Kumaş Hatası Tespiti için Yığınlanmış Oto-kodlayıcı Yöntemi

Kumaş hatası tespiti sektörel kalite açısından önem arz etmektedir. Bu hataların tespitinde, gelişen pazar hacmi ve üretim kapasitelerinin büyüklüğü sebebiyle insan görüsü ile tespit, büyük oranda zaman kaybına ve hata tespit oranının %60 seviyelerine kadar düşmesine sebep olmaktadır. Bu bağlamda daha yüksek başarım elde edebilmek için görüntü işleme alanında bir çok yöntem denenmiştir. Kumaşın kendine has bir dokusunun olması sebebiyle, öznitelikleri çıkarılırken diğer görüntü türlerinden ayrı olarak incelenmesi gerektirmektedir. Öznitelikler bilgisayarlı görmede özellikle sınıflandırma problemlerinde ham madde olmaktadır. Bu yüzden doğru öznitelikleri çıkarmak, hata tespitinde en önemli aşamadır. Bu amaç doğrultusunda, çoklu-katman mimarisi ve kendi özniteliklerini çıkararak son yıllarda görüntü ve ses işleme alanında büyük başarılar getirmesi ile öne çıkan derin öğrenme kumaş hatası tespitine uygulanmıştır. Giriş verisini sıkıştırma ya da genişletme ile temsil eden yığınlı oto-kodlayıcılar -bir derin öğrenme yöntemi- kumaş hatası tespitinde denenmiş ve kabul edilebilir başarılar elde edilmiştir. Çalışmanın asıl amacı oto kodlayıcının hiper parametreleri ve giriş değeri ile oynamalar yaparak öznitelik çıkarımı başarısını artırmaktır. Derin modelin hiper parametrelerin ince ayarıyla, kendi veri setimizde %96’lık bir başarı oranı elde ettik.

Anahtar Kelimeler:

kumaş hatası tespiti, oto-kodlayıcı, hiper parametre, Derin öğrenme, hiper parametre

Stacked Autoencoder Method for Fabric Defect Detection

The fabric defect detection has crucial importance in terms of sectoral quality. As fabric defection stage, accordingly the growing market volume and production capacity, detection via human vision has caused largely time-wasting and success rate decreasing until 60%. Due to a fabric has unique texture, there is necessity for it to work on separately from other images types while extracting its features. Features are vital material of computer vision especially classification problems. Hence, extracting right features is the most significant stage of error detection. This purpose in mind on this study, deep learning which distinguishes with multi-layer architectures and reveals high achievement on image and speech procession recent years by self-feature extraction is applied to fabric defect detection. Stacked autoencoder -a deep learning method- that aimed to represent input data via compression or decompression is tried to detect defect of fabrics and it gained acceptable success. The principal aim of this study is to increase achievement of feature extraction by tuning up the input value and hyper parameters autoencoder. Thanks to the fine tuning of hyper-parameters of deep model, we have 96% success rate on our own dataset.

Keywords:

fabric defect detection, autoencoder, Deep learning, hyper parameter,

PDF

___

[1] H. Y. T. Ngan, G. K. H. Pang, and N. H. C. Yung, “Automated Fabric Defect Detection-A review,” Image Vis. Comput., vol. 29, no. 7, pp. 442–458, Jun. 2011.
[2] K. Kaur, N. Gupta, and K. Adhikary, “An Automatic Method to Inspect Discontinuities in Textile,” IJCSET, vol. 1, no. 8, pp. 496–498, 2011.
[3] Hitesh Choudhary, “Fabric Defects in Woven and Knitted Fabric,” 2012. [Online]. Available: https://www.slideshare.net/hiteshhobbit/fabric-defects-11884107. [Accessed: 20-Mar-2017].
[4] Ö. Kisaoğlu, “Kumaş Kalite Kontrol Sistemleri,” Pamukkale Üniversitesi Mühendislik Bilim. Derg., vol. 12, no. 2, pp. 233–241, 2006.
[5] A. Kumar, “Computer Vision Based Fabric Defect Detection: A Survey,” IEEE Trans. Ind. Electron., vol. 55, no. 1, pp. 348–363, Jan. 2008.
[6] K. V. N. Kumar and U. S. Ragupathy, “An Intelligent Scheme for Fault Detection in Textile Web Materials,” Int. J. Comput. Appl., vol. 46, no. 10, pp. 975–8887, 2012.
[7] J. L. Dorrity, “Real-Time Fabric Defect Detection And Control in Weaving Processes,” 1995.
[8] Y. Bengio, “Learning Deep Architectures for AI,” Found. trends® Mach. Learn., vol. 2, no. 1, pp. 1–127, 2009.
[9] Y. Bengio, A. Courville, and P. Vincent, “Representation Learning: A Review and New Perspectives,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 8, pp. 1798–1828, 2013.
[10] D. Ciresan, U. Meier, J. Masci, and J. Schmidhuber, “A committee of Neural Networks for Traffic Sign Classification,” in The 2011 International Joint Conference on Neural Networks, 2011, pp. 1918–1921.
[11] G. E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, and R. R. Salakhutdinov, “Improving Neural Networks by Preventing Co-adaptation of Feature Detectors,” Neural Evol. Comput., Jul. 2012.
[12] O. Russakovsky et al., “ImageNet Large Scale Visual Recognition Challenge,” Int. J. Comput. Vis., vol. 115, no. 3, pp. 211–252, Dec. 2015.
[13] C. A. Ronao and S.-B. Cho, “Human Activity Recognition with Smartphone Sensors Using Deep Learning Neural Networks,” Expert Syst. Appl., vol. 59, pp. 235–244, Oct. 2016.
[14] M. Yousefi-Azar and L. Hamey, “Text Summarization Using Unsupervised Deep Learning,” Expert Syst. Appl., vol. 68, pp. 93–105, Feb. 2017.
[15] I. Lenz, H. Lee, and A. Saxena, “Deep Learning for Detecting Robotic Grasps,” Int. J. Rob. Res., vol. 34, pp. 705–724, 2015.
[16] B. Alipanahi, A. Delong, M. T. Weirauch, and B. J. Frey, “Predicting the Sequence Specificities of DNA and RNA Binding Proteins by Deep Learning,” Nat. Biotechnol., vol. 33, no. 8, pp. 831–838, Jul. 2015.
[17] Y. Wang, H. Mao, and Z. Yi, “Protein Secondary Structure Prediction by Using Deep Learning Method,” Knowledge-Based Syst., vol. 118, pp. 115–123, Feb. 2017.
[18] A. Karpathy, G. Toderici, S. Shetty, T. Leung, R. Sukthankar, and L. Fei-Fei, “Large-scale Video Classification with Convolutional Neural Networks,” in Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, 2014, pp. 1725–1732.
[19] R. Salakhutdinov and G. Hinton, “Deep Boltzmann Machines,” in International Conference on Artificial Intelligence and Statistics, 2009, pp. 3–11.
[20] A. Krizhevsky and G. E. Hinton, “Using Very Deep Autoencoders for Content Based Image Retrieval,” in European Symposium on Artificial Neural Networks, 2011, pp. 489–494.
[21] G. E. Hinton and R. R. Salakhutdinov, “Reducing the Dimensionality of Data with Neural Networks,” Science (80-. )., vol. 313, no. 5786, pp. 504–507, Jul. 2006.
[22] S.-C. B. Lo, H.-P. Chan, J.-S. Lin, H. Li, M. T. Freedman, and S. K. Mun, “Artificial Convolution Neural Network for Medical Image Pattern Recognition,” Neural Networks, vol. 8, no. 7–8, pp. 1201–1214, Jan. 1995.
[23] M. J. Brusco and J. D. Cradit, “Graph Coloring, Minimum-diameter Partitioning, and the Analysis of Confusion Matrices,” J. Math. Psychol., vol. 48, no. 5, pp. 301–309, Oct. 2004.