Αντικείμενο αυτής της διπλωματικής εργασίας είναι η εύρεση της θέσης ενός κινούμενου ρομπότ. Για το σκοπό αυτό, χρησιμοποιείται ένα στερεοσκοπικό σύστημα όμοιων καμερών (web-cameras) υπό γωνία μεταξύ τους. Κάθε μια εκ των 2 καμερών λαμβάνει μια ακολουθία φωτογραφιών σε κοινό χρόνο. Η εύρεση της θέσης γίνεται με τη μέθοδο της τριγωνοποίησης (triangulation), η οποία δίνει τις συντεταγμένες του κινούμενου αντικειμένου μέσω ομοίων τριγώνων που σχηματίζονται από τα 2 επίπεδα των φωτογραφιών (image planes), την ευθεία που ενώνει τα κέντρα των 2 καμερών καθώς και από το ίδιο το κινούμενο αντικείμενο. Ωστόσο, η γεωμετρική αυτή μέθοδος εφαρμόζεται σε φωτογραφίες που έχουν ληφθεί με παράλληλες κάμερες. Για τον λόγο αυτό, εφαρμόζεται η μέθοδος της διόρθωσης εικόνας (image rectification) η οποία μετασχηματίζει τις εικόνες έτσι ώστε να είναι σα να έχουν ληφθεί από παράλληλες κάμερες. Στη συνέχεια εντοπίζεται το κινούμενο αντικείμενο με μορφολογική επεξεργασία εικόνας, υπολογίζεται το κέντρο βάρους του και γίνεται η τριγωνοποίηση γεωμετρικά. Στην προαναφερθείσα διαδικασία, θεωρούνται γνωστά τα εσωτερικά στοιχεία των καμερών και η μεταξύ τους απόσταση. Επιπλέον, θεωρείται ότι όλος ο όγκος του ρομπότ αναπαρίσταται απο ένα σημείο P με συντεταγμένες (X,Y,Z) ως προς σύστημα συντεταγμένων με αρχή το κέντρο προβολής της αριστερής κάμερας. / The objective of this thesis is the position estimation of a moving robot. For this purpose, a stereoscopic system of two identical, non-parallel cameras has been used (web-cameras). Each of the two cameras takes a photo synchronized sequence. The position of the robot has been estimated with the method of triangulation, which computes the coordinates of the moving object via similar triangles formed by the two image planes, the straight line joining the centres of the cameras and by the moving object. However, triangulation is applicable to images acquired by parallel cameras. For this reason, the images have been rectified. Image rectification is a transformation process that is used to project two-or-more images onto a common image. Then, the moving object is detected with morphological image processing techniques, its centroid is calculated and finally triangulation has been applied. The intrinsic parameters of the cameras and the distance between them are known. Furthermore, we consider that the entire volume of the robot is represented by a point P with coordinates (X, Y, Z) with respect to the left camera coordinate system.

Τα βασικά προβλήματα που εμφανίζονται κατά τον μη καταστροφικό έλεγχο με την μέθοδο της ακουστικής εκπομπής (ΑΕ) είναι η απομόνωση του θορύβου, η αξιόπιστη επεξεργασία και αναγνώριση των σημάτων από πραγματικές αστοχίες του υλικού, ο προσδιορισμός της θέσης της αστοχίας και ο χαρακτηρισμός του τύπου και της κρισιμότητας της βλάβης στο υλικό. Κατά την διάρκεια εκπόνησης της παρούσας διδακτορικής διατριβής δόθηκε ιδιαίτερη έμφαση στην μεθοδολογία εύρεσης της θέσης της πηγής ΑΕ δεδομένου ότι είναι γνωστοί οι χρόνοι άφιξης κάποιων χαρακτηριστικών των σημάτων που έχουν καταγραφεί στους αισθητήρες. Αναπτύχθηκαν ολοκληρωμένες μέθοδοι στις οποίες επεξεργάζονται τα σήματα των αισθητήρων για να προσδιοριστούν τα χαρακτηριστικά που θα αποτελέσουν την βάση για τον υπολογισμό της θέσης της πηγής. Έχοντας εξασφαλίσει την αξιόπιστη μέθοδο προσδιορισμού των χρόνων άφιξης ορισμένων χαρακτηριστικών των σημάτων αναπτύχθηκαν μέθοδοι οι οποίοι χρησιμοποιούν όσο το δυνατό περισσότερη πληροφορία για βελτίωση της ακρίβειας εκτίμησης και μικρότερες απαιτήσεις σε επιπλέον γνώση δεδομένων. / In non-destructive control, acoustic emission signals are used for reliable construction monitoring and damage recognition. In this thesis several methods for the acoustic emission (AE) source location are developed and evaluated. Automatic estimation of minimum number and optimal placement of sensors are derived at the minimum sum of localization errors at randomly positioning AE sources. A new method was proposed and evaluated for the estimation of optimum sensors position in problems of AE localization in spherically and cylindrical structures. The particular methodology can be easily adjusted in different structures, and is of paramount important in case where the sensors must be permanently placed in a structure. Six source location methods were developed using a parametric model for the AE signal, genetic algorithm and simulated annealing. The magnitude of the Fast Fourier Transform or the position of the maximum peak of cross correlation function are extracted from the AE signals acquired by multiple sensors positioning at arbitrary locations in a plain or a cylindrical structure. The AE source is estimated at the minimum of the error function between the signal or the features derived from the acoustic signal, and the signal or features estimated from the AE signal model. Moreover, a novel source location method based on radial basis function network is presented and evaluated. The problem of AE localization in plane surfaces and cylindrical surfaces are solved in a close-form using the arrival-time differences using three or more sensors. A close-form solution for Acoustic-Emission source location (AESL) and material constant G is presented and evaluated in simulation experiments using the Time-of-Arrival (TOA) of several events detected in arbitrary positioning sensors in 3d-space in dispersive media. The normalized distances and the constant G are derived from the TOA at four arbitrary selected sensors using the events propagation velocities in a reference material. The actual AE position is derived using the multidimensional scaling method using the complete set of sensors. In simulation experiments, the advantages of the proposed method are demonstrated. Overcoming the most important weakness of the proposed method, the use of only four sensors for the estimation of the parameter G, an algorithm for successive estimation of the AESL is developed using the complete set of TOAs.An extension of the AESL method is developed using a successive approximation algorithm assuming a minimum of two known propagation velocities for the recorded events. It is proved that the proposed algorithm converges to the local minimum of the optimization function. Under few restrictions the proposed algorithm can be used to estimate the AESL even in case where the propagation velocities for all events are unknown.