Энергетические характеристики
Спектр одномерного сигнала Wш(a,b) представляет собой поверхность в трёхмерном пространстве. Типичные линии уровня такой поверхности представлены на рисунке 3. Прямой анализ сигнала провести по ним затруднительно, тем более осуществить автоматическое компьютерное исследование. Поэтому при моделировании используются энергетические характеристики вейвлет-преобразования, основанные на равенстве
(2)
Анализируемое изображение в системе цветности RGB представляет собой трёхслойную трёхмерную поверхность в пространстве координат (x-y-цвет) исследуемого образца, где - ширина полотна. Каждый слой представляет собой набор точек красного, синего и зелёного цветов определённой яркости f(x,y). Следовательно, интеграл в левой части (2) естественно назвать энергией цветового слоя, а - плотностью энергии. Полная энергия анализируемой строки с координатой y определяется как
. (3)
Очевидно, что дефектные строки имеют более высокий уровень энергии, чем строки, в которых дефект отсутствует. Дефектность определяется по критерию
(4)
где T1 - энергетический порог, соответствующий чувствительности глаза к излучению. Область представляет собой часть изображения, в котором отсутствуют пороки окраски. Её местоположение и размер определяются перед началом анализа тканого полотна.
Таким методом при непрерывном сканировании рулона ткани находятся продольные координаты местных пороков, т. е. - "дефектные строки". На основе подобных идей в каждой дефектной строке определяются соответственно выбранному разрешению сканирования D точки, в которых существует порок окраски. Предполагается, что каждая дефектная область является непрерывной. На её границах велики градиенты функции яркости [9], а значит, вейвлет-коэффициенты Wш(a,b) на всех масштабах испытывают резкое увеличение. Начало и конец дефектных областей в каждой строке определяются согласно критерию
(5)
Выбранные критерии позволяет с достаточной степенью точности выявить дефектные пиксели даже в случае их низкого контраста.
Результаты экспериментов
Описанный алгоритм проверен на модельных примерах, представляющих собой графические образы с непрерывным цветовым полем и "дефектными пикселями" в виде объектов иного цвета. Алгоритм приводит к высокому проценту успеха.
В случае испытания реальных образцов тканей (рис.4) выявилась зависимость вероятности обнаружения порока окраски от контраста дефекта: при слабом контрасте флуктуации яркости сравнимы с величиной шума, что устраняется применением оптических датчиков более высокого класса [5].
В экспериментах использовалась модельная установка на базе сканирующего устройства и высокопроизводительной вычислительной системы. Размеры сканируемой области были ограничены применяемым оборудованием. Современные технологии позволяют с помощью серийных, а не штучно выпускаемых устройств на основе светочувствительных датчиков получить сканирующую систему практически любой ширины (рис.5), способную полностью охватить рулон тканого материала.
Рис.5
Это обстоятельство сводит к минимуму дополнительные затраты на проектирование и создание анализирующей системы, что приводит к очевидной экономической выгоде.
Подобные технологии уже не один год применяются в широкополосных сканирующих устройствах.
Заключение
На основании анализа современных методов и направлений автоматизации поиска дефектов текстильных материалов с целью уменьшения поля влияния субъективных факторов установлен перспективный метод локализации пороков тканей с использованием вейвлет-технологий.
Внедрение автоматизированной системы контроля качества и разбраковки тканых полотен с помощью вейвлет-технологий позволяет поднять производство на качественно новую ступень экономической целесообразности.
Библиографический список
1. Соболев С.В. Компьютерные методы эффективного статистического контроля прочностных и геометрических характеристик текстильных материалов// автореферат диссертации на соискание ученой степени д-ра техн. наук. М., 1992.
2. Живетин В.В., Хавкин В.П., Бакуленко С.Г. Автоматический контроль качества продуктов в текстильной промышленности: Разработка автоматизированных процессов и новых технологий текстильной и лёгкой промышленности. М.: НПО "Автоматизация лёгкой промышленности", 1991.
3. Агафонов В.И., Сёмин М.И. Математические методы определения местных пороков ткани в текстильной промышленности. Сб. Современные проблемы текстильной и лёгкой промышленности. Тез. докл. Межвуз. научн.-техн. конф. М.: РосЗИТЛП, 2006.
4. Агафонов В.И., Сёмин М.И. Методы и средства определения местных пороков ткани в текстильной промышленности. Сб. Новое в науке, технике и производстве текстильной промышленности. Вып. 3. М.: РосЗИТЛП, 2007.
5. Агафонов В.И., Сёмин М.И. Определение местных пороков тканей на базе визуальной информационной системы. Сб. Современные информационные технологии. Вып. 2. М.: РосЗИТЛП, 2006.
6. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.
7. И. Добеши И. Десять лекций по вейвлетам. Ижевск: НИЦ "Регулярная и хаотическая динамика", 2001.
8. Дьяконов В. Вейвлеты. От теории к практике. М.: СОЛОН-Пресс, 2004.
9. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их использование // Успехи физических наук. Т. 171. 2001, № 5.