Помощь в написании студенческих работ
Антистрессовый сервис

Оценка параметров изображений неоднородной поверхности объектов в оптико-электронной информационно-измерительной системе

Диссертация: Оценка параметров изображений неоднородной поверхности объектов в оптико-электронной информационно-измерительной системе
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма и проведена оценка влияния выбора параметров генетического алгоритма на эффективность адаптивной обработки йзобрЗйешшювано программное обеспечение для классификации дефектов кромки ДСП. С помощью экспериментальной установки и разработанного комплекса программ проведена классификация дефектов кромки… Читать ещё >

Оценка параметров изображений неоднородной поверхности объектов в оптико-электронной информационно-измерительной системе (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Анализ методов и алгоритмов автоматизированного контро- 9 ля неоднородных поверхностей из дерева
    • 1. 1. Анализ дефектов поверхностей из дерева и методов контроля 9 их качества
    • 1. 2. Автоматическая локализация оптико-электронных изображе- 28 ний неоднородных поверхностей
    • 1. 3. Методы синтаксического распознавания дефектов пиломате- 37 риалов
      • 1. 3. 1. Характеристика аппарата стохастических атрибутных мета- 39 грамматик
      • 1. 3. 2. Применение структурного метода распознавания неоднород- 44 ностей сложной формы
  • Выводы
  • 2. Методика и алгоритмы для построения оптико- 53 электронных систем контроля неоднородных поверхностей из дерева
    • 2. 1. Разработка алгоритмического обеспечения оптико- 53 электронной системы контроля неоднородных поверхностей
      • 2. 1. 1. Сегментация изображений объектов с неоднородной структу- 55 рой поверхности
      • 2. 1. 2. Методы формирования границ областей. Пороговая обработ- 63 ка
    • 2. 2. Распознавание дефектов неоднородной поверхности
      • 2. 2. 1. Применение нейросетевых технологий в задаче классифика- 71 ции дефектов неоднородных поверхностей
      • 2. 2. 2. Сравнительный анализ алгоритмов обучения нейронных се- 82 тей с разработкой методики предварительной обработки измерений
      • 2. 2. 3. Обучение нейронных сетей методами генетического поиска 87 2.2.4 Анализ формальных свойств стохастических атрибутных ме- 90 таграмматик
      • 2. 2. 5. Особенности применения САМ для структурно- 93 параметрического описания вариантов создания информационно-измерительных систем контроля неоднородных поверхностей
    • 2. 3. Метод и алгоритм синтаксического анализа регулярных сто- 105 хастических атрибутных метаграмматик для выбора вариантов формирования программ контроля
  • Выводы
  • 3. Реализация алгоритмов обработки изображения автомати- 107 зированной системы оптико-электронного контроля геометрических параметров объекта с неоднородной структурой поверхности
    • 3. 1. Состав оптико-электронной системы контроля геометрических 107 параметров объекта с неоднородной структурой поверхности
    • 3. 2. Алгоритм обработки и анализа изображений в зависимости от 108 условий в поле измерения с использованием генетического подхода
      • 3. 2. 1. Особенности генетического алгоритма формирования и обу- 108 чения нейронных сетей
      • 3. 2. 2. Разработка программы обучения нейронных сетей на основе 114 эволюционного поиска
      • 3. 2. 3. Критерий точности в определении перепадов яркости изо- 117 бражения для выбора целевой функции генетического алгоритма
    • 3. 3. Разработка и отладка имитационных программных моделей на 120 основе генетических алгоритмов
      • 3. 3. 1. Разработка имитационных программных моделей «фокуси- 120 ровки внимания»
      • 3. 3. 2. Индивидуальная обработка объектов «Неокогнитрон»
      • 3. 3. 3. Интерфейс программы «Инспектор»
      • 3. 3. 4. Оценка влияния выбора параметров генетического алгоритма 143 на эффективность адаптивной обработки изображения
    • 3. 4. Классификация дефектов кромки древесностружечной плиты 150 на основе нейросетевых технологий

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

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

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

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

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

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

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

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

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

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

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

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

В соответствии с этим в работе решаются следующие основные задачи:

Выводы.

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

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

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

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

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

ЗАКЛЮЧЕНИЕ

.

В результате проведенных исследований получены следующие результаты:

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

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

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

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

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

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

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

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

Показать весь текст

Список литературы

  1. В. В. Горский Н.Д. Представление и обработка изображений: рекурсивный подход. -JI-д.: Наука, 1985. -190 с.
  2. .В., Курганов В. Д., Злобин В. К. Распознавание и цифровая обработка изображений. -М.: Высшая школа, 1983. -296 с.
  3. П.А., Колмогоров Г. С., Варновицкий И. Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника, 1987. -№ 10.
  4. П.А., Колмогоров Г. С. Сегментация изображений: методы выделения границ областей//Зарубежная радиоэлектроника, 1987.-№ 10.
  5. Д. И. Генетические алгоритмы решения экстремальных задач // Под ред. Львовича Я. Е.: Учеб. пособие. Воронеж, 1995.
  6. Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. ХЮСНОВА, 1997.
  7. А.Н., Дунин-Барковский В.Л., Кирдин А. Н. и др. Нейроинфор-матика // Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296с.
  8. Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976. -511 с.
  9. И. Десять лекций по вейвлетам.- М: РХД, 2001.
  10. Ю.Егорова С. Д., Колесник В. А. Оптико-электронное цифровое преобразование изображений. —М.:Радио и связь, 1991.
  11. П.Ким Н. В. Обработка и анализ изображений в системах технического зрения. -М. 2001.
  12. В.В. Контроль качества продукции лесопиления и деревообработки. Учебник для сред, проф-техн. уч.//-М.:В.ш., 1985 г.-183с.
  13. С. Теория информации и статистика. -М.:Наука, 1967.
  14. Г. В. Многооконные оптико-электронные датчики линейных размеров. -М.:Радио и связь, 1986
  15. А.А., Галкина Т. В., Орлова Т. К., Хлявич Я. А. Метод выделения контуров протяженных детерминированных объектов в стохастических полях // Радиотехника и электроника АН СССР, 1991. № 11.
  16. У. Цифровая обработка изображений, в двух книгах. -М:Мир, 1982. -790 с.
  17. С.А. Вейвлеты и нейронные сети. Лекция для школы-семинара «Современные проблемы нейроинформатики». — М: МИФИ, 2001 г.
  18. Уоссермен. Нейрокомпьютерная техника.// Теория и практика, пер. с английского.- М: Мир, 1992
  19. К. Структурные методы в распознавании образов. -М.:Наука, 1977.-319 с.
  20. К. Введение в статистическую теорию распознавания образов. -М:Наука, 1979. -368 с.
  21. Я.А., Юрьев А. Н., Яншин В. В. Цифровые методы обработки и распознавания бинарных изображений. -Изд-во Красноярского университета, Красноярск, 1992. 246 с.
  22. Чен Ш. К. Принципы проектирования систем визуальной информации. -М.:Мир, 1993.23 .Шварцман Г. М. Производство древесно-стружечных плит.- Изд. «Лесная промышленность» 1977 г.-312с.
  23. В.В. Анализ и обработка изображений: принципы и алгоритмы. — М.'Машиностроение, 1994.-112с.
  24. J.L. Starck, E.J. Candes and D.L. Donoho «The curvelet transform for image denoising» IEEE Trans. Image Proc., 2000, submitted.
  25. E. (1998) Ridgelets: Theory and Applications. Ph.D. Thesis, Department of Statistics, Stanford University.
  26. D.L. Donoho and M.R. Duncan «Digital curvelet transform: strategy, implementation and experiments» in Proc. Aerosense 2000, Wavelet Applications VII. SPIE, 2000, vol. 4056, pp. 12−29.
  27. D.Whitley and K. Mathias. Genetic Operators, the Fitness Landscape and the Traveling Salesman Problem. Parallel Problem Solving from Nature-PPSN 2. R. Mainner and В Manderick, eds., pp. 219−228. North Holland-Elsevier, 1992.
  28. S.Mallat. A Theory of Multiresolution Signal Decomposition: The Wavelet Representation, IEEE Trans. Pattern Analysis and machine Intelligence, vol.11, 1989, pp.429−457.
  29. B.B., Болдин A.B., Морозов Д. В. Методы формирования границ областей неоднородных поверхностей // Сб. НТО РЭС им. А. С. Попова. Тула: ТулГУ, — 2008. — с. 114−117.
  30. А.В. Петешов, Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности. Дис. На соискание ученой степени к.т.н. Тула: ТулГУ-2006.
  31. В.В. Прослеживание контура неоднородной поверхности // Сб. НТО РЭС им. А. С. Попова. Тула: ТулГУ, — 2008. — с. 50−54.
  32. В. И. Горбатюк Н.В., Шницер Ю. Л. Нейро-нечеткая система интегральной оценки знаний студента. В кн.: Искусственный интеллект-2000//Тезисы докладов международной конференции.Таганрог. Изд-во ТРТУ, 2000, с 163−164
  33. В.М. Генетические алгоритмы. Таганрог. Изд.-во ТРТУ, 1998, 242 с.
  34. Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: ОСНОВА, 1997. — 112 с.
  35. В.В., Подчуфаров, AJO. Алгоритм обнаружения с использованием выбеливающего фильтраУ/ Сб. НТО РЭС им. А. С. Попова. Тула: ТулГУ, -2008.-с. 165−166.
  36. Edelman. G. Neural Darwinism. New York: Basic Books, 1988.
  37. Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 — 464 С.
  38. Frakes W.B., Baeza-Yates R. Information Retrieval: Data Structures and Algorithms. — EngleWood Cliffs, N.J.: Prentice Hall, 1992.
  39. К.Асаи, Д. Ватада, С. Иваи и др. Прикладные нечеткие системы /Пер. с япон.- Под. Ред. Т. Тэрано, К. Асаи, М.Сугэно. — М.:Мир, 1993.—368 е.: ил.
  40. Jang J.-S., Sun С.-Т. Neuro-Fuzzy Modelling and Control // In Proc. of the IEEE. — 1995. V. 83. 1 3. P. 378−406.
  41. Mamdani E.H., Assilian S. An Experiment in Linguistic Synthesis With a Fuzzy Logic Controller // Int. J. Man-Machine Studies. — 1975. V. 7. 1 1. P. 11−13.
  42. Varsek A., Urbancic Т., Filipic B. Genetic Algorithms in Controller Design and Tuning // IEEE Trans, on SMC. — 1993. V. 23. 5.
  43. B.B., Болдин A.B. Влияние размера носителя вейвлетов на точность Вейвлет— преобразования^ Сб. НТО РЭС им. А. С. Попова. — Тула: ТулГУ, 2008. — с. 122−124.
  44. Zadeh L.A. Fuzzy Sets // Information and Control. — 1965. V. 8. P. 338−353.
  45. Holland J. H. Adaptation in Natural and Artificial Systems: An Introductionary Analysis with Application to Biology, Control and Artificial Intelligence. University of Michigan, 1975. — 211 p.
  46. Ю.В. Искусственный интеллект и нейрокомпьютеры. — Таганрог: изд-во ТРТУ, 1997. — 273 с.
  47. Ф. Нейрокомпьютерная техника. — М.: Мир, 1992.
  48. А.Н. Обучение нейронных сетей. — М.: СП Параграф, 1990.
  49. В.В., Анкудинов К. А., Подчуфаров AJO. Программатор FLASH и EEPROM памяти PIC микроконтроллеров Л Патент РФ № 84 175. 27.06.09.-Бюл. № 12.
  50. В.Н., Мануйлов В. В. Информационно-измерительная система для контроля поверхности // Материалы XXI всероссийская межвузов, научн. техн. конферен, 2009 г. Каз. ВАИУ. Казань, 2009 г. С. 188−189.
  51. В.В., Петешов А. В. Оптико-электронная система контроля геометрических параметров объекта с неоднородной структурой поверхности // Материалы XXI всероссийская межвузов, научн. техн. конферен, 2009 г. Каз. ВАИУ. Казань, 2009 г. С. 188−189.
  52. В.В., Китаев А. А. Способ изготовления металлургических брикетов с контролируемым состоянием поверхности // Материалы XXI всероссийская межвузов, научн. техн. конферен, 2009 г. Каз. ВАИУ. Казань, 2009 г. С. 188−189.
  53. Brown С.Т. An Introduction to avida, an Auto-Adaptive Genetic System: SURF technical report. — Caltech, 1993.
  54. H.C., Болдин A.B., Мануйлов B.B., Подчуфаров А. Ю. Моделирование угловых шумов протяженных радиолокационных целей // Нелинейный мир.-Москва- Радиотехника, 2009. № 12 (7)-С. 912−917.
  55. В.В. Классификация дефектов кромки неоднородной поверхности на основе нейросетевых технологий // Материалы 34-й всероссийская межвузов, научн. техн. конферен, 2009 г. Ряз. ВВКУС. Рязань, 2009 г. С. 89−91.
  56. D. В. An Introduction to Simulated Evolutionary Optimization // IEEE Transactions on Neural Networks. — 1994. V. 5. 1 1.
  57. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989.
  58. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. — Cambridge (Mass.): MIT Press, 1992.
  59. Starkweather Т., Whitley D., Mathias K. Optimization using Distributed Genetic Algorithms // Parallel Problem Solving from Nature/ H.-P Schwefel., R. Manner —Berlin: Springer-Verlag Berlin, 1990.—P. 176−185.
  60. Muhlenbein H., Schomisch M. Born J. The Parallel Genetic Algorithm as Function Optimizer //Parallel Computing. — 1991. V. 17. P. 498−516.
  61. Soft Computing: Fuzzy Logic Neural Networks, and Distributed Artificial Intelligence /Eds. F. Aminzadeh, M. Jamshildi. — Englewood Cliffs: PTR Prentice Hall, 1994 — 301 p.
  62. B.M. Методы генетического поиска: Учебное пособие, часть 1. — Таганрог: ТРТУ, 1988. — 118 с.
  63. B.FI., Мануйлов В. В. Анализ современных методов оценивания мгновенного спектра // Сб. научных трудов ТАИИ.-Тула- ТАИИ, 2009.-С. 424−427.
  64. Ю.М., Петешов А. В. Выбор принципов модификации генетических операторов// Изв. Тульского ГУ, серия «Проблемы проектирования и производства систем и комплексов «.-Тула.-2006.-С.129−134.
  65. Karr C.L., Stanley D.A. Fuzzy Logic and Genetic Algorithms in lime-Varying Control Problems // In Proc. of the NAPFIS-91. — 1991. — P. 285−290.
  66. Ackley D.H., Hinton G.E., Sejnowski T.J. A Learning Algorithm for Вoltzmann Machines. Cognitive Science, 9, 1985, pp. 147−169.
  67. Cottrell G.W., Munro P. and Zipser D. Learning Internal Representation from Gray-Scale Images: An Example of Extensional Programming. In Proc. 9th Annual Conference of the Cognitive Science Society, 1987, pp. 461−473.
  68. Dennis J., Schnabel R. Numerical Methods for Unconstrained Optimization and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983.
  69. Gilev S.E., Gorban A.N., Mirkes E.M. Several methods for acceleration the training process of neural networks in pattern recognition. USSR Academy of Sciences, Siberian Branch, Institute of Biophysics, Krasnoyarsk, 1990. Preprint N 146Б.
  70. Guyon I., Poujaud I., Personnaz L., Dreyfus G., Denker J. and Le Cun Y. Comparing different neural network architectures for classifying handwritten digits. In Proc. IEEE Int. Joint Conf. Neural Networks, June 1989.
  71. B.H., Мануйлов В. В. Разработка технологий многоуровневого эволюционного поиска // Сб. научных трудов ТАИИ.- Тула: ТАИИ, 2009.-С. 428−430.
  72. Muller В., Reinhardt J. Neural networks. Springer- -Verlag. 1990. 267 p.
  73. Neural Computing: NeuralWorks Professional II/Plus and NeuralWorks Explorer. NeuralWare, Inc., 1991. 355 p.
  74. Hecht-Nielsen R. Theory of the backpropagation neural network // International joint conference on neural networks, Sheraton Washington Hotel, Washington D.C., June 18−22, vol. 1, 1989, p. 593−606.
  75. В.В. Алгоритмы обработки оптико-электронных изображений при контроле качества деревянных поверхностей // Сб. НТО РЭС им. А. С. Попова. Тула: ТулГУ, — 2009. — с. 50−54.
  76. Н. Принципы искусственного интеллекта / Пер. с анг.— М.:Радио и связь, 1985. — 376 е.: ил.
  77. Лорьер Ж.-Л.Системы искусственного интеллекта / Пер. с франц. — М.:Мир, 1991.— 568 е.: ил.
  78. Э. Искусственный интеллект / Пер. с англ. — М.: Мир, 1978. — 558 с.
  79. Н. Кибернетика, или управление и связь в животном и машине.2.е. изд. — М.: Наука, 1983. — 338 с.
  80. Д.А. Вероятностные автоматы. — М.: Энергия, 1970. — 88с. :ил.
  81. Edelman. G. Neural Darwinism. New York: Basic Books, 1988.
  82. Purves. D. Body and Brain. Cambridge. Mass.: Harvard University Press, 1988.
  83. Montana. D. J. and L. Davis Training feedforward neural networks using genetic algorithms. Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 1989. pp. 762−767.
  84. Whitley. D. Applying genetic- algorithms to neural net learning. Tech Report number CS-88−128. Department of Computer Science. Colorado State University, 1988.
  85. Holland J. The dynamics of searches directed by Genetic Algorithms. In: Lee Y.S. (ed.) Evolution, Learning and Cognition. Word Scientific, Singapore, 1988.
  86. Handbook of Genetic Algorithms, Edited by Lawrence Davis, Van Nostrand ReinhoLd, New York, 1991. 412 p.
  87. Wynne Jones M. Node splitting: A constructive algorithm for feed — forward neural networks. // Neural Computing and Applications, Vol. 1, № 1, 1993 — p. 17−22.
  88. Harp Steven A., Samad Tariq. Genetic Synthesis of Neural Network Architecture. // Handbook of Genetic Algorithms. Edited Lawrence Davis. -Van Nostrand Reinhold. New York, 1991. pp. 202 — 221.
  89. Miller G., Todd P. and Hegde S. Designing neural networks using genetic algorithms. In J. D. Schaffer (ed.). Proceedings of Third International Conference on Genetic Algorithms. Morgan Kaufmann, 1989.
  90. Schaffer. J. D., Caruana R. and Edelman L. Using genetic search to exploit the emergent behavior of neural networks. Phillips Laboratories. 345 Scarborough Rd. Briar Cliff Manor. NY 10 510, 1989 (unpublished).
  91. Ю.И., Дегтярев А. Б., Сиек Ю. Л. Принятие решений в интеллектуальных системах реального времени с использованием концепции мягких вычислений. Искусственный интеллект № 3, 2000, НАН Украины, ИЛИИ, с. 525−533.
  92. В.В. Автоматическая локализация оптико-электронных изображений неоднородных поверхностей // Сб. НТО РЭС им. А. С. Попова.- Тула: ТулГУ, 2009. — с. 50−54.
  93. Werbos. P. J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Ph. D. thesis. Department of Applied Mathematics. Harvard University. Cambridge. Mass, 1974.
  94. Goldberg D.E., Korb В., Kalyanmoy D. Messy Genetic Algorithms. // Complex Systems, № 3, 1989.
  95. A.B. Экспериментальное исследование зависимости скорости сходимости генетического алгоритма от его параметров. // Известия Академии Наук. Теория и системы управления, № 5, 1997.
  96. Д.А. Ситуационное управление: теория и практика. М.: Гл. ред. Физ.-мат. Лит., 1986−288 с.
  97. Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 — 464 С.
  98. В.В., Добшиц JI.M. Рациональный способ контроля поверхности материала // К 75-летию Павла Сергеевича Костяева/Под общей редакцией В. П. Мальцева и JI.M. Добшица. М.:МИИТ, 2002. — С. 47−48.
  99. В.В., Добшиц JI.M. Оптимальный способ подбора оборудования для контроля состояния поверхности материала // Проблемы строительного материаловедения: 1-е Соломат. чтения.: Материалы Все-рос. НТК. Саранск: МГУ, 2002. — С.64.66.
  100. А.И. Теория нейронных сетей. М.: И11РЖР, 2000.
  101. Hagan М.Т., Demuth Н.В., Beale М. Н Neural Network Design. Boston, MA: PWS Publishing, 1996.
  102. Riedmiller M., Braun H. A direct adaptive method for faster back propagation learning: The RPROP algorithm// Proceedings of the IEEE International Conference on Neural Networks, 1993.
  103. Д.С., Лучин A.A., Н.И. Перевозчиков. Информационные технологии обработки оптических и радиолокационных изображений в задаче распознавания космических аппаратов. «Информационные технологии», № 11, 2004
  104. Chen S., Cowan C.F.N., Grant P.M. Orthogonal least squares learning algorithm for radial basis function networks // IEEE Transactions on Neural Networks. 1991. Vol. 2, N 2.
  105. B.C., Потемкин В. Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В. Г. Потемкина. -М.: ДИАЛОГ-МИФИ, 2002.
  106. Kohonen Т. Self-Organization and Associative Memory. 2nd ed. Berlin: Springer-Verlag, 1987.
  107. B.B., Добшиц Л. М. Способ подбора и контроля поверхности материала // Актуальные проблемы градостроительства и жилищно-коммунального комплекса. Межд. НПК М.: МИКХиС, 2003. — 448 с.
  108. В.В., Добшиц Л. М. Способ дефектации материала по его поверхности // «Вестник БГТУ им. В.Г. Шухова» № 8, 2004 г. Материалы II
  109. Межд. НПК «Экологии: образование, наука, промышленность и здоровье». Белгород, 2004. — 235 с.
  110. L.G. Roberts. Machine perception of three dimensional solids. In J.T. Tippet, editor, Optical and Electro-optical Information Processing, MIT Press, 1965, pp. 159- 197.
  111. H.H. Красильников. Оптическая теория передачи изображений. — М.: Энергия, 1975.-192 с.
  112. D. М. Lane. The investigation of a knowledge based system architecture in the context of a subsea robotic application. Ph.D. dissertation, Heriot-Watt University, Scotland, 1986.
  113. H.H. Nagel. On the estimation of optic flow: Relations between different approaches and some new results. Artificial Intelligence, 1987, vol. 33, pp. 299 — 324.
  114. K.B. Михалков. Основы телевизионной автоматики. JI.: Энергия, 1967.- 284 с.
  115. Ф.И. Барсуков, А. И. Величкин, А. Д. Сухарев. Телевизионные системы летательных аппаратов. — М.: Сов. Радио, 1979. 256 с.
  116. Е.П. Путятин, В. П. Юрченко, О. М. Абрамов. Телевизионное следящее устройство. А.С. № 347 948, H04N7/18, 1972.
  117. Е.П. Путятин, В. П. Юрченко. Телевизионное следящее устройство. — А.С. № 350 207, H04N7/18, 1972.
  118. G.M. Flash, P. G. Pens, R. S. Rogers. Real time video tracking concepts. -New Mexico State University, 1979. — 38 p.
  119. Е.П. Путятин, С. И. Аверин. Обработка изображений в робототехнике. — М.: Машиностроение, 1990. 320 с.
  120. R.A Roger, N.Y. Penfield. Automatic video contrast control circuit. U.S. Patent, No. 3 790 706, H04N5/16, 1974.
  121. M.G Woolfson. Volumetric balance video tracker. U.S. Patent, No. 406 830, H04N7/18, 1978.
  122. Л.Д. Вилесов, B.A. Кириллов, Л. Д. Мурзинов. Телевизионное следящее устройство. А.С. № 754 701, H04N7/18, 1980.
  123. Д.В. Васильев. Телевизионная система сопровождения целей TVT-300 — Техника вооружения за рубежом, 1975, № 6, с. 13−17.
  124. Н.Н. Красильников, О. И. Красильникова. Шум пространственной дискретизации изображений. / Межвузовский сборник № 156 «Методы цифровой обработки, передачи и отображения телевизионной информации».- Ленинград: ЛИАП, 1982, с. 3 8.
  125. J.H. Pridgen, W.W. Boyd, W.C. Choate, E.E. Mooty. Terminal homing application on solid-state imaging devices. Composite tracking concepts. / Conference on Pattern Recognition and Image Processing. Dallas, Texas, August, 1981, pp. 346−354.
  126. A.M. Бочкарёв. Корреляционно-экстремальные системы навигации. — Зарубежная электроника, 1981, № 9, с. 28 53.
  127. В.К. Баклицкий, А. И. Юрьев. Корреляционно-экстремальные методы навигации. М.: Радио и связь, 1982. — 256 с.
  128. У. Прэтт. Цифровая обработка изображений. Пер. с англ. под ред. Д. С. Лебедева. М.: Мир, 1982, т. 2. — 480 с.
  129. E.L. Andrade, М. Ghanbari, Е. Khan, J.C. Woods. Description based object tracking in region space using prior information. Electronics Letters, 2003, vol. 39, no. 7, pp. 600 — 602.
  130. V.V. Vinod, H. Murase. Image retrieval using efficient local-area matching. — Machine Vision and Application, 1998, vol. 11, no. 1, pp. 7−15.
  131. Дж. Ту, P. Гонсалес. Принципы распознавания образов. М.: Мир, 1978. -416 с.
  132. Handbook of pattern recognition and computer vision. / Ed. by C.H. Chen, L.F. Pau, P. S Wang. World Scientific Publishing Company, 1993. — 984 p.
  133. B.B. Chaudhuri, A. Rosenfeld. On a metric distance between fuzzy sets. — Pattern Recognition Letters, 1996, vol. 17, no. 11, pp. 1157 1160.
  134. Д. Кейсессент, Д. Псалтис. Новые методы оптических преобразований для распознавания образов. ТИИЭР, 1977, т. 65, № 1, с. 92 — 100.
  135. А.А. Васильев. Перестраиваемые пространственные фильтры в устройствах преобразования оптических сигналов. Квантования электроника, 1977, № 8, с. 38−49.
  136. M.W. Koch, R.L. Kashyap. Using polygons to recognize and locate partially occluded objects. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1987, vol. PAMI-9, pp. 485 — 494
  137. F. Leymarie, M. D. Levine. Tracking deformable objects in the plane using an active contour model. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993, vol. 15, no. 4, pp. 617 — 634,.
  138. P. Delagnes, J. Benois, D. Barba. Active contours approach to object tracking in image sequences with complex background. Pattern Recognition Letters, 1995, vol. 16, pp. 171−178.
  139. D. Geiger, A. Gupta, A. Costa, J. Vlontzos. Dynamic programming for detecting, tracking, and matching deformable contours. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, vol. 17, no. 3, pp. 294 — 303.
  140. M.H. Hueckel. An operator which locates edges in digitized pictures. -Journal of the Association for Computing Machinery, 1971, vol. 18, no. 1, pp. 113−125.
  141. D. Marr, E.C. Hildreth. Theory of edge detection. Proceedings of the Royal Society, London, 1980, vol. B-207, pp. 187−217.
  142. L. Kitchen, A. Rosenfeld. Gray-level corner detection. Pattern Recognition Letters, 1982, vol. 1, pp. 95 — 102.
  143. R.M. Haralick. Digital step edges from zero crossing of second directional derivatives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984, vol. 6, no. 1, pp. 58 — 68.
  144. А. Розенфельд. Нелинейный метод обнаружения ступенчатого сигнала. -ТИИЭР, 1970, т. 58, № 6, с. 94−95.
  145. Л. Роберте. Автоматическое восприятие трёхмерных объектов. / В сб. Интегральные роботы. М.: Мир, 1973, т. 1, с. 162 — 208.
  146. I. Sobel. An isotropic 3×3 image gradient operator. / In H. Freeman, editor, «Machine Vision for Three-Dimensional Scenes». — Academic Press, 1990, pp. 376−379.
  147. R.M. Haralick, L.G. Shapiro. Image segmentation techniques. Computer Vision, Graphics, and Image Processing, 1985, vol. 29, pp. 100 — 132.
  148. М.И. Либенсон, А. Я. Хесин, Б. А. Янсон. Автоматизация распознавания телевизионных изображений. — М.: Энергия, 1975. — 160 с.
  149. А.В. Ковалевский. Методы оптимальных решений в распознавании изображений. М.: Наука, 1976. — 214 с.
  150. А. Оппенгейм, Р. Шафер. Цифровая обработка сигналов. М.: Связь, 1979.-296 с.
  151. Жук А. А. Особенности структурно-лингвистического способа распознавания сложноструктурированных ситуаций. Сборник материалов 6-й международной научно-технической конференции «Медико-экологические информационные технологии-2003», Курск, 2003.
  152. В.И., Дрожжин В. В., Юсупов P.M. Многоуровневые атрибутные грамматики для моделирования сложных структурно- динамических систем// Техническая кибернетика.-1986.-№ 1.- С.165
  153. Т. A., Farhat А. — In: Proc. Workshop Pict. Data Desc. and Manag. Chicago, 1977, N. Y., 1977.
  154. Fu К. S. Syntactic Methods in Pattern Recognition. — New York- Academic Press, 1974.
  155. Duff M J. — Science Progress, 1977, v. 64, № 25.
  156. Fu K. S., Rosenfeld Arriel. — Ibid. 1978, v. C-25, № 12.
  157. T. —ACM Tanslations on Mathematical Software, 1976, v. 2, № 4.
  158. T. — IEEE Trans., 1975, v. C-24, Л° 1.
  159. R. A. — IEEE Trans., 1976, C-25, № 3.
  160. W. — Math. Biosciences, 1970, v. 7. i t
Заполнить форму текущей работой

Сессия? Спокойно!