Fiducial Markers Recognition on Basis of Neural Network Training Method in Wavelet Transformation Space

• Autorzy: Kozina Y. , Kotyra A.

Warianty tytułu

PL

Rozpoznawanie znaczników obrazu z wykorzystaniem sieci neuronowych w przestrzeni transformaty falkowej

• Języki publikacji: EN

Abstrakty

EN

Application of existing hardware-software complexes for controlling of patterns' quality in the conditions of small and average production lots of microelectronics leads to unjustified quality cost increase. In case of lowering of requirements to the software of such complexes, noise on the pattern images inevitably occur, which leads to the decrease of authenticity of discernment of fiducial marks, which are located on the pattern images, and to the decrease of authenticity of control results. Therefore, with the purpose of increase of authenticity of discernment it is proposed to realize discernment of fiducial marks on the bases of nose-eliminating of neural network training in the space of hyperbolic wavelet transformation. Decrease of requirements of technical parameters of equipment used in hardware-software complexes, leads to appearance multiplicative and additive noises on images of templates and cause decreasing reliability of recognition results of fiducial markers. Therefore for increase of credibility of fiducial markers recognition to realize this procedure on a base of noise-immunity neural network training method is offered. The multilayer perceptron was selected as model.

PL

Wykorzystanie istniejących rozwiązań sprzętowo-programowych do kontroli jakości wzorców w przypadkach małych i średnich linii produkcyjnych układów mikroelektronicznych prowadzi do nieuzasadnionych wzrostów kosztów produkcji. W przypadku obniżenia wymagań jakości oprogramowania, szum zawarty w obrazach wzorcowych nieuchronnie prowadzi do słabszego wyróżniania zawartych w nich znaczników, co sprzyja pogorszeniu kontroli produkcji. W celu poprawienia pewności rozróżniania znaczników, zaproponowana została metoda eliminacji szumu wykorzystująca sieci neuronowe w przestrzeni hiperbolicznej transformaty falkowej. Obniżenie wymagań parametrów technicznych rozwiązań sprzętowo-programowych prowadzi do pojawiania się szumu multiplikatywnego i addytywnego w obrazach wzorcowych i przyczynia się do obniżenia pewności poprawnego rozpoznania markerów obrazowych. W celu poprawy wiarygodności ich wykrycia zaproponowano procedurę bazującą na uczeniu sieci neuronowej. W omawianym rozwiązaniu zastosowany został perceptron wielowarstwowy.

Słowa kluczowe

EN

fiducial markers; hyperbolic wavelet transformation; neural networks

PL

markery obrazowe; hiperboliczna transformata falkowa; sieci neuronowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2013
• Tom: Vol. 54, nr 8
• Strony: 43--44
• Opis fizyczny: Bibliogr. 8 poz.

Twórcy

autor

Kozina Y.

• Odessa National Polytechnic University, Ukraine, Odessa

autor

Kotyra A.

• Lublin University of Technology, Poland

Bibliografia

• [1] Szolgay P., Optical detection of breaks and short circuits on the layouts of printed circuit boards using CNN, Analogic and Neural Computing Systems Laboratory Computer and Automation Institute, Hungarian Academy of Sciences, Seville, 1996, 87-91.
• [2] Medvedev V. S., Neural networks, Moscow: Dialog-MIFI, 2002 (in Russian).
• [3] Antoshchuk S., Hyperbolic wavelet Domain Image Prossesing, TC-SET'2004 - Lviv-Slavsko, Ukraine, 2004, 219-220.
• [4] Krylov V. N., Interference method of training MLP in the space of hyperbolic wavelet transform, Sistemni tehnologii, Nº 6 (53) 2007, 125-130 (in Russian).
• [5] Fomin Y. A., Statistical theory of pattern recognition, Radio and Communications, 1986. (in Russian).
• [6] Canny J. E., A computational approach to edge detection, IEEE Trans Pattern Analysis and Machine Intelligence, Nº 8, 1986, 679-698.
• [7] Samal A., Automatic Recognition and Analysis of Images, Pattern Recognition, vol. 25, 1992, 65-72.
• [8] Serra J., Image analysis and Mathematical Morphology, vol. 1, New York, 2001.