Kumaş hatalarının online/offline tespit sistemleri ve yöntemleri

Yıl 2014, Cilt: 18 Sayı: 1, 49 - 69, 09.04.2014

Kazım Hanbay , M. Talu

https://doi.org/10.16984/saufbed.15638

Cited By: 7

Öz

Kumaş hatası tespiti tekstil üretim endüstrisinde önemli bir kalite kontrol adımıdır. Bu çalışma ilk olarak güncel hata
tespit metotlarının özelliklerini, matematiksel formülasyonlarını, güçlü ve zayıf yönlerini incelemektedir. İkinci olarak
metotların geniş bir sınıflandırması yapılarak yedi sınıfa (yapısal, istatistiksel, spektral, model tabanlı, öğrenme, melez
ve karşılaştırma) ayrılmış ve bu metotlar arasında bir karşılaştırma çalışması yapılmıştır. Üçüncü olarak, incelenen her
metot için ayrıca gürültü hassasiyeti, güvenilirlik, döndürme/ölçekleme bağımsızlığı ve başarı oranı sonuçları ile
birlikte bir kalite analizi sunmaktadır. Son olarak, anlayışlar, ihtiyaçlar ve gelecekteki araştırma yönleri tartışılmıştır.

Anahtar Kelimeler

Tekstil, kumaş hatası tespiti, görüntü işleme, doku analizi.

Kaynakça

• İncelenen kumaş türleri İncelenen hata türleri Çalışma şekli Kullanılan sınıflandırıcı Başarı oranı (%) Düz, fitilli, saten Bilinmiyor Offline YSA Bilinmiyor Fitilli Bilinmiyor Offline YSA %96 Düz Bilinmiyor Offline Mahalanobis uzaklık sınıflandırıcı %78 Örgü 5 farklı hata tipi Offline FCM ve ANFIS %50 Dokuma 4 farklı hata tipi Online Kullanılmıyor Bilinmiyor Oto-Korelasyon Temelli Yaklaşımlar (AutoCorrelation Based Approaches) Kumaş görüntülerindeki tekrarlı yapıları inceleyen bir yöntemdir [32]. Bir boyutlu oto-korelasyon fonksiyonunun matematiksel ifadesi aşağıda görülmektedir: ∑ (6) toplam örnek sayısını, normalize edilmiş sinyal değerini, zamanı, zamandaki kaydırma değerini ve ise oto-korelasyon değerini göstermektedir. Gürültü tespitinde yatay kaydırma işlemi gerçekleştirilir [33]. Eğer görüntüde hata varsa, düzenli yapı bozulacağı için oto-korelasyon fonksiyonunun yanıtında tepeler veya vadi görünümleri oluşmaktadır (Şekil 4). İncelenen kumaş türleri İncelenen hata türleri Çalışma şekli Kullanılan sınıflandırıcı Başarı oranı (%) Düz, fitilli 2 farklı hata tipi Offline Bilinmiyor Bilinmiyor Bilinmiyor 2 farklı hata tipi Offline İleri beslemeli YSA %50 Düz halı Bilinmiyor Offline Bilinmiyor Bilinmiyor Matematiksel Morfoloji Temelli Yaklaşımlar (Mathematical Morphology Based Approaches) Matematiksel morfoloji nesne geometrisi hakkında ön bilgiye dayanan özellik çıkarım yöntemidir [36]. Eş oluşum matrisiyle veya korelasyon fonksiyonuyla birlikte kullanılmaktadır. Bu melez sistemlerin sınıflandırma doğruluk oranları %96,7 seviyesine çıkmaktadır [37]. [38]’de, geliştirilmiş morfolojik aşındırma operatörü kullanarak kumaş hatalarının yerini bulan bir yöntem geliştirilmiştir. Ancak yönteme ait doğruluk oranı verilmemiştir. Yapılan güncel bir çalışmada ise eş oluşum matrisi ve dalgacık dönüşümü birlikte kullanılmıştır [14]. Bu çalışmada kumaş görüntüsüne aşındırma ve genleşme işlemleri uygulandıktan sonra yöntemin doğruluğunu arttırmak için ayrık kosinüs dönüşümü uygulanmıştır. Çünkü ayrık kosinüs dönüşümü, frekans alanında görüntünün daha iyi analiz edilmesine imkân sağlamaktadır. Kumaşlarda meydana gelen yaygın hataların çoğu eşikleme operatörünün ürettiği ikilik kumaş görüntülerinde kaybolduğu için morfolojik yöntemlerin tek başına kullanıldığı uygulama alanları kısıtlıdır. Belirli tipteki farklı kumaş görüntüleri üzerinde çalışabilen bir optimal morfolojik filtre ile gerçek zamanlı bir sistem üzerinde yapılan hata bulma uygulamasında ise %97,4 doğruluk oranına ulaşılmıştır [40]. Diğer bir çalışmada ise korelasyon ve morfoloji yöntemleri birlikte kullanılarak kumaş hataları tespit edilmiştir [41]. Bu yöntemler, istatistiksel yöntemler ile karşılaştırıldığında daha düşük doğruluğa sahiptir. Piksellerin lokal yönelimleri ve düzenliliklerini ölçen yöntemlere göre de morfolojik 20 40 60 80 100 120 140 160 20 40 60 80 100 120 140 21 22 23 24 x 10 4 Sütunlar Satırlar r 20 40 60 80 100 120 140 160 12 125 13 135 14 145 x 10 4 Sütunlar Hatalı sütunu ifade eden r değerleri 20 40 60 80 100 120 140 160 20 40 60 80 100 120 140 11 12 13 14 15 x 10 4 Sütunlar Satırlar r İncelenen kumaş türleri İncelenen hata türleri Çalışma şekli Kullanılan sınıflandırıcı Başarı oranı (%) Deri 5 farklı hata tipi Offline Geri yayılımlı YSA %25 Düz, fitilli, kot, dokuma 9 farklı hata tipi Offline ve online Bilinmiyor %97.40 Düz dokuma 3 farklı hata tipi Offline Hata Arama Algoritması %10 Kord 1 farklı hata tipi Offline Kullanılmıyor Bilinmiyor Örüntüsüz Bilinmiyor Online Kullanılmıyor Bilinmiyor c. Spektral Yaklaşımlar (Spectral Approaches) Kumaş hata tespiti ile ilgili yapılan çalışmaların büyük bir kısmı spektral yaklaşımlara odaklanmaktadır. Spektral yaklaşımlar öncelikle görüntüdeki doku temellerini çıkarmayı, daha sonra bu doku temellerini uzaysal yerleşim kuralları ile genelleştirmeyi amaçlamaktadır [42]. Bu yaklaşımlar yüksek derecede periyodiklik gerektirmektedir. Kumaş ipliklerinin veya desenlerinin periyodik yapılarda oluşu spektral yaklaşımların kullanımını sağlamaktadır. Ancak, rastgele doku içeren kumaşlar için spektral yaklaşımların kullanımı uygun değildir. Spektral yaklaşımlar altında Dalgacık dönüşümü, Fourier dönüşümü, Gabor dönüşümü ve filtreleme yöntemleri incelenecektir. Dalgacık Dönüşümü (Wavelet Transform) Dalgacık dönüşümü, frekansa bağlı geçici çözünürlükleri optimize etmek için Fourier dönüşümüne alternatif olarak geliştirilen bir sinyal analiz tekniğidir [43]. Dalgacık dönüşümü tekniğinde kullanılan farklı dalgacık türleri bir ana dalgacıktan, kaydırma ve ölçekleme parametrelerinin değiştirilmesiyle türetilen fonksiyonlardır. En çok bilinen dalgacık türleri Haar, Symlets, BiorSplines, Gaussian ve Mexican Hat dalgacıklarıdır. İki boyutlu dalgacık analizi, görüntünün satır ve sütunları boyunca sıralı olarak uygulanan bir boyutlu ayrık dalgacık dönüşümü olarak düşünülebilir Böylelikle belli ölçekte bir sinyal dört alt görüntüye ayrıştırılır. Dalgacık dönüşümü ile renk değişimi analiz edilmekle birlikte doku farklılıkları da incelenmektedir. Özellikle düzenli ve periyodik doku yapısı içeren kumaş görüntülerinde dalgacık dönüşümü tekniği kullanılarak daha etkili doku analizi yapmak mümkündür. Yapılan güncel bir çalışmada iplik görüntülerinin özelliklerinin çıkartılması için istatistiksel ölçümler ve ayrık dalgacık dönüşümü birlikte kullanılmıştır [38]. 576 iplik görüntüsü kullanılan çalışma, özellik çıkarımı ve sınıflandırma aşamalarından oluşmaktadır. İplik görüntüleri iki seviyeye dönüştürüldükten sonra sekiz farklı ölçekte ayrık dalgacık dönüşümü uygulanmıştır. Yöntemin akış diyagramı Şekil 5’te gösterilmektedir. (REFERENCES) Textile Handbook 2000, Hong Kong Productivity Council, The Hong Kong Cotton Spinners Association 2000.
• P.M. Mahajan, S.R. Kolhe, P.M. Pati, A review of automatic fabric defect detection techniques, Advances in Computational Research, 1 (2009) 18A.Kumar, Computer vision-based fabric defect detection: a survey, IEEE Transactions on Industrial Electronics, 55 (2008) 348-363.
• C. Anagnostopoulos, I. Anagnostopoulos, D. Vergados, G. Kouzas, E. Kayafas, V. Loumos, G. Stassinopoulos, High performance computing algorithms for textile quality control, Mathematics and Computers in Simulation, 60 (2002) 389-400.
• C. Anagnostopoulos, D. Vergados, E. Kayafas, V. Loumos, G. Stassinopoulos, A Computer Vision Approach for Textile Quality Control, the Journal of Visualization and Computer Animation, 12 (2001) 31-44.
• G.K.H.P. C.H. Chan, Fabric defect detection by Fourier analysis, IEEE Trans.Industry Applications, 36(5) 1267–1276.
• H.Y.T. Ngan, G.K.H. Pang, N.H.C. Yung, Automated fabric defect detection—A review, Image and Vision Computing, 29 (2011) 442-458.
• BarcoVision | Energy and loom production monitoring software | MES, in, http://www.visionbms.com/textiles/, 2013.
• Jose Fuster, S.A. maquinaria textil, in, http://www.fuster.com/index.htm, 2013.
• Elbit Vision Systems, in, http://www.evs.co.il., 20 http://www.iletex.com., 2013