Digitizing and classifying woven fabric defects

Bu çalışmanın amacı, CCD çizgisel kamera ile kaydedilen dokuma kumaş görüntülerindeki belirli dokuma hatalarının tespit edilerek, hata tanımlarının sayısallaştırılmasıdır. Deneylerde, %100 pamuklu, bezayağı ve dimi dokuma ham bez kumaşlar kullanılmıştır.. Işıklı kalite kontrol panosu kullanılarak, CCD çizgisel kamera ile 2048*4096 piksel boyutlarında, BMP formatında görüntüler alınmıştır. Hatalı kumaş görüntüleri seçilerek, dokuma kumaş hata tanımlarına uygun olarak sınıflandırılmıştır. Hatalı bölgelerdeki (atkı kaçığı, seyrek atkı, duruş izi, çift atkı, yarım atkı, çözgü kopuğu, delik-yırtık, yağ lekesi, yağlı çözgü teli, tahar hatası) ortalama gri renk değerleri ve hata boyutları Photoshop CS3 programı ile ölçülmüş ve sonuçlar hatasız kısımlardaki değerlerle kıyaslanmıştır.

Dokuma kumaş hatalarının sınıflandırılması ve sayısallaştırılması

The aim of this research is to digitize certain woven fabric defects from images of woven fabrics, taken by a CCD line scan camera. %100 cotton, plain and twill woven raw fabrics were used in the experiments. Using a lighted fabric quality control board, 2048*4096 pixels BMP format images of the fabrics were generated by a CCD line scan camera. Defected areas of the images were selected and classified by referring the fabrics. Average gray scale values and dimensions of the defected areas (missing pick, irregular pick density, starting mark, double pick, broken pick, broken end, hole-tear, oily spot, oily end, wrong drawing) were measured with the help of Photoshop CS3 program and results were compared with the regular image areas. Results showed that classification of fabric defects requires much more complicated algorithms than simple thresholding for industrial application of automated fabric quality control.

PDF

___

1. Chan C., Pang G., 2000, “Fabric Defect Detection By Fourier Analysis”, IEEE Transactions On Industry Applications, 36 (5), 1267-1276
2. Cho C.S., Chung B.M., 2005, “Development of Real-Time Vision-Based Fabric Inspection System”, IEEE Transactions On Industrial Electronics, 52(4), 1073-1079
3. Mak K. L., Peng P., 2008, “An automated inspection system for textile fabrics based on Gabor filters”, Robotics and Computer-Integrated Manufacturing, 24, 359-369.
4. Kısaoğlu Ö.D., 2010, “ Orta Büyüklükte Bir Dokuma İşletmesinde İstatistiksel Proses Kontrol Sistemi: I. Kumaş Hatalarının Kontrolü”, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt 16, Sayı 3, 291-301
5. Sari-Sarraf H., Goddard J.Jr., 1999, “ Vision System For On-Loom Fabric Inspection”, IEEE Transactions On Industry Applications, 35 (6), 1252-1259
6. Kuo C.J., Lee C.J., Tsai C.C., 2003, “Using A Neural Network To Identify Fabric Defects In Dynamic Cloth Inspection”, Textile Research Journal, 73, 238- 244
7. Mak K. L., Peng P., Yiu K. F. C., 2009, “Fabric defect detection using morphological filters”, Image and Vision Computing, 27, 1585-1592.
8. Shi M., Fu R., Guo Y., Bai S., Xu B., 2011, “Fabric defect detection using local contrast deviations”, Multimed Tools Appl., 52, 147-157.
9. Behera B. K., Mani M. P., 2007, “Characterization and classification of fabric defects using discrete cosine transformation and artifial neural network”, Indian Journal of Fibre and Textile Research, 32, 421-426.
10. Balakrishnan H., Venkataraman S., Jayaraman S., 1998, “A Vision-based System for the Identification and Classification of Fabric Defects”, Journal of The Textile Institute, 89 (2), 365-380
11. ASTM Standards, D3990-99, Standard terminology relating to fabric defects
12. Arivazhagan S., Ganesan L. and Bama S., 2006, “Fault segmentation in fabric images using Gabor wavelet transform”, Machine Vision and Applications, 16 (6) , 356-363

ISSN: 1300-3356
Yayın Aralığı: Yılda 4 Sayı
Yayıncı: Ege Üniversitesi Tekstil ve Konfeksiyon Araştırma & Uygulama Merkezi

Arşiv