Denim Kumaşlarda Görüntü İşleme İle Hata Tespiti

Yıl 2020, Cilt: 9 Sayı: 4, 1609 - 1620, 25.12.2020

Zeynep Pınar Fidan Kaya Gülağız , Mehmet Ali Altuncu , Suhap Şahin

https://doi.org/10.17798/bitlisfen.595389

Cited By: 3

Öz

Tekstil sektöründe, mamul kumaş üzerindeki üretim
hatalarının tespiti, kalite kontrol aşamasında yapılan en önemli ve maliyetli işlerdendir.
Kumaşlar konfeksiyon aşamasına gelmeden kontrol edilir ve hatalı kısımlar
kumaşın içinden parça halinde kesilerek alınır. Bu durum fireye yani üretimde
düşüşe yol açmaktadır. Eğer kontrol esnasında fark edilememiş veya parça alımı
ile fireye ayırılamamış kusurlar varsa bu kumaşlarda ikinci kaliteye
düşmektedir. Kalite kontrol sonrası top kesim işleminde ayrılan hatalı parça
kumaşlar veya fark edilmeyerek müşteriye gönderilmiş
ikinci kalite ürünler ciddi maliyetlere sebep olmaktadır. İnsan gözüyle yapılan
kalite kontrol işlemi, iş gücü ve zaman olarak oldukça maliyetli olmasına
rağmen başarımı istenildiği kadar yüksek değildir. Bu nedenle kalite kontrol
aşamasında otomatik ve akıllı sistemlerin kullanımı için çalışmalar
yapılmaktadır. Bu çalışmada, %100 pamuk ipliğinden üretilerek ve indigo boyarmaddesi ile boyanmış
olan denim kumaşlardaki hataların tespiti ve sınıflandırılması için görüntü
işleme yöntemleri önerilmektedir. Yapılan çalışmada görüntü işleme algoritmaları kullanılarak hata tespiti
yapılan kumaş görüntülerinden, özellik çıkarımı ile sayısal veri elde
edilmiştir. Oluşturulan özellik matrisi dört farklı algoritmada incelenmiş,
hatalı ve hatasız görüntünün ayrımı sağlanmıştır. Yapılan karşılaştırmalarda en
iyi performans gösteren algoritmanın J48 Karar Algoritması olduğu görülmüştür.

Anahtar Kelimeler

Görüntü İşleme, Denim, Kalite Kontrol

Teşekkür

Bu çalışma esnasında, görüntü toplama işlemi için desteklerinden dolayı Güncel Yazılım firmasına ve çalışanlarına teşekkür ederim.

Kaynakça

• Kısaoğlu Ö. 2006. Kumaş Kalite Kontrol Sistemleri, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 12 (2): 233-241.
• Gürarda A. 2015. Konfeksiyon İşlemleri ile Kumaş Özellikleri Arasındaki İlişkinin İncelenmesi, Tekstil ve Mühendis Dergisi, 22 (99): 41-50.
• Ala D. M., İkiz Y. 2015. Dokuma Üretimi Süresince Oluşan Dokuma Hatalarının Belirlenmesine Yönelik İstatistiksel Bir Araştırma, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 21 (7): 282-287.
• Dorrity L., Vachtsevanos G., Jasper W. 1995. Real-Time Fabric Defect Defection &Control in Weaving Processes, National Textile Center, G94- 2, 143-152.
• Büyükkabasakal K. 2010. Kumaş Dokuma Hatalarının Tespiti ve Sınıflandırılması. Ege Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi, 48s, İzmir.
• Yıldız K. 2014. Kumaş Hatalarının Isıl Görüntüleme ve Görüntü İşleme Teknikleri ile Tespit Edilmesi. Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik-Bilgisayar Eğitimi Anabilim Dalı, Doktora Tezi, 98s, İstanbul.
• Agilandeswari V., Anuja J., Elizabeth Dona George. 2014. Fabric quality testing using image processing. International Conference on Information Communication and Embedded Systems (ICICES2014). IEEE, 1-4.
• 8. Saklı F., Zıtouni B., Jmali M. 2014. Fabric Defects Detecting Using Imagine Processing And Neural Networks. 2014 Information and Communication Technologies Innovation and Application (ICTIA). IEEE, 1-6.
• Liu M., Sun J., Fan Z., Zhang S. 2014. Automatic location and extraction of woven fabric blocks based on Gaussian blur and maximization thought. 2014 International Conference on Mechatronics and Control (ICMC). IEEE, 950-954.
• Hanbay K. 2016. Yuvarlak Örgü Makineleri İçin Görüntü işleme Tabanlı Kumaş Hatası Tespit Sistemi. İnönü Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Doktora Tezi, 112s, Malatya.
• Titrek N. G. 2016. Fabric Defect Detection In Frequency Domain Using Fourier Analysis. Işık Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi, 46s, İstanbul.
• Karataş İ., Soyaslan D. Tekstil Endüstrisinde Yapay Görme ile Hata Tespit Uygulamaları. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7.Özel (Special) 1: 51-57.
• Çakır N. 2010. Kot Pantolon Üretiminde Bitim İşlemlerinin ve Farklı Denim Kumaşların Fit Üzerine Etkileri. Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, Tekstil Mühendisliği anabilim Dalı, Yüksek Lisans Tezi, 99s, Denizli.
• Tahran M. 2005. Eskitme Yöntemlerinin Denim Mamullerin Performans Özelliklerine Etkisi. Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• TSE. 2005. Dokunmuş Kumaşlar Hata Tarifleri Terimler, TSE, Ankara, Türkiye, TS 471 ISO 8498.
• Altuncu M. 2015. Temel Görüntü İşleme Algoritmalarının Gerçek Zamanlı Olarak FPGA İle Gerçeklenmesi. Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi, 37s, Kocaeli.
• Mahajan P. M., Kolhe S. R., Pati P.M. 2009. A review of automatic fabric defect detection techniques, Advances in Computational Research, 1(2):18-29.
• Hanbay K., Talu M. 2014. Kumaş Hatalarının Online/Offline Tespit Sistemleri ve Yöntemleri. SAÜ Fen Bilimleri Dergisi, 18(1): 49-69.
• Davidson I. 2002. Understanding K-means non-hierarchical clustering. SUNY Albany Technical Report, 2: 2-14.
• Yıldız K., Çamurcu Y., Doğan B. 2010. Veri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı Analizi. Akademik Bilişim’10, 248.
• Pena J. M., Lozano J. A., Larranaga P. 1999. An empirical comparison of four initialization methods for the k-means algorithm. Pattern recognition letters, 20(10):1027-1040.
• Kaur G., Chhabra A. 2014. Improved J48 classification algorithm for the prediction of diabetes. International Journal of Computer Applications, 98(22):13-17.
• Coşkun C. 2010. Veri Madenciliği Algoritmaları Karşılaştırılması. Dicle Üniversitesi, Fen Bilimleri Enstitüsü, Matematik Anabilim Dalı, Yüksek Lisans Tezi, 98s, Diyarbakır.
• Demirbulut Y. E., Aktaş M. S., Kalıpsız O., Bayracı S. 2017. İstatistiksel ve Makine Öğrenimi Yöntemleriyle Kredi Skorlama. 272-284.
• Url_1,Yale Universitesi, İstatistik ve Veri Bilimleri Bölümü, Ders Notları, http://www.stat.yale.edu/Courses/1997-98/101/linreg.htm (Erişim Tarihi: 07.05.2019).
• Hand D. J., Keming Y. 2001. Idiot's Bayes—not so stupid after all?. International statistical review, 69(3): 385-398.
• Ren J., Lee S. D., Chen X., Kao B., Cheng R., Cheung D. 2009. Naive Bayes Classification of Uncertain Data. Data Mining. ICDM'09, 944-949.
• Yıldız K. 2014. Kumaş Hatalarının Isıl Görüntüleme ve Görüntü İşleme Teknikleri İle Tespit Edilmesi. Fen Bilimleri Enstitüsü, Elektronik-Bilgisayar Eğitimi Anabilim Dalı, Doktora Tezi, 98s, İstanbul.
• Ismail N., Syahrir W. M., Zain J. M., Tao H. 2011. Fabric authenticity method using fast Fourier transformation detection. In International Conference on Electrical, Control and Computer Engineering 2011. 233-237. IEEE.