Örme kumaşlardaki üretim hatalarının görüntü işleme teknikleri ile otomatik tespiti ve sınıflandırılması
Automatic fault detection and classification of knitted fabrics using image processing techniques
- Tez No: 166565
- Danışmanlar: YRD. DOÇ. DR. ŞENİZ ERTUĞRUL, DOÇ. DR. NURAY UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2005
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
ÖRME KUMAŞLARDAKI ÜRETİM HATALARININ GÖRÜNTÜ İŞLEME TEKNİKLERİ İLE OTOMATİK TESPİTİ VE SINIFLANDIRILMASI ÖZET Bu tez çalışmasında düz örme kumaşların üretimi esnasında ortaya çıkan çeşitli hataların görüntü işleme yöntemleriyle otomatik olarak tespiti ve sınıflandırılması üzerinde çalışılmıştır. Ayrıca bu işin gerçek zamanlı olarak yapılabilirliği de araştırılmıştır. Örme kumaşlar üretim esnasında herhangi bir kontrol işlemine tabi tatulmamaktadır. Bu kumaşlar ancak üretim sona erdiğinde kumaş topunun tekrar açılıp bir insan operatörce incelenmesi ile kalite kontrolden geçmektedir. Bu tür bir kontrol üretim sonrası ek bir işlem olarak yapıldığı için hem zaman almakta hem de insan operatörlerce yapılıyor olması kontrolün güvenirliğini azaltmaktadır. Bunun yerine bilgisayar ve görüntü işleme tekinlerinin kodlanılmasının daha güvenilir olacağı düşünülmektedir. Bu işlem zamandan tasarruf sağlamakla birlikte, makinede kumaşın örülmesi ile eşzamanlı olarak gerçekleştirildiğinde hata kaynağına anında müdahale edilmesine olanak vererek hatanın aynı kumaşta tekrarı olasılığını da ortadan kaldıracaktır. Örme kumaşlarda üretim esnasında genellikle dört farklı hata oluşabilmektedir. (Şekil 1) a Şekil 1 : Hatalı ve hatasız kumaşlar; a) Hatasız kumaş, b) Boyuna hatalı kumaş (iğne izi), c) Enine hatalı kumaş (iplik gerginliği), d) Delik kumaş, e) Yağ lekeli kumaş vıııÇalışmada öncelikle sözü geçen hataları içeren kumaşlar ve hatasız kumaşlar grup başlıkları altında örnek kumaş resimleri bilgisayara aktarılmıştır. Yapılacak işlemleri kolaylaştırmak amacı ile gerçek renkli örnek resimler gri seviyeli hale getirilmiş ve kalitelerini artırmak amacı ile bazı ön görüntü işlemleri uygulanmıştır. Bu amaçla önce Histogram eşitleme yapılmıştır. Bu işlemin amacı resimde daha homojen bir parlaklık dağılımı elde etmektir. Histogram eşitleme ile mevcut piksellerin bulunduğu parlaklık aralığı maksimum aralığa onulmaktadır. Bu işlemden sonra resimlerin ayrıntıları ilk duruma göre daha belirgin hale gelmektedir. (Şekil 2). «s< İl -i ' I ı Şekil 2 : Histogram eşitleme; a) Örnek resim, b) Örnek resmin histogramı, c) Histogram eşitlemeden sonraki resim, d) Eşitlenmiş histogram ikinci ön görüntü işlemi resimlerdeki gürültünün giderilmesi amacı ile yapılan orta filtrelemedir. Orta filtrelemede, görüntüdeki bir piksel işleme alındığında bu pikselin parlaklık değeri ile birlikte bu pikselin komşusu olan piksellerin parlaklık değerleri bir küme olarak ele alınır. Bu küme içindeki orta parlaklık değeri işleme alınan pikselin yeni parlaklık değeri olarak atanır ve aynı işlem resimdeki tüm pikseller için sürdürülür. Detayları belirginleştirilmiş ve gürültüsü giderilmiş olan örnek resimler bilgisayarda işlenmek üzere hazır hale gelmiştir. Sınıflandırma işlemi için öncelikle bulanık mantık ve yapay sinir ağlan düşünülmüştür. Sınıflandırmada kullanması için örnek kumaş görüntülerini en iyi şekilde temsil edecek sayılara (nitelik) ihtiyaç duyulmaktadır. Kumaşın periyodik yapısı göz önüne alınarak sınıflandırmada kullanılacak nitelik çıkarımında Fourier Analizi'nden faydalanmıştır. Herhangi bir kavram iki dilde nasıl ifade edilebiliyorsa, görüntü işleme problemlerinde de veri hem uzaysal tanım kümesi hem de frekans tanım kümesinde değerlendirilebilir. ıxx gerçek bir değişken olmak üzere fix) sürekli bir fonksiyon olsun. fix) fonksiyonun Fourier dönüşümü; F{f(x)} = F(x)=[nx)e-J2'aadx (1) Gerçek bir fonksiyonun Fourier dönüşümü hemen her zaman kompleks bir sonuç verir. F(u) = R(u) + jI(u) (2) F(u)'nun şiddeti \F(u)\, f(x) 'in Fourier spektrumu olarak adlandırılır. Spektrumun karesi ise f(x) 'in güç spektrumu veya spektral yoğunluk olarak isimlendirilir. \F(u)\ = ^R2(u) + I2(u) P(u) = \F(uf = R2 (u) + 12 (u) (3) (4) Fourier analizi, temel olarak kumaştaki uzaysal periyodikliğin frekans domeninde ifade edilmesine dayanır. Kumaşta hata bulunması durumunda periyodik yapı bozulacağından spektrumun değişmesi ve hatanın spektrumda kendini göstermesi beklenir. I * 100 150 Frequency Şekil 3 : Bir örnek kumaşa ait iki (solda) ve tek boyutlu (sağda) güç spektrumlan Şekil 3'te örnek kumaşlardan birine hızlı Fourier Dönüşümü uygulanarak elde edilmiş olan iki ve tek boyutlu güç spektrumlan görülmektedir. Örnek kumaşlar için tek boyutlu güç spektrumları elde edildikten sonra, bu spektrumlar incelenerek kumaşın hangi gruba dahil edileceğinin belirlenebilmesi için yeterince ayırt edici olabilecek nitelikler belirlenmeye çalışılmıştır. Literatürdeki çalışmalarda genellikle dikkate almanlar birincil ve ikincil tepe büyüklükleri ile bu tepeler arasındaki uzaklıklardır. Bu çalışmada da öncelikle tepe büyüklüklerine dayanan nitelikler araştırılmıştır. Ancak bulunan niteliklerin yetersiz olduğu anlaşılmış ve iki boyutlu güç spektrumundan da nitelik teşkil edebilecek büyüklükler çıkarılmaya çalışılmıştır. xBu amaçla iki boyutlu güç spektrumlarından aşağıda gösterildiği gibi özel bölgeler seçilerek incelenmiştir. (Şekil 4) a b c Şekil 4 : İki boyutlu güç spektrumunun incelenen bölgeleri; a) Alçak frekans bölgesi, b) Yüksek frekans bölgesi, c) Ara frekans bölgesi Güç spektrumlarından Şekil 4'teki gibi özel bölgeler seçmek amacıyla basit filtreler tanımlanmıştır. Aynı filtreler kullanılarak Fourier dönüşümlerinden seçilen bölgelere ters Fourier dönüşümü uygulanarak bu frekansların kumaş resminde temsil ettiği özellikler belirlenmeye çalışılmıştır. (Şekil 5) Şekil 5 : Ters Fourier Dönüşümü sonuçlan; a) Orijinal görüntü, b) Güç spektrumu, c,e) Filtrelerden sonraki görüntüler, d,f) Filtrelerden sonraki güç spektrumlar xıYapılan araştırmalardan sonra, ara frekans bölgelerindeki bazı frekans genliklerinin toplamlarının oldukça ayırt edici olduğu görülmüştür. (Şek.4c) İki boyutlu güç spektrumunda bulunan iki farklı ara frekans bölgesindeki güç değerleri kullanılarak iki adet nitelik hesaplanmıştır. Bir boyutlu güç spektrumundan da beş adet nitelik çıkarılmış ve elde edilen toplam yedi adet nitelik sınıflandırma işleminde kullamıştır.. Yapılan ön çalışmada yapay sinir ağlarının bulanık bölgelere ayırma metodundan daha iyi sonuç verdiği gözlemlendiğinden sınıflandırma işlemi için yapay sinir ağlan seçilmiştir. Yapılacak sınıflandırma işlemi lineer ayrışalabilir olmadığından tek ara katmanlı sinir ağlan yeterli doğrulukta sınıflandırma yapamamıştır. Literatürde de bu tip sınıflandırma işlemlerinde genellikle iki ara tabakalı yapay sinir ağlan kullanıldığı görülmüştür. Hazırlanan nitelikler iki ara tabakalı ve farklı nöron sayılarına sahip yapay sinir ağlarına beslenerek en iyi sonucu veren yapay sinir ağı belirlenmiştir. İki ara tabakalı ve bu tabakalarında altışar adet nöron bulunan ve Resilient Back Propagation öğrenme algoritmasına göre eğitilen yapay sinir ağı çalışmada kullanılan örnek kumaş resimlerini % 100 doğrulukla sınıflandırabilmiştir. Çalışmada ayrıca gerçek bir sistemin oluşturulması için gerekli kameralar ve aydınlatma konulan ele alınmış ve gerçek zamanlı olarak çalışacak sistemin makinenin örme hızına yetişebilmesi için bilgisayar algoritmasının sahip olması gereken hız hesaplanarak geliştirilen algoritmanın hız bakımından yeterli olup olmadığı incelenmiştir. xıı
Özet (Çeviri)
AUTOMATIC FAULT DETECTION AND CLASSIFICATION OF KNITTED FABRICS USING IMAGE PROCESSING TECHNIQUES SUMMARY The main goal of this thesis has been to develop a reliable method for automatic fault detection in plain knitted fabrics using image processing techniques. The feasibility of a real time system to realize the method has also been investigated. The knitted fabrics are inspected and faults are classified by human inspectors. This operation is very time consuming and also subjective. Instead of human inspectors, machine vision and image processing techniques would be more reliable and real time inspection allows the operator to intervene the knitting machine to correct the source of error. This process removes the possibility of repetition of the same fault at the same fabric. In general, four types of faults occur at knitted fabrics during production. (Fig.l) ' '4 ' -?«.' % 1>,, t, » H( ' * 'A1 i.' - -v* Vj* 1' vm**.... * A“ V,v '?«* * ”.> 'M t**' "if t*,*» Figure 1 : The fabric samples; a) Faultless, b) Longitudinal fault due to needle, c) Horizontal fault due to yarn density, d) Hole, e) Oil Spot In the first step, images of four different types of faults and faultless fabric samples were transferred to the computer in gray scale. Histogram Equalization and Median Filtering were applied to gray scaled images to improve image quality. xmThe aim of Histogram Equalization is to have better contrast values in the image. This operation adjusts the contrast by distributing the image's pixel values over the full potential range for the storage class of the image. Median Filtering was used for noise removal. In this operation the value of an output pixel is determined by the median of the neighborhood pixels, rather than the mean. This process was repeated for all the pixels in the image. % >v v; & * >- * i a :tt Figure 2 : Histogram equalization; a) Sample image, b) Histogram of the sample image, c) Image after histogram equalization, d) Equalized histogram Neural Networks and Fuzzy Clustering were considered for the classification purpose. Some distinctive properties of the fabric image should be obtained for classification. The fabric structure and its image has periodical components, hence the Fourier Analysis is a very convenient tool to explore the frequency components of the signal obtained from the fabric image. Mathematical definition of the Fourier Transformation is as follows: F{f(x)} = F(x) = £ Ax)e~J2iaadx J-00 The Fourier transform of a real function always gives complex numbers. F(u) = R(u) + jI(u) \F(u)\ = 4r\u) + I\u) P(u) = \F(u)\ 2 =R2(u) + I2(u) (1) (2) (3) (4) Where \F(u)\ is the Fourier Spectrum of /(*) and the square of the Fourier Spectrum is the Power Spectrum or the Spectral Density of f(x). xivThe main purpose of using the Fourier Analysis is to detect the differences in frequency domain whenever the structure contains any fault. Then, it is expected to detect the inconsistencies from the normal structure by comparing the power spectrums. M ^?A. 100 150 Frequency Figure 3 : 2-D (left) and 1-D power spectrums (right) of a fabric sample. Fig. 3 shows the 1-D and 2-D power spectrums obtained from Fast Fourier Transform of a fabric sample image. All of the 1-D power spectrums of samples were examined and some distinctive features of the power spectrum were hied to be found which is present in each of the faults. There are many studies that use the first and the second peak values and the distance between the peaks in the literature. In this work, firstly the peak values and related numbers have been examined. It has been seen that the 1-D power spectrum is not sufficiently distinctive for each kind of fault and 2-D power spectrums have been examined by the same way. The peak values and related numbers did not look distinctive. Therefore some special regions were specified and examined instead of individual peaks. These regions are shown below. (Fig.4) a b c Figure 4 : The regions chosen from 2-D power spectrums; a) Low frequency region, b) High frequeny region, c) Specified band region Three simple filters were used to separate the specified regions from the power spectrum. Same filters were applied to Fourier transforms and the inverse Fourier transforms of those separated regions were examined to understand the effects of xvthose frequencies in the original image. Different regions of 2-D power spectrums were examined by this way. (Fig.5) a Figure 5 : Inverse Fourier Transforms of specified regions; a) Original image b) Power spectrum of the original image, c,e) Images after filtering, d,f) Power spectrums after filtering It has been seen that distinctive features are present within certain radius or certain band region. (Fig.4c) Five features were obtained using amplitude values and the sum of amplitude values from 1-D power spectrum. Two features were calculated using the amplitude values from two different specified band regions. Thus, seven features obtained from 1-D and 2-D power spectrums have been chosen as characteristic features representing all types of tbe fabrics. Fuzzy Clustering and Neural Networks were first tested. Neural Networks worked better than Fuzzy Clustering for this problem, hence neural networks have been chosen for classification purpose. The most common classifiers in the literature are neural networks with two hidden layers. The training data obtained as explained above and scaled into interval 0-1 were used to train neural networks with two hidden layers but with different number of neurons. XVIFinally, a neural network with two hidden layers and six neurons at each hidden layer classified all of the sample fabric images with the accuracy of 100%. The Resilient Back Propagation algorithm was used as the training algorithm. Having an algorithm with 100% classification accuracy, a real time fault classification system has been investigated. For this purpose, the required hardware was determined. The iUumination problem was also mentioned. The speed of the algorithm was measured and compared to the necessary speed for real time fault inspection. xvn
Benzer Tezler
- Akrilik mikroliflerin uzun lif eğirme sisteminde işlenebilirliğinin geliştirilmesi
Improvement of processing acrylic microfibres in long-staple spinning system
YEŞİM İRİDAĞ
- Örme kumaşların terbiyesi işletme ve laboratuvar ortamında gerçekleştirilen terbiye işlemlerinin kumaş yapısına etkileri
Başlık çevirisi yok
AYHAN PINARLI
Yüksek Lisans
Türkçe
2001
Tekstil ve Tekstil MühendisliğiMarmara ÜniversitesiTekstil Eğitimi Ana Bilim Dalı
PROF. DR. MEHMET AKALIN
- Konfeksiyon üretimi sırasında karşılaşılan, kumaşların relaksasyon sorunlarının giderilmesi üzerine bir araştırma
A research to find a solution about the relaxation problem of fabrics, occuring during garment production
MİHRİBAN KALKANCI
Doktora
Türkçe
2016
Tekstil ve Tekstil MühendisliğiDokuz Eylül ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLSEREN KURUMER
- Investigation of spirality on single jersey fabrics
Süprem kumaşlardaki may dönmesinin incelenmesi
ZÜLEYHA DEĞİRMENCİ
Yüksek Lisans
İngilizce
2007
Tekstil ve Tekstil MühendisliğiGaziantep ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
Y.DOÇ. MEHMET TOPALBEKİROĞLU
- Çözgülü örme tekniği ile üretilmiş askeri araç kamuflajlarının elektromanyetik dalgalara karşı kalkanlama özelliklerinin geliştirilmesi
Improvement of shielding properties of military vehiclecamouflages against electromagnetic waves produced bywarp knitting technique
ABDULKADİR YAĞIZ
Yüksek Lisans
Türkçe
2019
Tekstil ve Tekstil MühendisliğiMarmara ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL USTA
DOÇ. DR. METİN YÜKSEK