Повышение эффективности неразрушающего контроля интегрального параметра качества материалов сложной структуры на основе корреляционной функции спектров изображений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Егорушкин, Евгений Олегович

• Егорушкин, Евгений Олегович
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Егорушкин, Евгений Олегович

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМЫ АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ КАЧЕСТВА МАТЕРИАЛОВ СЛОЖНОЙ СТРУКТУРЫ.

1.1. Характеристика объектов и требования к контролю качества материалов сложной структуры.

1.2. Особенности автоматизированного контроля качества материалов сложной структуры.

1.3. Анализ существующих методов контроля качества материалов сложной структуры

1.4. Автоматизированный подход к измерению параметров качества материалов.

Выводы по главе 1 и постановка задач исследования.'.

ГЛАВА 2. ИССЛЕДОВАНИЕ ПРОЦЕССА АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ КАЧЕСТВА МАТЕРИАЛОВ СЛОЖНОЙ СТРУКТУРЫ С ПРИМЕНЕНИЕМ СИСТЕМ ТЕХНИЧЕСКОГО ЗРЕНИЯ.

2.1. Выбор интегрального критерия качества материалов сложной структуры на примере пенополиуретана.

2.2. Структурный анализ и синтез электронно-оптической системы контроля качества материалов.

2.3. Этапы обработки изображений материала.

2.4. Предварительная обработка изображения.

2.5. Комплекс технических средств для проведения эксперимента.

2.6. Методика проведения эксперимента.

Выводы по главе 2.

ГЛАВА 3. ИССЛЕДОВАНИЕ МЕТОДОВ ИЗМЕРЕНИЯ СРЕДНЕГО

РАЗМЕРА ЯЧЕЙКИ МАТЕРИАЛА СЛОЖНОЙ СТРУКТУРЫ.

3.1. Измерение среднего размера ячейки методом печатного оттиска.

3.2. Измерение среднего размера ячейки материала методом анализа статистических характеристик его изображения.

3.3. Определение среднего размера ячейки материала методом анализа корреляционных функций изображения.

3.4. Определение среднего размера ячейки пенополиуретана методом спектрального анализа двумерного сигнала.

3.5. Определение среднего размера ячейки пенополиуретана методом анализа корреляционной функции пространственных спектров изображения.

3.6. Нейросетевой метод определения среднего размера ячейки ППУ.

3.7. Сравнение методов измерения среднего размера ячейки материала.

Выводы по главе 3.

ГЛАВА 4. РАЗРАБОТКА СТРУКТУРЫ АВТОМАТИЗИРОВАННОГО КОМПЛЕКСА НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ КАЧЕСТВА МАТЕРИАЛОВ.

4.1. Характеристика и технические требования к пенополиуретану.

4.1. Технологический процесс производства пенополиуретана.

4.2. Разработка технологического процесса автоматизированного контроля качества ППУ.

4.3. Уточнение геометрических характеристик электронно-оптической системы промышленной установки контроля качества ППУ.

4.4. Предложения по промышленному применению разработанного метода автоматизированного контроля качества материала. Перспективы его применения в промышленности.

Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Повышение эффективности неразрушающего контроля интегрального параметра качества материалов сложной структуры на основе корреляционной функции спектров изображений»

Актуальность темы, В настоящее время сохраняется потребность в разработке новых и совершенствовании существующих методов и средств контроля качества готовой продукции при производстве различных материалов сложной структуры, таких как пенополиуретан, пенопласт, ячеистые пластмассы. Это обусловлено необходимостью повышения эффективности контроля, решения задач его автоматизации, с целью увеличения конкурентоспособности производимого продукта в условиях современного рынка.

В большинстве случаев, даже в условиях цикличнонепрерывного производства, автоматизированный непрерывный (потоковый) контроль качества практически отсутствует. Большое значение, придаваемое именно потоковому контролю качества, вызвано сравнительно высокой скоростью изменения входных технологических параметров (сырье, температура, давление и т.д.) на существующих производствах. Как следствие, периодическое измерение параметров качества не дает оперативной картины качества продукта на выходе. Примером такого производственного процесса может послужить производство блочного пенополиуретана (ППУ). Пенополиуретан является легким водонепроницаемым изоляционным материалом. Главной областью применения блочного пенополиуретана является авиационная промышленность. Во избежание утечки топлива при разгерметизации корпуса самолета при столкновении с мелкими твердотельными объектами, между корпусом и внешним кожухом топливных баков помещается прослойка блочного пенополиуретана.

Основными параметрами, определяющими качество пенополиуретана, являются: вес, кажущаяся плотность, изоляционные свойства, статический изгиб, растяжение и именно к ним предъявляются наиболее жесткие требования.

В настоящее время при производстве рассматриваемых материалов используются ручные, основанные на экспертной оценке методики определения параметров качества. Они характеризуются длительным временем поверки образца и связаны с необходимостью отъема части материала для проведения контрольных операций. Такие методы не могут быть применены в качестве средства непрерывного (потокового) контроля качества, вследствие чего не удовлетворяют современным требованиям.

Тему работы следует признать актуальной, так как разработка и внедрение новых, более совершенных методов контроля качества продукта позволит повысить объективность контроля и за счет этого, уменьшить количество производственного брака.

Цели и задачи диссертационной работы. Целью диссертационного исследования является разработка неразрушающих методов автоматизированного контроля качества материалов сложной структуры на базе системы технического зрения, обеспечивающих снижение производственного брака за счет повышения объективности контроля.

Разрабатываемые методы могут служить основной для реализации в дальнейшем полномасштабной системы автоматизации, которая позволит воздействовать на входные параметры производственного процесса, с выходом на их оптимальные значения в режиме реального времени.

Для достижения поставленной цели необходимо решение следующих основных задач:

• Проведение анализа структуры и классификация параметров качества исследуемых материалов, с целью выявления интегрального параметра качества;

• Проведение анализа свойств изображений материалов сложной структуры, выявление наиболее существенных связей между элементами изображений.

• Выполнение анализа существующих и разработка новых методов измерения интегрального параметра качества по изображению объекта контроля;

• Разработка алгоритмов и процедур измерения и контроля интегрального параметра качества на основе разработанных методов;

• Проведение экспериментального исследования разработанных методов с целью определения наиболее эффективного;

• Разработка предложений по промышленному применению для автоматизации контроля качества готовой продукции в ходе производственного процесса.

Методы исследования. Исследования проводились с использованием аппарата математической статистики, двумерного преобразования Фурье, корреляционного и нейросетевого анализа, а также специальных методов исследования параметров качества: аппроксимации значений эксцесса и асимметрии статистических характеристик изображений, - анализа корреляционных функций спектров изображений, нейросетевого метода. Для практической реализации разработанных алгоритмов, использовалась среда MatLab, информационное обеспечение процесса контроля качества материалов сложной структуры разработано на базе среды N1 LabView.

Научная новизна

1. Доказано, что среднее расстояние между локальными максимумами корреляционной функции спектра изображения может быть использовано в качестве информативного признака для оценки среднего размера ячейки материалов ячеистой структуры;

2. Разработан новый метод автоматизированного измерения среднего размера ячейки материалов сложной структуры, заключающийся в применении корреляционного анализа к спектру исходного изображения, повышающий точность и скорость измерений;

3. Разработан алгоритм автоматического определения порога яркости при проведении пороговой сегментации изображения пространственной корреляционной функции спектров, заключающийся в подборе значения, исходя из минимальности рассеяния результатов определения среднего размера ячейки материалов, обеспечивающий адаптивность методов измерений к свойствам изображений материалов ячеистой структуры.

Практическая значимость

1. Разработанный подход к контролю интегрального параметра качества материалов сложной структуры позволяет, в отличие от существующих, производить непрерывный, неразрушающий контроль качества готовой продукции в реальном масштабе времени;

2. Разработанные модификации методов автоматизированного измерения среднего размера ячейки материалов сложной структуры на базе корреляционного, спектрального и нейросетевого методов обработки изображений, позволяют повысить скорость и точность измерений в мелкосерийном, крупносерийном и массовом производствах.

3. Разработаны предложения по созданию автоматизированных систем контроля качества материалов сложной структуры.

Основные результаты диссертационной работы поставлены в план внедрения на ООО «Корунд» в ходе модернизации производства пенополиуретана в течение 2011-2013 г.г. Часть материала использована в учебном процессе кафедры «Автоматизация Машиностроения» ИПТМ НГТУ при чтении лекций и проведения лабораторных работ по дисциплине «Методы и средства технических измерений».

Апробация работы. Основные положения и результаты диссертационной работы доложены и обсуждены на следующих научно-технических конференциях:

1. «VII Международная молодежная научно-техническая конференция Будущее технической науки» (Н.Новгород, 2008г.)

2. XVIII Всероссийская научно-техническая конференция «Неразрушающий контроль и техническая диагностика» (Н.Новгород, 2008г.)

3. Технология, автоматизация производственных систем и управление организационно-техническими системами машиностроительного кластера (Н.Новгород, 2008 г.)

4. XXV Всероссийская научно-техническая конференция «Информационные технологии в науке проектировании и производстве». (Н.Новогород, 2008 г.)

5. Всероссийская научно-техническая конференция «Компьютерные технологии в науке, производстве, социальных и экономических процессах» (Новочеркасск , 2008 г. )

Публикации и личный вклад автора. Основное содержание работы отражено в 13 печатных работах, в том числе 4 статьи, 11 докладов на конференциях. 6 работ без соавторства в том числе 2 в изданиях рекомендуемых ВАК.

Основные результаты и положения, выносимые на защиту, получены лично автором. Все алгоритмы, обсуждаемые в работе, были разработаны и экспериментально исследованы автором самостоятельно. Научный руководитель принимал участие в постановке цели и задач исследования, их предварительном анализе, планировании экспериментов, а также в обсуждении полученных результатов.

Основные положения, выносимые на защиту

• Методы определения зависимостей интегрального параметра качества объекта контроля от структуры его изображения, на основе статистических, частотных и нейросетевых методов обработки изображений.

• Алгоритмы и процедуры измерения интегрального параметра качества материалов сложной структуры;

• Структура автоматизированного комплекса неразрушающего контроля качества ячеистых материалов, являющегося базой для реализации системы комплексной автоматизации производства подобных материалов.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 119 наименований и 3 приложений. Работа изложена на 129 страницах машинописного текста, содержит 61 рисунок, и 22 таблицы.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Егорушкин, Евгений Олегович

5. Результаты исследования показывают возможность использования предложенных алгоритмов для создания автоматизированных систем неразрушающего контроля качества широкого круга материалов сложной структуры (полиуретанов, ячеистых пластмасс).

Заключение

В диссертационной работе поставленные задачи решены и получены следующие результаты:

1. Осуществлен анализ структуры и классификация параметров качества исследуемых материалов, выявлен интегральный параметр - средний размер ячейки материала;

2. Произведен анализ свойств изображений материалов сложной структуры, выявлены наиболее существенные связей между его элементами;

3. Показаны особенности использования статистического, корреляционного и спектрального методов обработки изображений в применении к изображениям ячеистых материалов;

4. Разработан метод анализа корреляционных функций спектров изображений, обеспечивающий повышение точности и быстродействия процесса контроля;

5. Разработан нейросетевой метод измерения среднего размера ячейки материала сложной структуры, обеспечивающий повышение точности и быстродействия процесса контроля в условиях крупносерийного и массового производства;

6. Разработаны алгоритмы и процедуры определения среднего размера ячейки, позволяющие повысить эффективность проведения

- неразрушающего контроля качества материалов сложной структуры;

7. Результаты проведенных экспериментальных исследований подтверждают эффективность разработанных алгоритмов обработки изображений;

8. Разработано информационное обеспечение процесса контроля;

9. Предложена структура автоматизированного комплекса неразрушающего контроля качества материалов сложной структуры, служащего основой для реализации системы комплексной автоматизации производства материалов сложной структуры.

Список литературы диссертационного исследования кандидат технических наук Егорушкин, Евгений Олегович, 2009 год

1. ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. Госстандарт России- М.:ИПК Издательство стандартов, 2003

2. Бурлов В.В., Крыжановский В.К., Кербер M.JI. Производство изделий из полимерных материалов. Учебное пособие. 2004 г.

3. Jourdan, Jerome S. Iglehart, Michael L. Reimann, Kurt A. US Patent 5912729 -Measurement of plastic foam cell size using a visualization technique.

4. Lee, T. and Lakes, R. S."Anisotropic polyurethane foam with Poisson's ratio greater than 1", Journal of Materials Science , 32, 2397-2401, (1997).5. (W0/2000/063269) POLYURETHANE FOAM CELL OPENING AGENTS AND METHODS FOR MAKING FOAM USING THE SAME.

5. Jang, Mi-seon, Hwang, Jin-taek , Seo, Seung-joo Open cell rigid polyurethane foam and method for producing the same and method for making vacuum insulation panel using same (United States Patent 5889067).

6. Вудс P. Цифровая обработка изображений / Р.Вудс, Р. Гонсалес. М.: Техносфера, 2005. - 1072 с.

7. Прэтт У. Цифровая обработка изображений. В 2-х книгах. Пер. с англ. — М.: Мир, 1982.—Кн.1 —312 с. кн.2 — 480 с.

8. Бакут, П. А., Колмогоров, Г. С, Ворновицкий, И. Э. Сегментация изображений: методы пороговой обработки / П. А. Бакут, Г. С. Колмогоров,И. Э. Ворновицкий // Зарубежная радиэлектроника. 1987. - №10. - с. 6-24.

9. Бакут, П. А., Колмогоров, Г. С. Сегментация изображений: методы выделения границ областей // П. А. Бакут, Г. С. Колмогоров / Зарубежная радиоэлектроника. 1987. -№10. - с. 25-47.

10. Nicolier, F. Rational multiresolution analysis and fast wavelet transform: application to wavelet shrinkage denoising/ F. Nicolier, A. Baussard, F. Truchetet // Signal Processing 2004.-Vol. 84-P. 1735 - 1747

11. Постоянный технологический регламент производства эластичных блочных пенополиуретанов марки ППУ ЭО-ЮО. 1995.

12. Басков И.Г., Добротин С.А. Автоматизация и современные технологии. — №11. — 9 с. — 1998.

13. Александров В.В., Горский Н.Д. Представление и обработки изображений: рекурсивный подход, Л-д.: Наука, 1985. — 190 с.

14. В.В.Яншин. Анализ и обработка изображений: принципы и алгоритмы. — М.: Машиностроение, 1994. — 112 с.

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

16. ХеммингР. В. Цифровые фильтры. — М.: «Недра», 1987. — 221 с.

17. Антонью А. Цифровые фильтры: анализ и проектирование. М.: Радио и связь, 1983.-320 с.

18. Гутников B.C. Фильтрация измерительных сигналов. — JL: Энергоатомиздат, 1990.- 192 с.

19. Хемминг Р.В. Цифровые фильтры. М.: Недра, 1987. - 221 с.

20. Баскаков С.И. 1 Радиотехнические цепи и сигналы: Учебник для вузов. М.: Высшая школа, 1988.- 448 с.

21. Глинченко А.С. Цифровая обработка сигналов. В 2 ч. — Красноярск: Изд-во КГТУ, 2001.-383 с.

22. И.С.Грузман и др. Цифровая обработка изображений в информационных системах. Учебное пособие. Новосибирск, 2000

23. Гринберг А.Д., Гринберг С. Цифровые изображения: Практическое руководство / Пер. с англ.; Худ. обл. М.В. Драко. — Мн. ООО «Попурри», 1997.400 е.: ил.

24. Сойфер В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы. Соросовский образовательный журнал №3, 1996.,

25. Андреев A.JI. Автоматизированные телевизионные системы наблюдения. Часть II. Арифметико -логические основы и алгоритмы. Учебное пособие. СПб: СПб, ГУИТМО, 2005. - 88с.

26. Розенфельд Л.Г. и др. Возможности постобработки диагностических КТ>и МРТ-изображений на персональном компьютере. Украшський медичний часопис -№ 6 (56) - XI/XII, 2006.

27. Лукин А. Введение в цифровую обработку сигналов (Математические основы).-М.: МГУ, Лаборатория компьютерной графики и мультимедиа, 2002.

28. Labview для всех / Джеффри Тревис : Пер. с англ. Клушин Н.А. М: ДМК Пресс; ПриборКомплект, 2004 - 544 с.

29. Klinger, Thomas, Ph.D. Imageprocessing with lab view and Imaq Vision Pearson Education, Inc. 2003r.

30. Скадыков C.C. Системы цифровой обработки изображений / С.С. Садыков, Г.Х. Кадырова, Ш.Р. Азимов. Ташкент: Фан, 1988 - 162 с.

31. Макс Ж. Методы и техника обработки сигналов при физических измерениях. В 2-х тт. — М.: «Мир», 1983.

32. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. М.: Мир, 1989'. - 540 с.

33. Гольденберг Л.М. и др. Цифровая обработка сигналов: Справочник. М.: Радио и связь, 1985.- 312 с.

34. Дмитриев В.И. Прикладная теория информации: Учебник для студентов вузов.- М.: Высшая школа, 1989.- 325 с.

35. Купер Дж., Макгиллем А. Вероятностные методы анализа сигналов и систем. — М.: Мир, 1989.-376 с.39.0ппенгейм А.В., Шафер Р.В. Цифровая обработка сигналов. М.: Связь, 1979. -416с.

36. Рабинер JL, Гоулд Б. Теория и применение цифровой обработки сигналов. — М.: Мир, 1978.-848 с.

37. Гольденберг JT. М. и др. Цифровая обработка сигналов. Учебное пособие для вузов. — М.: «Радио и связь», 1990. — 256 с.

38. Утробин В.А. Информационные модели системы зрительного восприятия для задач компьютерной обработки изображений. Нижегородский Государственный технический университет, Н.Новгород, 2001. — 234 с.

39. Утробин В.А. Компьютерная обработка изображений. Анализ и синтез. Нижегородский Государственный технический университет, Н.Новгород, 2003. -228 с.

40. Даджион Д., Мерсеро, Р. Цифровая обработка многомерных сигналов; Изд-во: М.: Мир, 1988 г.;

41. Утробин В.А. Компьютерная обработка изображений. Решение задач в пространстве эталонов. Нижегородский Государственный технический университет, Н.Новгород, 2005. 228 с.

42. Утробин В. А. Компьютерная обработка изображений. Информационные модели этапа понимания. Нижегородский Государственный технический университет, Н.Новгород, 2006. 247 с.

43. Утробин В.А. Физические интерпретации элементов алгебры изображения. Журнал «Успехи физических наук» № 10, том 174.

44. Гиренко А.В., Ляшенко В.В., Машталир В.П., Путятин Е.П. Методы корреляционного обнаружения объектов. Харьков: АО "БизнесИнформ", 1996. 112 с.

45. Егорушкин Е.О. Использование корреляционного анализа изображения для контроля качества пористых материалов. Журнал «Естественные и технические науки» № 2, 2009г.

46. Сиберт У.М. Цепи, сигналы, системы. М.: Мир, 1988. - 336 с.

47. Белоглазов И.Н. Тарасенко В.П. Корреляционно-экстремальные системы. М./'Сов. радио", 1974, 392 с.

48. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. — М.: «Мир», 1989. —448 с.

49. Марпл-мл. С. Л. Цифровой спектральный анализ и его приложения. — М: МИР, 1990. —С. 584.

50. Бат М. Спектральный анализ в геофизике. М.: Недра, 1980.- 535 с.

51. Егорушкин, Е.О. Использование Фурье-анализа изображения для контроля качества пористых материалов. /Е.О. Егорушкин// «Техника и технология». — Москва: Изд-во «Спутник плюс», 2009 № 3. - С. 27

52. Егорушкин Е.О., Кудрявцев С.А. Оптический метод контроля качества пористых материалов // Технология, автоматизация производственных систем и управление организационно-техническими системами машиностроительного кластера (Н.Новгород, 2008 г.)

53. Егорушкин Е.О., Кудрявцев С.А. Исследование методов контроля качества материалов сложной структуры // Неразрушающий контроль и техническая диагностика: Тез. докл. XVIII Всероссийской научно-технической конференции Н.Новгород, 2008 г. (с. 207).

54. Егорушкин Е.О., Кудрявцев С.А. Использование методов Фурье-анализа для неразрушающего контроля качества пористых материалов // Будущее технической науки: Тез. докл. VIII Междунар. молодёжной научно-технической конф. Н.Новгород, 2009 г. в печати.

55. Васильев Д.В. Радиотехнические цепи и сигналы: Учебное пособие для вузов. -М.: Радио и связь, 1982. 528 с.

56. Хуанг Т.С. и др. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь, 1984. - 224 с.

57. Егорушкин Е.О. Использование корреляционного анализа Фурье-спектров изображения для контроля качества пористых материалов. Журнал «Контроль. Диагностика» № 5, стр. 39-40, 2009 г.

58. Егорушкин Е.О., Кудрявцев С.А. Применение частотных методов, анализа изображений для неразрушающего контроля качества пенополиуретана // Сборник трудов НГТУ: Н.Новгород, 2009 г. в печати.

59. Егорушкин Е.О., Кудрявцев С.А. Исследование методов контроля качества материалов сложной структуры // Будущее технической науки: Тез. докл. VII Междунар. молодёжной научно-технической конф. Н.Новгород, 2008 г. (с. 206).

60. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. М.:Мир, 1978.

61. Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения: Пер. с англ. -М.: Мир, 1990.

62. Отнес Р., Эноксон Л. Прикладной анализ временных рядов.- М.: Мир, 1982.

63. Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989. —440 с.

64. Егорушкин Е.О. Оптический метод контроля качества материалов ячеистой структуры // XXV ВНТК «Информационные технологии в науке проектировании и производстве» Материалы всероссийских научных и научно-технических конференций, декабрь 2008 г. (с. 25)

65. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М: Машиностроение, 1990. 320 с.

66. Ф. Уоссермен. Нейрокомпьютерная техника. Теория и практика: Пер. с англ. Ю.А. Зуев, В.А. Точенов, 1992 г.;

67. Горелик А.Л., Гуревич И.Б., Скрипкии В.А. Современное состояние проблемы распознавания. —М.: Радио и связь, 1985.

68. Горелик А.Л., Скрипкин В.А. Методы распознавания. — М.: Высшая школа, 1984, —222 с.

69. Розенфильд А. Распознавание и обработка изображений с помощью вычислительных машин. Пер. с англ. — М.: Мир, 1972. — 232 с.

70. Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P.(eds.). Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.

71. Shalkoff R.J. Digital image processing and computer vision. New York-Chichester-Brisbane-Toronto-Singapore: John Wiley & Sons, Inc., 1989. - 489 p.

72. Werbos P. J., Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph.D. thesis, Harvard University, Cambridge, MA, 1974.

73. Галушкин А. И. Синтез многослойных систем распознавания образов. — М.: «Энергия», 1974.

74. Kohonen, Т. (1989/1997/2001), Self-Organizing Maps, Berlin — New York: Springer-Verlag. First edition 1989, second edition 1997, third extended edition 2001, ISBN 0-387-51387-6, ISBN 3-540-67921-9

75. Вапник B.H., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974. - С.34-156.

76. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин. М.: Мир, 1972. - С.16-144.

77. Хуан Т., Шрейбер В., Третьяк О. Обработка изображений // ТИИЭР. 1971. -Т.59. - №11. - С.59-89.

78. Фу К. Последовательные методы в распознавании образов и обучения машин. -М.: Наука, 1971. С.40-46, 165-184.

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

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

81. Petrou М. Learning in Pattern Recognition. Lecture Notes in Artificial Intelligence -Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 1-12.

82. Jacobsen X., Zscherpel U. and Perner P. A Comparison between Neural Networks and Decision Trees. Lecture Notes in Artificial Intelligence — Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 144-158.

83. Valentin D., Abdi H., O'Toole A. J. and Cottrell G. W. Connectionist models of face processing: a survey. IN: Pattern Recognition 1994, Vol. 27, pp. 1209-1230.

84. Yoon К. S., Ham Y. K. and Park R.-H. Hybrid approaches to frontal view face recognition using the Hidden Markov Model and Neural Network. Pattern Recognition 1998 Vol. 31, pp. 283-293.

85. Ranganath S. and Arun K. Face recognition using transform features and neural networks. Pattern Recognition 1997, Vol. 30, pp. 1615-1622.

86. Егорушкин, E.O. Нейросетевой метод неразрушающего контроля качества материалов ячеистой структуры. /Е.О. Егорушкин// «Техника и технология». — Москва: Изд-во «Спутник плюс», 2009 № 3. - С. 28

87. Lawrence S., Giles С. L., Tsoi А. С. and Back A. D. Face Recognition: А Convolutional Neural Network Approach. IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, pp. 1-24.

88. Rowley H. A., Baluja S. and Kanade T. Neural Network-Based Face Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1998, Vol. 20, pp. 23-37.

89. Foltyniewicz R. Efficient High Order Neural Network for Rotation, Translation and Distance Invariant Recognition of Gray Scale Images. Lecture Notes in Computer Science Computer Analysis of Images and Patterns, 1995, pp. 424-431.

90. M. А. Павлейно, В. M. Ромаданов Спектральные преобразования в MatLab. — СПб: 2007. —С. 160.

91. Дьяконов В. П., Абраменкова И. В. MATLAB. Обработка сигналов и изображений. Специальный справочник. — СПб.: «Питер», 2002. — С. 608. — ISBN 5-318-00667-608

92. Зиновьев А. Ю. Визуализация многомерных данных. — Красноярск: Изд. Красноярского государственного технического университета, 2000. — 180 с.

93. Benouali А.-Н.; Froyen L.; Delerue J.F.; Wevers М. Mechanical analysis and microstructural characterisation of metal foams: Materials Science and Technology, Volume 18, Number 5, May 2002 , pp. 489-494(6)

94. Milanova M., Almeida P. E. M., Okamoto J. and Simoes M. G. Applications of Cellular Neural Networks for Shape from Shading Problem. Lecture Notes in Artificial Intelligence Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 51-63.

95. Райт П., Камминг А. Полиуретановые эластомеры: Пер. с англ. JL: Химия, 1973.304 с.

96. Саундерс Д., Фриш К. Химия полиуретанов: Пер. с англ. М.: Химия, 1968. 470с.

97. Липатов Ю.С., Керча Ю.Ю., Сергеева Л.М. Структура и свойства полиуретанов. Киев: Наук, думка, 1970. 279 с.

98. Керча Ю.Ю. Физическая химия полиуретанов. Киев: Наук, думка, 1979. 224 с.

99. X. D. Zhang, D. W. Giles, V. H. Barocas, K. Yasunaga Measurement of foam modulus via a vane rheometer: J. Rheol. Volume 42, Issue 4, pp. 871-889 (July 1998)

100. Любартович С. А., Морозов Ю.Л., Третьяков О.Б. Реакционное формование полиуретанов. М:: Химия, 1990:288 с.

101. Welsh, Maurice J. Wegner Process for continuous control of the cell number of polyurethane foams (United States Patent 5296517)

102. MONDAL Pravakar , KHAKHAR D. V., Regulation of cell structure in water blownp rigid polyurethane foam: Pacific polymer conference No8, Bangkok , THAILANDE (24/11/2003) 2004, vol. 216, pp. 241-254

103. Путятин, E. П., Аверин, С. И*. Обработка изображений в робототехнике / Е. П. Путятин, С. И. Аверин. М.: Машиностроение, 1990. - 320 с.

104. Никулин'О.Ю., Петрушин А.Н. Системы телевизионного наблюдения: Учебно-справочное пособие / Редактор — д.т.н. В.А.Минаев — М.: Изд. «Оберег-РБ», 1997. — 168 с.

105. Курбатова Екатерина Анатольевна MATLAB 7. Самоучитель-. — M.: «Диалектика», 2005. — С. 256. — ISBN 5-8459-0904-Х