Unsupervised fabric defect detection via clustering in spectral domain
Kumaşlarda dokuma hatası tespiti icin spektral alanda kümeleme tabanli gürbüz bir yöntem
- Tez No: 587438
- Danışmanlar: DR. ÖĞR. ÜYESİ CIHAN TOPAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Anadolu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Bu tezin amacı, makine görmesi yöntemleri kullanılarak, tekstil endüstrisi için hata tespit sistemi tasarlamaktadır. Kumaştaki hataları bulmak, kusurlu ürün teslim etmemek adına oldukça önemlidir. _Insan faktörünün yorgunluk, bıkkınlık ve dikkatsizlik gibi dezavantajları yüzüunden, manuel denetim endüstrinin beklentilerini karşılayamamaktadır. Literatüurde çok sayıda otomatik sistemler mevcuttur ancak bunların büyük kısm eğitmenli makine öğrenmesi yöntemlerini baz almaktadır, bu metodlar yalnış ve doğru imgeleri alarak sistemi eğitmektedir ya da ayarlanması gereken çok sayıda parametreleri bulunmaktadır. Bu nedenlerden dolayı eğitmenli sistemlerin kullanımı güç ve rahatsızlık vericidir. Bu çalışmada Fourier dönüşümüne dayalı denetmensiz yaklaşım sunulmuştur. Yöntem kumaş deseni ya da hata sınıfı ile ilgili hiç bir ön bilgiye ihtiyaç duymamaktadır. Önerilen yöntemde bölüumlenmiş imgenin frekans uzayındaki spektral temsili elde edilmiştir. Sonrasında her bir parça ile denetlenen aynı imgeden elde edilen referans imgesi arasındaki mesafe ölçülmüştür. Literatürde bulunan veri küumeleri ya az sayıda hata ve kumaş sınıfı içermektedir; ya da kullanım için ücret ödenmesi gerekmektedir. Bu sebeple tez çalışması kapsamında 10 farklı kumaş türünden 26 adet hata sınıfı içeren bir veri kümesi hazırlanarak bu konuda çalışan araştırmacıların kullanımına sunulması planlanmıştır.
Özet (Çeviri)
The purpose of this dissertation is to design an automated system using machine vision techniques for inspection of faults in textile industry. Detection of defects in fabrics has a substantial importance to prevent delivering faulted products. Because of human factor drawbacks like fatigue, boredom and oversight, manual inspection falling behind expectations of the industry. There are countless automated systems in the literature, however, most of them rely on machine learning methods where defected and defect free images are fed to the system for training or the approaches have numerous parameters to be tuned. For these reasons supervised systems are difficult and discomfort to use. In this study, Fourier Transform based unsupervised approach used to inspect a fabric. The method does not require any prior knowledge about the fabric pattern or the defect class. Proposed algorithm obtains the spectral representation of the partitioned image and measures the distance between each part and a reference representation obtained from the same inspected sample. Although the literature crowded with automated inspection systems, a suitable dataset for textile fabric could not be found. Existent databases either not freely available or has lack of defect classes. Therefore, a dataset contains 26 defect class plus a clean class collected. The database called Eskisehir Technical University Textile Defect Dataset (ESTD) and consist of 2969 samples of ten diverse type of fabric.
Benzer Tezler
- Hiperspektral görüntülerin eğiticisiz bölütlenmesi
Unsupervised segmentation of hyperspectral images
GÖKHAN BİLGİN
Doktora
Türkçe
2009
Bilim ve TeknolojiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SARP ERTÜRK
PROF. DR. TÜLAY YILDIRIM
- Uzaktan algılanmış imgelerin eğitimsiz sınıflandırılması ve yorumlanması
Unsupervised classification and interpretation of remotely sensed images
MEHMET CİHAN ŞAHİNGİL
Yüksek Lisans
Türkçe
2009
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YAKUP ÖZKAZANÇ
- Unsupervised detection of compound structures using image segmentation and graph-based texture analysis
Bileşik yapıların görüntü bölütleme ve çizge tabanlı doku analizi ile öğreticisiz bulunması
DANİYA ZAMALİEVA
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. SELİM AKSOY
- Unsupervised anomaly detection algorithms
Denetimsiz anomali tespit algoritmaları
BEYZA KIZILKAYA
Yüksek Lisans
İngilizce
2019
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENGİN YILDIZTEPE
- Unsupervised sınıflandırma yöntemlerinin incelenmesi karşılaştırılması ve yeni metod geliştirilmesi üzerinde çalışmalar.
Başlık çevirisi yok
BÜLENT MITIŞ