Содержание к диссертации
Введение
1 Аналитический обзор состояния работ по контролю качества продукции 13
1.1 Классификация способов обнаружения и регистрации дефектов ткани - 13
1.2 Типы дефектов ткани 26
1.3 Нейронная сеть и принципы ее работы 37
1.3.1 Строение нейрокомпьютера 37
1.3.2 Работа нейрокомпьютера 39
1.4 Обзор научно-исследовательских работ с использованием нейронных сетей 41
1.5 Постановка цели и задач исследования 46
Моделирование системы контроля
2 Качества ткани средствами нейросетевой , технологии 49
« Разработка нейросетевой системы контроля качества ткани. Выбор типа нейронной сети
2.2 Синтез нейронной сети, обеспечивающей оптимальное распознавание дефекта ткани. Разработка синтетического алгоритма обучения нейронной сети 52
2.2.1 Усовершенствованный случайный поиск. Случайный поиск с памятью. Сравнение с алгоритмом обратного распространения ошибки - 55
2.2.2 Настройка нейронных сетей с помощью инерционной минимизации
2.2.3 Комбинированный алгоритм генетического и случайного поиска в задачах оптимизации и распознавания образов
2.3 Идентификация особенностей надмолекулярной структуры с помощью нейросетевой технологии и многопроцессорной вычислительной техники 73
2.4 Оптимизация информационных ресурсов. Сжатие информации нейронной сетью со слоем типа «воронка»
ВЫВОДЫ 84
3 Аппаратные решения и расчеты системы контроля качества продукции
3.1 Функциональная схема автоматизации браковочного оборудования
3-2 Организация контроля качества в производстве 87
3-2-1 Получение изображений дефектов. Видеозахват 87
2.2 Перспективы использования многопроцессорной вычислительной техники для контроля качества в производстве. При- 96 менение блока видеокамер
3 Оценка быстродействия системы обнаружения дефектов 97
4 Аппаратная и программная поддержка. Алгоритмы работы системы автоматизации браковочного оборудования
Выводы 107
Экспериментальные исследования нейросетевой системы в процессах динамического контроля качества продукции 108
1 Исследование системы обнаружения дефектов средствами компьютерного моделирования
2 Исследование нейросетевой системы обнаружения и контроля за дефектами полотна в лабораторных условиях
3 Апробация нейросетевой системы контроля качества на производстве
Выводы 123
Общие выводы 125
Список использованных источников
- Обзор научно-исследовательских работ с использованием нейронных сетей
- Синтез нейронной сети, обеспечивающей оптимальное распознавание дефекта ткани. Разработка синтетического алгоритма обучения нейронной сети
- Перспективы использования многопроцессорной вычислительной техники для контроля качества в производстве. При- 96 менение блока видеокамер
- Исследование нейросетевой системы обнаружения и контроля за дефектами полотна в лабораторных условиях
Введение к работе
Актуальность темы. В настоящее время обнаружение дефектов ткани и оценка ее качества в мерильно-браковочном цехе производятся визуально. Ткань на мерильно-браковочной машине движется со скоростью 30-50 м/мин. Ввиду ограниченной информационной пропускной способности человека, при увеличении скорости движения ткани количество пропущенных дефектов резко возрастает. В течение рабочего дня эффективность обнаружения дефектов ткани уменьшается. Для улучшения качества контроля сортности ткани, увеличения производительности мерильно-браковочного оборудования и высвобождения человека для более квалифицированного труда необходимо автоматизировать процесс * контроля качества ткани средствами нейросетевых технологий, исключающих значимость человеческого фактора из технологического процесса.
Цель работы состоит в повышении производительности мерильно-браковочного оборудования, надежности контроля качественных параметров текстильных материалов, расширении спектра распознаваемых дефектов ткани, снижении влияния человеческого фактора в технологическом процессе за счет автоматизации процесса контроля качества выпускаемой ткани посредством использования нейросетевых технологий.
Для достижения указанной цели поставлены следующие задачи: 1. Исследование современных способов и систем контроля поточного
производства и определение концептуальных направлений развития
средств автоматического контроля качества текстильных материалов.
Разработка и реализация аппаратного и программного обеспечения нейросетевой системы автоматического контроля качества выпускаемой ткани.
Разработка принципиально новых эффективных алгоритмов обучения искусственных нейронных сетей применительно к процессу обнаружения и классификации дефектов ткани.
Производственная апробация созданной системы нейросетевого контроля качества ткани.
Методы исследований. При решении поставленных задач использовались теория автоматического управления, теория цифровых систем управления, методы экспериментального исследования, а также методы математической статистики и вычислительной математики с применением ЭВМ.
В основе представленного исследования лежат принципы математического моделирования. Для обучения искусственных нейронных сетей распознаванию дефектов ткани использовались дельта-метод, алгоритм обратного распространения ошибки, разработанный нами синтетический алгоритм и входящие в его состав созданные нами оригинальные методы усовершенствованного случайного поиска, случайного поиска с памятью, инерционной минимизации функции, генетического поиска. Для улучшения показателей распознаваемости применялся метод сжатия информации с помощью нейросетевой воронки. Научная новизна. В представленной работе получены следующие оригинальные результаты:
Разработаны функциональная и структурная схемы аппаратного обеспечения установки для распознавания и классификации дефектов на движущейся ткани.
Разработаны и апробированы принципиально новые алгоритмы, с помощью которых обучается и функционирует нейронная сеть,
предназначенная для распознавания и классификации дефектов
ткани. Разработан пакет прикладных программ, позволяющий
комбинировать указанные алгоритмы с целью отыскания глобального
минимума целевой функции в множестве локальных.
3. Разработана система, предусматривающая использование
многопроцессорных вычислительных устройств (многопроцессорных
кластеров и многоядерных процессоров) для нейросетевого контроля
качества текстильных материалов.
Практическая ценность. Разработана и реализована нейросетевая система
распознавания и классификации дефектов ткани на мерильно-браковочном
оборудовании. Установлено, что разработанная система позволяет
повысить производительность мерильно-браковочного оборудования,
надежность контроля качественных параметров текстильных материалов,
расширить спектр классифицируемых дефектов ткани, снизить влияние
человеческого фактора в технологическом процессе.
На основе синтетического алгоритма создан пакет прикладных программ, распознающий и классифицирующий дефекты ткани, позволяющий сократить затраты машинного времени на обучение нейронной сети в 2-3 раза.
Получены оптимальные коэффициенты сжатия информации нейросетевой воронкой, обеспечивающие эффективность обнаружения и классификации дефектов на движущейся ткани.
Разработаны оптические устройства, обеспечивающие
функционирование системы в заданных технологических условиях. На защиту выносятся:
1. Функциональная схема нейросетевой установки для обнаружения и классификации дефектов ткани на мерильно-браковочном оборудовании.
Алгоритмы обучения нейронной сети, распознавания и классификации дефектов ткани.
Программная реализация синтетического алгоритма и алгоритмов усовершенствованного случайного поиска, случайного поиска с памятью, метода инерционной минимизации, двух разновидностей генетического поиска, сжатия информации с помощью нейросетевой воронки.
Результаты производственной апробации системы распознавания и классификации дефектов ткани.
Апробация работы. Основные положения и результаты работы доложены и обсуждены на следующих научно-технических форумах:
VI Международный научно-практической семинар "Физика волокнистых материалов" (Иваново, ИГТА, 2003 г.);
VII Международный научно-практической семинар "Физика волокнистых материалов" (Иваново, ИГТА, 2004 г.);
"Молодые ученые - развитию текстильной и легкой промышленности" (Поиск-2004) (Иваново, ИГТА, 2004 г.);
"Молодые ученые - развитию текстильной и легкой промышленности" (Поиск-2005) (Иваново, ИГТА, 2005 г.);
57-я конференция "Студенты и молодые ученые КГТУ - производству" (Кострома, КГТУ, 2005 г.);
"Дни науки-2005" (Санкт-Петербург, СПГУТД, 2005 г.);
межвузовская научно-практическая конференция "Экологические проблемы Ивановской области" (Иваново, ИГТА, 2005 г.);
"4th Central European Conference 2005" fibre-grade polymers, chemical fibres and special textiles; (Czech Republic, Liberec, Technical University, 2005);
"Молодые ученые - развитию текстильной и легкой промышленности" (Поиск-2006) (Иваново, ИГТА, 2006 г.);
международная научно-техническая конференция "Современные наукоемкие технологии и перспективные материалы текстильной и легкой промышленности" (ПРОГРЕСС-2006) (Иваново, ИГТА, 2006 г.);
16-я Всероссийская конференция "Теоретические основы и конструирование численных алгоритмов и решение задач математической физики с приложением к многопроцессорным системам" (Дюрсо, Институт прикладной математики им. М.В.Келдыша РАН и МГУ им. М.В.Ломоносова, 2006 г.).
Публикации
По теме диссертации опубликованы 19 печатных работ:
9 статей в журналах "Известия вузов. Технология текстильной промышленности"; "Вестник ИГТА"; "Вестник ИГЭУ" и сборнике материалов научной конференции "4 Central European Conference 2005" fibre-grade polymers, chemical fibres and special textiles;
9 тезисов в сборниках материалов научных конференций "Молодые ученые - развитию текстильной и легкой промышленности" (Поиск-2004, 2005, 2006); 57-й конференции "Студенты и молодые ученые КГТУ -производству"; "Дни науки-2005"; "Экологические проблемы Ивановской области - 2005"; "Современные наукоемкие технологии и перспективные материалы текстильной и легкой промышленности" (ПРОГРЕСС-2006); 16-й Всероссийской конференции "Теоретические основы и конструирование численных алгоритмов и решение задач математической физики с приложением к многопроцессорным системам", 2006.
1 патент на изобретение (Пат. 2296991 Российская Федерация, МІЖ7 GO IN 33/36 Устройство для обнаружения и регистрации дефектов на движущейся ткани).
Диссертация состоит из введения, четырех глав, заключения и приложений, изложенных на 192 страницах машинописного текста, содержит 67 рисунков, 27 таблиц, 80 формул, список литературы из 118 наименований.
В первой главе на основе анализа литературных источников выявлены достоинства и недостатки существующих систем контроля качества материала. Приведено описание существующих типов дефектов ткани и их классификация согласно причинам возникновения. Рассмотрены принципы функционирования нейронных сетей, определены задачи, эффективно решаемые ими. Составлен обзор нейросетевых систем, используемых в разных областях человеческой деятельности, таких как медицина, энергетика, гидрология и др. На основе анализа существующих систем контроля качества материала показана целесообразность применения современных информационных и аппаратных средств реализации контролирующих систем, позволяющих повысить производительность мерильно-браковочного оборудования, надежность контроля качественных параметров текстильных материалов, расширить спектр классифицируемых дефектов ткани, снизить влияние человеческого фактора в технологическом процессе. На основании аналитического обзора сформулированы цель и задачи исследований.
Вторая глава посвящена разработке структуры системы контроля качества текстильного материала, программной реализации нейронной сети, которая производит распознавание дефектов ткани и алгоритмов обучения такой нейронной сети. Первоначально нами был использован традиционный метод обучения нейронной сети, называемый метод обратного распространения ошибки. Наши эксперименты показали, что этот метод не эффективен для обнаружения дефектов ткани ввиду существенного недостатка, при котором поисковая точка останавливается в локальных минимумах целевой функции ошибки распознавания образа и
не находит глобального минимума. Для решения этой проблемы нами разработан синтетический алгоритм, способный отыскать глобальный минимум среди множества локальных. Синтетический алгоритм основан на чередовании в процессе поиска рандомизированных составляющих алгоритмов. В состав синтетического алгоритма входят разработанные нами усовершенствованный случайный поиск, случайный поиск с памятью, метод инерционной минимизации и генетический поиск. Обращение к рандомизированным алгоритмам вызвано необходимостью выхода поисковой точки из локальных минимумов. Выполненные нами численные эксперименты позволили определить оптимальную последовательность составляющих алгоритмов в синтетическом алгоритме: случайный поиск с памятью, генетический поиск, "слепой" случайный поиск, инерционная минимизация. Такая последовательность алгоритмов позволила эффективно обучать нейронную сеть распознаванию дефектов ткани, перемещая поисковую точку в глобальный минимум ошибки распознавания образа. Установлено, что выставление оптимальных коэффициентов сжатия информации при обучении нейронной сети со слоем типа "воронка" для выделения существенных параметров изображения позволило повысить распознаваемость дефектов на движущейся ткани.
В третьей главе приведена разработанная нами функциональная схема автоматизации браковочного оборудования, рассмотрен процесс получения изображений дефектов с помощью видеотехники. Разработаны оптические устройства, обеспечивающие эффект неподвижности изображения перемещающейся ткани. Такие устройства позволяют держать распознаваемый объект в поле зрения камеры достаточно долго, пока он не пройдет всю подконтрольную область. Нами применялся блок линейно расположенных видеокамер, сигналы с которых перед распознаванием суммировались, образуя единственный образ, передаваемый далее
нейронной сети. Благодаря такому суммированию при прохождении дефекта в поле зрения объектива хотя бы одной видеокамеры нейронная сеть обнаруживает дефект и программа фиксирует на какой длине рулона он был замечен. Идея блока видеокамер была реализована нами на многопроцессорной вычислительной технике, что позволяет провести автоматизацию мерильно-браковочного оборудования в масштабах цеха. Произведен расчет ожидаемого быстродействия системы с учетом тактовой частоты используемой вычислительной техники, минимальными размерами обнаруживаемых дефектов и заданной скоростью движения ткани. Для обеспечения функционирования системы нами разработан алгоритм работы нейросетевой системы обнаружения дефектов, включающий алгоритмы однокристальной ЭВМ (контроллера) и вычислительного блока.
В четвертой главе рассматриваются результаты исследования нейросетевой системы обнаружения и контроля за дефектами полотна в лабораторных условиях и на производстве. С целью определения функциональных параметров разработанной системы нами выполнены 3 типа экспериментальных исследований.
Эксперимент с моделями дефектов. Произведена оценка прогнозируемого повышения производительности браковочного оборудования за счет применения системы нейросетевого контроля качества ткани, позволяющей увеличить скорость движения ткани на мерильно-браковочной машине до 60 м/мин.
Эксперимент в лабораторных условиях. В ходе эксперимента было установлено, что источник должен обеспечивать равномерное, интенсивное освещение (порядка 100 Люкс), позволяющее четко получать структуру ткани на снимках. Распознаваемость трех типов дефектов находилась на уровне выше 95 %.
Эксперимент на производстве. Эксперименты позволили установить, что в пределах технологических скоростей движения ткани от 30 до 60 м/мин. распознаваемость дефектов находится в удовлетворительных пределах, снижаясь с 97% до 94-95%.
Нами разработана компьютерная программа обеспечивает диалог оператора с системой обнаружения и классификации дефектов, охватывая все этапы настройки нейронной сети и ее функционирования в основном технологическом режиме.
В приложениях рассчитывается стоимость программной и аппаратной составляющих нейросетевой системы контроля качества ткани, определяется экономическая эффективность от внедрения разработанного устройства. Приведены программные реализации созданных нами алгоритмов в различных средах программирования.
Обзор научно-исследовательских работ с использованием нейронных сетей
Целью данного обзора является определение современного состояния проблем применения нейросетевых технологий в задачах распознавания образов, оптимизации и прогнозирования.
Наиболее эффективным средством решения задач распознавания образов являются нейронные сети [25, 46, 100-103]. В литературе можно встретить описание признаков, которыми должна обладать задача, чтобы применение нейросетевой технологии было целесообразно [10, 37, 89, 106-108]: отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров; проблема характеризуется большими объемами входной информации; данные неполны или избыточны, зашумлены, частично противоречивы. Вот лишь некоторые области, где уже созданы успешно работающие коммерческие продукты на базе нейронных сетей: 1. Банки и страховые компании: Автоматическое считывание чеков и финансовых документов; Проверка достоверности подписей; Оценка риска займов; Прогнозирование изменений экономических показателей.
2. Административное обслуживание Автоматическое считывание документов; Автоматическое распознавание штриховых кодов.
3. Нефтяная и химическая промышленность Анализ геологической информации; Идентификация неисправностей оборудования; Разведка залежей минералов; Анализ составов примесей; Управление процессами.
4. Военная промышленность и астронавтика Обработка звуковых сигналов (разделение, идентификация, локализация); Обработка радарных сигналов (распознавание целей, идентификация и локализация источников); Обработка инфракрасных сигналов (локализация); Обобщение информации; Автоматическое пилотирование.
5. Промышленное производство Управление манипуляторами; Управление качеством; Управление процессами; Обнаружение неисправностей; Адаптивная робототехника; Управление голосом.
6. Служба безопасности Распознавание лиц, голосов, отпечатков пальцев.
7. Биомедицинская промышленность Анализ рентгенограмм; Диагностика состояния здоровья человека. 8. Телевидение и связь Адаптивное управление сетью связью; Сжатие и восстановление изображения.
Научными сотрудниками Ивановского НИИ материнства и детства им. В.Н.Городкова проводились ислледования по диагностике состояния новорожденных с помощью нейросетевой технологии на основании использования R-R интервалов (временных интервалов между ударами сердца). Были подготовлены более 600 историй болезни, которые затем были распределены на три группы: здоровый ребенок, ребенок требующий повышенного внимания и ребенок в тяжелом состоянии. Исходные диагнозы ставились различными врачами и использовались для обучения нейронных сетей. Для автоматизации диагностики применялись трехслойные нейронные сети. В ходе предварительной обработки R-R интервалы каждого ребенка представлялись в виде гистограммы (горизонтальная ось - длительность интервала, вертикальная ось - количество таких интервалов). Система включала три нейронных сети, каждая из которых определяла принадлежность очередного ребенка к одной из указанных выше групп. Входной слой всех нейросетей содержал 22 нейрона, скрытые слои имели по 14 нейронов, и на выходе каждой сети было по одному нейрону. Для обучения сетей использовался метод обратного распространения ошибки. Обученные сети правильно распознают состояние ребенка с вероятностями соответственно 71% (здоровый ребенок), 76% (требующий повышенного внимания), 97% (ребенок в тяжелом состоянии). В настоящее время проводится подготовка к внедрению данной методики [11].
Синтез нейронной сети, обеспечивающей оптимальное распознавание дефекта ткани. Разработка синтетического алгоритма обучения нейронной сети
Первоначально для обучения нейронной сети распознаванию дефектов ткани нами был использован традиционный метод, который называется алгоритмом обратного распространения ошибки. Этот алгоритм получен в результате применения метода градиента для минимизации целевой функции ошибки распознавания дефекта ткани.
Выполненные нами численные эксперименты показали, что метод обратного распространения ошибки не эффективен для обучения нейронной сети распознаванию дефектов ткани. При использовании данного метода часто возникают ситуации, когда процесс обучения нейронной сети, достигнув некоторого уровня, далее не продолжается. Происходит это из-за того, что поисковая точка попадает в один из локальных минимумов целевой функции ошибки распознавания, из которого выйти уже не может.
Для решения этой проблемы нами разработан синтетический алгоритм, основанный на чередовании в процессе поиска рандомизированных составляющих алгоритмов. В состав синтетического алгоритма входят разработанные нами усовершенствованный случайный поиск, случайный поиск с памятью, метод инерционной минимизации и генетический поиск. Обращение к рандомизированным методам оптимизации вызвано необходимостью выхода поисковой точки из локальных минимумов.
Были выполнены численные эксперименты по определению наилучшей последовательности указанных выше составляющих алгоритмов в синтетическом алгоритме. Для оценки эффективности минимизации были взяты эталонные многоэкстремальные функции (функция Розенброка и специальные тестовые функции с множеством локальных минимумов).
Введем обозначения для алгоритмов:
С - усовершенствованный случайный поиск, П - случайный поиск с памятью, И - инерционный поиск, Г - генетический алгоритм. В ходе экспериментов была найдена последовательность, позволяющая найти глобальный минимум с наименьшими затратами машинного времени. Она имеет следующий вид: пгсипгсипгси Такая последовательность алгоритмов позволила эффективно обучать нейронную сеть распознаванию дефектов ткани, перемещая поисковую точку в глобальный минимум ошибки распознавания образа.
На вход сети подается вектор х, имеющий размерность Nj. Ответ сети -вектор у, размерностью Nk. Обычно, Nk«Nj. Задача сети - разделить предъявляемые ей образы (в виде множества векторов х) на классы: обнаружен ли дефект на ткани и, если обнаружен, то какого типа. Ответ на этот вопрос дает в двоичной форме значение вектора у. Очевидно, что общее число возможных ответов равно 2N".
Настройка нейронной сети состоит в подборе значений весов Wy, W"k с помощью некоторой обучающей последовательности (Xs, Ys), где Xs-предъявляемые образы, Ys - двоичные номера их классов, М - общее число образов в обучающей последовательности, S - номер предъявленного дефекта (S = 1,2,..., М).
Обычно, для определения значений весов W , W"k обеспечивающих лучшее приближение, используют метод обратного распространения ошибки [37, 78, 95], состоящий в выполнении следующих операций.
Прямой ход ( XY.XS к ys) 0;, Oj, Ok - выходные значения нейронов слоев і, j, к соответственно. Fj, Fk - пороговые S-образные функции слоев] и k; Hj, Нк - их пороги. Сигналы от входа до выхода сети проходят следующую цепочку
Полученный на выходе результирующий вектор Ok, k = l,2,...,Nk сравнивается с требуемым ответом Yk. Вычисляются составляющие ошибки и выполняется обратный ход, в процессе которого корректируются веса W , Верхние индексы г, г +1 означают номер коррекции.
Прямой и обратный ход выполняются после каждого предъявления очередного образа Xs и правильного ответа Ys. Параметры цх и щ имеют порядок 0,01 +0,5 и подбираются в процессе вычислений.
Известно, что метод обратного распространения ошибки является реализацией метода градиента, применительно к процедуре минимизации обобщенной невязки процесса обучения: Mi - число опытов, по которым производится осреднение.
Помимо известных недостатков градиентных методов минимизации [38, 101], выполненные нами численные эксперименты показали, что поисковая точка часто попадает в локальные минимумы и не находит глобального, что не позволяет обучить нейронную сеть распознаванию дефектов ткани. Нами для минимизации Q и определения, таким образом, оптимальных весов Wl, Wj k нейронной сети был разработан усовершенствованный метод случайного поиска, состоящий в следующем.
Перспективы использования многопроцессорной вычислительной техники для контроля качества в производстве. При- 96 менение блока видеокамер
При использовании нейронной сети остро встает вопрос о размерности рецепторного поля, ведь от его размера напрямую зависит скорость работы системы и возможность корректного обучения нейронной сети [55, 86]. Для обнаружения дефектов малых размеров и, одновременно, обеспечения обзора ткани по всей ширине необходимо использовать видеокамеру с разрешением более 1280 х960.
Также для обеспечения обзора ткани по всей ширине нами применялся блок линейно расположенных видеокамер, сигналы с которых перед распознаванием суммировались, образуя единственный образ, передаваемый далее нейронной сети. Благодаря такому суммированию при прохождении дефекта в поле зрения объектива хотя бы одной видеокамеры нейронная сеть обнаруживает дефект и программа фиксирует на какой длине рулона он был замечен.
Идея блока видеокамер была реализована нами на многопроцессорной вычислительной технике.
В разработанной компьютерной программе применялась организация процессоров согласно топологии "звезда" [57, 79, 82, 111] (рис.3.12) (приложение 6). За обработку сигнала с каждой видеокамеры отвечает свой процессор, содержащий собственную нейронную сеть, обученную на распознавание 3-х типов дефектов (дефект основной нити, дефект уточной нити, пятно). Главный процессор в реальном времени принимает результаты распознавания картинки от подчиненных процессоров и проверяет эти данные на наличие кода известного типа дефекта. В случае обнаружения тип дефекта документируется в памяти компьютера и в протоколе.
Скорость движения ткани на мерильно-браковочной машине МКМ-180 изменяется от 5 до 50 метров в минуту. С целью запаса и для удобства подсчетов принимаем скорость движения ткани v выше максимальной и равной 1 метр в секунду. Ширина ткани L составляет 1,8 м или 1800 мм. Для обнаружения дефекта размером 1 мм х 1 мм потребуется наблюдать поле шириной 1800 пикселей.
Пусть видеокамера обладает разрешением 1280 х960. Тогда для охвата всей ширины ткани потребуются 2 видеокамеры. Суммарное поле, предоставляемое нейронной сети для обработки составит 1280 х 1920 пикселей.
Алгоритм работы нейросетевой системы обнаружения дефектов ткани будет включать алгоритмы однокристальной ЭВМ (контроллера) и вычислительного блока.
Алгоритм низкого уровня (алгоритм контроллера) состоит из двух частей.
В основной части (рис.3.15) производятся инициализация системы, разрешение прерываний и первичная проверка защитных ограждений. Затем включается электродвигатель, проверяется наличие технологического контакта и закрыты ли машине защитные ограждения. Далее идет блок ожидания импульсного сигнала с датчика длины. Поступивший импульс, в зависимости от режима работы электродвигателя, будет либо отнят, либо прибавлен к содержимому счетчика длины ткани. После этого, контроллер отсылает информацию о длине ткани в компьютер. Следующий блок проверяет срабатывание датчика шва (конца ткани). Если поступил сигнал об обнаружении шва, то привод останавливается. При обнаружении конца ткани также подается сигнал в компьютер. При каждой остановке двигателя производится запрос на его пуск.
При нажатии на кнопку управления происходит прерывание в работе основной программы и управление передается подпрограмме обслуживания прерывания (рис.3.16). Для устранения эффекта "дребезг контактов" введена временная задержка. После этого определяется какая из кнопок была нажата, выполняются соответствующие ей функции и производится выход из прерывания.
Алгоритм высокого уровня (алгоритм вычислительного блока) приведен на рис.3.17. Здесь компьютер для начала работы ждет сигнала из ОЭВМ о приходе импульса с датчика длины. При поступлении сигнала происходит запрос на получение изображения с видеокамеры. Далее этот снимок подвергается процедурам масштабирования, преобразования в числовой код и обработки нейронной сетью. При обнаружении сетью дефекта определяются его координаты и производится запись в память компьютера. Затем проверяется наличие сигнала о конце ткани. При отсутствии сигнала компьютер ожидает следующего приема. Если же отмечен сигнал о конце ткани, то выдается листинг об обнаруженных дефектах и их координатах.
Таким образом осуществляется работа устройства для обнаружения дефектов на движущемся тканом полотне.
Исследование нейросетевой системы обнаружения и контроля за дефектами полотна в лабораторных условиях
Цель работы состояла в повышении производительности мерильно-браковочного оборудования, повышении надежности контроля качественных параметров текстильных материалов, расширении спектра распознаваемых дефектов ткани, снижении влияния человеческого фактора в технологическом процессе за счет автоматизации процесса контроля качества выпускаемой ткани посредством использования неиросетевых технологий.
Для достижения указанной цели были поставлены следующие задачи:
1. Исследование современных способов и систем контроля поточного производства и определение концептуальных направлений развития средств автоматического контроля качества текстильных материалов.
2. Разработка и реализация аппаратного и программного обеспечения нейросетевой системы автоматического контроля за качеством выпускаемой ткани.
3. Разработка принципиально новых эффективных алгоритмов обучения искусственных нейронных сетей применительно к процессу обнаружения и классификации дефектов ткани.
4. Производственная апробация созданной системы нейросетевого контроля качества ткани.
Поставленные в данной работе цели и соответствующие им задачи решены.
В работе получены следующие результаты:
1. Разработана нейросетевая система распознавания и классификации дефектов ткани на мерильно-браковочном оборудовании. Система включает мерильно-браковочную машину, видеокамеры, устройства освещения ткани, компьютер, содержащий созданное нами нейросетевое математическое обеспечение, принтер для вывода результатов контроля, сигнализацию об обнаруженном дефекте. Установлено, что разработанная система позволяет повысить производительность мерильно-браковочного оборудования, повысить надежность контроля качественных параметров текстильных материалов, расширить спектр классифицируемых дефектов ткани, улучшить условия труда персонала, работающего на мерильно-браковочном оборудовании.
2. Нами разработан и апробирован синтетический алгоритм, с помощью которого обучается нейронная сеть, распознающая и классифицирующая дефекты ткани. Установлено, что синтетический алгоритм позволяет сократить затраты машинного времени на обучение нейронной сети в 2-3 раза. Синтетический алгоритм обеспечивает отыскание решения в тех случаях, когда алгоритм обратного распространения ошибки попадает в локальный минимум и прекращает поиск.
3. Разработаны и исследованы алгоритмы, входящие синтетический алгоритм: усовершенствованный случайный поиск, случайный поиск с памятью, метод инерционной минимизации, две разновидности генетического алгоритма, а также их комбинации.
4. Установлено, что использование нейронной сети со слоем типа "воронка" для сжатия информации и выделения существенных параметров изображения позволяет существенно повысить эффективность распознавания дефектов на движущейся ткани.
5. Разработана многокамерная конструкция системы нейросетевого контроля, которая предусматривает установку нескольких видеокамер на каждую браковочную машину. Все камеры обслуживаются одним компьютером, что позволяет произвести автоматизацию в масштабах цеха.
6. В качестве перспективного направления рассмотрен вариант использования многопроцессорных вычислительных устройств (многопроцессорных кластеров и многоядерных процессоров) для неиросетевого контроля качества текстильных материалов.
