Development of an intelligent fabric defect inspection system

Abstract

Bu çalışmanın amacı, kumaş denetim makineleri için prototip bir yapay görme sistemi tasarlamak ve otomatik olarak kumaş hatalarının tespit edilmesi ve sınıflandırılması için bir algoritma geliştirilmektir. Materyal olarak boyanmamış ham denim kumaş seçilmiştir. Böylece, kumaş denetim işlemi daha yüksek bir performansla daha kısa sürede gerçekleştirilebilecek ve kumaş hatalarının değerlendirilmesi objektif olarak yapılabilecektir. Sistem mevcut kumaş denetim makinelerine kolaylıkla uyarlanabilecektir. Üç farklı hata denetim algoritması kullanılmıştır; Lineer filtreleme (LF), Gabor filtresi (GF), ve Dalgacık Analizi (DA). Bu algoritmalar beş farklı hata tipi; çözgü kaçığı, atkı kaçığı, delik, lekeli iplik ve iplik kalıntısı veya düğüm üzerinden gerçek zaman dışı ve gerçek zamanlı olarak uygulanmıştır. Kumaş numuneleri taranarak gerçek zaman dışı uygulamalar için hata veritabanı hazırlanmıştır. Gerçek zamanlı uygulamalar için deney düzeneği kurulmuştur. Her bir gerçek zamanlı algoritma uygulaması için kullanıcı ara yüzü oluşturulmuştur. Uygulamaların performansı ve başarı oranları değerlendirilmiş ve tartışılmıştır. Daha sonra, hatalı kumaş resimleri yapay sinir ağı yöntemi kullanılarak sınıflandırılmıştır. Bu uygulama için yine bir kullanıcı ara yüzü oluşturulmuştur. Sonuçta algoritmanın sınıflandırma oranı istatistiksel olarak değerlendirilmiştir.

The aim of this study is to design a prototype machine vision system for the fabric inspection machines and develop algorithm for fabric defect detection and classification automatically. The material is selected as `undyed raw denim? fabric. Thus, the fabric inspection process could be achieved in shorter time with higher performances and evaluation of the fabric defects could be performed objectively. The system could be easily adapted on the existing fabric inspection machines. Three different defect detection algorithms were used; Linear Filtering (LF), Gabor Filter (GF) and Wavelet Analysis (WA). These algorithms were applied off-line and real-time over five types of defects; warp lacking, weft lacking, hole, soiled yarn and yarn flow or knot. Defect database was prepared for off-line applications by scanning the fabric samples. Experimental set-up was built for real-time application. User interface was prepared for each real-time algorithm application. The performance and the success rate of the applications were evaluated and discussed. The defective fabric images were then classified by using Artificial Neural Network (ANN) method. A user interface was also formed for this application. The classification rate of the algorithm was evaluated statistically at the end.