الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۵۴
کد مقاله
TXT54
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
تشخیص خودکار الگوی منسوجات بافته شده با استفاده از شبکه عصبی مصنوعی
نام انگلیسی
Automatic Recognition of Woven Fabric Patterns by an Artificial Neural Network
تعداد صفحه به فارسی
۲۰
تعداد صفحه به انگلیسی
۷
کلمات کلیدی به فارسی
الگوی منسوجات بافته شده- شبکه عصبی مصنوعی
کلمات کلیدی به انگلیسی
Recognition of Woven Fabric- Artificial Neural Network
مرجع به فارسی
دپارتمان مهندسی منسوجات- دانشگاه سوان- کره جنوبی- دانشگاه ایالتی کارولینای شمالی- ایالات متحده
مرجع به انگلیسی
Department of Textile Engineering- South Korea -State University- U.S.A
کشور
تشخیص خودکار الگوی منسوجات بافته شده با استفاده از شبکه عصبی مصنوعی
چکیده
شبکه عصبی و تکنولوژی پردازش تصویر برای طبقه بندی الگوهای منسوجات بافته شده معرفی شده اند. یک تابع تصحیح اتوماتیک برای مشخص کردن یک تکرار بافت در منسوج مورد استفاده قرار می‌گیرد. تصویر منسوج مربوطه گرفته شده و توسط کامپیوتر تحت فرآیند دیجیتال سازی قرار گرفت. الگوریتم کمی (کوانتایی) بردار آموزشی بعنوان یک قاعده فراگیری شبکه عصبی مصنوعی، تشخیص نوع منسوج بافته شده را به طور موثرتری امکان پذیر می‌سازد. نتایج نشان داد که سه نوع بافت بنیادی را می‌توان به دقت تفکیک نمود و پارامتر های ساختاری مانند فاصله نخ ها، واریانس آن و نسبت فاصله تار به فاصله پود را نیز می‌توان احراز نمود.
خصوصیات مکانیکی منسوجات بافته شده تنها به ترکیبات نخ های منسوج بستگی ندارد، بلکه خصوصیات ساختاری منسوج مانند الگوی بافت، نمره نخ، دانسیته منسوج و تجعد منسوج نیز به آن وابسته است. در حال حاضر بازبینی این خصوصیات مرتبط با منسوج هنوز نیز بر اساس عملیات دستی، که معمولا خسته کننده و وقت گیر هستند، انجام می‌شود. بنابر این رشد پردازش تصویر و تکنولوژی آنالیز خودکار برای تشخیص خصوصیات منسوج بسیار مطلوب است.
تکنولوژی آنالیز تصویر رشد یافته و با وسعت زیادی در صنایع نساجی مورد استفاده قرار می‌گیرد، زیرا این روش برای بررسی عیوب نخ، منسوج و تغییر شکل منسوج موثر است. تکنولوژی پردازش تصویر به طور ویژه‌ای برای تشخیص الگوی منسوج مورد استفاده قرار می‌گیرد، با این وجود، تاکنون محدودیت هایی در تشخیص خودکار الگوی بافت وجود داشته است. بدست آوردن نتایج درست برای الگوی منسوج، بجز آنکه سایز نمونه منسوج چندین بار بزرگتر از یک تکرار بافت باشد، به منظور دارا بودن نقاط تقاطع بیشتر در منسوج، امکان پذیر نخواهد بود.
شبکه عصبی مصنوعی الگوی منسوجات بافته
پردازش تصویر
تصویر برداری
این سیستم شامل یک کامپیوتر شخصی و یک دوربین CCD (دستگاه شارژ جفتی) مجهز به لنزهایی با قابلیت درشت نمایی است. ما از تصویر منسوج، که بوسیله ادوات نوری که در انتهای دوربین نصب شده بود و قابلیت درشت نمایی تصویر را داشته و آن را بر روی یک مانیتور رنگی نمایش می‌داد، عکس برداری نمودیم. سپس تصویر توسط مبدل A/D دیجیتالی شده و تکنیک های مورد استفاده از قبیل فیلتر های میانگین، آستانه ای، برابر سازی هیستوگرام و تصحیح خودکار برای آنالیز الگوی منسوج اعمال شده (ضمیمه را مشاهده نمایید). ما تصویر رنگی اصلی را به یک تصویر با سطوح خاکستری به منطور بهبود زمان و سرعت پردازش کامپیوتر تبدیل نمودیم. سه هیستوگرام که در شکل ۱ نشان داده شده است، از تصاویر خاکستری به ترتیب از پارچه های ساده، سرژه و ساتن بدست آمده است.
تشخیص نقاط تقاطع تار و پود
برابر سازی هیستوگرام و کاهش نویز
برابر سازی هیستوگرام مجددا مقدار روشنایی مطلوب را برای پیکسل ها حاصل آورده تا یک توزیع سطوح خاکستری یکنواخت‌تری بدست آید و ظاهر بصری تصویر بهبود یابد. تابع های توزیع مجدد ویژه کمک می‌کنند که محدوده کنتراست و دینامیک در وضعیت غیر خطی قرار گیرد. ما از تابع نمایی برای برابر سازی هیستوگرام به منظور بدست آوردن تصویر دودویی (باینری) با قسمت روشن برای نخ و قسمت تیره برای فاصله نخ استفاده کرده ایم. برابر سازی هیستوگرام، تصویر را روشن تر کرده و کنتراست را بهبود می‌بخشد.
آستانه سازی
ما توزیع سطح خاکستری تصویر را محاسبه کرده و متوجه شدیم که سطح خاکستری شامل ۸۰% از کل پیکسل هایی است که ارزش آستانه ای دارند. تصویر دودویی توسط عملیات آستانه سازی شامل نویزهای مورفولوژیکی، طولانی و تصادفی که از پرزهای روی سطح منسوج ایجاد شده بودند، مورد پردازش قرار گرفت. این چنین نویزهایی را می‌توان با اضافه و کم کردن پیکسل هایی از تصویر دودویی بر اساس قواعدی که به الگو های پیکسل های مجاور بستگی دارند، کاهش داد. شکل ۳ نتایج فیلتر مورفولوژیکی را نشان می‌دهد. مناطق روشن نشان دهنده محل های نخ های تار و پود و محل های تاریک نشان دهنده فاصله بین آنها می‌باشد.
شبکه عصبی مصنوعی الگوی منسوجات بافته
آشکار سازی خط
ما خط مرکزی در نواحی روشن را استخراج نموده و سپس این خط را متصل نموده که به نام «رقیق سازی» خوانده می‌شود. تصویر با الگوریتم های زیادی فیلتر می‌شود تا نویز های بوجود آمده بواسطه چین و چروک سطح پارچه، موج نخ ها و پرزهای کوتاه را حذف کند. در این عملیات ممکن است اطلاعات معتبری همراه با نویز از بین برود، بنابراین ما نیاز خواهیم داشت تا نسبت به تصحیح خطوط خطای ناخواسته، که بدلیل از دست دادن اطلاعات بوجود آمده است، اقدام کنیم.
مشخص کردن مناطق تقاطع تار و پود
پیش پردازش
ما تکنیک زیادی مانند برابر سازی هیستو گرام، فیلتر میانگین و فیلتر پایین گذر را بکار برده ایم تا مناطق تقاطع تار و پود را تعیین کنیم. با اعمال یک تابع خطی مانند برابر سازی هیستو گرام می‌توان تصویری با کنتراست بالا و حداکثر محدوده دینامیکی را تولید کرد. فیلتر میانگین به روش جایگذاری، مقدار میانگین یک همسایگی، در پیکسل مرکز همسایگی عمل می‌کند که یکی بعد از دیگری باعث نرم شدگی تصویر می‌شود.
اندازه گیری یک تکرار بافت و نخ شناور
ما از تصور کلی یک تکرار بافت منسوج برای دسته بندی الگوی منسوج استفاده کرده ایم که می‌تواند از محاسبه تابع تصحیح خودکار اطلاعات سطح خاکستری در جهت های تار و پود را به دست آورد. وقتی ما تابع تصحیح خودکار را به سیگنال های متناوب اعمال می‌کنیم، می‌تواند دوره تناوب این سیگنال ها را به وسیله مشاهده اولین پیک در منحنی تصحیح خودکار بدست آورد.
شبکه عصبی مصنوعی الگوی منسوجات بافته
فراگیری شبکه عصبی
شبکه‌های عصبی بوسیله الگوریتم LVQ جهت دسته بندی الگوی منسوج تحت آموزش قرار می‌گیرند. ما از فرم ماتریس HWR بعنوان بردار ورودی استفاده می‌کنیم. طبقه بندی خروجی فقط یک الگودر LVC را نشان می‌دهد و وزن بین واحدها بوسیله تصحیح الگوی ورودی و الگوی هدف کنترل می‌شود. عملیات الگوریتم به شکل زیر است:
نتایج و مباحث
همانگونه که در شکل ۴ نشان داده شده ما می‌توانیم تعداد خطوط مستقیم در هر واحد طول را محاسبه کنیم. برای مثال این نسبت برای منسوج ساده ۰٫۹۵ ، سرژه ۱٫۸۳ و ساتن ۱٫۲۹ است. در مقایسه با نسبت های معلوم که ۰٫۹۶ برای منسوج ساده(P-1)، سرژه ۱٫۹۳ (T-1) . 1.27 برای (S-1) در جدول I، مقادیر بدست آمده است، این آزمایشات به خوبی مقدارهای معلوم را تصدیق می‌کنند ولی اندازه کوچک نمونه برای پردازش تصویر ممکن است بدلیل ناهمواری دانسیته منسوج باعث اختلاف کمی در نتایج شود.
شبکه عصبی مصنوعی الگوی منسوجات بافته
نتیجه گیری
در این مقاله، ما فاصله نخ و نقاط برخورد از خط مرکزی نخ ها را در تصویر انعکاسی منسوج بدست آوردیم. دانسیته منسوج و واریانس آن را می‌توان از این نتایج محاسبه کرد. ما از تابع تصحیح خودکار برای استخراج یک تکرار بافت از الگوی منسوجات مختلف بهره جسته و نسبت به محاسبه نسبت طول عمودی به طول افقی در خصوصیات خط اندازه گیری شده، در نقاط برخوردی که مقیاس محل های برخورد است، اقدام نمودیم. ما برداری از این نسبت ها را با استفاده از الگوریتم LVQ، برای تشخیص الگوهای نامعلوم، تحت آموزش قرار داده و آنها را آزمایش نمودیم. نتایج دسته بندی ما از یک منسوج نامعلوم نشان دهنده سازش خوبی با اندازه گیری های دستی می‌باشد.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
