CC BY
284
В компететностной модели содержательное поле формируется в двух измерениях дисциплины и модули. Дисциплина выполняет роль методологической базы, фундамента, ориентира для последующей содержания модуля. При выборе образовательных технологий модульность выступает как принцип работы с содержанием образования и конкретной учебной информации по данной дисциплине.
В образовательном процессе, при использовании технологического подхода, преподаватель вынужден изменять способы работы с учебной информацией, поскольку чтобы достигать цели, должен четко структурировать информацию, дозировать с учетом возможностей студентов, выбор разнообразных и адекватных способов представления содержания образования. Содержание обучения, построенное на принципах модульности, создает условия для цикличного управления образовательным процессом, и, в конечном счете - для достижения выдвигаемых целей. В нашем случае, это подготовка высококвалифицированного, конкурентоспособного специалиста для пищевого производства.
Определение результатов образования в виде целевой, базовой функции системы образования означает переход к модели обучения, когда акцент содержания (что преподают) переносится на результат (какими компетенциями овладевают студент, что он будет знать и готов делать). Таким образом, участники образовательного процесса объединены единой образовательной целью.
Опыт работы свидетельствует о том, что формирование необходимых для будущих инженеров, работающих не только с людьми, но и с техникой, качеств личности и соответствующих современным требованиям компетенций является эффективным лишь при наличии особой образовательной среды и согласованной работы студентов и ППС, непрерывно повышающий уровень своей профессиональной культуры.
Курс «Технологическое оборудование» базируется на знании студентами законов классической механики и технических устройств, используемых в типовых узлах и механизмах оборудования пищевого производства. Инструментов для усвоения этих знаний являются математика и физика. Преподавание данной дисциплины показывает, что эффективность теоретических знаний, полученных при ее изучении, может быть высокой только в совокупности со знаниями, приобретенными из других дисциплин, при их совместном практическом использовании в процессе решения возникающих производственных проблем. Будущему инженеру необходимо иметь не только системное представ-
ление об эксплуатируемом оборудование в целом, также ему нужны такие знания, как информация об условиях эксплуатации и ясное понимание характера взаимодействия между отдельными подсистемами сложного устройства и исчерпывающие данные обо всех инструментах (интеллектуальных, информационных и материальных), которые принципиально могут быть использованы им для удовлетворения всей совокупности требований, предъявляемых к эксплуатируемому оборудованию.
По нашему мнению, приступая к изучению дисциплины «Технологического оборудования» студент должен увидеть ее системную сущность, понять и принять цель ее изучения. Будущим инженерам необходимо осознание того, что технические дисциплины имеют практическую направленность и ориентированы на формирование знаний и умений, позволяющих решать частные задачи, возникающие при анализе и разрешении комплексных производственных задач.
В процессе обучения мы обеспечиваем каждому студенту возможность видеть проблему в целом, рассматриваем ее как сложную систему, с характерной для нее внутренней структурой, все элементы которой (и один из них - как раз тот, над которым предстоит потрудиться), находится в конструктивном, функциональном и потоковом (информационным, энергетическом или материальном) взаимодействии. Именно в этом процессе происходит формирование потребности в создании информационных баз решений, позволяющих комплексно использовать междисциплинарные знания, обеспечивающие их гармонию между разрабатываемым элементом и той системой, для которой он предназначен.
Для решения этих задач будущие инженеры учатся целенаправленно находить, отбирать, структурировать и систематизировать научную и междисциплинарную информацию таким образом, чтобы она была максимально полной, удобной и доступной для практического использования на производстве.
Применение модульной технологии на конкретном предмете позволяет преподавателю спланировать самостоятельную работу будущих инженеров. Определенная новизна ее применения в условиях вуза, это организация самостоятельной работы с применением проблемного подхода на занятиях. Применение нескольких уровней сложности при модульном обучении заставляет студентов самостоятельно решать проблемы, тем самым побуждает интерес к будущей профессиональной деятельности.
ЛИТЕРАТУРА
1. Веренцов, Д.С. Коммуникативная компетенция специалистов пищевого производства. /Д.С. Верен-цов, Е.Г.Хакимова //Материалы VIII Республиканского межвузовского методического семинара, Казань, 2015, -С. 22-25.
УДК 623.418
Годунов1 А.И. , Шишков2 С.В., Бикеев3 Р.Р.
пензенский государственный университет, Пенза, Россия 2Пензенский артиллерийский инженерный институт, Пенза, Россия
3Военный институт Сил воздушной обороны Республики Казахстан им. Т.Я.Бегельдинова, Казахстан, Актобе
ВЗАИМОСВЯЗЬ МАШИННОГО (ТЕХНИЧЕСКОГО) ЗРЕНИЯ С КОМПЬЮТЕРНЫМ ЗРЕНИЕМ ПРИ ИДЕНТИФИКАЦИИ МАЛОГАБАРИТНОГО БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА
Машинное (техническое) зрение - это применение компьютерного зрения для промышленности и производства. В то время как компьютерное зрение - это общий набор методов, позволяющих компьютерам видеть, то областью интереса машинного зрения, как инженерного направления, являются цифровые устройства ввода/вывода и компьютерные сети, предназначенные для контроля производственного оборудования, таких как роботы-манипуляторы или аппараты для извлечения бракованной продукции. Машинное зрение является подразделом инженерии, связанное с вычислительной техникой, оптикой, машиностроением и промышленной автоматизацией. Системы машинного зрения
для этих целей используют цифровые и интеллектуальные камеры, а также программное обеспечение обрабатывающее изображение для выполнения аналогичных проверок [1,2].
Компьютерное зрение - теория и технология создания машин, которые могут производить обнаружение, слежение и классификацию объектов. Как научная дисциплина, компьютерное зрение относится к теории и технологии создания искусственных систем, которые получают информацию из изображений. Видеоданные могут быть представлены множеством форм, таких как видеопоследовательность, изображения с различных камер или трехмерными данными. Как технологическая дисци-
плина, компьютерное зрение стремится применить теории и модели компьютерного зрения к созданию систем компьютерного зрения. Примерами применения таких систем могут быть: системы управления процессами (промышленные роботы, автономные транспортные средства); системы видеонаблюдения; системы организации информации; системы моделирования объектов или окружающей среды; системы взаимодействия; системы дополненной реальности; вычислительная фотография [3].
Компьютерное зрение также может быть описано как дополнение (но не обязательно противоположность) биологическому зрению. В биологии изучается зрительное восприятие человека и различных животны:':, в результате чего создаются модели
работы таких систем в терминах физиологических процессов. Компьютерное зрение, с другой стороны, изучает и описывает системы компьютерного зрения, которые выполнены аппаратно или программно. Междисциплинарный обмен между биологическим и компьютерным зрением оказался весьма продуктивным для обеих научных областей. Подразделы компьютерного зрения включают воспроизведение действий, обнаружение событий, слежение, распознавание образов, восстановление изображений [3].
Компьютерное зрение, обработка изображений и машинное (техническое) зрение - тесно связанные области (рисунок 1).
Техническое зрение
Рисунок 1 - Взаимосвязь машинного (технического) и компьютерного зрения
Из анализа рисунка 1 видно, что компьютерное зрение и машинное зрение - разные названия одной и той же области технического зрения, как замена биологического зрения, с целью улучшения обнаружения, распознавания и идентификации МБЛА, а также исключения ошибок связанных с человеческим фактором. Для обнаружения и идентификации МБЛА существует область обработки изображения (информации), которая связана с процессом создания изображений, обработкой и анализом. Таким образом, распознавание образов является областью, которая использует различные методы для получения информации из видеоданных, в основном, основанные на статистическом подходе. Значительная часть этой области посвящена практическому применению этих методов. Использование компьютерного зрения в военном деле, соответственно наибольшее.
Примерами использования компьютерного зрения являются обнаружение МБЛА и управление средствами их подавления и уничтожения. На современном этапе развития средств разведки, подразумевает, что различные датчики, включая датчики изображения, предоставляют большой набор информации о поле боя, которая может быть использована для принятия стратегических решений. В этом случае, автоматическая обработка данных используется, чтобы уменьшить сложность или увеличить надежность получаемой информации [4,5].
Классическая задача в компьютерном зрении, обработке изображений и машинном зрении это определение содержат ли видеоданные некоторый характерный объект, особенность или активность. Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в компьютерном зрении в общем случае: случайные объекты в случайных ситуациях. Научные области машинного (технического) и компьютерного зрения и их взаимосвязь приведена в таблице 1.
Исходя из анализа таблицы 1, общая научная область применения машинного зрения и компью-
терного зрения сводиться к решению общей задачи для распознавания индивидуального экземпляра МБЛА и его идентификации.
Существующие методы решения этой задачи эффективны только для отдельных объектов, таких как простые геометрические объекты (например, многогранники) только в определённых условиях, обычно это определённое освещение, фон и положение объекта относительно камеры.
Для оценки эффективности обнаружения - идентификации можно использовать критерий Джонсона, который в своей работе выделил четыре уровня различения: обнаружение, ориентация, распознавание и идентификация (таблица 2) [6].
Из анализа таблицы 2 следует, что пара линий штриховой миры в экспериментах Джонсона, как мера наименьшего различимого пространственного периода, равна двум телевизионным линиям и соответствующие значения уровней разрешения будут в телевизионных линиях иметь значения 2,0; 2,8; 8,0; 12,8 ТВЛ соответственно.
С целью эффективной борьбы с МБЛА в настоящее время необходимо иметь более широкую и подробную классификацию уровней различия МБЛА приведенную в таблице 3.
Таким образом, критерий Джонсона, являясь удобным средством оценки параметров средства наблюдения, не отражает реальных тактических возможностей данного средства наблюдения в реальных условиях. Определяемый на его основе параметр «дальность обнаружения», часто приводимый в характеристиках наблюдательных приборов, является интерпретацией совокупности известных характеристик ОЭС и цели - мгновенного поля зрения единичного элемента датчика.
«Дальность обнаружения» МБЛА определяется через физический размер элемента и фокусное расстояние объектива по формуле (1) или через полное поле зрения и формат датчика по формуле (2) и размеров фронтальной или боковой проекции цели.
Ь= №/Ыа, (1)
где Ь - предельная дальность различения; Е -фокусное расстояние объектива; 11 - критический размер цели; N - значение критерия Джонсона; а - размер единичного элемента изображения.
Труды Международного симпозиума «Надежность и качество», 2015, том 1
Научные области машинного (технического) и компьютерного зрения и их взаимосвязь Таблица 1
Научные области Направление исследований Примеры Примечания
Компьютерное зрение сосредотачивается на обработке трехмерных сцен, спроектированных на одно или несколько изображений восстановлением структуры или другой информации о трехмерной сцене по одному или нескольким изображениям компьютерное зрение часто зависит от более или менее сложных допущений относительно того, что представлено на изображениях
Машинное зрение сосредотачивается на применении, в основном промышленном, например, автономные роботы и системы визуальной проверки и измерений технологии датчиков изображения и теории управления связаны с обработкой видеоданных для управления роботом и обработка данных в реальном времени осуществляется аппа-ратно или программно
Обработка изображений (анализ изображений) в основном сосредоточены на работе с двухмерными изображениями (преобразовать одно изображение в другое) попиксельные операции увеличения контрастности, операции по выделению краёв, устранению шумов или геометрические преобразования данные операции предполагают, что обработка/анализ изображения действуют независимо от содержания самих изображений
Распознавание образов использует различные методы для получения информации из видеоданных, в основном, основанные на статистическом подходе значительная часть этой области посвящена практическому применению этих методов проблема распознавания -идентификация
Идентификация распознается индивидуальный экземпляр объекта идентификация определённого типа МБЛА тесно связана с визуализацией и сравнительным анализом кадров видеопоследовательности и базы данных
Уровни различия критерия Джонсона_Таблица 2
№ п/п Уровень различия Описание Разрешение на минимальный размер N50
пар линий ЭОПа телевизионные линии (ТВЛ)
1 Обнаружение Объект присутствует 1,0±0,25 2,0±0,5
2 Ориентация Различается симметричность или асимметричность объекта и его ориентация — вертикальная или горизонтальная 1,4±0,35 2,8±0,7
3 Распознавание Определяется класс объекта самолет, вертолет и т.д. 4,0±0,8 8,0±1,6
4 Идентификация Объект может быть описан в рамках знаний наблюдателя тип строения (дом, гараж, склад), тип автомобиля (грузовик, легковой, пикап), что за человек (мужчина/женщина, военный/гражданский) 6,4±1,5 12,8±3
Расширенная классификация уровней различия МБЛА Таблица 3
№ п/п Уровень различия Описание Пример
1 Обнаружение Объект присутствует Воздушный объект
2 Ориентация Объект приблизительно симметричен или асимметричен, различается его ориентация Горизонтальный многоугольник
3 Выделение из помех Объект является вероятной целью, а не помехой (шумом, неравномерностью фона) Воздушная цель
4 Классификация Может быть определен обширный класс к которому принадлежит объект БЛА
5 Распознавание Определяется подкласс объекта МБЛА
6 Свой-чужой Определяется принадлежность объекта дружественным или вражеским силам МБЛА неприятеля
7 Идентификация Может быть определен конкретный тип объекта (модель) МБЛА «Raven»
8 Дискриминация Может быть определен конкретный тип объекта (модель) реальный МБЛА «Raven»
9 Определение намерений Определяется принадлежность к конкретной группировке сил и оценивается враждебность намерений Американский МБЛА «Raven», враждебный
L= W/N tan^/h) , (2)
где L - предельная дальность различения; W -критический размер цели; N - значение критерия Джонсона; ф - поле зрения датчика по вертикали (горизонтали); h - количество элементов датчика по вертикали (горизонтали).
Исходя из анализа выражений (1) и (2) для расчета максимальной дальности обнаружения, к примеру, датчик - оптико-электронное средство, можно использовать следующее выражение
L=( FH/ ^Ьм)(100/Д) (3)
где F - фокусное расстояние объектива в мм; H -высота объекта в м; hm - высота мишени матрицы ПЗС в мм; Д - высота объекта в процентах в пересчете на высоту растра фотоприемника.
Для обеспечения кругового обзора необходимо рассчитать количество датчиков по выражению (6). Угол поля зрения датчиков при этом в вер-
тикальной плоскости
рассчитывался по выра-
жению (4), в горизонтальной плоскости ' по выражению (5) и определяются исходя из размера мишени матрицы по вертикали Ьж и по ширине шм, а также фокусного расстояния объектива Е.
h , , = 2arctg, (4) Фг = 2arctg— , (5) 2F ¿J
п = пГ ■ пВ (6)
где пГ =-
360"
®г
и пВ =
90"
- количество датчиков по
горизонту и вертикале. Таким образом, используя выражения (1)-(6) можно рассчитать количество датчиков для обеспечения кругового обзора с
учетом характеристик выбранных датчиков с заданной дальностью обнаружения МБЛА.
С целью проведения экспериментальных исследований по обнаружению МБЛА с использованием _Варианты ситуации приня
критерия Джонсона на моментом принятия решения о подтверждении или опровержении гипотезы наличия МБЛА связано возникновение следующих вариантов ситуации (таблица 4).
я решений по обнаружению МБЛА_Таблица 4
Ситуации принятия решений Воздушная цель присутствует Воздушная цель отсутствует
Воздушная цель обнаружена верное обнаружение -1 ложная тревога - 2
Воздушная цель не обнаружена пропуск цели - 3 верное бездействие - 4
Из таблицы 4 следует, что ситуации 1 и 4 соответствуют верно, принятому решению, а 2 и 3 описывают ошибки принятия решения, называемые ошибками первого рода — ложная тревога, и ошибками второго рода — пропуск МБЛА. Аналогичная ситуация с дальнейшими уровнями различения МБЛА, поскольку на каждом последующем уровне решается задача принятия или непринятия одной из гипотез о классе, типе, намерениях МБЛА. Алгоритм последовательного уточнения параметров объекта в терминах повышения уровня восприятия (таблица 3) можно представить в виде диаграммы (рисунок 2).
Ф(РН
| ВОАДУЩЯЯЛ цель I
Ооздушной 1 к ем ист
Лочлуптяя цель есть
кл.л ССНФИКА /¡и>/
класс цели
БЛЛ
р * то ИГ А 13 11ПГ];; ■
rtciiiK.fi асс I! <' 1 и
МЕЛА
с[1едш111 СЛЛ
ЩЦМЗЯТ14фИШСг I ЦИЯ.у *
тип ife.HU
Рисунок 1 - Вариант диаграммы принятия решений при идентификации МБЛА Многоканальное средство обнаружения МБЛА может состоять из трех видов каналов: первый тип - оптико-визуальный (телевизионный) канал, функционирующий в условиях «день»;
- второй тип - оптико-электронный канал, функционирующий в условиях «ночь»;
- третий тип - тепловизионный канал, функционирующий в условиях «ночь-день»
Так как ошибки обнаружения не будут коррелировать друг с другом и они имеют случайный характер, поэтому многоканальная система позволяет добиваться лучших обнаружительных характеристик, чем у отдельных одноканальных приборов.
Таким образом, для п-канальной системы вероятность, что цель будет обнаружена, хотя бы одним каналом равна
Р=1 - (1-Р1)(1-Р2)...(1-РП) (7) где Р - вероятность обнаружения цели хотя бы одним каналом; р1 - вероятность обнаружения цели 1-м каналом в текущих условиях [7].
Выражение (7) показывает минимальную вероятность обнаружения цели многоканальной системой, когда цель обнаруживается исключительно по сигналу с одного, наиболее эффективного в данной ситуации канала. При параллельном анализе сигналов с нескольких каналов вероятность обнаружения цели еще повышается за счет возможности выявления цели по корреляционному анализу под-пороговых значений сигналов, возникающих параллельно в нескольких каналах [7].
Причины необходимости интеграции нескольких информационных каналов
Одноканальный прибор обнаружения и идентификации МБЛА имеет единственный способ повышения вероятности обнаружения МБЛА - это улучшение характеристик самого прибора: повышение разрешения, чувствительности, коэффициента увеличения и т.п. Как показывает практика - это приводит к увеличению стоимости, массо-габаритных показателей, снижению надежности и другими отрицательным эффектам. Так же, подобный способ повышения эффективности имеет физические непреодолимые ограничения датчика.
Многоканальная система повышения вероятности обнаружения цели зависит не только от улучшения характеристик отдельных каналов, но и от увеличения числа каналов п. Это влечет уменьшение значения произведения выражения (7) и увеличения общей вероятности обнаружения цели.
Причины необходимости интеграции нескольких информационных каналов для обнаружения и идентификации МБЛА приведены в таблице 5.
Таблица 5
№ п/п Причины Примеры
1 Отдельные датчики не обладают всеми необходимыми функциями или достижение требуемого функционала Чрезмерное увеличение стоимости, массы, требуемым обслуживанием, снижением надежности и т.п.
2 Отдельные датчики не обеспечивают все требуемые функции во всем диапазоне условий использования Эффективность некоторых датчиков снижается при низком освещении, атмосферных помехах и т.п.
3 Многоканальная система обеспечивает достаточную эффективность в случае отказа отдельных компонентов Взаимозаменяемость датчиков в процессе обнаружения МБЛА
4 Многоканальная система меньше подвержена влиянию средств противодействия Обнаружение при выходе из строя одного или двух датчиков
5 Несколько датчиков одинаковой функциональности показывают большую эффективность за счет взаимной компенсации случайных ошибок Повышение идентификации МБЛА на сложных фонах
Таким образом, целью интеграции отдельных датчиков в многоканальную систему является повышение способности обнаружения, идентификации и отслеживания целей за счет комбинации данных, полученных с разных датчиков.
Свойства, которыми должен обладать, признак МБЛА для его безошибочной идентификации приведены в таблице 6.
Из анализа таблицы 6 идентификация МБЛА практически недостижима при работе только с одним информационным каналом, требуется комби-
нирование данных с нескольких датчиков. Комби- на основе набора нескольких признаков произво-нация разных датчиков в совокупности позволяет дить достоверную идентификацию МБЛА.
Свойства признака МБЛА для его безошибочной идентификации Таблица 6
№ п/п Свойство Характеристика
1 Определимость Возможность численной оценки
2 Обособленность Разные классы МБЛА должны обладать количественно разным значением признака
3 Универсальность Величина признака должна быть инвариантна относительно рабочего состояния, ориентации МБЛА, окружающей среды
4 Неизменность Признак не должен изменяться, поддаваться сокрытию или маскировке
5 Предсказуемость Признак должен поддаваться моделированию, расчету при неполной доступной информации о МБЛА
Не исключен и обратный эффект - подбор каналов с взаимодополняющими параметрами позволяет снизить требования к каждому отдельному датчику, обеспечив при этом высокую эффективность системы в целом.
В последнее время многоканальные системы строятся по принципу разделения функций между каналами, при котором разные датчики используются для разных этапов различения цели - обнаружения, идентификации и т.д. Например, изделие ЗСУ-23-4 «Шилка», для обнаружения используют датчики с широким рабочим полем и низкой специфичностью, а для идентификации - с узким рабочим полем и высоким разрешением. При этом выходные данные с одного датчика используются как наводящая информация для другого [7].
В настоящее время задача обнаружения МБЛА, связанна с оценкой движения МБЛА, в которой последовательность изображений обрабатывается для нахождения оценки скорости каждой точки изображения МБЛА (3D моделирования). Примерами таких задач являются: определение трехмерного движения средства разведки; слежение, то есть следование за перемещениями объекта, использо-
Алгоритм работы системы
вание МБЛА - истребителя [5,8]. Реализация систем компьютерного зрения сильно зависит от области их применения, аппаратной платформы и требований по производительности. Некоторые системы являются автономными и решают специфические проблемы детектирования и измерения, тогда как другие системы составляют подсистемы более крупных систем, которые уже могут содержать подсистемы контроля механических манипуляторов, информационные базы данных, интерфейсы и т.д. Однако существуют функции, типичные для многих систем компьютерного зрения. Алгоритм работы системы компьютерного зрения приведен в таблице 7.
Таким образом, высокоуровневая обработка -это последний шаг работы алгоритма системы компьютерного зрения, примерами которого являются: проверка того, что данные удовлетворяют условиям, зависящим от метода и применения; оценка характерных параметров, таких как положение или размер объекта; классификация обнаруженного объекта по различным категориям.
компьютерного зрения Таблица 7
Шаг работы Описание Примеры
Получение изображений Цифровые изображения получаются от одного или нескольких датчиков изображения, и которые помимо различных типов светочувствительных камер включают датчики расстояния, радары, ультразвуковые камеры и т. д. Оптико-электронные датчики, ультразвуковые и акустические датчики, радиолокационные датчики и т.д.
Предварительная обработка Извлечение определённой доли информации из видеоданных Удаление шума с тем, чтобы удалить искажения, вносимые датчиком
Выделение деталей Детали изображения различного уровня сложности выделяются из видеоданных Линии, границы и кромки МБЛА
Детектирование/Сегмента ция Принимается решение о том, какие точки или участки изображения являются важными для дальнейшей обработки. Выделение определённого набора интересующих точек Сегментация одного или нескольких участков изображения, которые содержат МБЛА
Высокоуровневая обработка Входные данные обычно представляют небольшой набор данных Набор точек или участок изображения, в котором предположительно находится МБЛА
ЛИТЕРАТУРА
1. E. R. Davies Machine Vision : Theory, Algorithms, Practicalities. - Morgan Kaufmann, 2004.
2. Л. Шапиро, Дж. Стокман Компьютерное зрение = Computer Vision. -М.: Бином. Лаборатория знаний, 2006. - С. 752.
3. Дэвид Форсайт, Жан Понс Компьютерное зрение. Современный подход = Computer Vision: A Modern Approach. - М.: «Вильямс», 2004. -С. 928
4. Годунов А. И. Система управления комплексными методами борьбы с малогабаритными беспилотными летательными аппаратами /А.И. Годунов, С.В. Шишков, Н.К.Юрков/ Статьи международного симпозиума «Надежность и качество - 2014». - Пенза: Изд-во Пенз. ГУ, 2014.- 1 том. С. 95-98
5. Годунов А. И. Комплекс обнаружения и борьбы с малогабаритными беспилотными летательными ап-паратами/А.И. Годунов, С.В. Шишков, Н.К.Юрков / Научно-практический журнал «Надежность и качество сложных систем». - Пенза: ПГУ,№2(6). 2014. С. 62-70
6. Студитский А.С. Эффективность наблюдательных тепловизионных и оптико-электронных систем. / Вестник компьютерных и информационных технологий, №10, 2013. С. 33-36.
7. Студитский А.С., Кекин А.Г. Повышение эффективности интегрированных многоканальных наблюдательных систем / Приборы, №9, 2013. С. 52-55
8. Кочегаров И.И. Программно-аппаратный комплекс разработки РЭС на основе ПЛИС и исследования их механических параметров / Кочегаров И.И., Таньков Г.В., Трусов В.А. // Труды международного симпозиума Надежность и качество. 2010. Т. 2. С. 421-424.
9. Кочегаров И.И. Алгоритм выявления латентных технологических дефектов печатных плат методом оптического контроля / Кочегаров И.И., Ханин И.В., Лысенко А.В., Юрков Н.К., Алмаметов В.Б. // Известия высших учебных заведений. Поволжский регион. Технические науки. 2013. № 3 (27). С. 105.
10. Шишков С.В. Малогабаритный роботизированный комплекс для борьбы с малогабаритными беспилотными летательными аппаратами. /Шишков С.В./. Патент на полезную модель №14 9412, 02.12.14. Федеральный институт промышленной собственности.
