آینده‌پژوهی دفاعی

آینده‌پژوهی دفاعی

بهبود کنترل کیفیت اقلام فنی در صنایع دفاعی با تکنیک پردازش تصویر و تبدیل فازی با استفاده از نمودار کنترل GLR

نوع مقاله : مقاله علمی- پژوهشی

نویسندگان
1 استادیار تحقیق در عملیات، دانشگاه فرماندهی و ستاد آجا، تهران، ایران.
2 استادیار مهندسی برق، دانشگاه فرماندهی و ستاد ارتش، تهران، ایران
3 پژوهشگر مطالعات علم و فناوری، دانشگاه فرماندهی و ستاد آجا، تهران، ایران
چکیده
هدف: این تحقیق به منظور ارائه الگوی شناسایی و کنترل کیفیت اقلام فنی در صنعت دفاع انجام شده است. تمرکز بر تکنیک‌های پردازش تصویر و تبدیل فازی با انتخاب بهینه بخش فازی تعمیم‌یافته جهت فشرده‌سازی تصاویر و پردازش داده‌های تصویر است.
روش‌شناسی: در این تحقیق، از تکنیک تبدیل فازی مستقیم برای فشرده‌سازی تصاویر استفاده شده و ماتریس ضرایب تبدیل فازی برای پایش داده‌های استخراج شده با استفاده از نمودار کنترل نسبت بزرگ‌نمایی تشکیل شده است. جهت اعتبارسنجی نتایج، از نرم‌افزار متلب بهره گرفته شده است.
یافته‌ها: نتایج نشان دادند که مدل توسعه یافته برخوردار از عملکرد موثر برای کنترل کیفیت اقلام فنی در سیستم‌های دفاعی است. مدل مبتنی بر بخش فازی مثلثی نیز در کشف عیوب پس از تغییرات شدت روشنایی، بهتر از مدل کوشا و همکاران عمل کرده است.
نتیجه‌گیری: این تحقیق نه تنها اهمیت پردازش تصویر و تبدیل فازی را در صنعت دفاع تأکید می‌کند بلکه نشان دهنده کارآیی برتر مدل توسعه یافته در دستیابی به کنترل کیفیت اقلام فنی و بهبود فرآیندهای کنترلی است. نتایج مقایسه‌ای نیز تأیید می‌کند که مدل مبتنی بر بخش فازی مثلثی، به ویژه در شناسایی عیوب پس از تغییرات نوردهی، از مدل کوشا و همکاران بهتر عمل کرده است. استفاده روزافزون از پردازش تصویر و تبدیل فازی در آینده نشان‌دهنده اجتناب‌ناپذیری صنایع دفاع از این تکنیک‌ها به منظور دستیابی به اهداف، کنترل بهینه و ارتقاء اقلام فنی است.
کلیدواژه‌ها

  • بیگدلی، حمید، باوندی، سلیم. (1401). تصمیم‌گیری بهینه در مواجهه با عملیات‌های تخریبی دشمن با استفاده از مسئله ممانعت از بیشینه جریان در شبکه‌های پویای چند دوره‌ای در شرایط فازی، آینده‌پژوهی دفاعی 7 (24), 61-79.
  • جوکار، علی، پرتوی، محمدتقی. (1390) بررسی تاثیر فنآوری اطلاعات بر تصمیم گیری فرماندهان آجا، علوم و فنون نظامی، 8 (26)، 61-49.
  • عبداللهی، حمید رضا و بهارانچی حسنی، سید رسول. (1392)، ارائه مدل سیستم کنترل کیفیت برای پروژه‌های سازمان‌های تحقیقاتی دفاعی، کنفرانس بین المللی مدیریت چالشها و راهکارها، شیراز.
  • مهرگان، محمدرضا، خراشادی‌زاده، محمدرضا و پرتوی، محمدتقی. (1397). شبیه‌سازی کشف و شناسایی اهداف پرنده در سامانه های فرماندهی و کنترل با بهره‌گیری از نظریه فازی. آینده‌پژوهی دفاعی، 3(11 )، 99-117.
  • نیک سیرت، ملیحه. (1398)، برنامه ریزی اعتباری عدد صحیح فازی جهت مدل سازی و حل مساله حمل و نقل و امداد بشر دوستانه پس از بحران در شرایط فازی. آینده‌پژوهی دفاعی، 4(15)، 61-84.
  • ولی‌وند زمانی، حسین، پرتوی، محمدتقی، ایجابی، ابراهیم. (1393). مدل انتخاب و تخصیص بهینه پروژه‌های آموزشی و پژوهشی آجا با استفاده از فرایند تحلیل سلسله مراتبی فازی. علوم و فنون نظامی، 23-5، 29(10).
  • Arunpandian, S., & Dhenakaran, S. S. (2022). An effective image compression technique based on burrows wheeler transform with set partitioning in hierarchical trees. Concurrency and Computation: Practice and Experience, 34(5), e
  • Bhalla, K., Koundal, D., Sharma, B., Hu, Y. C., & Zaguia, A. (2022). A fuzzy convolutional neural network for enhancing multi-focus image fusion. Journal of Visual Communication and Image Representation, 84, 103485.
  • Colosimo, B. M. (2018). Modeling and monitoring methods for spatial and image data. Quality Engineering, 30 (1), 94-111.
  • Colosimo, B. M., & Pacella, M. (2010). A comparison study of control charts for statistical monitoring of functional data. International Journal of Production Research, 48(6), 1575-1601.
  • Colosimo, B. M., Cicorella, P., Pacella, M., & Blaco, M. (2014). From profile to surface monitoring: SPC for cylindrical surfaces via Gaussian processes. Journal of Quality Technology, 46(2), 95-113.
  • Colosimo, B. M., Semeraro, Q., & Pacella, M. (2008). Statistical process control for geometric specifications: on the monitoring of roundness profiles. Journal of quality technology, 40(1), 1-18.
  • Di Martino, F., Loia, V., & Sessa, S. (2011). Fuzzy transforms method in prediction data analysis. Fuzzy Sets and Systems, 180 (1), 146-163.
  • Duchesne, C., Liu, J. J., & MacGregor, J. F. (2012). Multivariate image analysis in the process industries: A review. Chemometrics and Intelligent Laboratory Systems, 117, 116-128.
  • Garg, G., & Kumar, R. (2022). Analysis of image types, compression techniques and performance assessment metrics: A review. Journal of Information and Optimization Sciences, 43(3), 429-436.
  • Hanmandlu, M., & Jha, D. (2006). An optimal fuzzy system for color image enhancement. IEEE Transactions on image processing, 15(10), 2956-2966.
  • Karabassis, E., & Spetsakis, M. E. (1995). An analysis of image interpolation, differentiation, and reduction using local polynomial fits. Graphical models and image processing, 57(3), 183-196.
  • Khastan, A., Perfilieva, I., & Alijani, Z. (2016). A new fuzzy approximation method to Cauchy problems by fuzzy transform. Fuzzy Sets and Systems, 288, 75-95.
  • Koosha, M., Noorossana, R., & Megahed, F. (2017). Statistical process monitoring via image data using wavelets. Quality and Reliability Engineering International, 33(8), 2059-2073.
  • Liu, Z., Blasch, E., & John, V. (2017). Statistical comparison of image fusion algorithms: Recommendations. Information Fusion, 36, 251-260.
  • Megahed, F. M., Woodall, W. H., & Camelio, J. A. (2011). A review and perspective on control charting with image data. Journal of quality technology, 43(2), 83-98.
  • Mehrafrooz, Z., & Noorossana, R. (2011). An integrated model based on statistical process control and maintenance. Computers & Industrial Engineering, 61(4), 1245-1255.
  • Močkoř, J., & Hurtík, P. (2021). Approximations of fuzzy soft sets by fuzzy soft relations with image processing application. Soft Computing, 25(10), 6915-6925.
  • N‌a‌j‌i‌b‌i, S. S., A‌m‌i‌r‌i, A. H., & A‌m‌i‌r‌k‌h‌a‌n‌i, F. (2020). A‌N I‌N‌T‌E‌G‌R‌A‌T‌E‌D M‌O‌D‌E‌L O‌F S‌T‌A‌T‌I‌S‌T‌I‌C‌A‌L P‌R‌O‌C‌E‌S‌S C‌O‌N‌T‌R‌O‌L A‌N‌D M‌A‌I‌N‌T‌E‌N‌A‌N‌C‌E B‌A‌S‌E‌D O‌N D‌E‌L‌A‌Y‌E‌D M‌O‌N‌I‌T‌O‌R‌I‌N‌G I‌N T‌W‌O-S‌T‌A‌G‌E P‌R‌O‌C‌E‌S‌S‌E‌S. Sharif Journal of Industrial Engineering & Management, 35 (2.2), 81-92.
  • Nirmalraj, S., & Nagarajan, G. (2021). Biomedical image compression using fuzzy transform and deterministic binary compressive sensing matrix. Journal of Ambient Intelligence and Humanized Computing, 12, 5733-5741.
  • Paternain, D., Fernández, J., Bustince, H., Mesiar, R., & Beliakov, G. (2015). Construction of image reduction operators using averaging aggregation functions. Fuzzy Sets and Systems, 261, 87-111.
  • Perfilieva, I., & Adamczyk, D. (2022, July). Selection of Keypoints in 2D Images Using F-Transform. In International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems (pp. 418-430). Cham: Springer International Publishing.
  • Perfilieva, I., Holčapek, M., & Kreinovich, V. (2016). A new reconstruction from the F-transform components. Fuzzy Sets and Systems, 288, 3-25.
  • Reis, M. S., & Gins, G. (2017). Industrial process monitoring in the big data/industry 4.0 era: From detection, to diagnosis, to prognosis. Processes, 5(3), 35.
  • Sessa, S., Di Martino, F., & Perfilieva, I. G. (2013). Fuzzy functions, relations, and fuzzy transforms 2013. Advances in Fuzzy Systems, 2013, 6-6.
  • Yin, H., Zhang, G., Zhu, H., Deng, Y., & He, F. (2015). An integrated model of statistical process control and maintenance based on the delayed monitoring. Reliability Engineering & System Safety, 133, 323-333.