Automatic defect detection in fabrics using computer vision techniques

Abstract

Dokuma ürünlerinin kalite kontrolü problemi, içerdiği belirsizlikler nedeniyle oldukça karmaşık bir problemdir ve bütünleşik gerçek zamanlı çözümler gerektirmektedir. Yıllar içinde tekstil endüstrisi tarafından daha iyi ve daha ucuz yaklaşımlara talep süregelmiştir. Bu problem bilgisayarla görme literatüründe, bir doku analizi problemi olarak çalışılmıştır.Bu tez çalışmasında SIFT (ölçekten bağımsız öznitelik dönüşümü) öznitelikleri, kelime torbası metodu ve SVM (destek vektör makineleri) sınıflandırıcı kullanılarak, önce standart genel doku görüntülerinin sınıflandırması için, sonra da kumaş hatalarının tespiti için kullanılan yeni bir yaklaşım önerilmiştir. Bu yeni yaklaşım iki deney üzerinden, yaygın olarak kullanılan Gabor filtreleri ve SVM tabanlı bir yöntemle karşılaştırılarak incelenmiştir. Birince deneyde, SIFT tabanlı yöntem ile Gabor filtresi metodunu standart doku sınıflandırması üzerinde karşılaştırdık. İkinci deneyde ise bu iki yöntemi kumaş hatası tespiti üzerinde karşılaştırdık. İlk deney için Kylber doku veri setinden 10 sınıf ve her sınıf için 20 resim seçip kullandık. İkinci deney için ise 80 görüntüden ve 4 sınıftan (1 temiz, 3 farklı hata çeşidi) oluşan bir kumaş hata görüntüleri veri seti oluşturduk. Her görüntü için öznitelikler çıkarılıp işlendi ve SVM ile sınıflandırıldı. Yapılan deneyler, önerilen SIFT tabanlı yöntemin hem doku sınıflandırmada hem de kumaş hata tespitinde başarılı sonuçlar verdiğini göstermektedir.Anahtar Kelimeler: Kumaş hata tespiti, Doku analizi, Yerel Öznitelikler, SIFT, Gabor filtreleri, Doku sınıflandırma.

Quality control in textured web materials is very complex due to their vagueness and ambiguity as such they need real time integrated solutions. Over the years, there has been demand for better approaches at lower costs by the textile industries. This inspection process in computer vision literature becomes a texture analysis problem.In our research work, we proposed a novel approach `SIFT (scale invariant feature transform) features and Bag-of-Words method with SVM (support vector machines)` to automatically carry out classification on standard regular textures and detection of fabric defects using computer vision techniques. We investigate our novel approach in two experiments and for each experiment we compared our results with that obtained using a standard method used by researchers `Gabor filter with SVM`. In the first experiment we compared the SIFT based method and the Gabor filters method on standard texture classification. And in the second experiment we compared the SIFT based method and the Gabor filters method on fabric defects detection. We selected 10 classes and 20 images per each class from Kylberg Texture Dataset (available online) and used them in the first experiment. While in the second experiment we generated a fabric defects image data set (three different kinds of defects) with 80 images and 4 classes. For each image under inspection, features/descriptors are obtained, processed and classified with SVM. Experiments show that the proposed SIFT-based method gives good results on both texture classification and fabric defect detection.Keywords: Fabric defect detection, Texture analysis, Local Features, SIFT, Gabor filters, Texture Classification.