Fabric defect detection in frequency domain using fourier analysis

Abstract

Görüntü işleme tabanlı hata tespit yöntemlerinin çoğunluğu makina öğrenmesinedayalı, önceden modellenmiş ve test örnekleri ile karşılaştırmaya dayalı sistemlerdir.Bu eğitim işlemi her bir malzeme için yapılarak sistemin öğrenmesi sağlanmalıdırki bu işlemin maliyeti yüksektir. Dokuma üzerindeki desenler kendisini tekrarettiği için eğitim aşaması yerine, taslak çıkartarak otomatikleşmesini sağlayabiliyoruz.Makina öğrenmesi gibi maliyetli işlemleri kullanmak yerine, elde ettiğimiz taslakile test örneklerini, frekans alanında basit şekilde karşılaştırabiliyoruz. Bu tezçalışmasında, bu yöntemin online ve tamamen otomatize edilmiş gerçek zamanlıbir hata tespit sistemi olacağını göstereceğiz. Önerdiğimiz metod, Fourier dönüşümükullanılarak geliştirilmiş ve bu çalışma süresince toplamış olduğumuz dokumagörüntülerinden oluşan veri setine uygulanarak, elde edilen sonuçlar sunulmuştur.

An overwhelming majority of image processing based defect detection approachesrely on machine learning methods to train a model for comparison of test examples.This requires a training phase for each item to be learned and costlycomputations to tune model parameters. The fabric of textile always has repeatingpatterns that lends itself to automating the training phase by extracting atemplate. We avoid computationally costly machine learning methods by simplecomparison of the fabric template with test examples in the frequency domain.In this thesis we show that it is possible to do online and fully automated defectdetection of textile products in real time. We propose a method that leveragesFourier transform of textile images and present results on a data set that is collectedin the scope of this research.