выбрано из условия:

...