Distribucin Binomial Aplicada a un

Sistema de
Clasificacin de Piezas con
Tratamiento Digital de
Camilo Ernesto Pardo dgar Andrs Gutirrez
Beainy Cceres
MSc.(c) en Ingeniera Electrnica, MSc.(c) en Ingeniera Electrnica,
Pontificia Universidad Javeriana de Pontificia Universidad Javeriana de Bogot docente
Bogot tiempo Completo, investigador grupo ginSCon,
Docente Tiempo Completo, Investigador Grupo Universidad Santo Toms Tunja USTA
GITELCOM, Universidad Santo Toms Tunja USTA egutierrez@ustatunja.edu.co
u.co

Fabin Rolando Jimnez Luis Fredy Sosa

Lpez quintero
MSc. en Ingeniera - Automatizacin y PhD. (c) en
Control, Universidad Nacional de Educacin,
Colombia Universidad Pedaggica y Tecnolgica de
Docente Tiempo Completo, Investigador Grupo Colombia Docente Tiempo Completo,
GINSCON, Universidad Santo Toms Tunja USTA Investigador Grupo GINSCON, Universidad
u.co Santo Toms Tunja USTA

Resumen Este trabajo describe el INTRODUCCIN

desarrollo de un sistema de clasificacin
de partes para un lote de pro- duccin,
donde se utiliza un sistema de
procesamiento digital de imgenes que
permite reconocer las piezas cuando se
renen o no las caractersticas definidas
pre- viamente.
Para realizar y analizar el control de
calidad para el lote de produccin, se
utiliza una densidad de probabilidad
discreta, que se usa frecuentemente en los
procesos de control de calidad. La
distribucin utilizada fue la dis- tribucin
binomial, ampliamente empleada en
procesos de control de calidad en
situaciones cuya solucin tiene dos
posibles resultados, xito o fracaso, de un
parme- tro de un conjunto de muestras
establecido.
Palabras clave Distribucin Binomial,
Reconocimien- to de Bordes,
Procesamiento de Imgenes, Control de
To perform and analyze the quality control
for the pro- duction lot is used a discrete
probability density, which is frequently
used in quality control processes. This dis-
tribution was the Binomial distribution,
widely used in quality control processes in
situations where a solution has two
Keywords Binomial Distribution, Edge
Recognition, Image Processing, quality
Control, Automated Optical Inspection.
En la actualidad las industrias de
manufactu- ra o produccin realizan
actividades de control de calidad donde
se espera detectar que ocurra o no un
evento especfico. Este evento puede ser
de xito o fracaso, sin que haya un punto
interme- dio de decisin. Cuando se
realiza la produccin de un componente o
artculo, se ejecutan proce- dimientos de
verificacin para determinar si este
cumple o no con unas caractersticas
previamente definidas como se referencia
en [11-16]. Para es- tas situaciones se
utiliza la distribucin Binomial.
La calidad puede definirse como una
combina- cin de caractersticas de
ingeniera y de fabrica- cin que
determina el grado de satisfaccin y uti-
lidad que el producto proporciona al
consumidor durante su uso, as mismo la
calidad est regida por algn estndar de
produccin establecida por un ente
normalizador.
De esta manera se puede entender
que el con- trol de calidad es un factor
fundamental para la competitividad de
los sectores productivos, y por ello,
organizaciones del mundo establecen

Recibido: 02/03/2012/ Aceptado: 25/05/2012/ ITECKNE Vol. 9 Nmero 1 ISSN 1692 - 1798 Julio 2012 90 - 98
Distribucin Binomial Aplicada a un Sistema de Clasificacin de Piezas con
Tratamiento Digital de Imgenes 91

Es as como la visin artificial o visin yos o pruebas independientes, donde se

por com- estableci
putador permite capturar la imagen de un para cada ensayo de deteccin, dos
objeto determinado mediante un sistema posibles resul- tados mutuamente
electrnico de hardware software, para excluyentes, xito para piezas en buen
proceder a realizar su respectivo estado de fabricacin, o fracaso para
procesamiento, anlisis e identifica- cin piezas en estado defectuoso de
de los diferentes parmetros para el manufactura.
control de calidad, como el color y la En el presente proyecto, se represent
textura, entre otros, en lnea o fuera de la frac- cin de componentes
lnea, para posteriormente evaluar lotes defectuosos con respecto al lote de
de produccin y ajustar, corregir o produccin. As mismo, se describieron
remplazar si es necesario las tecnologas
de ma- nufactura [17-24]. III. PROCESO DE INSPECCIN DE
Los sistemas de visin artificial IMGENES
completan tareas de inspeccin con un Inicialmente se consideraron como
alto nivel de flexibi- lidad, nunca se elementos de prueba algunos dispositivos
cansan, ni se distraen y pueden ser que se encontra- ban en el laboratorio y
puestos a trabajar en ambientes donde que compartan el mismo tipo de
los inspectores humanos no podran encapsulado, el cual corresponde al tipo
trabajar bajo condiciones de seguridad. TO-220. Este tipo de encapsulado de
En el presente artculo, se plantea la dispositivos electrnicos, es comnmente
elabo- racin de un sistema de usado en transisto- res, reguladores de
clasificacin de piezas correspondiente a tensin y diversos circuitos in- tegrados.
encapsulados TO-220 de dis- positivos El encapsulado TO-220 trae usualmente
electrnicos de un lote de produccin, tres pines, aunque existen tambin de
donde se utiliza un sistema de dos, cuatro, cinco e incluso siete pines;
tratamiento digital de imgenes que para el experimento detallado en el
II. DESCRIPCIN GENERAL y presente artculo, se consideraron
PROBLEMTICA encapsulados de tres pines.
Despus del proceso de seleccin del
Se propuso clasificar un lote de tipo de dispositivos para clasificar, se
produccin de piezas con el fin de realizar tomaron 100 foto- grafas de
una inspeccin de las mismas, para un componentes que compartan el encap-
proceso de seleccin y control de calidad, sulado TO-220; entre las que se
dicha clasificacin de piezas se efectu encontraron dis- positivos con los pines
por medio de un algoritmo de ms cortos, con un menor nmero de
comparaciones su- cesivas mediante pines, o como el dispositivo mostrado
tratamiento digital de imgenes con
respecto a un patrn previamente
establecido.
Para realizar dicho control de calidad
se plan- te utilizar una funcin de
distribucin de densi- dad de probabilidad
discreta, que es utilizada fre-
cuentemente en procesos de control de
calidad [1-3]. Dicha funcin de densidad
probabilstica es la distribucin Binomial o
de Bernoulli, la cual es utilizada
ampliamente en situaciones cuya solu- Fuente: los
autores
cin tiene dos posibles resultados [5-7,
92 ITECKNE Vol. 9 Nmero 1 ISSN 1692 - 1798 Julio 2012 90 - 98

Una vez seleccionado el dispositivo El tercer paso del sistema radic en

patrn, se realizar
procedi a realizar un sistema de el proceso de identificacin para
deteccin del nmero de pines que establecer si la pieza (que corresponde a
sobrepasaban cierta longi- tud. Parahacer la imagen capturada) se encontraba en
esta tarea, se realiz un tratamien- to de buen estado en mal estado. En la Fig.
imgenes asociado a un procedimiento 4 se puede observar el modelo
de reconocimiento de bordes, se
configur el sistema para generar un
acierto cada vez que se detec- taba un
nmero de tres transiciones de oscuro a
claro, sobre una lnea de deteccin

Fuente: los
autores
Como ya se mencion este proceso de
inspec-
cin slo puede dar dos resultados y la
ruta de inspeccin se muestra en la Fig.5.
Como ltimo paso del sistema de
Fuente: los deteccin, se procedi a en- tregar el
autores resultado que indica si la pieza est o no
El proceso de reconocimiento se defectuosa.
realiz a tra-
vs de cuatro pasos que se describen en
la Fig. 3.

Fuente: los
autores
El primer paso, consisti en simular el
proceso
de adquisicin de la imagen del proceso
de control de calidad; la idea de un Fuente: los
sistema de estas carac- tersticas, es que autores

se pueda implementar a nivel in- dustrial, A. Algoritmo Deteccin de Bordes

donde gran cantidad de dispositivos o pie-
La deteccin de bordes mediante Lab
zas circulan a travs de una banda
VIEW di- vide el problema en varios
transportadora hacia una zona de
procesos independien- tes entre s:
clasificacin; se entiende que en dicha
captura de la imagen, identificacin de
zona de clasificacin, se adquieren
regiones de inters, anlisis de color en
fotogra- fas o videos de las piezas
escala de grises, y reconocimiento del
analizadas[4, 30].
patrn para la bs- queda de irregularidades
Un segundo paso del proceso, reside en el dispositivo.
en reali- zar el procedimiento de conteo
1) Captura de la Imagen
Distribucin Binomial Aplicada a un Sistema de Clasificacin de Piezas con
Tratamiento Digital de Imgenes
instrumentos virtuales proporcionados
en el Tool
kit NI Visin de Lab VIEWTM [8-10]. En el
proyecto se tiene una base de 100
imgenes almacenadas previamente que
han sido mezcladas y mediante una
seleccin aleatoria de ellas se ejecut el
algo- ritmo propuesto.
2) Determinacin de rea de
Inters
La etapa anterior proporcion la
imagen del en- capsulado de la pieza en
la banda transportadora, donde se
estableci la captura y ajuste de la posi-
cin del dispositivo. La Fig. 6 muestra el
proceso planteado para determinar las
regiones de inters.
Fuente: los
autores
3) Mtodo de Deteccin de Bordes
Una vez establecida la regin de
anlisis, se pro- puso utilizar el mtodo
establecido por Lab VIEW para deteccin
de bordes el cual supone visualizar el
cambio de intensidad en los pixeles como
una fun- cin ram que pausa un arreglo de
una sola dimen- sin definido a travs de
la lnea de identificacin.
La Fig. 7 visualiza el modelo seguido,
en donde se distingue la variacin de los
valores lineales de pixeles en la escala de
grises [8-10].
Fuente: los autores
[10]
93
El contraste del borde define la
diferencia m-
nima en escala de grises entre el fondo y
el bor- de, el cual vara por condiciones
de iluminacin o por diferencias en las
caractersticas de la escala de grises. Por
tal razn, es necesario garantizar
condiciones de iluminacin homogneas
y el con- traste fuerte de los colores de la
cinta de la banda transportadora y los
pines del encapsulado.
La deteccin de bordes se realiz a
travs del empleo de derivadas de primer
y segundo orden sobre la imagen como
se muestra en la Fig. 8.
La magnitud de la primera derivada se
us para determinar la presencia de un
borde en un punto de la imagen, es decir,
Fuente: los
autores
Para obtener el cambio de contraste
se utiliz
un mtodo de deteccin sencillo, el cual
detect en primera instancia una
pendiente positiva en la curva de escala
de grises. Despus se localiz el centro
del borde haciendo una media entre el
va- lor de pendiente positiva y el valor de
pendiente negativa. El proceso se repiti
para toda la lnea de bsqueda
seleccionada, y mediante el nmero de
transiciones se obtuvo el nmero de
pines del dispositivo. El mtodo de
Fuente: los autores
[10]
94
En la Fig. 9 se muestra cmo se
detectaron los
bordes: primero se recopil la
informacin de los valores de los pixeles
a lo largo del perfil que se analiz (1),
luego se estableci un valor de um- bral o
tolerancia (2), el cual establece un valor
de histresis para determinar el inicio y
fin del borde (3) y finalmente se
determinaron cules fueron los pxeles de
inicio y fin del borde (4 y 5).
4) Reconocimiento de
Patrn
En la etapa de reconocimiento de
patrones se localiz en la regin de
anlisis la escala de gri- ses que
correspondi con la imagen patrn pre-
determinada. La herramienta
proporcionada por Lab VIEW para el
reconocimiento de patrones funcion
correctamente incluso cuando la imagen
presentaba sombras o cuando existan
varias co- pias de la misma.
Fuente: los
autores
B. Panel Frontal del Sistema
El usuario del sistema puede
interactuar con una interfaz HMI que
contiene un panel frontal como el
implementado en las Fig.11 y 12.
Fuente: los
autores
ITECKNE Vol. 9 Nmero 1 ISSN 1692 - 1798 Julio 2012 90 - 98
En la Fig.11, se muestra cmo el
sistema eje-
cut el algoritmo de deteccin y el
procesamiento de las imgenes de un
lote de produccin, el cual se denomina
de ahora en adelante un Evento. Cada
evento, realiz la inspeccin de un
nme- ro de muestras de imgenes
seleccionado por el usuario, entre 0 y
100. As mismo, el sistema per- miti
procesar un mximo de 20 eventos por
cada ejecucin del programa.
Entre la ejecucin de cada uno de los
eventos, es necesario garantizar la
aleatoriedad de las im- genes, dado que
se trata de un Proceso Estocs- tico. Por
esta razn, el sistema tard un intervalo
de tiempo para realizar el proceso de
mezclado de las imgenes, el cual es
mostrado en el panel frontal mediante un
indicador de tipo Booleano de color rojo,
Fuente: los
autores
C. Imgenes Aleatorias
El proceso de mezclado de imgenes, o
proceso de generacin de imgenes
aleatorias, se realiz en Lab VIEW tal
como se muestra en la Fig. 13.
Fig. 13. PROGRAMA IMPLEMENTADO EN LABVIEW PARA EL
Fuente: los
autores
Distribucin Binomial Aplicada a un Sistema de Clasificacin de Piezas con
Tratamiento Digital de Imgenes
En este sistema, se parti de una ruta
prees-
tablecida, donde se encontraban
contenidas las cien imgenes originales,
dichas imgenes estn etiquetadas desde
00 hasta 99. En el sistema desarrollado,
se utilizaron dos funciones de dis-
tribucin uniforme, incluidas en LabV
IEW, para seleccionar aleatoriamente
cada uno de los dgi- tos del nombre de la
imagen (dgito de unidades y dgito de
decenas).
El proceso de seleccin aleatoria de las
imge- nes, se realiz tantas veces como
se hubo confi- gurado por el usuario, con
un mximo de 100 im- genes
muestras para analizar en cada evento.
Las imgenes seleccionadas se
almacenaron en una nueva ruta, la cual
estuvo asociada al pro- ceso de
inspeccin, explicado en el captulo III del
presente artculo.
D. Generacin de Reportes
Cada vez que se realiz la ejecucin de
un even- to, se gener un reporte que
indic el nmero de resultados positivos y
negativos en la muestra de imgenes.
Asociados al nmero de componentes en
buen estado defectuosos
respectivamente. Dicho reporte, se
Fuente: los
autores
Cada reporte generado, present el
nmero y
porcentaje de resultados positivos y
negativos en el evento inspeccionado; tal
como se muestra en la Fig. 15.
Fuente: los
autores
95
En este proyecto, se concentraron
esfuerzos
en identificar los fallos del sistema. Con la
infor- macin suministrada por el sistema
de genera- cin automtica de reportes,
es posible calcular la probabilidad de
fallo, la media, varianza y determi- nar
otras medidas de dispersin de la funcin
los cuales se calculan mediante la
esperanza mate- mtica. Las ecuaciones
(1), (2) y (3), muestran la funcin de
densidad de probabilidad del sistema, su
Una vez calculada la probabilidad de
fallo del
evento, se represent la Grfica de la
funcin densidad de probabilidad del
mismo, asociada a la funcin binomial,
dado que se trata de un siste- ma de
control de calidad con slo dos opciones
de respuesta (xitos fracasos). La Fig.
16 muestra la Grfica de la funcin
densidad de probabilidad de un evento.
Fuente: los
autores
Como el sistema permiti ejecutar
hasta un
mximo de 20 eventos, se program
una hoja en Excel que recogi los
resultados de todos los eventos
inspeccionados, ver Fig. 17.
En la Fig. 17, se puede observar cmo
se mue- ve la funcin de densidad del
sistema evento tras evento. As mismo, la
Fig. 18 indica cmo se acu- mul la
96 ITECKNE Vol. 9 Nmero 1 ISSN 1692 - 1798 Julio 2012 90 - 98

Fig. 17. DISTRIBUCIONES BINOMIALES Segn la Tabla I, se pudo observar

ASOCIADAS A LOS VEINTE
EVENTOS segn las
medidas de tendencia central (moda,
mediana y media), que el promedio de
dispositivos defec- tuosos en el
experimento estuvo alrededor de 24. As
mismo, se observaron medidas de
variabilidad como el rango, la varianza o
la desviacin estn- dar de los datos del
Fuente: los
experimento; esta ltima, re- present el
autores promedio de desviacin de las medi-
Fig. 18. CANTIDAD DE DISPOSITIVOS DEFECTUOSOS EN VEINTE
EVENTOS ciones con respecto a la media. Estas
medidas de tendencia central y de
variabilidad, representan conceptos
estadsticos muy importantes, dado que
muchos de los anlisis de carcter
cuantita- tivo en problemas de ingeniera
se fundamentan en ellas.
As mismo, en la estadstica descriptiva
del anlisis de los resultados presentados
en la Tabla I, se observ que de las
30000 imgenes analiza- das, la suma
Fuente: los
total de dispositivos que presentaron fallo
autores fue de 7241. Tambin se observ en
El programa realizado en Lab VIEW, dicha estadstica, que segn los valores
se eje- de la Curtosis y el Coeficiente de
cut a su mxima capacidad (20 eventos Asimetra, la distribucin de los datos se
con 100 imgenes cada uno), un total de
asemej mucho a una curva normal o
15 veces, lo que llev a que se realizara
campana de Gauss, con una muy leve
una inspeccin de 300 eventos de 100
inclinacin hacia la izquierda. Una vez
imgenes cada uno (para un total de
30000 imgenes analizadas). La Tabla I calculada la probabili- dad de fallo de
pre- senta la estadstica descriptiva del
anlisis de los resultados de los 300
eventos.
Media 24.13666667
Error tpico 0.25109341
Mediana 24
Moda 24
Desviacin estndar 4.349065431
Varianza de la muestra 18.91437012
Curtosis -0.041727892
Fuente: los
Coeficiente de asimetra 0.206351489
autores
Rango 25
Mnimo 12
IV.
Mximo 37
CONCLUSIONE
S
Suma 7241
Cuenta 300 Con este proyecto se dio aplicacin
Probabilidad 0.241366667 prctica al algoritmo de la funcin de
N 100 densidad de proba- bilidad Binomial para
obtener probabilidades de
Distribucin Binomial Aplicada a un Sistema de Clasificacin de Piezas con
Tratamiento Digital de Imgenes
te procesos de reconocimiento de
caractersticas
preestablecidas mediante tratamiento
digital de imgenes con respecto a un
patrn previamente establecido.
Dado que el sistema realiz de forma
auto- mtica la comparacin de las
imgenes e indic cundo existe o no
correspondencia con el patrn, es posible
optimizar un proceso de control de cali-
dad que identifica cundo la pieza se
encuentre o no en condiciones
apropiadas.
Con respecto a los resultados arrojados
en esta inspeccin, se pudo realizar un
anlisis don- de se observ la funcin de
densidad de probabili- dad que
Con la de herramientas
combinacin
VIEW Lab
y Excel, fue posible inspeccionar
un buen
nmero de dispositivos y apreciar el
comporta- miento del sistema, al asociar
el proceso de iden- tificacin a un
proceso de clculo estadstico, que
describe sus caractersticas mediante el
clculo matemtico de los momentos,
REFERENCI
AS
[1] M. Srikanth, H. K. Kesavan, and P. H. Roe,
Probability density function estimation using
the MinMax mea- sure Systems,IEEE Trans.
on Man, and Cybernetics Applications and
Reviews, Vol. 30, No. 1, pp. 7783, Feb.
[2] E.A. Elsayed, and H. Wang, Bayes and
classical esti- mation of environmental
factors for the binomial distri- bution, IEEE
Trans. on Reliability, Vol. 45, No. 4, pp.
[3] F. Pareschi, R. Rovatti, and G. Setti, On
Statistical
Tests for Randomness included in the NIST
SP800-
22 test suite and based on the Binomial
Distribution, IEEE Trans.on Information
[4] A. Koschan, and M. Abidi, Detection and
classifica- tion of edges in color images,
IEEE Signal Processing Magazine, Vol. 22 , No
1, pp. 64 73, Jan., 2005.
[5] H. Stark, and J. Woods, Probability, Random
Processes and Estimation theory for
enginners, Ed. Prentice Hall,
[6] A. Papoulis, Probability, Random Variables
and Sto- chastic Processes, Ed. McGraw Hill,
1984.
97
[7] J. A. Gubner, Probability and random
processes for electrical and computer
engineers, Ed. Cambridge University, 2006.
[8] N. Instruments, Image Processing with
LabVIEW and
IMAQ Vision, Ed. Prentice Hall, 2003.
[9] National Instruments, NI-IMAQ Function
Reference
Manual, 2000.
[10] National Instruments, IMAQ Vision for
LabVIEW User
Manual, 2000.
[11] B.R. Harris, W. S. Firsty, S. D. Eppinger, J. L.
Kirtley, D. P. Clausing, and R. A. Jenkins,
Employing a computer integrated
manufacturing methodology for improved
product quality and reduced machine
downtime, in Proc. 1990 Second
[12] C. Li, J. Gao, and F. Chen, Integrated quality
system based on quality workfow for
equipment manufactu- ring enterprise,
2008 International Conference on
Information and Automation, ICIA 2008, pp.
[13] R. Hanai, K. Yamazaki, H. Yaguchi, K. Okada,
and M. Inaba, Electric Appliance Parts
Classification Using a Measure Combining the
Whole Shape and Local Sha- pe Distribution
Similarities, in Proc. 2011 Internatio- nal
Conf. on 3D Imaging, Modeling, Processing,
Visua- lization and Transmission (3DIMPVT),
[14] T. Yu, and G. Wang, Application of
Computer-Aided Quality Control System in
2009 Second International Conf. on
Intelligent Computation Technology and
Auto- mation, ICICTA 09, pp. 742 745,
[15] X. Zheng, and D. Chen, Computer aided
quality con- trol system for manufacturing
process, in 2004 Fifth World Congress on
Intelligent Control and Automation, WCICA
2004, pp. 2819 2823, Jun., 2004.
[16] P. Saengpongpaew, Quality build-in
computer aided process control for the
electronic industry, in Proc. of the 1994
IEEE International Engineering Manage- ment
Conference, pp. 261 266, 1994.
[17] G. Miller, S. Fels, S. Oldridge, A Conceptual
Structure for Computer Vision, in 2011
Canadian Conference on Computer and
Robot Vision (CRV), pp. 168 174,
[18] I. Stobbe, H. Potter, H. Griese, G.
Fotheringham, and H. Reichl, Quality
challenges of reused components, in Proc.
of 2004 International IEEE Conference on the
Asian Green Electronics, AGEC, pp. 218
[19] I. Stobbe, H. Potter, H. Griese, L. Stobbe, and
H. Rei- chl, Quality assured disassembly of
electronic com- ponents for reuse, in 2002
IEEE International Sym-
98 ITECKNE Vol. 9 Nmero 1 ISSN 1692 - 1798 Julio 2012 90 - 98

posium on Electronics and the Environment, [31] J. Manikandan, B. Venkataramani, and M.

pp. 299 Jayachan- dran, Evaluation of Edge
305, 2002. Detection Techniques towards
[20] B. A. Lantz, R.E. Depp, and B. P. McNicholl, Implementation of Automatic Target
The DESC quality program for electronic Recogni- tion, International Conference on
parts, in Proc. of the IEEE 1992 National Computational Inte- lligence and Multimedia
Aerospace and Electronics Conf., NAECON
1992, pp. 1037 1042, Vol.3, 1992. [32] Z. Musoromy, F. Bensaali, S. Ramalingam,
[21] M. Lazzaroni, A tool for quality controls in and G. Pis- sanidis, Comparison of real-time
industrial process, in IEEE Instrumentation DSP-based edge de- tection techniques for
and Measurement Technology Conference, license plate detection, 2010
I2MTC 09, pp. 68 73, May., Sixth International Conf. on Information

[22] H. Zhao, J. Cheng, and J. Jin, NI vision based [33] R. Marmo, and L. Lombardi, Road bridge
automa- tic optical inspection (AOI) for sign detec- tion and classification, IEEE
surface mount devices: Devices and Intelligent Transportation Systems Conf.,
method, International Conference on ITSC 06,pp. 823 826, Sept., 2006.
Applied Superconductivity and [34] C. Cheong, Design of lane detection
system based on color classification and
[23] H. Xie, Y. Kuang, and X. Zhang, A high edge clustering, 2011 3rd Asia Symposium
speed AOI al- gorithm for chip component on Quality Electronic Design (AS- QED), pp.
based on image differen- ce, in the 266 271, 2011.
International Conference on Information and
Automation, 2009. ICIA 09, pp. 969 974,

[24] F. Wu, X. Zhang, Y. Kuan, and Z. He, An AOI

algorithm for PCB based on feature
extraction, 7th World Con- gress on
Intelligent Control and Automation, WCICA

[25] J. Kolibal, and D. Howard, Stochastic

Interpolation: A Probabilistic
View,Symposium on Bio-inspired Lear- ning
and Intelligent Systems for Security, BLISS
08, pp. 129 135, 2008.
[26] S. Yuan, L. Liu, Z. Wang, N. Xi, Y. Wang, Z.
Dong, and Z. Wang, A probabilistic
approach for on-line positio- ning in nano
manipulations, in 8th World Congress on
Intelligent Control and Automation (WCICA),

[27] S. Lin, S. Y. Kung, and L. Lin, A probabilistic

DBNN with applications to sensor fusion and
object recognition, in Proc. of the 1995 IEEE
Workshop Neural Networks for Signal
Processing, pp. 333 342, 1995.
[28] S. Hu, Optimum truncated sequential test of
binomial distribution, 9th International
Conference on Relia- bility, Maintainability
and Safety (ICRMS), pp. 293

[29] G.V. Weinberg, Bit error rate approximations

using Poisson and negative binomial
sampling distribu- tions, Electronics Letters,
Vol. 44, No. 3, pp. 217

[30] K. S.Sim, L. W. Thong, M.A. Lai, and C.P.Tso,

Enhan- cement of optical images using
hybrid edge detection technique, in Conf.
on Innovative Technologies in In- telligent
Systems and Industrial Applications, CITISIA