Алгоритмы и методы обработки информации в системах контроля качества процессов крашения: На примере химической технологии отделочного производства тканей и переплетных материалов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Гайнуллин, Марат Фаритович

• Гайнуллин, Марат Фаритович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Гайнуллин, Марат Фаритович

Введение.

Глава 1. Современное состояние вопроса контроля качества крашения V' тканей и переплётных материалов.

1.1 Системы менеджмента качества в отделочных производствах.

1.2 Характеристика основных показателей качества отделочного производства тканей и переплётных материалов.

1.2.1 Цветопередача, измерение и анализ.

1.2.2. Оценка колористических возможностей триад красителей и совместимости красителей в смесях.

1.2.3. Методы расчета количеств красителей по спектру отражения эталонного образца.

1.2.4. Расчет рецептуры крашения на основе координат цвета эталонного образца.

1.2.5. Некоторые дополнительные уравнения для расчетов.

1.2.6 Дефекты и искажения формы отпечатка рисунка с математической точки зрения.

1.2.7.Методы привязки изображений.

1.3. Постановка задачи исследований.

Глава 2. Разработка алгоритмов идентификации рисунков на полиэфирных тканях и их программная реализация.

2.1 Понятие идентификации рисунков.

2.2 Предварительная обработка отсканированных изображений.

2.2.1 Преобразование цветного изображения в градации серого.

2.2.2 Линейная фильтрация.

2.2.3 Нелинейная обработка с целью повышения контраста.

2.2.4 Обнаружение контура.

2.2.5 Программная реализация каскада фильтров.

2.3 Исследование растровых изображений рисунков с помощью искусственных нейронных сетей.

2.3.1 Правило Кохонена.

У/ 2.3.2 Модель на основе алгоритма конкурирующего обучения.

2.3.3 Модель на основе сетей квантования обучающего вектора.

2.3.4 Модель на основе радиально - базисной сети и сети конкурентного обучения.

2.3.5 Использование искусственных нейронных сетей для обнаружения областей непрокраса на образцах ткани по их растровым изображениям.

2.3.6 Область применения и ограничения алгоритмов Кохонена для определения дефектов рисунка.

2.4 Векторизация изображений рисунков на полиэфирных тканях.

2.5 Методы и алгоритмы сравнения формы эталонного рисунка с рисунком, отпечатанным на материале, в условиях аффинных искажений

2.5.1 Синтез алгоритма привязки изображений образца и эталона.

2.5.2 Разработка метода кодирования фрагментов изображения.

2.5.3 Оптимальный поиск сопряжённых точек на изображениях.

2.6 Разработка алгоритмической цепочки обработки информации для идентификации искажений рисунков.

2.7 Классификация фрагментов рисунка на искусственных нейронных

Сетях.

Выводы к главе 2.

Глава 3. Экспериментально — статистические модели рецептур красителей для переплётных материалов.

3.1. Обработка образцов с помощью компаратора цвета КЦ-2.

3.2. Предварительная обработка результатов эксперимента.

3.3. Обработка данных методом корреляционного анализа.

3.4. Статистические модели рецептур красителей.

Выводы к главе 3.

Глава 4. Разработка программно - технических средств для системы контроля качества крашения.

4.1. Описание и технические характеристики программно-технических средств.

4.2. Функциональная структура ПТС.

4.2.1 Автоматизируемые процессы производственной деятельности колориста.

4.2.2 Автоматизируемые процессы производственной деятельности художника.

4.2.3 Процессы производственной деятельности лица принимающего решения.

4.3. Информационное обеспечение ПТС.

4.3.1. БД «Колорист».

4.3.2. БД «Художник».

4.3.3. Клиентское приложение для АРМа колориста.

4.3.4. Клиентское приложение для АРМа художника.

4.4 Архитектура распределённого ПО для контроля качества крашения.

Выводы к главе 4.

Основные результаты работы.

Введение диссертации (часть автореферата) на тему «Алгоритмы и методы обработки информации в системах контроля качества процессов крашения: На примере химической технологии отделочного производства тканей и переплетных материалов»

Актуальность темы. В химической технологии отделочного производства тканей и переплётных материалов, основными стадиями крашения являются приготовление краски, изготовление печатных матриц или валов по эскизу художника, нанесение рисунка на материал, подбор колера. Потребительские свойства и соответственно конкурентоспособность готовой продукции во многом определяются качеством цветопередачи, равномерностью окрашивания, точностью передачи формы рисунка, наличием областей непро-краса и их количеством на ткани и переплётных материалах.

Методы испытания и контроля, применяемые в производствах химической отделки, как правило, трудоёмки и связаны с большим количеством визуальных наблюдений, проводимых контролером вручную, что влияет на точность и субъективность оценок. Количественно оценить форму рисунка и равномерность окраса материала затруднительно. Эти величины фиксируются контролером только на качественном уровне. По этой причине в отделочных производствах предприятий большое внимание уделяется модернизации и совершенствованию систем контроля качества процессов крашения с использованием современных компьютерных информационных технологий.

Отсюда вытекает актуальность разработки математического, алгоритмического и программного обеспечения автоматизированных информационно - измерительных систем для контроля цветопередачи, равномерности окраски и соответствия формы рисунка, предложенного художником, его отпечатку на ткани.

Существенное влияние на цветопередачу оказывает подбор колера для приготовления краски. Ручной способ подбора не обеспечивает оптимального состава колера и требует значительных трудозатрат, так как предусматривает многократное приготовление выкрасок при подгонке цвета под эталон. В работе предлагается способ сжатия базы колористических рецептур и автоматизированного подбора колера на основе математических моделей.

Цель диссертационной работы: разработать методы, алгоритмы и программные средства для получения, хранения и обработки информации, характеризующей показатели качества процесса крашения текстильных и переплётных материалов, и для автоматизации процесса подбора колера.

Для достижения поставленной цели решаются следующие задачи: 1) разработать последовательность операций обработки информации и структуру автоматизированной информационно - измерительной системы показателей качества процессов крашения текстильных и переплётных материалов;

2) разработать методы и алгоритмы сравнения формы эталонного рисунка с рисунком, отпечатанным на материале, в условиях аффинных искажений;

3) разработать алгоритмическое и программное обеспечение для контроля качества цветопередачи.

4) разработать программно-технические средства, автоматизирующие деятельность специалистов художников по сравнению рисунков на отпечатках с эталонными и колористов по контролю цветопередачи и подбору состава колера.

Научная новизна.

• Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону. Подход включает в себя следующие стадии обработки информации об изображениях: фильтрация, векторизация, формирование инвариантов, классификация и привязка.

• Разработан, обоснован и протестирован новый метод привязки изображений для идентификации и коррекции аффинных искажений (параллельный перенос, масштабирование, поворот осей), отличающийся от аналогов инвариантностью к повороту осей.

• Предложен подход к сжатию баз данных рецептур колеров с использованием их математических моделей.

• Предложен оригинальный способ хранения математических моделей рецептур колеров в виде взаимосвязанных реляционных сущностей (компонентов моделей), а не в виде таблиц исходных данных, графиков и текстовых полей.

Методы исследований. В работе использован математический аппарат частотного анализа, теория искусственных нейронных сетей, теория графов, методы обработки изображений, теория цвета, методы математической статистики.

Практическая значимость. Синтезирована функциональная структура программно-технических средств системы контроля качества крашения, включающая автоматизированные рабочие места (АРМ) художника и колориста и позволяющая передавать информацию в блок принятия решений для формирования управляющих воздействий.

Предлагаемое ПО существенно сокращает трудозатраты на сравнение рисунков друг с другом, время выполнения заказа на подбор колера и способствует снижению себестоимости продукции.

Программное обеспечение для решения задачи идентификации искажений рисунков, нанесенных на материалы, и определения оптимального состава колера передано в отдел АСУТП ЗАО «Ивановоискож».

Разработанная структура технических средств и программное обеспечение (ПО) могут использоваться на текстильных фабриках, в полиграфии, при производстве переплётных материалов, обновлении топографических карт и коррекции искажений аэрофотоснимков.

Апробация работы. Результаты работы докладывались на конференциях: Международная студенческая конференция «Развитие, окружающая среда, химическая инженерия» Иваново. 2000 г.; Международная студенческая конференция «Фундаментальные науки - специалисту нового века». Иваново. 2002 г.; Международная научно-техническая конференция «Перспективы использования компьютерных технологий в текстильной и легкой промышленности» (пиктел-2003). Иваново. 2003 г.; XVII Международная научная конференция «Математические методы в технике и технологиях». Кострома. 2004 г.

Публикации. По материалам диссертационной работы опубликовано 6 печатных работ.

Структура и объём диссертации. Диссертация состоит из введения, 4 глав, заключения и списка литературы. Работа изложена на 113 страницах основного текста, содержит 56 рисунков, 7 таблиц, 3 приложения, библиографический список литературы включает 106 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Гайнуллин, Марат Фаритович

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Разработан подход к идентификации искажений рисунков, нанесённых на материалы по отношению к эталону, включающий в себя следующие стадии обработки информации об изображениях: линейная фильтрация, нелинейная обработка, обнаружение контура, векторизация волосных линий, формирование инвариантов с помощью амплитуд Фурье-спектра секторного преобразования, классификация с помощью искусственных нейронных сетей Кохонена и привязка рисунков путем оптимального поиска сопряжённых точек.

Предложен и опробован алгоритм предварительной обработки и улучшения качества изображений рисунков на тканях. Алгоритм включает в себя стадии линейной фильтрации, адаптивной нелинейной обработки и обнаружения краев с помощью модифицированного фильтра Собела.

Разработан метод преобразования растрового изображения, представленного в виде матрицы цветов, в векторную форму, описывающую изображение как множество ломаных и многоугольников. Метод представляет собой модификацию волнового алгоритма векторизации.

Разработан метод кодирования элементов изображения для получения описания, инвариантного к аффинным преобразованиям, основанный на преобразовании Фурье ряда секторного преобразования, позволяющий определить систему признаков элементов и полных изображений, пригодную для классификации с помощью ИНС, и вести поиск изображений в БД колориста и художника.

Синтезирован алгоритм оптимального поиска сопряжённых точек на изображении образца окрашенной ткани и на эталонном рисунке для коррекции аффинных искажений и обнаружения отклонений формы рисунка на изображении образца от эталонной, основанный на наложении скорректированных изображений друг на друга. Разработана и опробована структура базы данных, позволяющая хранить уравнения математических моделей колеров в виде совокупности взаимосвязанных реляционных сущностей. Этот подход позволяет собирать уравнения почленно, рассчитывать оптимальный состав колера, расширять структуру моделей без изменения структуры БД и сжимать базы рецептур колеров.

Разработанные программные средства доведены до уровня распределенной информационно - измерительной системы, ориентированной на совместную работу нескольких пользователей. Система включает в себя серверные приложения - службы и клиентские приложения с развитым графическим интерфейсом.

Список литературы диссертационного исследования кандидат технических наук Гайнуллин, Марат Фаритович, 2005 год

1. ИСО 9000 "Общее руководство качеством и стандарты по обеспечению качества. Руководящие указания по выбору и применению" М.: изд-во Стандартов, 1994.

2. Система качества. Сборник нормативно-методических документов. М.: изд-во Стандартов, 1992.

3. Швец В.Е. "Менеджмент качества" в системе современного менеджмента. Стандарты и качество, 1997, №6, с. 48.

4. Управление качеством. Учебник. Под ред. д. э. н., проф. Ильенковой С. Д. М.: Банки и биржи: ЮНИТИ 1999. 199 с.

5. Ю.А.Павлов, ГЛ.Иезуитова, Я.М.Ребарбар, В.Н.Романов. Автоматизированная система контроля качества готовых тканей. М.:Лёгкая и пищевая промышленность, 1981. 264с.

6. Е.А.Кириллов. Теоретические вопросы колориметрии. Иваново.: ИХТИ. Кафедра хим.технологии волокнистых материалов. 1977- 60 с.

7. Г.И.Ашкенази. Цвет в природе и технике 4-е изд., перераб. и доп. М.: Энергоатомиздат, 1985. - 96 с.

8. Кириллов Е.А. Цветоведение: Учеб. Пособие для вузов. М.: Легпромбытиздат, 1987. — 128 с.

9. Sinclair R.S., Wright W.D. Color measurement in Europe //Applied optics. 1969. Vol.8, N4. p.751-756

10. Р.М.Ивенс. Ведение в теорию цвета. М.:Мир 1964. 442с.

11. Гуревич М.М., Мейер Л.Н. Фотоэлектрический компаратор цвета. Светотехника. 1955. N6. с. 18-23.

12. Д.Джадд, Г.Вышецки. Цвет в науке и технике. М.:Мир, 1978. 594с.

13. Зернов В.А. Цветоведение. М.:Книга, 1972. 250 с.

14. Н.В. Завалишин, И.Б.Мучник. Модели зрительного восприятия и алгоритмы анализа изображений. М.:Наука. 1974. 344 с.

15. Хорн Б.К.П. Зрение роботов М.:Мир, 1989.-487 с.

16. Загоруйко Н.Г., Скоробогатов В.А., Хворостов П.В.Вопросы анализа и распознавания молекулярных структур на основе общих фрагментов. Алгоримы анализа структурной информации: Вычислительные системы. Новосибирск: ИМ СО АН СССР, 1984. Вып. 103. с. 26-50.

17. Зыков А.А. Теория конечных графов. Новосибирск: Наука 1969. -543 с.

18. Берзетис А.Т.Структуры данных.М.:Статистика, 1974. 467 с.

19. Оре. О. Теория графов. М.:Наука, 1980. 352 с.

20. Визинг В.Г.Сведение проблемы изоморфизма и изоморфного вхожденияк задаче нахождения неплотности графа // Тез. Докл. III Всесоюз.конф. По проблемам теоретической кибернетики. Новосибирск: ИМ СО АН СССР, 1974.-е.124-125.

21. Barrow H.G., Burstall R.M. Subgraph isomorphism, matching relational structures and maximal cliques Inform. Press.Lett.-1976.-V.4, N4.-p.83-84.

22. Остапенко А.Г. Анализ и синтез линейных радиоэлектронных цепей с помощью графов: Аналоговые и цифровые фильтры. М.: Радио и связь, 1985. -250 с.

23. Зыков А.А.Основы теории графов М.: Наука 1987. 384 с.

24. Белоглазов П.Н., Тараненко B.JI. Корреляционно-экстремальные системы. М.: Сов. радио. 1974. 392 с.

25. Грузман И.С. Квазиоптимальный алгоритм совмещения изображений //Тез. докл. регион, конф. ОИДИ-87. Новосибирск: ВЦ СО АН СССР, 1987. -с. 78.

26. Губанов А.В., Ефимов В.М., Киричук B.C., Пустовских А.И., Резник A.JI. Методы оценивания взаимного смещения фрагментов изображений. Автометрия, 1988, N 3. с. 70-73.

27. Невельсон М.Б., Хасьминский Р.З. Стохастическая аппроксимация и рекуррентное оценивание. М.: Наука, 1972. 304 с.

28. Поляк Б.Т., Цыпкин Я.3. Псевдоградиентные алгоритмы адаптации и обучения. Автоматика и телемеханика, 1973, N 3. с. 45-68.

29. Поляк Б.Т., Цыпкин Я.З. Оптимальные псевдоградиентные алгоритмы адаптации. Автоматика и телемеханика, 1980, N 8. с. 74-84.

30. Грузман И.С., Киричук B.C., Косых В.П., Перетягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах: Учебное пособие. Новосибисрк: Изд-во НГТУ, 2000. 168.

31. Mostafavi Н., Smith F.W. Image correlation with geometric distorsion.-IEEE Transactions, 1978, v.AES-14, p.487-500.

32. Аггравал Дж.К., Дейвис Л.С., Мартин У.Н. Методы установления соответствия при анализе динамических сцен // ТИИЭР, 1981, Т. 69, N 5. — с. 77-90.

33. Аггравал Дж. К., Нандакумар Н. Определение параметров движения по последовательности изображений. Обзор // ТИИЭРД988, Т.16, N 8. с. 6990.

34. Дейхин JI.E. Использование непараметрических статистик для совмещения изображений // Тез. докл. Междунар. конф. ОИДИ-90. Новосибирск: ВЦ СО АН СССР, 1990. с. 70.

35. Андросов В.А., Бойко Ю.И., Бочкарев A.M., Однорог А.П. Совмещение изображений в условиях неопределенности. Зарубежная радиоэлектроника, 1985, N 4. с. 32-41.

36. Богуславский И.А., Владимиров И.Г. Адаптивное оценивание вектора сдвига. Техническая кибернетика, 1990, N4. с.47-64.

37. Mottl V.V., Kopilov A.V., Blinov А.В., Zheltov S.U. Quasi-statistical approach to the problem of stereo image matching // SPIE, Image Processing and Computer Optics, v. 2363, 1994. p 51.

38. Панкова Т.Д., Резник A.JI. Эффективность алгоритмов прецизионного совмещения цифровых изображений. Автометрия, 1991, N 5. -с. 39-43.

39. Попов П.Г. Совмещение изображений телевизионного и тепловизионного каналов. Автометрия, 1993, N 1. с. 35-39.

40. Пытьев Ю.П. Морфологический анализ изображений. Докл. АН СССР, 1983, т.269. с. 1061-1064.

41. Пытьев Ю.П., Чуличков А.И. ЭВМ анализирует форму изображения. М.: Знание, 1988.-48 с.

42. Аркадьев А.Г., Браверман Э.М. Обучение машины классификации образов. М.:Наука, 1971. -232 с.

43. Shapiro L.G.Data structures for data processing: a survey. Сотр.Graph. Image Proc., 1979, 11,2, p. 162-184.

44. А.Н.Писаревский, А.Ф.Чернявский, Г.К.Афанасьев и др. Системы технического зрения. JI.Машиностроение, 1988. 424 с.

45. Мишкинд С.И. Системы технического зрения для автоматизации машиностроительного производства // Обзор с. 6-3. Технология металлообрабатывающего производства. М.: НИИМАШ, 1982. 88 с.

46. Жаботинский Ю.Д., Исаев Ю.В. Адаптивные промышленные роботы и их применение в микроэлектронике. М.: Радио и связь, 1985. 104 с.

47. Системы очувствления промышленных роботов и гибких производственных систем. В сб.научных трудов. // отв. Ред. И.М. Макаров, Е.П.Попов. М.:Наука 1989, 142 с.

48. Д.Е. Охоцимский, А.В.Волков, С.С.Камышин и др. Инспекционное видение для задач промышленной сборки. Препринт Ин. Пркл.матем. Им.Келдыша АН СССР. 1984, N 137. 26 с.

49. Катыс Г.П. Восприятие и анализ оптической информации автоматической системой. М.:Машиностроение, 1986. — 415 с.

50. Михайлов A.M. Видеоанализ в робототехнике и ГАП // в сб. ВНИИ системных исследований. 1986. N 18 с.82-89.

51. Борн М., Вольф Э. Основы оптики. М.:Наука, 1973. 855 с.

52. Гудман Дж. Введение в фурье-оптику. Пер с англ. М.:Мир. 1970. -327 с.

53. Алексеев Ю.В., Аллик Ю.К. Зрительное восприятие текстур. Труды ГОИ им. С.И.Вавилова, 1984, т.57, вып.191, с 55-65.

54. С.Е. Донченко, Е.Ф. Очин и др. Ускоренный гистограммный алгоритм ранговой фильтрации. Системы технического зрения. М.:Наука, 1991. с.68-71.

55. В.Б. Брагин, Ю.Г. Войлов, Ю.Д. Жаботинский и др. Системы очувствления и адаптивные промышленные роботы. М.: Машиностроение. 1985-256 с.

56. О.А.Кутенко. Алгоритмы очистки речевого сигнала от квазипериодической помехи. В сб. Вычислительные системы. Новосибирск ИМ СО РАН Вып. 163, 1998 с. 78-96.

57. Отнес Р., Эноксон JI. Прикладной анализ временных рядов. Основные методы: М.: Мир, 1982. - 428 с.

58. Т.С. Хуанг, Дж.О. Эклунд. Г.Дж. Нуссбаумер и др. Быстрые алгоритмы в цифровой обработке изображений //Под ред. Т.С.Хуанга. Пер. с англ. М.:Радио и связь, 1984. 224 с.

59. Д.Е. Охоцимский, В.М. Заткис. Системы технического зрения. М.:Наука, 1991.-200 с.

60. Ван Трис Г. Теория обнаружения, оценок и модуляции. Пер. с англ. под. ред. В.Т.Горяинова. М.: Сов. радио, 1977, т.З. 664 с.

61. Васильев К.К. Байесовское различение и оценивание случайных последовательностей. Радиотехника и электроника, 1985, т. 30, N 3. с. 476485.

62. Д.Хьюбел, Т.Визель, Ф.Крик, Э.Кенделл и др. Мозг. М.:Мир, 1982. -279 с.

63. Рвачев B.JI. Слесаренко А.П. Алгебра логики и интегральные преобразования в краевых задачах. Киев: Наукова думка, 1976. 287 с.

64. Сойфер В.А. Компьютерная обработка изображений, ч. 2. Методы и алгоритмы. Соросовский образовательный журнал, № 3, 1996. с. 110-121.

65. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика, 1992 184 с.

66. Круглов В.В., Борисов В.В. Искуссивенные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. - 382 с.

67. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями — Брест: БПИ, 1999,-260 с.

68. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей -Брест: БПИ, 1999,-228 с.

69. N. М. Allinson. Self-organising neural maps and their applications. In J. G. Taylor and C. L. T. Mannion, editors, Theory and Applications of Neural Networks, pages 101-120. Springer, London, UK, 1992.

70. N. R. Ball. Reinforcement learning in Kohonen feature maps. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume I, pages 663-666, London, UK, 1994. Springer.

71. J. M. Bishop and R. J. Mitchell. Neural networks an introduction. In Proc. IEE Colloquium on 'Neural Networks for Systems: Principles and Applications' (Digest No. 019), pages 1-3, London,UK, 1991. IEE.

72. Marco Budinich and John G. Taylor. On the ordering conditions for Self-Organizing Maps. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume I, pages 347-349, London, UK, 1994. Springer.

73. Kyung Ah Han, Jong Chan Lee, and Chi Jung Hwang. Image clustering using-self-organizing feature map with refinement. In Proc. ICNN'95, IEEE Int. Conf. on Neural Networks, volume I, pages 465-469, Piscataway, NJ, 1995. IEEE Service Center.

74. N. R. Ball. Competitive learning in classifier feature maps. In I. Aleksander and J. Taylor, editors, Artificial Neural Networks, 2, volume I, pages 703-706, Amsterdam, Netherlands, 1992. North-Holland.

75. Su-Jeong You and Chong-Ho Choi. LVQ with a weighted objective function. In Proc. ICNN'95, IEEE Int. Conf. on Neural Networks, volume V, pages 2763-2768, Piscataway, NJ, 1995. IEEE Service Center.

76. Andreas Zell and Michael Schmalzl. Dynamic LVQ a fast neural net learning algorithm. In Maria Marinaro and Pietro G. Morasso, editors, Proc. ICANN'94, Int. Conf. on Artificial Neural Networks, volume II, pages 1095-1098, London, UK, 1994. Springer.

77. Ce Zhu, Lihua Li, Cuntai Guan, and Zhenya He. A study of LVQ-based architectures for robust speech recognition. In Proc. WCNN'93, World Congress on Neural Networks, volume IV, pages 177-180, Hillsdale, NJ, 1993. Lawrence Erlbaum.

78. M. Hernandez-Pajares and E. Monte. Application of the LVQ neural method to a stellar catalogue. In A. Prieto, editor, Proc. IWANN'91, Int. Workshop on Artificial Neural Networks, pages 422-429, Berlin, Heidelberg, 1991. Springer.

79. М.Ф.Гайнуллин, А.Н.Лабутин, Т.В.Сокольская, Л.А.Гарцева. К определению количественных оценок окраса образцов хлопко полиэфирных тканей. Химия и химическая технология. Том 47. Вып. 8. Иваново ИГХТУ 2004г. с. 52-54.

80. М.Ф.Гайнуллин. Определение областей непрокраса ткани на основе распознавания образов. Тезисы международной студенческой конференции «Фундаментальные науки специалисту нового века». Иваново 2002 г. с. 128 - 129.

81. Местецкий JI.M. Скелетизация многоугольной фигуры на основе обобщенной триангуляции Делоне. Программирование, 1999, № 3, с. 16-31.

82. Елисеева И.И., Рукавишников В.О. Группировка, корреляция, распознование образов. М.: Статистика, 1977. - 144 с.

83. Шишкин Е.В., Боресков А.В. Компьютерная графика. М.: Мир, 1995. -287 с.

84. Уизем Дж. Линейные и нелинейные волны. М.: Мир, 1977. 624 с.

85. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. 399 с.

86. Кристофидес Н. Теория графов. Алгоритмический подход. М.: Мир, 1978-432 с.

87. Ф.Харари, Э.Палмер. Перечисление графов. М.: Мир 1977. 327 с.

88. Чукин Ю.В. Структуры данных для представления изображений. -Зарубежная радиоэлектроника, 1983, N 8, с.85-107.

89. Магрупов Т.М. Рапознавание изоморфизма графов. Изв. АН УзССР. Сер.техн.наук. 1980. N4. с. 3-7.

90. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. Радио, 1979.-312 с.

91. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир 1976. -512с.

92. Лагутин В. И., Лиханов В.П., Никонова Е.И. Образцы белой поверхности. Оптико-механическая промышленность. 1984. N 6. с.53-58.

93. Ахназарова С.Л., Кафаров В.В. Методы оптимизации эксперимента в химической технологии: М.:Высш.школа, 1985. 327 с.

94. Арене., Лейтер Ю. Многомерный дисперсионный анализ. М.:Финансы и статистика, 1985г. -230 с.

95. Н.Дрейпер, Г.Смит. Прикладной регрессионный анализ. М.:Статистика. 1973. 392 с.

96. Иванова В.М., Калинина В.Н., Нешумова Л.А., Решетникова И.О. Математическая статистика. 2-е изд., перераб. и доп. М.: Высш.школа, 1981. -371 с.

97. Лутманов С. В. Курс лекций по методам оптимизации. — Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001, 368 с.

98. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.-509 с.

99. Банди Б. Методы оптимизации. Вводный курс: М.: Радио и связь, 1988.- 128 с.