Показано одно из примений методов компьютерного зрения в задаче оценки качества производственной продукции – керамических кирпичей. Приведена методика цветового отличия для этой оценки. За основу взяты реальные изображения производственного процесса, для которых разработаны методики выделения кирпичей и проведения оценки цветового отличия каждого из них от образца (эталона). Предлагаемый вариант решения задачи позволяет автоматизировать процесс оценки качества кирпичной продукции в отличие от типовых схем решения этой задачи (с помощью визуального наблюдения) и ускорить его по сравнению с этими схемами.
1. Шапиро Л., Стокман Дж. Компьютерное зрение. – 2- е изд. (эл.) – М.: БИНОМ. Лаборатория знаний, 2013. – 752 с.
2. Ивенс Р.М. Введение в теорию цвета. – М.: Мир, 1964. – 442 с.
3. Стратегия развития строительной отрасли и жилищно-коммунального хозяйства Российской Федерации до 2030 года с прогнозом на период до 2035 года. – М.: Минстрой РФ. – 2019. – 82 с.
4. ГОСТ 530–2012 «Кирпич и камень керамические. Общие технические условия».
5. Прэтт У. Цифровая обработка изображений: в 2-х кн. – М.: Мир, 1982. – Кн. 1. – 310 с.
6. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В. и др. Обработка и анализ изображений в задачах машинного зрения. – М.: Физматкнига, 2010. – 672 с.
7. ГОСТ 13088–67 «Колориметрия. Термины, буквенные обозначения».
8. Катаев М.Ю., Карпов Р.К., Ламинский К.А. Программная система обнаружения дефектов кирпичей на основе методов компьютерного зрения // Доклады ТУСУР. – 2021. – Т. 24, № 1. – С. 62–67.
9. Penumuru D.P., Muthuswamy S., Karumbu P. Identification and classification of materials using machine vision and machine learning in the context of industry 4.0 // J. Intell. Manuf. – 2020. – Vol. 31. – P. 1229–1241.
10. Катаев М.Ю., Дадонова М.М. Методика распознавания растительности на основе цветового и текстурного анализа RGB изображений // Cветотехника. – 2019. – № 2. – С. 34–39.
11. Tominaga S. Multichannel vision system for estimating surface and illumination functions // J. Opt. Soc. Am. A. – 1996. – Vol. 13, No. 11. – P. 2163–2173
12. Heikkinen V., Jetsu T., Parkkinen J. et al. Regularized learning framework in the estimation of reflectance spectra from camera responses // J. Opt. Soc. Am. A. – 2007. – Vol. 24. – P. 2673–2683.
13. Tapia C., de Miguel A.S., Zamorano J. LICA-UCM lamps spectral database // UCM e-Prints. – 2017. – 28 p.
14. Bassiou N., Kotropoulos C. Color image histogram equalization by absolute discounting back-off // Computer Vision and Image Understanding. – 2007. – Vol. 107, No. 1–2. – P: 108–122.
15. ГОСТ 379–2015 «Кирпич, камни, блоки и плиты перегородочные силикатные. Общие технические условия».
16. Miao R.H., Tang J.L., Chen X.Q. Classification of farmland images based on color features // J. Vis. Commun. Image Represent. – 2015. – Vol. 29. – P. 138–146.

• Предыдущая статья
• Следующая статья

• цифровая камера
• RGB-изображение
• яркостная гистограмма
• кирпич