Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: defekty materiałów

Sortuj według:

Ogranicz wyniki do:

Application of Principal Component Analysis to Boost the Performance of an Automated Fabric Fault Detector and Classifier

Eldessouki M, Hassan M, Qashqary K, Shady E

Fibres & Textiles in Eastern Europe

2014

Vol. 22, no. 4 (106)

51--57

There is a growing need to replace visual fabric inspection with automated systems that detect and classify fabric defects. The digital processing of fabric images utilises different methods that offer a large set of image features. The correlation between those features lead to problems during fabric fault classification and reduces the performance of the classifiers. This work extracted a combination of statistical (spatial) and Fourier transform (spectral) features from fabric images of the most frequent faults. Principal component analysis (PCA) was implemented to reduce the dimensionality of the input feature dataset, which achieved a reduction to 36% of the original data size while preserving 99% of information in the original dataset. The features processed using the PCA were fed to an artificial neural network (ANN) to classify the fault categories and then compared to another ANN that worked with the whole feature dataset. The performance of the network that was implemented after application of the PCA increased to 90% of the correct classification rate as compared to 73.3% for the other network.

Istnieje wzrastająca potrzeba zamiany wizualnej inspekcji płaskich wyrobów włókienniczych automatyzowanymi systemami , które będą w stanie rozpoznać i sklasyfikować defekty materiału. Dla cyfrowej obróbki obrazów tkanin stosuje się różne metody oferujące identyfikacje całego zestawu właściwości obrazu. Korelacja pomiędzy tymi właściwościami prowadzi do problemów podczas identyfikacji i klasyfikacji błędów materiałów i redukuje sprawność klasyfikacji. W pracy wyselekcjonowano kombinacje statystycznych (przestrzennych) i fourierowskch (spektralnych) transformacji pozwalających na wyróżnienie zobrazów materiałów najczęściej występujących błędów. W dalszej części pracy usiłowano zredukować ilość danych wejściowych oraz zastosowano dwa różne systemy sztucznych sieci neuronowych. Wynikiem wszystkich poczynań było zdecydowane zwiększenie skuteczności wykrywania błędów.

Radiation defects in some oxide compounds

Kaczmarek S. M.

Biuletyn Wojskowej Akademii Technicznej

1999

Vol. 48, nr 6

79-100

Yttrium-aluminum garnets, yttrium aluminum perovskite, strontium and barium lanthanum and gadolinium gallates, lithium niobate and tantalate as-grown crystals and doped by diffusion with rare-earth (Nd, Dy, Er, Tm, Ho, Pr, Ce, Eu) and ions of the first transition series (Mn, Cr, Cu, Fe) were investigated optically and using Electron Spin Resonance method before and after gamma, electron and proton irradiation.

W pracy badano widma absorpcji, luminescencji, termoluminescencji i zmiany widm absorpcji i luminescencji, po naświetleniu monokryształów granatów itrowo- aluminiowych, galatów strontowo-gadolinowego oraz barowo-lantanowego i strontowo-lantanowego, niobianu litu oraz tantalanu litu domieszkowanych objętościowo lub dyfuzyjnie ziemiami rzadkimi (Nd, Dy, Er, Tm, Ho,Pr, Ce, Eu) oraz metalami przejściowymi (Mn, Cr, Cu, Fe), kwantami gamma, elektronami i protonami. Przeprowadzono również pomiary widm EPR przed i po napromieniowaniu badanych kryształów.