تحقیق در مورد بهره‌گیری از فیلتر Smart Sharpen در فتوشاپ CS۲

اختصاصی از یاری فایل تحقیق در مورد بهره‌گیری از فیلتر Smart Sharpen در فتوشاپ CS۲ دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه4

بهره‌گیری از فیلتر Smart Sharpen در فتوشاپ CS۲

    وضوح تصویر به‌عنوان یکی از ابزار عکاسی، فضای تازه‌ای را به نرم‌افزارهای تصویرساز دیجیتالی می‌دهد. برنامه فتوشاپ در زمینه وضوح تصویر نقش مهمی دارد. 

    وضوح تصویر به‌عنوان یکی از ابزار عکاسی، فضای تازه‌ای را به نرم‌افزارهای تصویرساز دیجیتالی می‌دهد. برنامه فتوشاپ در زمینه وضوح تصویر نقش مهمی دارد. این برنامه دارای ابزار واضح‌سازی است که از راه منوی Filter و گزینه Sharpen قابل دستیابی است. همچنین فتوشاپ CS۲ دارای ابزار بهتری با عنوان Unsharp Masking است.

Unsharp Masking ابزار قدرتمندی است و در حالی که الگوریتم‌ها و کنترل‌های قابل توجهی دارد از فیلتر Smart Sharpen هم بهره‌مند است که نتایج عالی را ارائه می‌دهد. این در حال یاست که Smart Sharpen همواره از کارآئی کمتری نسبت به Unsharp Marking برخوردار است.

در برنامه‌های تصویرسازی، واضح‌سازی دارای مرحله تشخیص لبه‌ها است و هر گاه نرم‌افزار لبه‌ای را تشخیص می‌دهد، برنامه لبه‌ها را تیره‌تر یا روشن‌تر می‌سازد تا قابل تشخیص باشند.

فیلتر smart Sharpen به شما امکان می‌دهد میزان روشنائی و تاریکی لبه‌ها را تشخیص دهید. اگر زمانی تصویر مناسبی را پیدا کردید، می‌توانید با کلیک بر آن به ذخیره تصویر بپردازید و آن را برای استفاده‌های بعدی نگه دارید این کار سرعت ویرایش تصویرهای بعدی را بالا می‌برد. در رابط Smart Sharpening دو حالت Basic و Advance وجو دارد. Advance شامل تمام تنظیم‌ها در نوع BAsic هم می‌شود، توانائی حذف یا کمرنگ کردن سیاهی‌ها (تایرکی و نور) و هاله‌های نور با افزایش میزان وضوح تصویر را دارا است.

• Basic Mode

حجم‌های بالای کنتراست، پیکسل‌های لبه‌ها را فازیش داده و در تصویر وضوح بیشتری را نمایش می‌دهد.

• Radius

تعداد پیکسل‌هائی را که پیرامون پیکسل‌های لبه‌های کار شماست (کاری که می‌خواهید شفاف‌سازی کنید) تعیین کنید. هر چه مقدار این شعاع بیشتر باشد سطح وسیع‌تری موضوع کار شما قرار می‌گیرد تا بتوانید تعداد را بهتر نمایش دهید.

• Remove

تحقیق در مورد کنترل کیفیت محصولات با بهره‌گیری از شبکه ART غیر دقیق

اختصاصی از یاری فایل تحقیق در مورد کنترل کیفیت محصولات با بهره‌گیری از شبکه ART غیر دقیق دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 54
فهرست مطالب:

چکیده

مقدمه

 نظریه تشدید قابل سازگاری

2-1- الگوریتم ART

2-2- ART غیردقیق

3- مدل فراین تولید منبع

4- خطوط کلی سیستم ART غیردقیق پیشنهادی

5- آموزش و آزمون سیستم ART غیردقیق پیشنهادی

5-1- فاز آموزش

5-2- فاز آزمون

6- آزمایش و تجزیه و تحلیل

6-1- تجزیه و تحلیل

6-2- انتخاب پارامترهای شبکه عصبی

6-3- آموزش کمتر از نیاز یا بیش از حد

7. نکات نتیجه‌گیری

چکیده

به‌منظور تولید محصولات با کیفیت ثابت، مناسب است تا نظام‌های تولید برای جلوگیری از هرگونه انحراف غیرطبیعی در شرایط فرایند، نظارت شوند. چارت‌های کنترلی نقش مهمی در حل مشکلات کنترل کیفیت دارند؛ با وجود این اثربخشی آنان به شدت به فرضیات آماری بستگی دارد که در کاربردی واقعی صنعتی غالباً زیر پا گذاشته می‌شوند. برخلاف شبکه‌های عصبی می‌توانند میزان بسیار زیادی از داده‌های مخل را در زمان واقعی تشریح کنند، بدون آنکه نیازمند فرضیات توزیع آماری‌سنجهای نظارت شده داشته باشند. این ویژگی مهم شبکه‌های عصبی را مبدل به ابزارهایی توانمند می‌کند که می‌توان برای بهبود تجزیه و تحلیل داده‌ها در کاربردهای کنترل کیفیت محصولات از آنها بهره گرفت. در این مقاله، نظام شبکه عصبی که برمبنای فاز آموزش غیر نظارتی است، برای کنترل کیفیت معرفی می‌شود. به‌ویژه نظریه تشدید قابل سازگاری ART به‌منظور تحقق نظام کنترل کیفیت فارغ از مدل مورد بحث قرار گرفته است که می‌تواند برای تشخیص تغییرات در فرایند تولید مورد بهره‌برداری قرار گیرد. هدف از این تحقیق، تجزیه و تحلیل عملکرد شبکه عصبی ART است با این فرض که الگوهای غیرطبیعی در دسترس نیستند. برای رسیدن به این هدف، الگوریتم ساده شده ART غیر دقیق عصبی در ابتدا مورد بحث قرار گرفته و سپس مطالعات به‌منظور شبیه‌سازی گسترده مونت‌کارلو طرح شده است.

مقدمه

کنترل فرایند آماری (SPC) شیوه‌ای است برمبنای چند تکنیک که هدف از آن نظارت بر سنجرهای محصول فرایند تولید است. چارت‌های کنترل ابزارهای  هستند که گسترده‌ترین کاربرد را برای نشان دادن تنوع غیرطبیعی سنجرهای مورد نظارت قرار گرفته و قرارگیری دلایل قابل انتقال آنها دارند. برای استفاده از چارت کنترل، نمونه‌هایی از محصولات در طول فرایند تولید جمع‌آوری می‌شوند و آمارهای نمونه در چارت قرار می‌گیرند. اگر فرایند در وضعیت طبیعی قرار داشته باشد، انتظار می‌رود آمارهای نمونه در محدوده‌های خاص کنترلی در نمودار قرار بگیرند. از سوی دیگر اگر دلیل خاصی از تنوع نمایان شود، آمارهای نمونه اصلاً در خارج از محدوده‌های کنترلی از پیش تعیین شده قرار می‌گیرند. وقتی تنوع غیرطبیعی در چارت کنترلی شکل می‌گیرد. دست‌اندرکاران به دنبال علت حاصل می‌گردند و اصطلاحات و تنظیمات ضروری را برای بازگرداندن فرایند به وضعیت طبیعی انجام می‌دهند.

امروزه با بهره‌برداری وسیع از تولید خودکار و بازرسی در چند محیط تولیدی، وظیفه SPC که به لحاظ سنتی با متخصصان کیفیت عمل می‌کرد. بایستی خودکار شود. شبکه‌های عصبی ابزارهای کارآمد و مورد اعتماد تجزیه و تحلیل هستند و در دهه اخیر، این ابزارها در کنترل کیفیت بسیار مورد استفاده قرار گرفته‌اند (Zorricassantine and Tannock, 1998).

آنچه موجب شهرت شبکه‌های عصبی است توانایی آنها برای آموختن از تجربه و اداره کردن اطلاعات نامطمئن و پیچیده در محیطی رقابتی و نیازمند کیفیت است. شبکه‌های عصبی به دلیل ظرفیت آنها برای کار با سنجرهای شلوغ بدون نیاز به فرضیه‌ای در خصوص توزیع آماری داده‌های مورد نظارت قرار گرفته، به‌ویژه برای کنترل کیفیت محققان چندی به کاربرد شبکه‌های عصبی برای کنترل کیفیت محصولات پرداخته‌اند. پاگ[2] (1991) اولین بار کاربرد شبکه عصبی را برای کنترل کیفیت پیشنهاد داد. شبکه proception چندلایه ML.P به عنوان الگوریتم نظارتی قابل همانندسازی به‌منظور شناسایی میانگین جابه‌جایی مورد استفاده قرار گرفته است. گواو و دولی[3] (1992) و اسمیت (1994) شبکه پرستپون چندلایه قابل همانندسازی (MLPBP) را برای شناسایی تغییرات مثبت، هم در میانگین و هم در واریانس، به کار گرفتند. چنگ[4] (1995) بعدها شبکه عصبی MLPBP را برای شناسایی تغییرات مثبت و منفی و روندهای رو به بالا/ رو به پائین میانگین فرایند بر پرورش داده‌گاه و تنوک[5] (1999) شبکه عصبی MLP BP را برای شناخت الگوی غیرطبیعی متقاطع توسعه دادند. کوک و ال (2001)، در مورد توسعه شبکه عصبی MLP BP برای شناسایی تغییرات واریانس پارامترهای فرایند به صورت ترتیبی دارای همبستگی بحث می‌کند.