Модели принятия решений в задаче управления качеством продукции деревообрабатывающего производства тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Илющенко, Владимир Валерьевич

• Илющенко, Владимир Валерьевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Илющенко, Владимир Валерьевич

Перечень сокращений.

Введение.

1. Анализ проблемы принятия решений в процессе управления качеством изделий на деревообрабатывающих предприятиях.

1.1 Общая постановка задачи принятия решений в рамках статистической теории машинного обучения.

1.2 Обзор продукции лесопильного производства и принципов контроля её качества.

1.3 Обзор пороков древесины.

1.4 Обзор существующих методов дефектоскопии для выявления пороков древесины.

1.5 Обзор современных систем промышленного сканирования.

1.6 Обзор методов обработки и сегментации изображений.

1.7 Сокращение и оптимизация классифицирующих признаков обучающей выборки.

1.8 Обзор математических моделей классификации.

1.9 Основные направления исследований для эффективного управления качеством.

1.10 Выводы по первой главе.

2. Разработка модели классификации с использованием границ Колмогорова-Смирнова и выбор стратегии принятия решений при управлении качеством.

2.1 Постановка задачи и исходные данные для ее решения.

2.2 Логистическая регрессионная модель.

2.2.1 Введение.

2.2.2 Предварительные определения логистической регрессии.

2.2.3 Множества распределений вероятности.

2.2.4 Минимаксная стратегия и логистическая регрессия.

2.2.5 Миниминная стратегия и логистическая регрессия.

2.2.6 Непараметрические методы для вычисления условных вероятностей.

2.2.7 Границы Колмогорова-Смирнова.

2.2.8 Оптимальные плотности и минимаксная стратегия.

2.2.9 Оптимальные плотности и миниминная стратегия.

2.2.10 Априорные вероятности классов.

2.3 Петлевая функция потерь.

2.4 Выводы по второй главе.

3. Модификация минимаксной стратегии принятия решений в задачах управления качеством и ее программная реализация.

3.1 Функционал риска и крайние (экстремальные) точки.

3.2 Петлевая функция потерь.

3.3 Постановка эксперимента на примере классификации круглых и овальных сучков.

3.4 Выводы по третьей главе.

4. Разработка системы принятия решений управления качеством на деревообрабатывающих предприятиях.

4.1 Выбор средств получения информации о качественных характеристиках материалов деревообработки.

4.2 Мультиклассовая классификация.

4.3 Разработка алгоритма обработки изображения.

4.4 Разработка обобщенного алгоритма системы управления качеством продукции деревообрабатывающего производства.

4.5 Выводы по четвертой главе.

Выводы.

Введение диссертации (часть автореферата) на тему «Модели принятия решений в задаче управления качеством продукции деревообрабатывающего производства»

Актуальность работы

Самым «узким» участком деревообрабатывающей промышленности являются линии сортировки. Принятием решений о сорте продукции занимается рабочий-сортировщик. Высокий процент брака (неверно классифицируемых продуктов деревообработки) является следствием человеческого фактора. Сложность решения этой проблемы - в большом разнообразии пороков древесины, трудности их формализации и различных способах их оценивания, а также в ограниченности времени подготовки производства и в меняющихся условиях производства: освещенности, влажности древесины и засорении оптической системы видеодатчиков вследствие повышенной запыленности на производстве.

Цель диссертационной работы

Целью диссертационной работы является разработка новых моделей управления качеством продуктов деревообработки на основе методов машинного обучения и их реализация в системе управления качеством.

Задачи, которые необходимо решить для достижения поставленной цели

- провести анализ существующих методов машинного обучения, выявить их недостатки и перспективные направления развития и исследовать возможность их применения в задаче управления качеством продукции деревообрабатывающего производства;

- осуществить поиск оптимального поля признаков для классификации по порокам древесины и по сортам продукции деревообрабатывающего производства;

- разработать новые модели классификации, устойчивые к искажению входной информации и способные обучаться при ограниченной статистической информации;

- разработать эффективные алгоритмы для программной реализации новых моделей классификации.

Объект исследования

Объектом исследования являются системы управления и оптимизации качества продукции деревообрабатывающего производства.

Предмет исследования

Предметом исследования являются модели и методы принятия решений и обработки информации по определению качества продукции деревообрабатывающего производства.

Методы исследования

Для решения указанных задач в работе применялись методы математического моделирования, теории вероятностей и математической статистики, теории принятия решений, методы оптимизации, системного анализа, теории компьютерного зрения.

Научная новизна

1. Разработана робастная статистическая модель классификации на основе байесовского классификатора с применением логистической регрессии, границ Колмогорова-Смирнова и минимаксной стратегии принятия решений, устойчивая к искажению входной информации при изменении влажности и освещенности поверхности древесины, а также в условиях повышенной запыленности и при вариативности классифицируемых пороков.

2. Разработана модифицированная модель классификации с применением крайних точек и петлевой функции потерь, оптимизирующая время обучения за счет упрощения целевой функции и уменьшения числа ограничений.

3. Разработан алгоритм сегментации изображений поверхности древесины, учитывающий неровности и шероховатости поверхности и устойчивый к изменению освещенности и влажности древесины.

4. Разработан и реализован алгоритм обработки графической информации для анализа качества изделий из древесины и алгоритм принятия решений об отнесении их к определенному сорту.

Практическая значимость работы

Разработано математическое, информационное, алгоритмическое и программное обеспечение системы управления качеством продукции деревообрабатывающего производства. Предложено оптимальное поле признаков для классификации по сортам.

По результатам математического моделирования подтверждена возможность снижения риска выпуска некачественной продукции путем выбора минимаксной стратегии принятия решений при больших степенях зашумле-ния. Повышение доли корректно классифицируемых по сортам изделий составляет 10%.

Реализация и внедрение результатов работы

На основе предложенных методов программный модуль обработки и получения информации из графических представлений дефектов внедрен в опытно-промышленную эксплуатацию ОАО НІШ «ОСТЕРМ СПБ».

Достоверность результатов

Достоверность полученных в диссертационной работе основных сформулированных научных положений и выводов обеспечивается корректностью примененного математического аппарата и используемых методов исследования, их практической реализацией, математической строгостью преобразований при получении доказательств, утверждений и аналитических зависимостей и результатами исследований алгоритмов при помощи тестовой программной системы.

Основные положения, выносимые на защиту 1. Робастная статистическая модель классификации на основе байесовского классификатора с применением логистической регрессии, границ Колмогорова-Смирнова и минимаксной стратегии принятия решений.

2. Модифицированная модель классификации с применением крайних точек и петлевой функции потерь.

3. Алгоритм программной реализации робастной статистической модели классификации.

4. Алгоритм программной реализации модифицированной модели классификации с применением крайних точек и петлевой функции потерь.

5. Алгоритм обработки информации для анализа качества поверхности древесины, учитывающий неровности и шероховатости поверхности, и алгоритм анализа пороков древесины.

Апробация работы

Основные научные результаты диссертации докладывались и обсуждались на Международных научно-практических конференциях молодых ученых "Современные проблемы и перспективы рационального лесопользования в условиях рынка" (СПб ГЛТА, Санкт-Петербург, 10-11 ноября 2009 г.; 10-11 ноября 2010; 10-11 ноября 2011); в работе десятой Международной Научной Школы «Моделирование и Анализ Безопасности и Риска в Сложных Системах (МА БР 2010)» (МБИ, Санкт-Петербург, 6-10 июля, 2010); на XIII и XIV Международных конференциях по мягким вычислениям и измерениям (8СМ'2010 и 8СМ'2011) (СПб ГЭТУ, Санкт-Петербург, 23-25 июня 2010 г.; 23-25 июня 2011 г.); УП-ой Международной научно-технической конференции «Актуальные проблемы развития лесного комплекса» (ВоГТУ, Вологда, 7-9 декабря 2010 г.); Всероссийской конференции молодых ученых «Интернет: инновационные технологии и инженерные разработки» (СПб НИУ ИТ-МО, Санкт-Петербург, 13-14 октября, 18 ноября 2011 г.); на ежегодных научно-технических конференциях профессорско-преподавательского состава СПб ГЛТУ имени С.М. Кирова 2010-2012 гг.

Основные научные результаты были представлены на следующих конкурсах: на отборочных этапах конкурса научно-технических проектов на получение номинации на статус "У.М.Н.И.К. (Участник Молодежного Научно-Инновационного Конкурса)" в рамках XIII Международной конференции по мягким вычислениям и измерениям 8СМ'2010, СПбГЭТУ «ЛЭТИ», 24 июня 2010 г., XIV Международной конференции по мягким вычислениям и измерениям 8СМ'2011, СПбГЭТУ «ЛЭТИ», 24 июня 2011 г., 9-го Международного симпозиума и выставки по электромагнитной совместимости и электромагнитной экологии, СПбГЭТУ «ЛЭТИ», 16 сентября 2011 г. и на экспертном совете конкурса научно-технических проектов на получение статуса "У.М.Н.И.К.", проводимого Фондом содействия развитию малых форм предприятий в научно-технической сфере, СПб, Фонд ТВН, 5-8 декабря 2011 г. Проект является победителем конкурса "У.М.Н.И.К.".

Также имеются: сертификат победителя в номинации "Молодой предприниматель Санкт-Петербурга " (2 место) программы «Бизнес - для меня!» в рамках мероприятий специальной программы "Вовлечение молодежи в предпринимательскую деятельность" при поддержке Комитета экономического развития, промышленной политики и торговли Правительства Санкт-Петербурга и программы "Открытое небо" 2011 г.; диплом победителя (3 место) от 21.03.2012 конкурса «Лучший молодежный проект в области информационных технологий» в рамках 15-го Московского Международного салона изобретений и инновационных технологий «АРХИМЕД» и II Международного молодежного научно-технического форума «Дорога к звездам» в период с 1 сентября 2011 года по 10 марта 2012 года при поддержке Министерства образования и науки Российской Федерации, Правительства Москвы; диплом победителя (2 место) №71/21НП конкурса на лучшую научную публикацию 2010 г. среди студентов, аспирантов, молодых ученых и специалистов СПб ГЛТА, Санкт-Петербург

Публикации

По теме диссертации опубликовано 19 печатных работ. Из них 3 статьи в журналах, рекомендованных ВАК РФ.

Структура и объём работы

Диссертация состоит из введения, четырёх глав, выводов, списка литературы. Диссертация изложена на 161 странице, включает библиографический список из 110 наименований, 35 рисунков, 13 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Илющенко, Владимир Валерьевич

Выводы

1. Выполнен анализ нормативно-технической документации, который показал, что наилучшим решением сокращения пространства признаков для модели принятия решений в задаче управления качеством является использование классификации пороков древесины по Лакатошу, которая основана на изменении физико-механических свойств древесины вследствие наличия определенного порока. Определены зависимости изменения физико-механических свойств от разновидности порока.

2. Разработана новая робастная статистическая модель принятия решений для задачи управления качеством изделий из древесины, основой которой является использование множества распределений вероятностей, заданное границами Колмогорова-Смирнова, нечеткая модель Дирихле и две стратегии принятия решений: пессимистическая (минимаксная) и оптимистическая (миниминная) стратегии.

3. Разработана модифицированная модель принятия решений с применением крайних точек, минимаксной стратегии принятия и петлевой функции потерь. Сравнение результатов исследований моделей на основе эмпирического распределения, минимаксной и миниминной стратегии показало, что при больших степенях зашумления входной информации модифицированная модель показывает лучшие результаты классификации по сравнению с моделью на основе эмпирического распределения.

4. Разработан алгоритм сегментации изображений поверхности древесины, позволяющий отделять неровность и шероховатости древесины от других пороков и не зависящий от изменений влажности древесины и ее освещенности.

5. Разработан общий алгоритм построения системы принятия решений для задачи управления качеством с двухуровневой классификацией по порокам и сортам.

Список литературы диссертационного исследования кандидат технических наук Илющенко, Владимир Валерьевич, 2012 год

1. Autolog: http://www.autolog.com

2. Boser В.Е., Guyon I.M., Vapnik V.N. A training algorithm for optimal margin classifiers. Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory. ACM Press, 1992. 144-152 c.

3. CoeNewnes/McGehee: www.coegroup.com

4. Cortes C., Vapnik V. Support vector networks. Machine Learning, 20(3). 1995. 273-297 c.

5. Cox D. R. The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series В (Methodological), 20(2). 1958. 215-242 c.

6. DiNardo J., Tobias, J.L. Nonparametric density and regression estimation. Journal of Economic Perspectives, Vol. 15(4): 11-28, 2001

7. Duff G. Technology for Delivering High Quality Graded Softwood Product -Practical Applications: Gottstein fellowship report. Clayton South, Australia, 2005.8. FinScan: www.finscan.fi

8. Gonzalez R.C., Woods R.E. Solutions manual. Digital image processing. 2ed. Pearson Education, 2002. 209 p.

9. Hastie Т., Tibshirani R., Friedman J. The Elements of Statistical Learning Data Mining, Inference, and Prediction. Second Edition. New York: Springer, 2009. 809. c.

10. Hosmer D. W., Lemeshow S. Applied logistic regression. 2nd ed. USA: John Wiley & Sons, Inc., 2000. 397 c.

11. Innovativ Vision: www.woodeye.se

12. Kaplan E.L. and Meier P. Nonparametric estimation from incomplete observations. Journal the American Statistical Association, 53(282): 457-481, 1958

13. Nelder J.A., Wedderburn R.W.M. Generalized linear models. Journal of the Royal Statistical Society, Series A (General), 135(3). 1972. 370-384 c.

14. Robert C.P. The Bayesian Choice. New York: Springer, 1994. 266 c.

15. Scott Ferson, Vladik Kreinovich, Lev Ginzburg, David S. Myers, and Kari Sentz, Constructing Probability Boxes and Dempster-Shafer Structures, Sandia National Laboratories, Report SAND2002-4015, January 2003.

16. Utkin L.V. and Coolen F.P.A. On Reliability Growth Models Using Kolmo-gorov-Smirnov Bounds. International Journal of Performability Engineering. Volume 7, Number 1, January 2011 Paper 1. 2011. 5-19 c.

17. Vapnik V.N. Statistical Learning Theory. New York: John Wiley, 1998

18. Vapnik V.N. The Nature of Statistical Learning Theory: 2 edition. New York: Springer-Verlag, 2000. 334 c.

19. Wasserman L. All of Nonparametric Statistics. Springer, New York, 2006

20. Wolfowitz J. Additive partition functions and a class of statistical hypotheses. The Annals of Mathematical Statistics, 13(3): 247-279, 1942

21. Yakov Ben-Haim. Info-gap decision theory. Decision under severe uncertainty. Second edition. Oxford, 2006.

22. Айвазян С.А., Бухштабер B.M., Енюков И.С., Мешалкин JI.Д. Прикладная статистика: Классификации и снижение размерности: Справ, изд. Под ред. С. А. Айвазяна. М.: Финансы и статистика, 1989. 607 с.

23. Анисимов Б. В., Курганов В. Д., Злобин В. К. Распознавание и цифровая обработка изображений: Учебное пособие для студентов вузов. М.: Высшая школа, 1983. 295 с.

24. Ануфриев И.Е., Смирнов А.Б., Смирнова Е.Н. MATLAB 7 в подлиннике. СПб: БХВ-Петербург, 2005. 1104 с.

25. Афанасьев А.П., Дзюба С.М. Элементарное введение в теорию экстремальных задач. М.: Издательство МФТИ, 2008. 186 с.

26. Ашманов С.А. Линейное программирование. М.: Наука. Главная редакция физико-математической литературы, 1981. 340 с.

27. Банди Б. Основы линейного программирования: Пер. с англ. Шихеевой О. В. под ред. Волынского В. А. М.: Радио и связь, 1989. 176 с.

28. Барсов A.C. Что такое линейное программирование. Государственное издательство физико-математической литературы. М.: Наука. Государственное издательство физико-математической литературы, 1959. 104 с.

29. Белозеров И.Л., Дорошенко В.А., Кибякова С.И., Кибяков А.П. Технологический расчет лесопильных потоков: учеб. пособие. Владивосток: Изд-во ДВГТУ, 2009. стр. 135.

30. Бутаков Е.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. 240 с.

31. Вакин А.Т., Полубояринов О.И., Соловьев В.А. Пороки древесины. 2-е изд., перераб. и доп. М.: Лесная промышленность, 1980. 112 с.

32. Ван дер Варден Б. Л. Математическая статистика: Пер. с нем. Болынева Л.Н., под ред. Смирнова H.B. М.: Издательство иностранной литературы, 1960. 435 с.

33. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.

34. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. Статистические проблемы обучения. М.: Издательство «Наука», Главная редакция физико-математической литературы, 1974. 416 с.

35. Власов Г.Д., Куликов В.А., Родионов C.B. Технология деревообрабатывающих производств. М.: Гослесбумиздат, 1960. 566 с.

36. Влияние ионизирующих излучений на свойства древесины http://www.drevesinas.rU/factors/phisical/5.html

37. Волынский В.Н. Взаимосвязь и изменчивость физико-механических свойств древесины. 2-е изд. Архангельск: АГТУ, 2006. 196 с.

38. Галеев Э. М., Тихомиров В. М. Оптимизация: теория, примеры, задачи. М: Элиториал УРСС, 2000. 320 с.

39. Гонсалес Р., Вудс Р. Цифровая обработка изображений: Пер. с англ. под ред. Чочиа П.А. М.: Техносфера, 2005. 1072 с.

40. Гонсалес Р., Вудс Р. Цифровая обработка изображений: Пер. с англ. под ред. Чочиа П.А. М.: Техносфера, 2005. 1072 с.

41. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде МАТЬАВ: Пер. с англ. Чепыжова В.В. М.: Техносфера, 2006. 616с.

42. ГОСТ 16483.15-72. Древесина. Метод определения водопроницаемости

43. ГОСТ 16483.19-72. Древесина. Метод определения влагопоглощения

44. ГОСТ 16483.34-77. Древесина. Метод определения газопроницаемости

45. ГОСТ 18288-87. Производство лесопильное. Термины и определения.

46. ГОСТ 2140-81. Видимые пороки древесины. Классификация, термины и определения, способы измерения.

47. ГОСТ 26002-83 Пиломатериалы хвойных пород северной сортировки, поставляемые для экспорта. Технические условия

48. ГОСТ 2695-83 Пиломатериалы лиственных пород. Технические условия

49. ГОСТ 8486-86 Пиломатериалы хвойных пород. Технические условия

50. ГОСТ 9302-83. Пиломатериалы хвойных пород черноморской сортировки, поставляемые для экспорта. Технические условия

51. ГОСТ 9685-61. Заготовки из древесины хвойных пород. Технические условия

52. Григорьев М.А. Материаловедение для столяров и плотников: Учебник для сред. проф.-техн. училищ. 2-е изд., перераб. и доп. М.: Высш. школа, 1981. стр. 173.

53. Грузман И.С., Киричук B.C., Косых В.П., Перетягин Г.И., Спектор A.A. Цифровая обработка изображений в информационных системах: Учебное пособие. Новосибирск: Издательство НГТУ, 2000. 168 с.

54. Дащенко А.Ф., Кириллов В.Х., Коломиец JI.B., Оробей В.Ф. MATLAB в инженерных и научных расчетах. Одесса: Астропринт, 2003. 214 с.

55. Джонсон Н., Лион Ф. Статистика и планирование экспериманта в технике и науке. Методы обработки данных. Пер. с англ. под ред. Лецкого Э. К. М.: Изд-во «Мир», 1980. 611 с.

56. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. Вайнштейна Г.Г. и Васьковского A.M. под ред. Стефанюка В.Л. М.: Мир, 1976. 511 с.

57. Дьяконов В. П. MATLAB 7.*/R2006/R2007. Самоучитель. М.: ДМК пресс, 2008. 768 с.

58. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001. 480 с.

59. Дьяконов В.П., Абраменкова И.В. MATLAB. Обработка сигналов и изображений. Специальный справочник. СПб.: Питер, 2002. 608 с.

60. Журавлев Ю.И., Рязанов В.В., Сенько О.В. «Распознавание». Математические методы. Программная система. Практические применения. М.: Фазис, 2006. 159 с.

61. Заенцев И.В. Нейронные сети: основные модели. Учебное пособие. Воронеж: ВГУ, 1999. 76 с.

62. Золотых Н.Ю. Машинное обучение (Machine Learning). 2009.

63. Иглин С. П. Математические расчеты на базе MATLAB. СПб: БХВ-Петербург, 2005. 640 с.

64. Кетков Ю.Л., Кетков А.Ю., Шульц М.М. MATLAB 7: программирование, численные методы. СПб.: БХВ-Петербург, 2005. 752 с.

65. Коломинова М.В. Пороки древесины. Часть 1. Метод, указания. Ухта УГТУ, 2009.-51 с.

66. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». М.: Издательство МЭИ, 2002. 176 с.

67. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. 382 с.

68. Лазарев Ю. Моделирование процессов и систем в MATLAB. Учебный курс. СПб: Питер, 2005. 512 с.

69. Лакатош Б.К. Дефектоскопия древесины. Под ред. Уголева Б.Н. М.: Лесная промышленность, 1966. стр. 184.

70. Леонтьев Л.Л, Зарудная Г.И. Древесиноведение с основами лесного товароведения. Пороки древесины: Учебное пособие. СПб: ЛТА, 2001 г.

71. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций. Таганрог: Изд-во ТТИ ЮФУ, 2009. 156 с.

72. Линейный дискриминант Фишера http://www.machinelearning.ru/wiki/index.php?title^HHefiHbra^HCKpHMHH антФишера

73. Лунгу К. Н. Линейное программирование. Руководство к решению задач. М.: ФИЗМАТЛИТ, 2005. 128 с.

74. Майстров Л.Е. Теория вероятности. Краткий очерк. М.: Наука, 1967.

75. Мартынов H. Н., Иванов А. П. MATLAB 5.x. Вычисления. Визуализация. Программирование. М.: КУДИЦ-Образ, 2002. 336 с.

76. Мерков А.Б. Введение в методы статистического обучения. М.: Эдито-риалУРСС, 2011 г. 256 с.

77. Местецкий JI.M. Математические методы распознавания образов. Курс лекций. М.: Ф-т ВМиК МГУ, кафедра ММП. 2002. 85 с.

78. Метод ближайших соседей http://www.machinelearning.ru/wiki/index.php?title=Meтoдближaйшиxco седей

79. Метод парзеновского окна http://www.machinelearning.ru/wiki/index.php?title=Meтoдпapзeнoвcкoгo окна

80. Музапевский В.И., Леонов Л.В. Технологические измерения и приборы в лесной и деревообрабатывающей промышленности: Учебник для ВУЗов. М.: Экология, 1991. стр. 400.

81. Наивный байесовский классификатор http://www.machinelearning.ru/wiki/index.php?title=HaHBHbm6aftecoBCKHfi классификатор

82. Павлидис Т. Алгоритмы машинной графики и обработки изображений. Пер. с англ. М.: Радио и связь, 1986. 400 с.

83. Патрик Э. Основы теории распознавания образов: Пер. с англ. Под ред. Б. Р. Левина. М.: Сов. радио, 1980 408 с.

84. Перелыгин Л. М. Древесиноведение. М.: ГосЛесБумИздат, 1949

85. Петровский B.C. Автоматизация лесопромышленных предприятий: Учеб. пособие для студ. сред. проф. образования. Под ред. Втюрина В.А. М.: Академия, 2005. 304 с.

86. Поляк Б.Т. Введение в оптимизацию.М.: Наука. Главная редакция физико-математической литературы, 1983. 384 с.

87. Потапов А. С. Распознавание образов и машинное восприятие: Общий подход на основе принципа минимальной длины описания. СПб.: Политехника, 2007. 548 с.

88. Прэтт У. Цифровая обработка изображений (в двух книгах): Пер. с англ. под ред. Лебедева Д.С. М.: Мир, 1982.

89. Рассел С., Норвиг П. Искусственный интеллект: современный подход. 2-е изд. Пер. с англ. М.: Вильяме", 2006. 1408 с.

90. Рентгеновская дефектоскопия. Достоинства и недостатки. В Интернете. http://scdef.narod.ru/LickBezRentg.htm

91. Рудаков П.И., Сафонов В.И. Обработка сигналов и изображений. MATLAB 5.x. Под. ред. Потемкина В.Г. М.: Диалог-МИФИ, 2000. 416 с.

92. Сойфер В.А. и др. Методы компьютерной обработки изображений. Под ред. Сойфера В. А. М. ФИЗМАТ ЛИТ, 2003. 784 с.

93. Степанов Б.А. Материаловедение (деревообработка). М.: Академия, 2007. 80 с.

94. Терёхин В.В. Моделирование в системе MATLAB. Часть 1. Основы работы в MATLAB. Практическое пособие. Новокузнецк: Кузбассвузиз-дат, 2004. 376 с.

95. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. Гу-ревича И.Б. под ред. Журавлева Ю.И. М.: Мир, 1978. 413 с.

96. Уголев Б.Н. Древесиноведение и лесное товароведение. М.: Академия, 2006.

97. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Пер. на русский язык Зуев Ю.А., Точенов В.А. М.: Мир, 1992.

98. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. Учебное пособие. СПб: СПбГУ ИТМО, 2008. 192 с.

99. Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход: Пер. с англ. Назаренко A.B., Дорошенко И.Ю. Под ред. Назаренко A.B. М.: Вильяме, 2004. 928 с.

100. Фурман Я.А. и др. Введение в контурный анализ. Под. ред. Фурмана Я. А. 2-е изд. М.: ФИЗМАТ ЛИТ, 2003. 592 с.

101. Хант Э. Искусственный интеллект. М.: Мир, 1978. 560 с.

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

103. Чен К., Джиблин П., Ирвинг A. MATLAB в математических исследованиях: Пер. с англ. Кондрашова В.Е. и Королева С.Б. М.: Мир, 2001. 346с.

104. Шапиро JL, Стокман Дж. Компьютерное зрение. Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2006. 752 с.

105. Шахинпур М. Курс робототехники. Пер. с англ. М.: Мир, 1990. 527 с.

106. Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. Киев, Наукова думка, 2004.

107. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007. 584 с.

108. Яншин В. В., Калинин Г. А. Обработка изображений на языке Си для IBM PC. Алгоритмы и программы. М.: Мир, 1994. 240 с.

109. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. радио, 1979. 312 с.