Научная статья на тему 'TRIKOTAJ TO‘QIMALARINING STRUKTURASINI KOMPYUTER KO‘RISH TEXNIKASI ASOSIDA TASNIFLASH'

TRIKOTAJ TO‘QIMALARINING STRUKTURASINI KOMPYUTER KO‘RISH TEXNIKASI ASOSIDA TASNIFLASH Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
19
3
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
Matoning qisqarishi / matoning shikastlanishi / tasvirni tahlil qilish / raqamlashtirish. / Fabric Shrinkage / Fabric Damage / Image Analysis / Digitization.

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Sharibayev Nosirjon Yusubjanovich, Kayumov Ahror Muminjonovich

An’anaviy tarzda to‘qilgan trikotaj to‘qimalarining tuzilishi tasnifi to‘qimachilik sanoatida qo‘lda ishlashga asoslangan. Ushbu maqola uchta to‘qilgan matolarni tasniflash uchun avtomatik yondashuvni taklif qiladi: tekis,yumaloq, atlas to‘quv. Birinchidan, mato tasvirlarini tahlil qilishni kamaytirish uchun past chastotali pastki tasvirni olish uchun 2-D to‘lqinli transformatsiyadan foydalaniladi. Keyin mato tasvirlarini qayta ishlashdan oldin tekstura xususiyatlarini olish uchun kulrang darajali birgalikdagi matritsasi (GLCM) va Gabor to‘lqinlari qabul qilinadi. Nihoyat, probabilistik neyron tarmog‘i (PNN) uchta asosiy to‘qilgan matolarni tasniflash uchun qo‘llaniladi. Tajriba natijalari shuni ko‘rsatadiki, tavsiya etilgan usul to‘qilgan matolarni avtomatik tarzda, samarali tasniflashi va aniq tasniflash natijalarini (93,33%) olishi mumkin.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

CLASSIFICATION OF THE STRUCTURE OF KNITTED FABRICS BASED ON COMPUTER VISION TECHNIQUE

The structure classification of traditionally woven knitted fabrics is based on handwork in the textile industry. This paper proposes an automatic approach to classify three woven fabrics: plain, round, and satin weave. First, a 2-D wavelet transform is used to obtain a low-frequency sub-image to reduce the analysis of fabric images. Then, gray level joint matrix (GLCM) and Gabor wavelet are adopted to extract the texture features before processing the fabric images. Finally, a probabilistic neural network (PNN) is used to classify the three main woven fabrics. The experimental results show that the proposed method can automatically and effectively classify woven fabrics and obtain accurate classification results (93.33%).

Текст научной работы на тему «TRIKOTAJ TO‘QIMALARINING STRUKTURASINI KOMPYUTER KO‘RISH TEXNIKASI ASOSIDA TASNIFLASH»

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год

TRIKOTAJ TO'QIMALARINING STRUKTURASINI KOMPYUTER KO'RISH TEXNIKASI

ASOSIDA TASNIFLASH

Sharibayev Nosirjon Yusubjanovich,

Namangan Muhandislik texnologiyalari instituti fizika matematika fanlari doktori, professor [email protected]

Kayumov Ahror Muminjonovich,

Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti Farg'ona filiali. [email protected], katta o'qituvchi,

Annotatsiya: An'anaviy tarzda to'qilgan trikotaj to'qimalarining tuzilishi tasnifi to'qimachilik sanoatida qo'lda ishlashga asoslangan. Ushbu maqola uchta to'qilgan matolarni tasniflash uchun avtomatik yondashuvni taklif qiladi: tekis,yumaloq, atlas to'quv. Birinchidan, mato tasvirlarini tahlil qilishni kamaytirish uchun past chastotali pastki tasvirni olish uchun 2-D to'lqinli transformatsiyadan foydalaniladi. Keyin mato tasvirlarini qayta ishlashdan oldin tekstura xususiyatlarini olish uchun kulrang darajali birgalikdagi matritsasi (GLCM) va Gabor to'lqinlari qabul qilinadi. Nihoyat, probabilistik neyron tarmog'i (PNN) uchta asosiy to'qilgan matolarni tasniflash uchun qo'llaniladi. Tajriba natijalari shuni ko'rsatadiki, tavsiya etilgan usul to'qilgan matolarni avtomatik tarzda, samarali tasniflashi va aniq tasniflash natijalarini (93,33%) olishi mumkin.

|| Kalit so'zlar: Matoning qisqarishi, matoning shikastlanishi, tasvirni tahlil qilish, raqamlashtirish.

Kirish. Kirish. An'anaviy to'qimachilik sanoatida to'qilgan mato tuzilishini tahlil qilish va tanib olish ko'p jihatdan qo'lda tekshirishga bog'liq bo'lib, bu uzoq vaqt va ko'plab professional ishchilarni talab qiladi. Ish samaradorligini oshirish uchun mato tuzilishini aniqlashning innovatsion va samarali usulini taklif qilish kerak. Texnologiyaning rivojlanishi bilan kompyuterni ko'rish va tasvirni qayta ishlashni qo'llash ustunlik qilmoqda. To'qilgan mato tuzilishini avtomatik va aniq tasniflashi mumkin bo'lgan tekstura tasnifiga tasvirni qayta ishlash kiritildi [1].

Mato teksturasining tahlili [2] 1980-yillarning o'rtalaridan boshlab Yaponiyada o'rganilib, optik hisoblashdan raqamli tasvirni qayta ishlashga o'tadi. So'nggi paytlarda to'qilgan mato tuzilishini avtomatik tahlil qilish uchun ba'zi tegishli tadqiqotlar ishlab chiqildi. Haralick va boshqalar. [3] tasvirning graylevel birgalikdagi matritsa usulini taklif qildi va mato tasvirlarini aniqlash uchun uning to'rt xususiyatli energiya, kontrast, korrelyatsiya, entropiya parametrlarini tasvir xususiyatlari sifatida oldi. Melendez va boshqalar. [4] tekstura xususiyatlari

sifatida Gabor filtrlari tomonidan konvolyutsiya tasvirlaridan foydalangan. Ushbu xususiyatni ajratib olish usullari yaxshi tanib olish natijalariga ega. Xu [5] Bayes statistikasi asosida matolarni avtomatik tasniflash usulini ilgari surdi. Shin va boshqalar. [6] fazoviy domenda loyqa c-vositalarni klasterlashdan foydalangan holda nazoratsiz tanib olish usulini ishlab chiqdi. Salem va boshqalar. [7] mato to'quv naqshlarini tasniflash uchun qo'llab-quvvatlovchi vektor mashinasidan foydalangan. Boshqa identifikatsiyalash usuli [8, 9] matoning to'quv naqshlarini aniqlash uchun halqa va to'qimali suzuvchilarni tahlil qildi. Ushbu usullar bir nechta to'qilgan matolarni muvaffaqiyatli tasniflashi mumkin. Biroq, hozirgi to'qilgan matolarni tasniflash usullarining real vaqtda va xatoga chidamlilik qobiliyati past.

Shunday qilib, ushbu maqola kompyuterni ko'rish texnikasiga asoslangan real vaqt rejimida va xatolarga chidamlilik qobiliyatiga ega bo'lgan to'quv matolarini tanib olish va tasniflash uchun yondashuvni taqdim etadi. Birinchidan, dastlabki ishlov berish

114

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год

tasviri ikki qatlamli to'lqinli konvertatsiya qilish orqali 7 ta kichik rasmga bo'linadi va mato tasvirlari tahlilini kamaytirish uchun ishlov berish namunasi sifatida LL2 past chastotali pastki tasvir olinadi. Keyinchalik, GLCM va Gabor to'lqinlari to'qilgan matolarning tekstura xususiyatlarini olish uchun ishlatiladi. Nihoyat, tasniflash bosqichida to'qilgan matolarni tanib olish uchun tegishli tasniflagich, ehtimollik neyron tarmog'i qo'llaniladi. Mato sxemasida tasvirni aniqlashning oqim sxemasi 1-rasmda ko'rsatilgan va u tanib olish jarayonini ko'rsatadi.

1-rasm: Mato sxemasida tasvirni aniqlashning oqim sxemasi

Metod: 2-D to'lqinli konvertatsiya.

Hisoblash miqdorini kamaytirish va shovqinni yo'qotish uchun to'qilgan mato tasvirlarini qayta ishlash uchun 2-D to'lqinli transformatsiya [10] qabul qilinadi. To'lqinli transformatsiya - bu signaldan ma'lumotni samarali ajratib olishi mumkin bo'lgan vaqt va chastota domenlari o'rtasidagi mahalliy transformatsiya. U egiluvchanlik va translatsiya orqali funktsiya va signal uchun ko'p miqyosli batafsil

tahlilni o'tkazishi va Furye o'zgartira olmaydigan muammoni hal qilishi mumkin.

2 o'lchovli to'lqinli konvertatsiya asl tasvir va to'lqinli asosiy tasvir o'rtasidagi ichki mahsulotdan keyin qatorlar va ustunlar oralig'ida namuna olish orqali amalga oshiriladi. Har bir konvolyutsiya satrlar va ustunlar bo'yicha 1 o'lchamli konvolyutsiyani parchalashi mumkin, chunki masshtab funktsiyasi va to'lqinlar funktsiyasi ajratilishi mumkin. To'lqinli o'zgarishlarning birinchi qatlamidan so'ng, asl tasvir to'rtta pastki rasmga bo'linadi: past chastotali taxminiy pastki tasvir LL1 va uchta yuqori chastotali batafsil pastki tasvir (gorizontal pastki tasvir HL1, vertikal pastki tasvir LH1 va). diagonal pastki tasvir HH1). To'lqinli parchalanishning ikkinchi qatlamida past chastotali qism (LL1) faqat yuqorida aytib o'tilganidek parchalanadi, keyin u turli chastota diapazoni chiqishlarini ishlab chiqaradi. 2-rasmda ikki qatlamli to'lqinli parchalanish diagrammasi ko'rsatilgan.

LLl HL1

LH1 HH1

LL2 HL2 HL1

|LH2 HH2

LH1 HHl

(a) (b)

2-rasm: Ikki qatlamli parchalanish

M

Rasmning Graylevel Co-ccurrence Matrix (GLCM) kulrang darajadagi keng qamrovli ma'lumotlarni ochib berishi mumkin [11,12], ular yo'nalishlar, qo'shni interval va diapazonga oid. Hozirgacha u nazariya va eksperimentda tekstura tahlilining yaxshi usuli ekanligi isbotlangan. GLCM 1973 yilda Xaralik [3] tomonidan chiqarilgan. U kulrang qiymat i va j ni tasvirlaydi, ikki pikselning C (i, j, d, th) ehtimollik matritsasi th yo'nalishi va d masofasida paydo bo'ladi. th - ikki piksel orasidagi joylashish burchagi. D masofasi ikki piksel orasidagi masofa, odatda aniqlash uchun sinov tasviriga ko'ra. Umuman olganda, tasvirning tekstura xususiyatlarini olish uchun to'rtta umumiy statistika qo'llaniladi: burchakli ikkinchi moment (energiya), kontrast, korrelyatsiya va entropiya, bu nafaqat hisoblash uchun

115

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год

qulay, balki tasniflashning yuqori aniqligini ham beradi.

Ikkinchi burchak momenti (energiya):

M N

ASM = XXC (i, j, d ,в)2,

i=i j=i

M N

con = ££(/ - j)2 C(i, j,d,в),

i=i j=i

m"ijc(i, j,d,в) -ИИ cor = xx у

i =1 j =1

1)

a a

x У

2) 3)

bilan

Их = XXiC (i, j, d ,в)

i=i j=i

M N

и =XXiC(i'j, d ,в)

i=i j =i

M N

a = XX(i - И )2 C (i, j, d, e)

i=1 j =1

M N

ay =XX(j-И )2 C (i, j, d ,в),

i=i j=i

Shu jumladan,

M N

ENT = -XX C (i, j, d, 0) lg C(i, j, d, в),

i=i j=i 4)

GLCM usulida yo'nalish qiymati в 00 450 900 1350

0,0 ,45 ,90 ,i35 va d masofasi 1 ga teng ekanligi aniqlangan. Shuning uchun, har bir aniqlangan mato tasviri uchun burchakli ikkinchi momentning 16 o'lchovli GLCM xususiyatlari, kontrast, korrelyatsiya va to'rt yo'nalishdagi entropiya va bir masofa olinadi.

Gabor filtri

Chastota domenida 2-D Gabor filtrining yaxshi ko'p miqyosli va ko'p yo'naltirilgan parchalanishi sifatida u kompyuterni ko'rish va tasvirni qayta ishlashda keng qo'llaniladi. 2-D Gabor funksiyasi trigonometrik funksiya bilan 2-D Gauss funksiyasi [13] tomonidan modulyatsiya natijasidir. Gabor funktsiyasidan foydalanib, turli masshtablarda va turli yo'nalishlarda mahalliy chastota domeni ma'lumotlarini olish mumkin. 2-D Gabor funksiyasi

g(x, y) va uning Furye konvertatsiyasi n )

quyidagicha ifodalanishi mumkin:

g( X У) =

i

V 2жахау J

expi- i

f „2

.2 Л

xL. + У.

rr-2 —.2

V^ ^ J

'exP(2j xi)

(5)

G(и,v) = exp i--

(И-/0)2 . v2

2-D Gabor funktsiyasining haqiqiy qismi tenglama shaklida ko'rsatilgan. (7) tasvirni tekislash uchun bir tekis simmetrik Gabor filtri vazifasini bajaradi. 2-D Gabor funktsiyasining xayoliy qismi matoning chekka qismini g'alati simmetrik filtr sifatida aniqlash uchun ishlatiladi. (8). Ikki qism va o'rnatilgan Gabor filtrining o'zaro bog'liqligini tenglama sifatida tasvirlash mumkin. (9). 2-D Gabor funktsiyasidan haqiqiy qism va xayoliy qismning umumiy javoblari 3-rasmda ko'rsatilgan.

f

ge ( X У) =

g0(X, У) =

1

Л

V J

(7) 1

V 2Па*аУ J

exp

exP i-::

fi 2 л

*i_ yL

^2 + _ 2

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

V^ ^ J

f 2 2 ^ Xi + У1

2

V

'У J.

■cos(2^ /x )

■sin(2^/0 xi)

(8)

3-rasm: Asosiy Gabor funksiyasining haqiqiy qismi (a) va xayoliy qismi (b).

g(X У) = ge (x, У) + jg0(x, У)

(9)

2-D Gabor funktsiyasiga asoslanib, xayoliy qism nafaqat hisob-kitoblar massasini talab qiladi, balki tekstura xususiyatlarini ajratib olishga ozgina hissa qo'shadi, 2-D Gabor funktsiyasining haqiqiy qismi tekstura xususiyatlarini ajratib olish uchun

116

"Descendants of Al-Farghani" electronic scientific Электронный научный журнал "Потомки Аль-

journal of Fergana branch of TATU named after Фаргани" Ферганского филиала ТАТУ имени

Muhammad al-Khorazmi. ISSN 2181-4252 Мухаммада аль-Хоразми ISSN 2181-4252

Vol: 1 | Iss: 2 | 2024 year Том: 1 | Выпуск: 2 | 2024 год

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2G24-yil

ishlatiladi. Keyin Gabor funktsiyasini tenglama sifatida shakllantirish mumkin. (7). Teksturali tasvirlarning chastota maydonini iloji boricha yaxshiroq qoplash uchun xususiyatlarni yaxshi ajratib oladigan oqilona tebranish chastotasi va filtr yo'nalishini tanlash kerak. 4-rasmda 5 x 8 Gabor filtrlari ko'rsatilgan. Har bir masshtabda filtrlar 0 - 180 ◦ oralig'ida teng ravishda taqsimlanadi. Turli shkalalarda Gabor filtrlari mikroskoplarning o'xshash rolini o'ynaydi. Gabor filtrlari guruhini loyihalashdan so'ng, filtrlangan tasvirlar kirish tasviri va har bir Gabor filtrlari o'rtasidagi konvolyutsiyadan olingan. Nihoyat, filtrli tasvirlarning o'rtacha va standart og'ishini tekstura xususiyatlari sifatida hisoblash mumkin. Shuning uchun, Gabor to'lqinli usulidan foydalangandan so'ng, har bir aniqlangan mato tasviri uchun 80 o'lchovli Gabor xususiyatlarini olish mumkin.

Natija: Ushbu maqolada eksperimental namunalar bir xil tashqi sharoitda CanonScan 9000F tomonidan sotib olingan tekis, twill va atlas to'quvlarini o'z ichiga oladi. 45 guruhli to'qilgan mato tasvirlari mavjud bo'lib, ularda 15 guruh tekis, shingil va atlas to'quvlari mavjud. Shu bilan birga, har bir sinf uchun 10 ta rasm o'quv namunalari, qolganlari esa sinov namunalari sifatida tanlandi. 6-rasmda eksperimental to'qilgan mato tasvirlarining ba'zi namunalari ko'rsatilgan. Olingan RGB tasvirlari qayta ishlash tezligini oshirish uchun 256 x 256 pikselga o'zgartiriladi va kulrang tasvirlarga aylantiriladi. Bundan tashqari, juda konsentrlangan kulrang tasvirlar pikseli tufayli, gistogrammani tenglashtirish uchun ikki tepalikli Gauss funksiyasi tasvirlar kontrastini oshirish uchun tasvirlarning kulrang darajasini pastki va yuqori kulrang darajalarda taqsimlash uchun ishlatiladi. Shim to'qilgan matoning natijalari 4-rasmda ko'rsatilgan.

4-rasm: to'qilgan mato namunalari

Ushbu maqolada tasvirni oldindan qayta ishlash, xususiyatlarni ajratib olish, mato naqshini aniqlash va hokazolarni o'z ichiga olgan avtomatik va samarali tasniflash usuli taklif etiladi. Mato tasvirini qayta ishlash uchun 2 o'lchovli to'lqinli transformatsiyadan foydalanish nafaqat mato tasvirining hajmini qisqartirishi, balki tekstura tahlilining ishlash vaqtini ham qisqartirishi mumkin. Keyinchalik, GLCM va Gabor to'lqinlari mato tasvirlarining tekstura xususiyatlarini olish uchun ishlatiladi. BP tarmog'i va LVQ tarmog'i bilan taqqoslaganda, PNN klassifikatori oddiy tarmoq o'rganish jarayoniga, tezroq o'qitish tezligiga va kuchli naqsh tasniflash qobiliyatiga ega. PNN yaxshi umumlashtirish qobiliyatiga va tasniflash qobiliyatiga ega bo'lgan naqshni aniqlash usulidir. Bundan tashqari, PNN mahalliy optimal nuqta muammosiga kirmaydi. Eksperimental natijalar shuni ko'rsatadiki, xususiyatlarni ajratib olish va tasvir naqshini aniqlash usullari aniq va samarali bo'lib, to'quv matolarni aniqlash tizimi tezroq tezlik bilan eng yaxshi tasniflash natijalarini (93,33%) oladi. Kompyuter texnologiyalari va tasvirni qayta ishlash texnologiyasining jadal rivojlanishi bilan to'qilgan mato tasvirini avtomatik aniqlash va tasniflash to'qimachilik sanoatining rivojlanishiga yordam berishi mumkin.

Xulosa: Ushbu maqolada an'anaviy qo'lda tasniflash usullariga alternativa sifatida trikotaj matolarining avtomatik tasniflash yondashuvi taklif etiladi. Ular uch xil trikotaj to'qimalarni (tekis, yumaloq, atlas to'quv) aniqlashni maqsad qiladi. Avtomatik tasniflash jarayoni quyidagi bosqichlarni o'z ichiga oladi:

117

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год

To'lqinli transformatsiya: 2-D to'lqinli transformatsiya yordamida past chastotali pastki tasvir olinadi, bu mato tasvirlarini tahlil qilishni soddalashtiradi.

Xususiyatlarni ajratib olish: Kulrang darajali birgalikdagi matritsa (GLCM) va Gabor to'lqinlari yordamida mato tasvirlarining tekstura xususiyatlari ajratib olinadi.

Tasniflash: Probabilistik neyron tarmog'i (PNN) orqali uch asosiy to'qilgan mato turlari tasniflanadi.

Tajriba natijalari ko'rsatishicha, taklif etilgan usul yuqori aniqlik bilan (93,33%) trikotaj matolarini avtomatik ravishda samarali tasniflay oladi. Ushbu usul tekstil sanoatida sifat nazoratini yaxshilash va ishlab chiqarish jarayonlarini avtomatlashtirishda muhim ahamiyatga ega. Maqola ushbu yangi yondashuvning amaliy samaradorligini ko'rsatadi va kelajakdagi tadqiqotlar uchun asos yaratadi.

Foydalanilgan adabiyotlar:

1. A. Baykasoglu, L. Ozbakir, S. Kulluk, Classifying defect factors in fabric production via DIFACONN-miner: A case study, Expert Systems with Applications, 38(9), 2011, 11321-11328

2. T. J. Kang, C. H. Kim, K. W. Oh, Automatic recognition of fabric weave patterns by digital image analysis, Textile Research Journal, 69(2), 1999, 77-83

3. R. M. Haralick, K. Shanmugam, I. H. Dinstein, Textural features for image classification, IEEE Transactions Systems, Man and Cybernetics, 3(6), 1973, 610-621

4. Yun E., Kim S., Yun C. Development of digitized evaluation methods for fabric shrinkage and damage using image analysis //Fashion and Textiles. -2023. - Т. 10. - №. 1. - С. 23.

5. Fan, J., & Hunter, L. (2009). Engineering Apparel Fabrics and Garments. Woodhead Publishing. Gallen Daniel, F., & Felix, F. (2011). Article 306 / 307 "POKA DOT" Test Fabric for Mechanical Action. EMPA Testmaterialien AG..

6. Hill, M., Kamalakannan, S., Gururajan, A., Sari-Sarraf, H., & Hequet, E. (2011). Dimensional

change measurement and stain segmentation in printed fabrics. Textile Research Journal, 81(16), 1655-1672.

7. Cho, Y., Yun, C., & Park, C. H. (2017). The efect of fabric movement on washing performance in a front-loading washer IV: under 3.25-kg laundry load condition. Textile Research Journal, 87(9), 10711080..

8. ISO 7772-1. (1998). Assessment of industrial laundry machinery by its efect on textiles—part 1. Washing machines.

6. Jasinska, I. (2019). The algorithms of image processing and analysis in the textile fabrics abrasion assessment. Applied Sciences, 9(18), Article 3791.

7. Yusubjanovich S. N., Muminjonovich K. A. TRIKOTAJ TO 'QIMALARINING SHAKL SAQLASH XUSUSIYATLARINI RAQAMLI BAHOLASH USULLARI //Al-Farg'oniy avlodlari. -2024. - Т. 1. - №. 1. - С. 57-61.

8. Зулунов Р. М., Каюмов А. М. ИДЕНТИФИКАЦИЯ И СОРТИРОВКА ТЕКСТИЛЯ ДЛЯ АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ С ПОМОЩЬЮ БЛИЖНЕЙ ИНФРАКРАСНОЙ СПЕКТРОСКОПИИ //Universum: технические науки. - 2024. - Т. 1. - №. 3 (120). - С. 38-41.

9. Kayumov A. Development of mathematical models for detecting defects in fabric on textile machines //Journal of technical research and development. - 2023. - Т. 1. - №. 2.

10. Kayumov A. СОЗДАНИЕ НА ОСНОВЕ ЭКСПЕРТНОЙ СИСТЕМЫ ПРОГРАММЫ ОЦЕНКИ ЭФФЕКТИВНОСТИ ТЕКСТИЛЬНЫХ МАШИН //Потомки Аль-Фаргани. - 2023. - Т. 1. -№. 2. - С. 49-52.

11. Muminjonovich K. A. CREATING MATHEMATICAL MODELS TO IDENTIFY DEFECTS IN TEXTILE MACHINERY FABRIC //Al-Farg'oniy avlodlari. - 2023. - Т. 1. - №. 4. - С. 257-261.

12. Muminjonovich K. A. METHODS OF TECHNOLOGICAL MACHINERY MONITORING AND FAULT DIAGNOSIS. Intent Research Scientific Journal, 2 (10), 11-17. - 2023.

118

i Надоели баннеры? Вы всегда можете отключить рекламу.