Derin Öğrenme Kullanarak Kumaş Hatalarının Tespiti ve Sınıflandırılması

Öz

Tekstil sektörünün en önemli ham maddesi olan kumaşın üretimi birçok aşamadan meydana gelmektedir. Bu üretim aşamalarının fazlalığı ve karmaşıklığından dolayı kumaşlarda bazı hatalar meydana gelebilmektedir. Günümüzde kumaş üretim süreci neredeyse tamamen otomasyon ile olduğundan ve kumaş üzerinde oluşan hata çeşitliliğinin fazlalığından dolayı kumaş üzerinde oluşabilecek hataları tespit etmek oldukça zordur. Hataların tespit edilmesinde; sektörün pazar payının büyüklüğü ve üretimin çok hızlı olmasının nedeniyle insan kontrolü ile tespit etmek hem zaman kaybına hem de hata tespit oranının %60 seviyelerine kadar düşmesine neden olmaktadır. Bundan dolayı son yıllarda teknolojinin gelişmesiyle paralel kumaşların hata tespitinde daha çok akıllı sistemler geliştirilmeye başlanmıştır. Günümüzde yapay zekâ teknolojisinin hızla gelişmesiyle bu sektörde de görüntü işleme teknikleri uygulamalar başlamıştır. Bu çalışmada derin öğrenme teknikleri kullanarak kumaş üzerinde gerçek zamanlı hata tespit sistemi geliştirilmiştir. Yapılan çalışmada ilk olarak açık kaynaklı bir sinir ağı kütüphanesi olan CNN ile bir ağ modeli oluşturulmuş ve bu yöntemle %89 doğruluk elde edilmiştir. Sonra VGG16 mimarisi ile %89 ve IneptionV3mimarisi ile %86 oranında doğruluğa ulaşılmıştır. Çalışmayı daha iyi hale getirmek için kumaşları hatalı ve hatasız başlığı altında iki sınıfta sınıflandırıp önceden eğitilmiş Evrişimsel Sinir Ağları modellerinden olan ResNet50-v2 özellik çıkarıcı olarak kullanılmıştır. Bu şekilde yaklaşık %95 doğruluk elde edilmiştir.

Anahtar Kelimeler

• Görüntü İşleme
• Kumaş Hatası Tespiti
• Tekstil
• Derin Öğrenme

Detection and Classification of Fabric Defects Using Deep Learning Algorithms

Öz

The textile industry primarily relies on fabric as a crucial raw material, the production of which involves multiple complex stages. Due to the multitude and complexity of these stages, fabric defects can frequently occur. With the modern fabric production process being nearly fully automated, and given the variety of potential defects, detecting errors on fabrics has become increasingly challenging. The rapid pace of production and the substantial market share of the sector mean that relying on human inspection for error detection can lead to significant time losses and can reduce the accuracy of defect detection to around 60%. Consequently, recent years have seen a shift towards the development of intelligent systems for fabric defect detection in parallel with technological advancements. With the rapid progression of artificial intelligence, the application of image processing techniques has commenced in this field. This study has developed a real-time defect detection system for fabrics using deep learning techniques. Initially, a network model was created using an open-source neural network library, CNN, achieving 89% accuracy. Subsequent implementations using the VGG16 and InceptionV3 architectures reached accuracies of 89% and 86%, respectively. To further improve the study, fabrics were classified into two categories: defective and non-defective, and the pre-trained Convolutional Neural Networks model ResNet50-v2 was employed as a feature extractor. This approach yielded an approximate accuracy of 95%.

Anahtar Kelimeler

• mage Processing
• Fabric Defect Detection
• Textiles
• Deep Learning

Kaynakça

1. [1] Gezer D., “Marka Değeri Yaratılması ve Konfeksiyon / Hazır giyim Sektöründe Bir Örnek Olay İncelemesi,” Yüksek Lisans, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul, (2006).
2. [2] Ciklacandir F. G. Y., “Kumaşlarda Hatayı Yerel Olarak Arayan Denetimsiz Bir Sistem”,Tekstil ve Mühendis, 27:(120),252- 259, (2020).
3. [3] Devrim A., “Dokuma Üretimi Süresince Oluşan Kumaş Hatalarının Belirlenmesine Yönelik İstatistiksel Bir Araştırma,” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 21, 282-287, (2015).
4. [4] Güvenoğlu E., “Shearlet Dönüşümü ve Görüntü İşleme Teknikleri Kullanılarak Kot Kumaşlar Üzerinde Gerçek Zamanlı Hata Tespiti” , El-Cezerî Fen ve Mühendislik Dergisi, 491-502, (2019).
5. [5] Pınar Z., “Denim Kumaşlarda Görüntü İşleme İle Hata Tespiti”, BEÜ Fen Bilimleri Dergisi, 1609-1620,(2020).
6. [6] Ding S., Li C. and Liu Z., “Fabric Defect Detection Scheme Based on Gabor filter and PCA” Advanced Materials Research, 482-484, (2012).
7. [7] Zhang H., Hu J. and He Z., “Fabric defect detection based on visual saliency map and SVM” Journal of Intelligent Manufacturing, 28:(6),1329-1338,(2017).
8. [8] Gupta N., Mishra S. and Khanna P., “Glioma identification from brain MRI using superpixels and FCM clustering,” International Journal of Engineering & Technology, 7:(3.30), 115-119, (2018).

9. [9] Zhoufeng L., Xianghui L., Chunlei L., Bicao L. and Baorui W., “Fabric defect detection based on faster R-CNN,” IEEE Transactions on Instrumentation and Measurement, 67:(12), 2957-2965, (2018).
10. [10] Mei S., Wang Y. ve Wen G., “Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks,” Sensors, 8:(9),1575, (2018).
11. [11] Talu M. F., Hanbay K. ve Varjovi M. H., “CNN-Based Fabric Defect Detection System on Loom Fabric Inspection,” Tekstil Ve Konfeksiyon, 32:(3),208-219, (2022).
12. [12] Demiray S. D. ve İbrahim K., “Yapay Görme Tabanlı Kumaş Hata Tespit Sistemi,” Tekstil ve Konfeksiyon, 28:(3),236-240, (2018).
13. [13] Ciklacandir F. G. Y., “The effects of fusion-based feature extraction for fabric defect classification”, Textile Research Journal.93(23-24):5448-5460, (2023).
14. [14] Computer Vision Group, F., “TILDA Textile Texture-Database,” 1996. [Online]: https://lmb.informatik.uni-freiburg.de/resources/datasets / tilda.en.html. [Online: 19 05 2023].
15. [15] Türkoğlu M, Hanbay K, Sivrikaya IS,”Kayısı hastalıklarının derin evrişimli sinir ağı kullanılarak sınıflandırılması”, Bitlis Eren Üniversitesi, 9: 334–345. (2021).
16. [16] Terzi M. S., “Derin Öğrenme Ile Göğüs Röntgenlerinden Hastalik Teşhisi”, Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü, (2021).
17. [17] LeCun Y., Bengio Y. and Hinton G., “Deep learning” Nature, 521: 436, (2015).
18. [18] Ucar M., “Glokom Hastalığının Evrişimli Sinir Ağı Mimarileri ile Tespiti,” DEÜFMD, 23:(68), 521-529., (2021).
19. [19] Shujun H., Nianguang C., Penzuti P. P., Shavıra N., Yang W. and Wayne X., “Applications of Support Vector Machine (SVM) Learning in Cancer Genomics,” Cancer Genomıcs & Proteomıcs, 15,41-51,(2018).
20. [20] Osisanwo F. and Akinsola J., “Supervised Machine Learning Algorithms: Classification and Comparison,” International Journal of Computer Trends and Technology, 48:(3),128-138, (2017).
21. [21] Srivastava D. and Bhambhu L., “Data Classification Using Support Vector Machine,” Journal of Theoretical and Applied Information Technology,1-7,(2010).
22. [22] Can U. S., “https://www.medium.com,” 2021. [Online]. https://sametcanunceee.medium.com/machine-learning-5-k-nearest-neighbor-k-en-yakin-komsuluk-algoritmasi-7befe6bc30bc. [Access: 30 10 2023].
23. [23] ChihMin M., WeiShui Y. and BorWen C., “How the Parameters of K-nearest Neighbor Algorithm Impact on the Best Classification Accuracy: In Case of Parkinson Dataset,” Journal of Applied Sciences, 14,171-176, (2014).
24. [24] Er M. B., “Önceden Eğitilmiş Derin Ağlar İle Göğüs Röntgeni Görüntüleri Kullanarak Pnömoni Sınıflandırılması”, Konya Mühendislik Bilimleri Dergisi, 9:(1), 193-204, (2021).