تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی

اختصاصی از کوشا فایل تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی دانلود با لینک مستقیم و پرسرعت .

این فایل در قالب ورد و قابل ویرایش در 17 صفحه می باشد .

دانلود تحقیق روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی

مقاله مهندسی کامپیوتر

چکیده:

   در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار می‌دهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیر‌خطی RBF ، MLP و همچنین SVM غیر‌خطی برای دسته بندی استفاده شده‌ است. بسته به روش شناسایی بکارگرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش هایموجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراجمی شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی می‌توان نشان داد که ناحیه‌های تصمیم‌گیری یک ماشین خطی محدودند و این محدودیت انعطاف‌پذیری و دقت دسته‌بند را کاهش می‌دهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیم‌گیری که کلاسها را از یکدیگر تفکیک می‌کنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطح‌های کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکه‌های عصبی چندلایه، شکل غیر خطی بودن از مجموعه‌ی آموزش فرا گرفته می‌شود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.

2) مقدمه

      اولین الگوریتم دسته‌بندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دسته‌بندی کننده‌های الگو‌های آموزشی بود. بسیاری از استراتژی‌های موجود نیز از همین روش پیروی می‌کنند. در ساده‌ترین شکل ممکن، دسته بند‌های خطی می‌توانند دو دسته‌ی متفاوت را تفکیک کنند. با توجه به این موضوع مساله‌ای را جدایی‌پذیر خطی می‌نامند که با یک ابرصفحه بتوان محدوده‌ی تصمیم را به دو گروه تقسیم‌بندی کرد. در عمل می‌توان دسته بند‌های خطی‌ای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدوده‌های تصمیم متعدد و آزمون‌های چندگانه بر اساس شرایط موجود می‌توان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.

   در روش بیزین احتمال شرطی تعلق بررسی می‌شود. به این ترتیب که الگوی مورد نظر به دسته‌ای تخصیص داده می‌شود که احتمال شرطی تعلق بردار مشخصه‌ی الگو به آن دسته ازتمام دسته‌های دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفاده‌ی از آن را توجیه می‌کند. این روش می‌تواند با چند فرض ساده در مورد داده‌ها کاملاً به شکل روشهای ساده‌ی خطی عمل کند، به علاوه این کار می‌تواند به گونه‌ای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعده‌ی بیز است.

   یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دسته‌بندها برداشت [1] و نظریه‌ی آماری یادگیری را بصورت مستحکم‌تری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشین‌های بردار پشتیبان در دو حالت جدایی‌پذیر و جدایی‌ناپذیر برای دسته‌بندی الگوهای یک مساله‌ی چندکلاسه از چند مرز جداکننده‌ی خطی یا ابرصفحه استفاده می‌کنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه می‌شود. Vapnik نشان داد که می‌توان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هسته‌ی مفیدی را خواهیم داشت.

   روش RBF یک دسته‌بندی و تقریب‌ساز تابعی الگوست و شامل دو لایه می‌باشد که نرون‌های خروجی ترکیبی خطی از توابع پایه‌ای را به وجود می‌آورند که توسط نرون‌های لایه‌ی پنهان محاسبه شده‌اند. زمانی که ورودی در ناحیه‌ی تعیین شده‌ی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایه‌ی پنهان، پاسخ غیر صفری به محرک ورودی می‌دهند. همچنین این مدل به عنوان یک شبکه‌ی دریافت‌کننده‌ی ناحیه‌ای شناخته شده است. ما در روش RBF از معمول‌ترین تابع هسته‌ی غیر خطی یعنی سیگموئید استفاده کرده‌ایم.

   به طور کلی شبکه‌های پرسپترون چند‌لایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسله‌مراتبی، یک شکل پیش‌خورد با یک و یا چند لایه‌ی میانی (لایه‌های پنهان) بین لایه‌های ورودی و خروجی را شکل می‌دهد. تعداد لایه‌ی پنهان و تعداد نرون‌های هر لایه ثابت نیستند. هر لایه ممکن است از نرون‌های مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتم‌های آموزشی متفاوتی در روش چند لایه استفاده می‌شوند.

3) روشهای به کار رفته در این گزارش

   در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دسته‌بندی (خطی و غیرخطی) به کار رفته بررسی شده‌اند.

3-1) روشهای استخراج ویژگی

     در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.

3-1-1) روش PCA خطی

   روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m<=d). تبدیل خطی مثل PCA، آنالیز فاکتور، LDA و تعقیب تصویر بطور گسترده در شناسایی الگو برای استخراج ویژگی ها و کاهش ابعاد استفاده شده اند. بهترین استخراج کننده ی ویژگی شناخته شدهPCA یا توسعه یافته ی Karhunen-loeve است که m بردار مشخصه بزرگتر را از ماتریس کوواریانس d×d از n الگوی d بعدی محاسبه می کند. تبدیل خطی به شکل Y=XH تعریف شده است که X ماتریس الگوی n×d داده شده و Y از ماتریس الگوی n×m مشتق شده است . H ماتریس d×m از تبدیل خطی است که ستون های آن بردارهای مشخصه هستند. قبل از اینکه PCA از ویژگی های پرمعنی تر استفاده کند (بردار ویژگی های با بزرگترین مقدار ویژه)، بطور کاملاً موثر داده ها را با یک زیرفضای خطی با استفاده از معیار خطای میانگین مربعات تخمین می زند. سایر روش ها مانندتعقیب تصویر و ICA برای توزیع های غیرگاوسی تا وقتی که به مشخصه ی مرتبه ی دوم داده ها مربوط نباشد مناسب ترند. ICA با موفقیت برای جداسازی منابع دیده نشده استفاده شده است. استخراج ترکیب خطی ویژگی ها منابع نابسته را تعریف می کند. این جداسازی در صورتی امکان پذیر است که حداکثر یکی از منابع دارای توزیع گاوسی باشد.

   از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه نتیجه می شود.( حاصل معکوس ماتریس پراکندگی و ماتریس پراکندگی بین کلاسی ). معیار دیگر همراه با بررسی (Supervised) برای چگالی های شرایط کلاس غیرگاوسی بر پایه ی فاصله Patrick-Fisher با استفاده از برآورد چگالی Parzen است.

3-1-2) روش Kernel PCA (PCA با هسته یا PCA غیرخطی)

   چندین روش برای تعریف روش های استخراج ویژگی غیرخطی وجود دارد. یکی از این روش ها که مستقیماً به PCA مربوط است، Kernel PCA نام دارد. ایده ی اصلی KPCA نگاشتن داده های ورودی بر روی برخی از فضاهای ویژگی F جدید بطور معمولی با استفاده از تابع غیرخطی و سپس اعمال یک PCA خطی در فضای نگاشت شده است. به هر حال فضایF معمولاً ابعاد بسیار زیادی دارد. برای دوری از محاسبات نگاشت ساده ی ، KPCA تنها هسته های Mercel که می توانند به یک نقطه تجزیه شوند را بکار می گیرد.

   به عنوان یک نتیجه فضای هسته یک متریک با تعریف مناسب دارد. نمونه های هسته های Mercer شامل چندجمله ای های مرتبه P بصورت و هسته گاوسی هستند.

   فرض می کنیم که X یک ماتریس الگوی n×d نرمال شده با میانگین صفر است و یک ماتریس الگو در فضای F باشد. PCA خطی در فضای F بردارهای مشخصه ی ماتریس همبستگی را حل می کند که همچنین ماتریس هسته نیز نامیده می شود. در KPCA در ابتدا m بردار ویژگی از بدست می آیند تا یک ماتریس انتقال E را تعریف کنند (E یک ماتریس n×m است که m تعداد ویژگی های دلخواه است و m<=d است). الگوهای جدید x با نگاشت می شوند که اکنون با وابستگی به مجموعه آموزش بازنمایی می شوند و نه با مقادیر ویژگی ویژگی های اندازه گیری شده. باید توجه داشت که برای یک بازنمایی کامل تا m بردار مشخصه در E (بسته به تابع هسته) توسط KPCA ممکن است نیاز باشد در حالی که در PCA خطی یک مجموعه از d بردار مشخصه فضای اصلی ویژگی ها را ارائه می کند. انتخاب تابع هسته برای یک کاربرد مشخص هنوز یک مساله باز است.

3-1-3) روش مقیاس گذاری چندبعدی(MDS)

   مقیاس گذاری چند بعدی (MDS)یک روش غیرخطی دیگر برای استخراج ویژگی هاست. هدف این روش بازنمایی یک مجموعه ی چندبعدی در دو یا سه بعد است مثل آنچه ماتریس فاصله در فضای اصلی ویژگی های d بعدی به طور کاملاً ثابت در فضای تصویرشده باقی مانده است. توابع تاکید فراوانی برای اندازه گیری کارایی این نگاشت استفاده شده اند. یک مشکل MDS این است که یک تابع نگاشت ساده و روشن را ارئه نمی کند بنابراین ممکن نیست که یک الگوی جدید را در یک نگاشت برای یک مجموعه ی آموزش مشخص بدون تکرار جایگذاری کند. چندین روش برای عنوان کردن این نقص که از درون یابی خطی تا آموزش شبکه عصبی محدود است مورد بررسی قرار گرفته است. همچنین امکان دارد که الگوریتم MDS مجدداً تعریف شود بنابراین مستقیماً یک نگاشت را تهیه می کند که ممکن است برای الگوهای آزمون جدید استفاده شود.

3-1-4) روش شبکه عصبی روبه جلو (Feed-Forward Neural Network)

   یک شبکه ی عصبی روبه جلو یک روال جامع را برای استخراج ویژگی هاو دسته بندی پیشنهاد می کند. خروجی هر لایه ی مخفی ممکن است به عنوان یک مجموعه ی جدید و اغلب غیرخطی از ویژگی ها تعریف  شود که در لایه ی مخفی برای دسته بندی ارائه می شوند. در این شرایط شبکه های استفاده شده توسط Fukushima و Lecun که اصطلاحاً آن را لایه های وزنی مشترک نامیده اند، در حقیقت فیلترهایی برای استخراج ویژگی ها در تصاویر دوبعدی هستند. در طول آموزش فیلترها با داده ها برای بیشینه کردن کارایی دسته بندی وفق داده شده اند.

   شبکه های عصبی می توانند بطور مستقیم برای استخراج ویژگی ها در یک شکل بدون بررسی (Unsupervised) استفاده شوند. شکل (a-1) معماری یک شبکه که قادر به پیدا کردن زیرفضای PCA است را نشان می دهد. به جای سیگموئیدها نرون ها توابع انتقال خطی دارند. این شبکه d ورودی و d خروجی دارد که d تعداد مشخص شده ی ویژگی هاست. ورودی ها همچنین برای رسیدن به هدف نیز با مجبور کردن لایه ی خروجی به ساخت مجدد فضای ورودی تنها با استفاده از لایه ی مخفی بکار گرفته شده اند. سه گره در لایه ی مخفی اولین سه جزء اصلی را ضبط می کنند. اگر دو لایه ی غیرخطی با واحدهای مخفی سیگموئیدی نیز وجود داشته باشند ( شکل (b-4))، آنگاه یک زیرفضای غیرخطی در لایه ی میانی یافت خواهد شد (که همچنین لایه ی گلوگاه هم نامیده می شود). غیرخطی بودن توسط اندازه ی این لایه های اضافی محدود می شود. شبکه های PCA غیر خطی یا اصطلاحاً خودشرکت پذیرها ی ابزار قوی را برای آموزش و تشریح زیرفضای غیرخطی پیشنهاد می کند. محققی به نام Oja نشان داد که چگونه شبکه های خودشرکت پذیر می توانند برای ICA استفاده شوند.

پیاده سازی سه متد در دسته بندی داده ها

اختصاصی از کوشا فایل پیاده سازی سه متد در دسته بندی داده ها دانلود با لینک مستقیم و پرسرعت .

...

Responsive Grid for Articles نمایش مجموعه مطالب جوملا بهمراه دسته بندی و سورت بندی(اورجینال)

اختصاصی از کوشا فایل Responsive Grid for Articles نمایش مجموعه مطالب جوملا بهمراه دسته بندی و سورت بندی(اورجینال) دانلود با لینک مستقیم و پرسرعت .

افرونه حرفه ای Responsive Grid for Articles یکی از بهترین ماژول های نمایش مجموعه مطالب جوملا بهمراه دسته بندی و سورت بندی کامل می باشد.امکانات بی نظیر ماژول Responsive Grid for Articles آن را بین ماژول نمایش مطالب جوملا متمایز کرده است .افزونه Responsive Grid for Articles بصورت اورجینال بسیار کمیاب است.(توجه :نسخه ای نال و غیر اورجینال این افزونه درست کار نمی کنند!)

 

 برخی از امکانات ویژه :

 

    فول رسپانسیو
    نمایش گرید بندی و شبکه ای
    دریافت مطالب جوملا
    فیلتر بندی فول مجموعه مطالب جوملا
    تنظیمات پیشرفته نحوه نمایش
    هاور افکت حرفه ای
    حذف کدهای جی کئوری زائد
    کاستومایز کردن ابجکتها
    نصب آسان و راحت
    مشخص کردن تعداد آیتمها در اسکرین سایزهای مختلف

 دمو رو ببیند

قیمت این افزونه در سایت های مشابه تا 30 هزار تومان

مقاله مدل JIT برای دسته بندی سری کالا برای مدیریت زنجیره‌ی تأمین افزایش پیوند بین خریدار و تهیه کننده

اختصاصی از کوشا فایل مقاله مدل JIT برای دسته بندی سری کالا برای مدیریت زنجیره‌ی تأمین افزایش پیوند بین خریدار و تهیه کننده دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:20

فهرست مطالب:

خلاصه
مقدمه
2- توجیه مدل: فرضیات و نمادگذاری
3- مدل SSMD (تحویل چندگانه با راه اندازی تکی)
1-3- بهینه سازی
2-3- حداقل کمیت سفارش
3-3- اندازة تحویل
4- مثال عددی
5- خلاصه و جمع بندی ها
پیام:

خلاصه
این مقاله به ارائه‌ی مدل هماهنگی خریدار- تهیه کننده می پردازد تا تحلیلهای مکرر در اندازه های کوچک سری- کالا را در یک زنجیره‌ی عرضه‌ی تولیدی ساده نماید. مدل پیشنهادی بر مبنای هزینه‌ی مربوطه‌ی کلی یک پارچه‌ی هم خریدار و هم تهیه کننده، کمیت سفارش بهینه، تعداد تحویلها یا راه اندازیها و کمیت بارگیری در یک افق برنامه ریزی معین در سناریو نسبتاً ساده‌ی JIT که یک خریدار و یک تهیه کننده دارد را طرح می نماید. تحت اوضاع معین شده برای یک محصول منفرد، ما نشان می دهیم که خط مشی تحویل بهینه که از جانب خریدار و تهیه کننده که در یک شیوه‌ی مشارکتی قبول شده است نمی تواند از لحاظ اقتصادی برای هر دو طرف سودمند باشد. نشان داده شده است که اندازه‌ی تحویل بهینه را می توان بصورت منحصر به فرد  بدون توجه به کمیت سفارش و تعداد تحویل تعیین کرد. نتایج عددی نیز نمایش داده شده اند.
مقدمه
بخاطر اهمیت JIT که از اوایل دهه‌ی 1980 شناسایی شده است، مطالعات متعددی راجع به اجرای JIT و تاثیر آن در شرکتهای تولیدی امریکایی از ابعاد گوناگون انجام شده است. آقای وایت و همکارانش در سال 1999 به بررسی تولید کنندگان بزرگ و کوچک امریکایی پرداختند تا ببینند کدام یک دارای تفاوتها و اصلاحات بیشتری در عملکرد، در نتیجه‌ی اجرای JIT می باشند. مطالعه‌ی آنها بر مبنای مجموعه‌ی 10 عملکرد مدیریت JIT که توسط وایت شناسایی شده بود انجام پذیرفت. 10 عملکرد عبارت بودند از: چرخه های کیفیت، کنترل کیفیت کلی، کارخانه‌ی متمرکز، نگهداری کلی سود ده، زمانهای کاهش یافته‌ی راه اندازی، تکنولوژی گروهی، بار کاری یکنواخت، کارمندان چند تخصصی، Kanban و خرید JIT.

دانلود پایان نامه دسته بندی کمی پرزدهی پارچه های حلقوی پودی به روش پردازش تصویر

اختصاصی از کوشا فایل دانلود پایان نامه دسته بندی کمی پرزدهی پارچه های حلقوی پودی به روش پردازش تصویر دانلود با لینک مستقیم و پرسرعت .

پایان نامه برای دریافت درجه کارشناسی ارشد
مهندسی تکنولوژی نساجی

عنوان:
دسته بندی کمی پرزدهی پارچه های حلقوی پودی به روش پردازش تصویر

در زیر به مختصری ازعناوین و چکیده آنچه شما در این فایل دریافت می کنید اشاره شده است

فهرست
عنوان صفحه
چکیده . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
فصل اول: مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
-1-1 تعریف پرز دهی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
-2-1 شکل گیری پرز . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
-3-1 مکانیزم تشکیل پرز . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
-4-1 بررسی فرکانسی منسوجات . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
-5-1 هدف . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
فصل دوم . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 14
-1-2 روش دستی بررسی پرزدهی پارچه و درجه بندی آن . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2-2- . . . . . . . . . . . .. . . . . . . . . . . .. . .16 استفاده از روش پردازش تصویر برای بررسی میزان پرزدهی پارچه
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 16 -1-2-2 تصاویر گسسته
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . .. 18 -2-2-2 پردازش تصویر
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . .19 -3-2-2 تهیه تصویر
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 19 -1-3-2-2 نور پردازی
-2-3-2-2 روشهای تصویر برداری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 20
-4-2-2 مفاهیم اولیه پردازش تصویر . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
-1-4-2-2 پیکسل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
-2-4-2-2 پنجره . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
-3-4-2-2 مکان پیکسل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
-4-4-2-2 سطح خاکستری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 22
-5-4-2-2 هیستو گرام . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
23 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . RGB -6-4-2-2 سیستم های رنگی
-5-2-2 تجزیه و تحلیل تصویر . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . .. 26
-6-2-2 حد آستانه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 26
-1-6-2-2 عملگر حد آستانه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

عنوان صفحه
-2-6-2-2 عملگر حد آستانه معکوس . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
-3-6-2-2 روش آماری سطوح خاکستری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
-7-2-2 بررسی پرز دهی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
-1-7-2-2 پرزدار یا کرکی شدن . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 29
-2-7-2-2 گلوله الیاف . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . 29
-3-7-2-2 پرزدهی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
-4-7-2-2 ماشین جعبه های چرخان . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
-5-7-2-2 ماشین مارتیندل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 30
فصل سوم: تجربیات . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 33
-1-3 پارچه مورد آزمایش . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 33
-2-3 انجام آزمون سایش . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
-3-3 تهیه تصویراز نمونه های مورد آزمایش . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
-4-3 بررسی تصاویر گرفته شده با استفاده از روش پردازش تصویر . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 35
-5-3 برنامه کامپیوتری نوشته شده . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
-6-3 نتایج بررسی تصاویر با استفاده از روش پردازش تصویر . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
-7-3 بررسی آزمونه های پرزدهی شده با استفاده از روش چشمی . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 37
فصل چهارم: بحث و نتیجه گیری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
پیوست ها . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
خذ Ĥ منابع و م
فهرست منابع فارسی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
فهرست منابع غیر فارسی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
چکیده انگلیسی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
ه

فهرست جدولها
عنوان صفحه
1-1 . جدول: خصوصیات الیاف که بر روی مراحل پرزدهی تأثیر گذارند. . . . . . . . . . . . . . . . . . . . . . . . . . 7
1-2 . جدول: سطوح خاکستری. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2-2 . جدول: طبقه بندی آزمون پرزدهی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3-1 . جدول: تعداد دورهای سایش. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3-2 . جدول: نتایج بررسی تصاویر نمونه ها. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3-3 . جدول: نتایج بررسی تصاویر تابلوها استاندارد . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
و

فهرست شکلها
عنوان صفحه
1-1 . شکل : حداکثر پرزدهی الیاف مختلف . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2-1 . شکل : پرزدهی الیاف مختلف . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 4
1-2 . شکل : تابلوهای استاندارد. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2-2 . شکل : تبدیل تصویرورودی به تصویر دیجیتال . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3-2 . شکل : تفاوت تصویر گسسته و پیوسته. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4-2 . شکل : شماتیک اسکنر. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5-2 . شکل : نمایش پکسلهای تصویر. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6-2 . شکل : هیستوگرام. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7-2 . شکل : عملگر حد آستانه. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1-3 . شکل : تصویر نمونه پارچه و حد آستانه آن. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2-3 . شکل : تصویر حد استانه تابلوهای استاندارد. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
ز

چکیده
پرزدهی یکی از عیوب جدی منسوجات بوده و صنعت پوشاک همواره با این مشکل دست به گریبان است . برای تشخیص این
عیب در یک پارچه از روش مقایسه چشمی پارچه مورد نظر با تابلوهای استاندارد استفاده می شود تا تشخیص داده شود میزان
پرز پارچه مورد بررسی مشابه کدامیک از تابلوهای استاندارد است . از آنجائیکه این روش مبتنی بر حس بینایی انسان است
دارای کمبودهایی از قبیل پایین بودن دقت بررسی ، عدم یکنواختی نتایج بررسی ، تأخیر در تشخیص عیب و بالا بودن هزینه
می باشد . بنابراین جایگزینی روش فوق با روشی بر مبنای پردازش تصویر هدف این پروژه قرار گرفت. در فصل اول این پایان
نامه به بررسی تحقیقات انجام شده قبلی پرداخته شد و مقاله های مرتبط مورد بررسی قرار گرفتند . در فصل دوم مبانی تئوری و
تعاریف مربوطه مطرح گردند در فصل سوم پروژه آزمایشات و تجربیات انجام یافته مطرح شد . در این مرحله نمو نه هایی از
پارچه حلقوی با تعداد دور های مختلف مورد آزمایش سایش قرار گرفتند تا میزان پرزدهی آنها مورد بررسی قرار گیرد.
برای استفاده از روش پردازش تصویر باید از نمونه های مورد آزمایش تصویر تهیه نمود . روشهای زیادی برای گرفتن تصویر و
استفاده شد و تصاویر حاصل با HP پردازش تصویر بدست آمده وج ود دارند . برای گرفتن تصویر از نمونه ها از اسکنر 3500
فرمت تصویر خاکستری توسط عملگر حد آستانه مورد بررسی قرار گرفتند . همین کار در مورد تصاویر تابلوهای استاندارد نیز
انجام شد . سپس نقاط سفید این تصاویر مورد شمارش قرار گرفتند . د ر فصل چهارم نتایج بدست آمده از آزمایشات و
مقایسه ها ذکر شدند . مشخص شد در تصویر تابلوی مربوط به درجه پرز دهی بیشتر نقاط سفید بیشتری وجود دارد و نسبت
نقاط سفید تصویر به کل نقاط عددی بزرگتر است .در مورد تصاویر نمونه های مورد آزمایش نیز همین بررسی انجام شد و
مشخص گردید با استفاده از عملگر حد آستانه می توان تصویری از پارچه بدست آورد که در آن نسبت نقاط سفید تصویر به
کل نقاط تصویر معرف میزان پردزدهی پارچه است.
١

نکته: فایلی که دریافت می‌کنید جدیدترین و کامل‌ترین نسخه موجود از پروژه پایان نامه می باشد.

این فایل شامل : صفحه نخست ، فهرست مطالب و متن اصلی می باشد که با فرمت ( PDF ) در اختیار شما قرار می گیرد.

تعداد صفحات :86