Görüntü İşleme Teknikleri Kullanarak Kumaş Hatalarının Belirlenmesi

Transkript

1 Tekstil Teknolojileri Elektronik Dergisi Cilt: 6, No: 1, 2012 (22-39) Electronic Journal of Textile Technologies Vol: 6, No: 1, 2012 (22-39) TEKNOLOJİK ARAŞTIRMALAR e-issn: Derleme (Review) Görüntü İşleme Teknikleri Kullanarak Kumaş Hatalarının Belirlenmesi H. İbrahim ÇELİK *, L. Canan DÜLGER **, Mehmet TOPALBEKİROĞLU * * Gaziantep Üniversitesi Müh. Fak. Tekstil Müh. Böl. Gaziantep/TÜRKİYE ** Gaziantep Üniversitesi Müh. Fak. Makine Müh. Böl. Gaziantep/TÜRKİYE hcelik@gantep.edu.tr, dulger@gantep.edu.tr, tbekir@gantep.edu.tr Özet Dokuma işletmelerinde kumaş kalite kontrol işlemi kalite uzmanı işçiler tarafından yapılmaktadır. Kumaş aydınlatılmış bir yüzey üzerinden geçirilerek sarılırken kalite kontrol işçisi tarafından hatalı bölgeler gözle takip edilmektedir. Bu işlem çok yorucu olmakta ve çok zaman almaktadır. Ayrıca hataların tespiti ve sınıflandırılması objektif olarak yapılamamaktadır. Bu işlemin otomatik olarak yapılabilmesi için yapay görme sistemleri ve görüntü işleme teknikleri kullanılarak bazı çalışmalar yapılmıştır. Bu çalışmada, kumaş hatalarının otomatik olarak tespit edilmesinde kullanılan dalgacık dönüşümü, Gabor filtresi ve Fourier dönüşümü gibi görüntü işleme yöntemleri tanıtılarak yapılan çalışmalar sunulmuştur. Yöntemlerin başarısı ve kapsamları değerlendirilmiş ve önerilerde bulunulmuştur. Anahtar Kelimeler: Kumaş kalite kontrol, Görüntü İşleme, Dalgacık Dönüşümü, Fourier Dönüşümü, Gabor Filtresi Determination of Fabric Defects by Using Image Processing Techniques Abstract Fabric quality control process in weaving mills is achieved by quality specialist workers. While the fabric is wound over an illuminated surface, the defective areas are detected quality control worker eye. This is very tiring and time consuming process. Also, the defect detection and classification can not be made objectively. Some studied was performed by using machine vision systems and image processing techniques in order to achieve this process automatically. In this study, some image processing methods used for fabric defect detection automatically; Wavelet transform, Gabor filter and Fourier transform were introduced and the studies using these methods were presented. The performance and content of the studies were evaluated and some proposals were given. Keywords : Fabric quality control, Image processing, Wavelet Transform, Fourier Transform, Gabor Filter Bu makaleye atıf yapmak için Çelik H. İ. *, Dülger C. L. **,Topalbekiroğlu M. *, Görüntü İşleme Teknikleri Kullanarak Kumaş Hatalarının Belirlenmesi Tekstil Teknolojileri Elektronik Dergisi 2012, 6(1) How to cite this article Çelik H. İ. *, Dülger C. L. **,Topalbekiroğlu M.*, Determination of Fabric Defects by Using Image Processing Techniques Electronic Journal of Textile Technologies, 2012, 6 (1) 22-39

2 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) GİRİŞ Kumaşın görünümünü bozan veya performansını etkileyen dokuma sırasında veya dokuma sonrası işlemlerden kaynaklanan kumaşta oluşan kusurlar kullanıcı tarafından kabul edilmemektedir, ve hata olarak adlandırılmaktadır. Tekstil sektörünün kendine özgü doğası gereği, ürünler üretimin farklı aşamalarında kontrol edilmekte ve meydana gelmiş hatalar düzeltilmeye çalışılmaktadır. Hata tespitinin üretimin farklı aşamalarında yapılması bir sonraki üretim aşamasına daha az hatalı girdi sağlanması açısından büyük önem arz etmektedir. Çünkü sonraki aşamalarda hatanın oluşturduğu maliyet katlanarak atmaktadır. Dokuma teknolojisinde meydana gelen gelişmeler sayesinde kumaşlarda karşılaşılan hata sayısı ve çeşidi belli ölçüde azalsa da, kullanılan iplikten ve/veya dokuma işleminden kaynaklanan hatalar hala oluşmaktadır. Bu hatalar dokuma üreticileri için bazen büyük maliyetlere sebep olmaktadır. Üretilen kumaşların kalite kontrol işlemi, ışıklı bir masa üzerinde insan gözü ile gerçekleştirilmektedir (Şekil 1). Kumaş, alt ve üst tarafından ışıklandırılan bir yüzey üzerinden geçirilerek sarılır. Bir kalite kontrol elemanı belli bir açı ile eğim verilen bu yüzeyin ön tarafında durarak kumaşın sarılması sırasında gözü ile kumaşı takip eder ve hatalı bölgeleri tespit etmeye çalışır. Kalite kontrol elemanın yaklaşık 2 metre enindeki bir alanı çok detaylı bir şekilde taraması gerekmektedir. Bu yüzden, bu işlem hem çok yorucu olmakta hem de uzun zaman almaktadır. Dokuma sırasında çok fazla duruş yapılmayan %90-%95 randımanla üretilmiş kumaşlar ancak 30m/dak hızla kontrol edilebilmektedir. Literatürden elde edilen bilgilere göre iyi bir kalite kontrol elemanı hataların ancak %60-70 ini tespit edebilmekte ve en fazla 2 metre enindeki bir kumaşı kontrol edebilmektedir [2,3]. Bu şekilde yapılan kalite kontrol işlemi objektif olmamakla beraber hataların değerlendirilmesi de istatistiksel olarak yapılamamaktadır. Kumaşın kalitesi değerlendiren kişiye göre değiştiği için taraflar arasında görüş ayrılığı ve anlaşmazlıklar yaşanmaktadır. Kumaş kalite kontrol işleminin daha objektif ve hızlı bir şekilde otomatik olarak yapılabilmesi için bazı çalışmalar yapılmıştır. Bu çalışmalarda kameralı sistemlerden ve görüntü işleme rutinlerinden faydalanılmıştır. Farklı filtreler ve metotlar denenerek gerek oluşturulan bir kumaş imgeleri veritabanı üzerinden gerekse gerçek zamanlı olarak doğrudan kumaş üzerinden hatalı bölgeler tespit edilmeye çalışılmıştır. 23

3 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları Şekil 1. Kumaş kalite kontrol makinesi [1] Bu çalışmada, kumaş hatalarının otomatik olarak tespit edilmesinde kullanılan dalgacık dönüşümü, Gabor filtresi ve Fourier dönüşümü gibi görüntü işleme metotları tanıtılarak yapılan çalışmalar derlenmiştir. Metotların başarısı ve kapsamları değerlendirilmiş ve önerilerde bulunulmuştur. Çalışma kapsamında; öncelikle görüntü işleme anlatılmış ve kullanılan yaklaşımlar sınıflandırılmıştır. Her bir yaklaşım için kumaş hata tespitinde yaygın olarak kullanılan metotlardan bahsedilmiş ve bu metotlar uygulanarak yapılan çalışmalar sunulmuştur. Sonuç ve öneriler bölümünde ise görüntü işleme çalışmaları ile literatür birlikte değerlendirilmiştir. 2. GÖRÜNTÜ İŞLEME METOTLARI VE UYGULAMALARI Görüntü (imge) farklı yollarla elde edilmiş bilgilerin f(x,y) şeklinde iki boyutlu bir fonksiyon olarak ifade edilmesidir. Burada x ve y uzay konumunu gösterirken, f(x,y) fonksiyonunun değeri o noktadaki ışıklılık şiddetini gösterir. Bir görüntüde en küçük birim ise, piksel olarak ifade edilmektedir. Elde edilen görüntünün işlenebilmesi için analog bilgiden dijital bilgiye çevrilmesi yani sayısallaştırılması gerekmektedir. Bu durumda görüntü, satır ve sütunlara bölünmüş ve her bir satır ve sütunun kesişim noktasında (piksel) o noktadaki ışıklılık şiddetine ait değere sahip bir matris formuna dönüşmektedir (Şekil 2). Görüntü işleme, değişik yöntemlerle elde edilen görüntünün sayısallaştırıldıktan sonra farklı matematiksel fonksiyonlara tabi tutulması ve her bir piksel değeri için yeni bir ışıklılık değerinin oluşturulması ve yeni bir görüntü elde edilmesi işlemidir. Görüntü analiz sistemi temel olarak; görüntü alma elemanı, görüntü işleme elemanı ve işlenen görüntünün gösterilmesi için kullanılan eleman olmak üzere üç kısımdan oluşmaktadır. Şekil 2. Görüntü sayısallaştırma işlemi Görüntü işleme metotlarının uygulama alanlar her geçen gün artmakta ve endüstrinin farklı konularındaki problemlere çözüm olmaktadır. Görüntü analiz tekniklerinin kullanıldığı bazı uygulamalar; - Biyomedikal görüntü analizi, - Savunma sanayi alanında insansız silahların ve cihazların hedef koordinatlarının belirlemesi, - Hızlı hedeflerin takip edilmesi, örnek olarak verilebilir. Tekstil mühendisliği açısından bakıldığında genellikle kumaşların doku özelliklerinin çıkarılması ve analiz edilmesi uygulamaları ön plana çıkmaktadır. Bazı önemli uygulamalar; Örgü ve dokuma 24

4 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) kumaşların hatalı bölgelerinin tespit edilmesi, kumaşların desen yapılarının çıkarılması, kumaş sıkılığının hesaplanması, atkı ve çözgü ipliklerinin dokuma kısalmasının hesaplanması şeklinde sıralanabilir [4-8]. Kumaş hata denetiminin otomatik olarak gerçekleştirilmesinde bazı dezavantajlar ön plana çıkmaktadır. Hata denetimi sırasında çok hızlı bir veri akışı olması, gürültü etkilerinin çok fazla olması, çok çeşitli hata türleri olması, bazı hataların benzer özelliklere sahip olması, hataların dokuma yapısına ve materyale göre dinamik olarak değişmesi gibi durumlar önemli dezavantajlar olarak sıralanabilir. Geliştirilecek bir otomatik hata denetim sisteminin standart üretim hattına uyumu zordur. Bu yüzden kumaş hatalarının otomatik olarak tespit edilmesinde henüz istenilen düzeyde ve performansta gelişme sağlanamamıştır. Uster, Barco Vision ve Elbit Vision gibi bazı firmalar tarafından bu konu ile ilgili ürün geliştirme çalışmaları yapılmıştır [9-11]. Ancak bunlardan Uster tarafından geliştirilen Fabriscan gibi bazı ürün projeleri istenilen başarıya ulaşamadığı için sonlandırıldığı bilgisine ulaşılmıştır. Barco Vision ve Elbit Vision firmaları tarafından geliştirilen ürünler ise sadece ham ve basit desenli kumaşlarda sınırlı sayıda hata çeşidini tespit edebildiği için dokuma firmaları tarafından yaygın bir kullanıma sahip değildir. Çalışmada, görüntü işleme metotlarının tekstil alanında en fazla uygulandığı alan olan dokuma kumaşlarda hata denetim konusunda yapılan çalışmalar incelenmiştir. Kumaş hata denetimi uygulaması için birçok yaklaşım öne sürülmüştür. Bu yaklaşımlar, uzamsal yaklaşım, istatistiksel yaklaşım ve model tabanlı yaklaşım olmak üzere üç temel gruba ayrılabilir [12]. Bu yaklaşımlar içerisinde dokuma kumaşlar için en başarılı olan uzamsal yaklaşımdır (spectral approach) [12]. Uzamsal yaklaşım fourier dönüşümü, dalgacık dönüşümü ve Gabor filtresi gibi metotları içermektedir. 2.1 Dalgacık Dönüşüm Metodu Her sinyal belirli bir frekanstaki sinyalin ve onun frekansının katları kadar farklı sinyalin, değişik oranlarda doğrusal biçimde birleşmesi şeklinde tanımlanabilir. Fourier dönüşümü bir sinyali sonsuz sayıdaki sinüs ve kosinüslerin doğrusal birleşimi şeklinde gösterir. Fourier dönüşümü bir sinyalin sadece frekans uzayı hakkında bilgi verir. Ancak, frekansta meydana gelen bir değişikliğin zamanı ile alakalı bir bilgi sunmaz. Fourier spektrumu bir görüntüdeki tüm frekans değerlerini gösterir ancak, bu frekans değerlerinin görüntü içerisindeki konumu ile ilgili bir bilgi sunmaz. Frekansta meydana gelen bir değişikliğin yerini tayin edebilmek için, sinyalin küçük parçalara bölünmesi ve pencereler halinde yerel olarak işlenmesi gerekmektedir. Dalgacık dönüşümü işleminde ana dalgacık adı verilen düzensiz, sınırlı süreli ve asitmetrik sinyal parçalarının, farklı ölçeklerde ötelenmiş versiyonları kullanır. Yaygın olarak kullanılan beş farklı ana dalgacık tipi Şekil 3 de gösterildiği gibi; Haar, Meyer, Morlet, Daubechies-4 ve Meksika şapkasıdır [13]. (a) Morlet (b) Meyer (c) Haar (d) Meksika şapkası (e) Daubechies-4 Şekil 3. Temel dalgacık tipleri [13] Bir sinyal veya imge dalgacık dönüşümü sonucunda hiyerarşik olarak yüksek geçiren filtre ve alçak geçiren filtre işlemlerine tabi tutularak sırasıyla detay ve yaklaşım alt bantlarına ayrıştırılır. Yaklaşım alt bant katsayıları yüksek ölçekte ve düşük frekansta sinyal bileşenleridir. Detay alt bant katsayıları ise düşük ölçekte ve yüksek frekansta sinyal bileşenleridir. İstenilen çözünürlük seviyesine göre yaklaşım alt bandı tekrar ayrıştırılarak işlem devam ettirilir. Dalgacık dönüşümü uygulama şekline göre ayrık ve sürekli olmak üzere iki farklı durumda incelenir. Sürekli dalgacık dönüşümünde parametreler sürekli 25

5 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları olarak değişmekte ve dalgacık katsayılarının hesaplanması zaman almaktadır. Bu nedenle ayrık dalgacık dönüşümü daha sık kullanılmaktadır [14]. Dalgacık dönüşüm metodu kumaş hata denetimde sıklıkla tercih edilen bir metottur. Dalgacık metodu kullanılarak yapılan çalışmalarda özellikle bazı küçük hatalar için çok iyi performans elde edilmiş ve istatistiksel yaklaşıma göre daha az hesaplama yapıldığı görülmüştür [15]. Aşağıda dalgacık metodu kullanılarak yapılan bazı kumaş hata denetimi çalışmaları hakkında bilgi verilmiştir ve Tablo 1 de çalışmaların içeriği özet olarak sunulmuştur. Yazar Tablo 1. Dalgacık metodu kullanılarak yapılan kumaş hata tespiti çalışmaları Görüntü İşleme Metodu Görüntü Alma Cihazı Kumaş Tipi Hata Tipleri Prototip Başarı Oranı Anagnostopoulos, C., Vergados, D., Kayafas, E., Loumos, V. ve Stassinopoulos, G. (2001). [1] GLCM (Gri seviye eş oluşum matris), Oransal boyut, Dalgacık dönüşümü, İstatistiksel momentler CCD Kamera Geçşek atkı, Gevşek çözgü, Damla, Düğüm, Delik, renk farkı, iplik kopması, taraklanma Slacks, droppings, cuttings, pickings, slabs and knots, holes, color differences, end outs, open reeds, missing yarn 84% Karayiannis, Y.A. Stojanovic, R. Mitropoulos, P. (1999) [16] Hu, M.C. ve Tsai, I.S. (2000) [17] Zhi, Y. X., Pang, G. K. H. Ve Yung, H. C. N. (2001) [19] Çift eşikleme, Siyah beyaz (binary) filtreleme, Siyah beyaz (binary) etiketleme, Çok çözünürlüklü dalgacık dönüşümü, İstatistiksel doku özelliği çıkartma, Yapay sinir ağları Ağaç yapılı dalgacık dönüşümü ve BP yapay sinir ağı Uyarlanır dalgacık metodu, Ortogonal uyarlanır dalgacık metodu Line-Scan Kamera CCD Kamera (Zoom lens) Dijital İmge Siyah dikey hata, Beyaz dikey hata, Kırışık, Siyah yatay hata, Beyaz yatay hata, Siyah leke, Beyaz leke Kopuk çözgü, Atkı kaçığı, Delik ve Yağ lekesi Tahar hatası, Kopuk çözgü, Gevşek Çözgü, Kopuk atkı, İnce çözgü 89% - 100% - Ngan, H. Y.T., Pang, G.K.H., Yung, S.P., Ng, M. K. (2005) [18] Dalgacık dönüşümü, Direk eşikleme, Görüntü çıkarma Dijital İmge Karmaşık desenli kumaşlar Çözgü kaçığı, Kopuk çözgü, Düğüm, Kirli İplik, Yağ lekesi, Çoklu örgü % Yang, X., Pang, G. ve Yung, N. (2005). [20] Tek uyarlanır dalgacık metodu, Çoklu uyarlanır dalgacık metodu Dijital İmge Kopuk çözgü, Gevşek çözgü, Tahar hatası, İnce yer, Kopuk atkı, Kirli iplik, Çoklu örgü, Kalın yer - Hata denetimi: 98.2% Sınflandırma: 97.5% Serdaroglu, A., Ertuzun, A. ve Ercil, A. (2007). [21] Dalgacık dönüşümü, Bağımsız bileşenler analizi, Topografik Wavelet transform, Independent Component Analysis (ICA), Topografik bağımsız bileşenler analizi, Bağımsız alt uzay analizi Dijital İmge - Yaklaşık 96% Liu, G. S. ve Qu, P. G. (2008) [22] Guan, S. and Shi, X. (2008) [23] Dalgacık dönüşümü, BP yapay sinir ağı Dalgacık dönüşümü, Fourier dönüşüm CCD Kamera (Zoom lens) Dijital İmge Bezayağı, Dimi Yağ lekesi, Eksik çözgü, Eksik atkı - 95% - 93% 26

6 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) Karayiannis ve arkadaşları [16] gerçek zamanlı olarak tekstil yüzeyleri üzerinde hata denetimi için prototip bir sistem kurmuştur (Şekil 4). Bu sistemde, üstten ışıklandırılan düz bir yüzey üzerinden kumaş sarılırken bir CCD kamera ile kumaştan görüntüler alınmıştır. Alınan bu görüntülerin analizinde çift eşikleme, siyah beyaz filtreleme, dalgacık dönüşüm metodu ile çoklu çözünürlüklü ayrıştırma ve istatistiksel olarak doku özniteliklerinin çıkarılması gibi yöntemler kullanılmıştır. Elde edilen kumaş imgeleri üzerinde hata tespitleri yapılmış ve bu hataların sınıflandırılması üzerine çalışılmıştır. Şekil 4. Gerçek zamanlı hata tespiti prototipi [16] Hu ve Tsai tarafından sunulan çalışmada [17] ağaç yapılı dalgacık dönüşüm metodu kullanılarak kumaş hatalarının tespit edilmesi sağlanmıştır. CCD kamera sistemi kullanılarak kumaş numunelerinin görüntüleri alınmıştır. Alınan bu görüntüler daha sonra dalgacık dönüşüm metodu kullanılarak farklı çözünürlüklerdeki alt bant görüntülerine ayrılmıştır. Alt bant görüntülerinin en düşük altı entropi değerleri ile konumları bulunmuştur. Bu değerler yapay sinir ağına öznitelik vektörü olarak girilmiştir. Böylece dalgacık dönüşümü ve yapay sinir ağları kullanılarak delik, kopuk çözgü, kopuk atkı ve yağ lekesi gibi dört farklı hata tipinin tespit edilmesi ve sınıflandırılması sağlanmıştır. Her bir hata tipi için otuz farklı örnek görüntü kullanılmıştır. Bu çalışmada ayrıca dalgacık dönüşümünü, çeşitli maksimum yok olan momentleri (vanishing moments), farklı çözünürlük seviyeleri ve farklı ölçekler ile kullanılarak hata sınıflandırma hızları ve performansları belirlenmiştir. Anagnostopoulos [1] görüntü analiz rutinlerini kullanarak geliştirdiği kalite kontrol sisteminde gri düzey eş oluşum matrisleri (gray level co-occurance matrices), fraktal boyut, dalgacık dönüşümü ve istatistiksel momentler gibi yaklaşımlar kullanılmıştır. Sistemin donanım kısmı; CCD kamera, bilgisayar, ışılandırma ünitesi ve bağlantı kablolarından oluşmaktadır. Çalışma basit istatistiksel ölçümler, eşikleme ve morfolojik işlemler temeline dayanmaktadır. Hazırlanan algoritma üç bölümden oluşmaktadır. Birinci bölümde elde edilen görüntülerin normalleştirilmesi ve ışıklandırma sisteminden kaynaklanan gürültülerin giderilmesi sağlanmıştır. İkinci bölümde normalleştirilmiş görüntü üzerinde görüntü işlemleri yapılarak hata olabilecek düzensiz bölgeler taranmıştır. Üçüncü bölümde ise hatalı bölgelerin görüntü üzerindeki yeri tespit edilmeye çalışılmıştır. Ngan ve arkadaşları [18] bez ayağı ve dimi gibi desenlerin aksine daha karmaşık desenlere sahip kumaşların hatalarının tespit edilmesine çalışmıştır. Bu çalışmada yine dalgacık dönüşümü kullanılarak bir algoritma geliştirilmiştir; 30 hatasız 30 hatalı olmak üzere toplam 60 jakarlı kumaş görüntüsü üzerinde analiz yapılarak hata tespiti yapılmaya çalışılmıştır. 27

7 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları Dalgacık metodunun kumaş hata denetimindeki performansını artırmak amacı ile uyarlanabilir (Adaptive) dalgacık dönüşümü metodu geliştirilmiştir [19,20]. Uyarlanabilir dalgacık modeli, ortogonal dalgacıklar ile karşılaştırıldığında daha fazla esneklik sağladığı söylenebilir. Uyarlanabilir dalgacık metodu, hatalı alan ile kumaş zemin dokusu arasındaki dönüşüm enerji oranını çok fazla artırmaktadır. Böylece hatalı alan daha belirgin bir şeklide ortaya çıkarılabilmekte ve daha kolay tespit edilebilmektedir. Ortogonal dalgacık metodunda ise hatalı bölge ile zemin dokusu daha fazla ilintili olduğu için hata tespit performansı sınırlı seviyede kalmaktadır. Serdaroğlu ve arkadaşları [21] çalışmasında dalgacık dönüşümü, bağımsız bileşen analizi, topolojik bağımsız bileşen analizi ve bağımsız alt uzay analizi gibi metotlar birlikte kullanılarak kumaş hata denetimi için farklı yaklaşımlar geliştirilmiştir. Dalgacık dönüşümü ön işlem olarak imgelere uygulanmış ve imgelerin alt bantlara ayrılması sağlanmıştır. Böylece işlem performansı artırılmıştır. Bu çalışma kapsamında çeşitli dalgacık dönüşüm metotları, farklı genişliklerdeki alt pencereler, farklı sayılarda bağımsız bileşenler ve birçok alt bant kullanılarak 13 farklı kumaş hata denetim senaryosu geliştirilmiştir. Bu senaryoların hata denetim performansları karşılaştırılmıştır. Dalgacık dönüşümü ve geri besleme yapay sinir ağı Lıu ve Qu tarafından birlikte kullanılarak [22] hata tespiti ve sınıflandırılması yapılmıştır. Çalışma kapsamında yağ lekesi, kopuk çözgü ve kopuk atkı hataları dikkate alınmıştır. CCD kamera kullanılarak her bir hata tipi için otuz görüntü alınmıştır. Bu görüntülerden yirmi tanesi sinir ağının eğitiminde kullanılırken on tanesi test edilmesinde kullanılmıştır. Alınan görüntüler Daubechies-5 dalgacık tipi kullanılarak üçüncü çözünürlük seviyesinde alt imgelere ayrılmıştır. Dalgacık dönüşümü ile ayrılan bu görüntülerin doku özellik vektörü oluşturulmuş ve yapay sinir ağına girdi değeri olarak verilmiştir. Her bir hata sınıfı için aynı işlem yapılarak ağ eğitildikten sonra test edilmiştir. Hata sınıfı tespitinin %95 oranında doğru bir şekilde yapıldığı söylenmektedir. Guan ve Shi dalgacık dönüşümü ve Fourier dönüşümü metotlarından faydalanarak kumaş görüntülerinde hatalı bölgeleri tespit etmeye çalışmıştır [23]. Bezayağı kumaşlara ait 160 görüntü hata tiplerine göre 40'ar görüntüden oluşan dört gruba ayrılmıştır. Aynı işlem dimi kumaş görüntüleri içinde yapılmıştır. Bezayağı kumaşlara ait görüntüler Daubechies-1 (DB1), Daubechies-2 (DB2), Daubechies-3 (DB3) ve Daubechies-4 (DB4) dalgacık tipleri kullanarak birinci derece çözünürlük seviyesinde ayrıştırılmıştır. Tüm kumaş görüntülerinin ayrıştırılan her bir alt görüntüsünün (yatay detay, dikey detay, çapraz detay) doku entropi değeri hesaplanmıştır. Bezayağı kumaşlarda en düşük entorpi değeri DB2'de, dimi kumaşlarda ise DB3'de elde edilmiştir. Bu yüzden görüntülerin ayrıştırılmasında bezayağı için DB2, dimi kumaşlar için ise DB3 dalgacık türleri seçilmiştir. Daha sonra, alt görüntüleri gürültülerden temizlemek ve daha düzgün bir görüntü elde etmek için frekans uzayı filtresi uygulanmıştır. Filtreden geçirilen alt görüntüler birçok alt pencerelere bölütlenmiştir. Alt pencerelerin boyutları en küçük doku birimini içerecek şekilde seçilmiştir. Alt pencerelere ait standart sapma değerleri hesaplanarak normal hatasız bir kumaşa ait standart sapma değerleri ile karşılaştırılmıştır. Standart sapma değerleri arasındaki fark belli bir limiti aşan bölgeler hatalı bölgeler olarak tespit edilmiştir. 2.2 Gabor Filtre Metodu Literatürde farklı Gabor filtrelerine rastlanmaktadır [24-26]. Bu yüzden Gabor filtrelerinin kesin bir tanımı mevcut değildir. İki boyutlu Gabor süzgeci, iki boyutlu Gaussian yüzey ile tek yöndeki iki boyutlu düzgün dalganın birleşimidir. Gabor süzgeci; şeklinde ifade edilir [27,28]....(1) Burada; 28

8 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) (2) dir. ve (3) Burada, filtre frekansı, ve ölçek değerleri filtre genliği ve ise düzgün dalganın x ekseni ile arasındaki açıyı ifade eder. Gabor filtresi canlılardaki görme sinirlerinin uzaysal frekans ve yönelim seçici özelliklerinden ilham alarak hazırlanmıştır. İki boyutlu Gabor filtresi yapay görme ve görüntü analiz işlemlerinde başarı ile uygulanmaktadır. Yaygın olarak doku sınırlarını belirleme, doku görüntüsü bölütleme, ayrıştırma ve sınıflama uygulamalarında kullanılmaktadır. Son zamanlarda tekstil kumaşları hata tespiti alanında da kullanılmaya başlamıştır. Doku analizi uygulamalarında filtre bankası ve bireysel uyarlamalı olmak üzere iki temel Gabor filtresi metodu kullanılmaktadır. Aşağıda Gabor filtresi kullanılarak yapılan bazı kumaş hata denetimi çalışmaları hakkında bilgi verilmiştir ve Tablo 2 de çalışmalar özetlenmiştir. Tablo 2. Gabor Filtre metodu kullanılarak yapılan kumaş hata tespiti çalışmaları Yazar Görüntü İşleme Metodu Görüntü Alma Cihazı Kumaş Tipi Hata Tipleri Prototip Başarı Oranı Bodnarova, A., Bennamoun, M. ve Latham S. (2002) [28] 2-D Gabor Algoritması Dijital İmge Homojen desenler ve jakarlı desenler Yüzen çözgü - Mak, K. L., Peng, P., Lau,H.YK. (2005) [29] Gabor Dalgacık Ağı, Aşındırma ve Genişletme morfolojik işlemleri Dijital İmge Yabancı lif, Uçuntu, Tahar hatası, Boncuklanma, Su damlası, Nope % Mak, K. L., Peng, P., Lau, H.YK. (2005) [30] Gabor Filtresi Line-Scan Kamera Dimi Tahar hatası, Kopuk aktı, Nope, Su damlası 100 Mak, K. L. ve Peng P. (2006) [31] Gabor Filtresi, Gaussian düzgünleştirme filtresi Line Scan Kamera Kirli çözgü, Yüzen çözgü, Nope, Düğüm, Tahar hatası, Yabancı lif, 98.7% Mak, K.L. ve Peng, P. (2008) [32] Mak, K.L., Peng, P. ve Yiu, K.F.C. (2009) [33] Han, R. ve Zhang, L. (2009) [34] Tek simetrik gerçel değerli Gabor filtresi, Çift simetrik gerçek değerli Gabor filtresi, Düzgünleştirme filtresi Gabor Dalgacık Ağı Tek simetrik Gabor filtresi, Çift simetrik Gabor filtresi, Genetik algoritma Tarayıcı Line Scan Kamera Dimi, Denim, Bezayağı Dimi, Denim, Bezayağı Nope, Kopuk çözgü, Delik, Gevşek atkı, Kalın çözgü, Çift atkı, Tahar hatası, Renkli leke, Yüzen atkı, Kalın yer, Gergin atkı, Su lekesi, Kopuk atkı, Yüzen çözgü, Düğüm Yabancı lif, Renkli leke, Boncuklanma, Tahar hatası, Yağ lekesi, Su lekesi, Kirli çözgü, Kirli atkı, Kopuk atkı, Damla, Çoklu örgü 96.2% 97.7% Dijital İmge % 29

9 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları Bodnarova ve arkadaşları optimum iki boyutlu bir Gabor filtresi tasarlamıştır [28]. Bu çalışmada sunulan kumaş hata denetimi yaklaşımı ayarlı-uyumlu filtre olarak sınıflandırılmıştır. İki boyutlu Gabor algoritması, otomatik olarak ve uyarlanabilir bir şekilde optimum parametrelerin seçildiği iki boyutlu optimize edilmiş Gabor fitresi tasarımı temeline dayanmaktadır. Bu çalışmanın, Gabor filtre çözümünün gerçek zamanlı olarak desenli kumaşların hatalarının tespit edilmesinde kullanıldığı ilk uygulama olduğu belirtilmiştir. Sunulan Gabor filtre çözümünün çok hızlı oluğu ve çok geniş çeşitlilikte tekstil hatalarının hem homojen desenlerde hem de kompleks jakar desenlerinde tespit edilebilmesi için sadece küçük sayıda optimum filtre gerektirdiği belirtilmiştir. Mak K. L. ve diğerleri tekstil kumaşlarının doku özelliklerini çıkarmak için Gabor Dalgacık Ağı (Gabor Wavelet Network) metodu, genişletme ve aşındırma gibi temel morfolojik işlemleri kullanmışlardır [29]. Aşındırma ve genişletme işlemlerinden dolayı kaybolan bazı bilgileri tekrar kazanmak için açma ve kapama işlemleri yapılmıştır. Bu çalışma kapsamında 78 kumaş imgesi kullanılmıştır. Bunlardan 39 tanesi hatasız kumaş imgesi geri kalanlar ise farklı türde hatalara sahip kumaş imgeleridir. Kumaş imgeleri Gabor dalgacık ağının eğitilmesi ve test edilmesi için kullanılmıştır. Mak K. L. ve arkadaşları diğer bir çalışmalarında tekstil kumaşlarında gerçek zamanlı hata denetimi için Şekil 5 te gösterilen prototip yapay görme sistemini önermiştir [30-33]. Bu prototip sistemi kullanılarak farklı Gabor filtresi tabanlı uygulamalar yapmışlardır. [30] çalışmasında, otomatik olarak Gabor fonksiyonlarının ayarlandığı basit bir filtre seçme kriteri önerilmiştir. Gabor fonksiyonunun sadece gerçel kısmı kullanılmıştır. Önerilen algoritmada öncelikle hatasız bir kumaş imgesi farklı çözünürlük seviyelerine ayrıştırılmış. Daha sonra, her bir çözünürlük seviyesi için Gabor fonksiyon parametreleri belirlenmiştir. Her seviyedeki Gabor foknsiyonu parametreleri için genetik algoritma yöntemi kullanılarak optimum değerler belirlenmiştir. Böylece imge piramidinin her seviyesi için bir tane optimum Gabor filtresi seçilmiştir. Hata bölütlemesi yapılacak kumaş görüntüsü seçilen Gabor filtrelerinden geçirildikten sonra görüntü birleştirme işlemi uygulanmıştır. Farklı çözünürlük seviyelerine Şekil 5. Kumaş hata denetimi için gerçek zamanlı yapay görme sistemi [30] ayrılan görüntü filtrelerden geçirildikten sonra tekrar bileştirilmiştir. Birleştirilen görüntü medyan filtresi ile konvolüsyon işlemine tabi tutulmuştur. Son olarak eşikleme işlemi ile görüntü siyah beyaz forma dönüştürülmüştür. Geliştirilen algoritma gerçek zamanlı (on-line) ve veritabanından alınan görüntüler üzerinden (off-line) denenmiştir. Gerçek zamanlı olarak prototip sistem üzerinde yapılan çalışmada 7,8 piksel/mm çözünürlük kullanılmıştır. Her görüntü çerçevesi 2048 x 256 boyutlarında alınmıştır. Prototip sistem en fazla 15 m/dk hızda çalıştırılmıştır. 30

10 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) Han R. ve Zhang L. tarafından sunulan metotta optimum Gabor filtresinden bir tane tek simetrik ve bir tane de çift simetrik Gabor filtresi türetilmiştir [34]. Optimum Gabor filtresinin parametreleri genetik algoritma metodu ile belirlenmiştir. Yapılan uygulamalarda çift simetrik Gabor filtresinin düğüm gibi damla şeklinde hataların tespit edilmesinde daha etkili olduğu ve tek simetrik Gabor filtresinin kopuk atkı veya kopuk çözgü gibi keskin kenar şeklindeki hatalarda daha etkili olduğu tespit edilmiştir. Bu çalışmada 42 farklı doku yüzeyine sahip, farklı boyutlarda ve türlerde hatalar içeren kumaş imgeleri kullanılmıştır. 2.3 Fourier Dönüşüm Metodu Fourier analizi, sinyalleri değişik frekanslardaki sinüs ve kosinüs dalgalarına ayırır. Fourier dönüşümü sonucunda zaman bölgesindeki sinyalin frekans bölgesindeki karşılığı elde edilir. İki boyutlu ayrık Fouirer dönüşümü; şeklinde ifade edilmektedir..(4) Burada, ) imgeyi, M ve N ise imgenin boyutlarını ifade etmektedir. Ters Fourier dönüşümü ile imgesi tekrar elde edilmektedir [14]. (5) Aşağıda Fourier dönüşümü metodu kullanılarak yapılan bazı kumaş hata denetimi çalışmaları hakkında bilgi verilmiştir ve Tablo 3 de çalışmalar özetlenmiştir. Tablo 3. Fourier dönüşümü metodu kullanılarak yapılan kumaş hata tespiti çalışmaları Yazar Görüntü İşleme Metodu Görüntü Alma Cihazı Kumaş Tipi Hata Tipleri Prototip Başarı Oranı J. G. Campbell,C. Fraley, D. Stanford, F. Murtagh, A. E. Raftery [35] Gaussian filtresi, Fourier dönüşümü Dijital İmge - Chan, C. ve Pang, K. H. G. (2000) [36] Fourier analiz CMOS Kamera Bezayağı Çift iplik, Kopuk iplik, Yırtık, İplik sıklığındaki değişimler - Goswami, M. B. ve Datta, K. A. (2000) [37] Chandra J. K., Banerjee, P. K. ve Datta A. K. (2008) [38] Aşındırma ve açma işlemleri, Fourier dönüşümü Fourier dönüşümü, Gri skala morfolojik tekrar oluşturma işlemleri CCD Kamera Düğüm, Kalın yer - CCD Kamera Kalın atkı, Kalın çözgü, Delik, Düğüm - 31

11 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları Campbell J. G. ve diğerleri örgü ve dokuma kumaşlarda hata tespiti için model tabanlı birçok metot tanımlamışlardır [35]. Bu metotlar görüntü eşikleme, sabit zemin desen yapısının görüntü çıkarma işlemi ile çıkarılması, model tabanlı doğrusallık bulunması gibi uygulamaları içermektedir. Chan C. ve arkadaşları tarafından kumaş hata denetimi için sunulan Fourier analizi tabanlı algoritmada [36] diğer uzamsal yaklaşımlara göre daha az hesaplama süresi gerektirmektedir ve hata sınıflandırması için daha fazla parametre sağlamaktadır. Bu çalışmada, üç boyutlu frekans spektrumuna dayanan iki uzamsal diyagram tanımlanmıştır ve kumaş hata denetimi uygulamasında kullanılmıştır. Goswami M. B. ve Datta K. A. aşındırma ve açma gibi morfolojik işlemlerin yanı sıra Fourier dönüşümü kullanarak kumaş görüntülerini analiz etmiştir [37]. Morfolojik işlemlerde en önemli aşama uygun bir yapılanma elemanının ve boyutlarının belirlemesidir. Bu çalışmada öncelikle kumaş imgesi üzerinde tespit edilmek istenilen hatanın boyutuna göre uygun bir yapılanma elemanı seçilmiştir. Morfolojik işlemlerle delik ve düğüm gibi hatalar tespit edilmiştir. Ancak kopuk aktı veya çözgü gibi çizgi halindeki hataları tespit etmek için Fourier düzleminde uzamsal filtreler kullanılmıştır. Aydınlatma için daha önce bahsedilen çalışmalardan farklı olarak 5 MW gücünde He-Ne lazer kullanılmıştır. Lazer aydınlatma altındaki kumaşın görüntüsü CCD kamera ile alınmıştır. Chandra J. K. ve arkadaşları tarafından lazer ışın demeti ve optik bir sistem kullanılarak kumaş üzerindeki hatalı bölgelerin tespit edilmesine çalışılıştır. Oluşturulan bu sistemde kullanılan lensler yardımı ile görüntü filtreleme işlemleri yapılmıştır [38]. Optik uzamsal filtre işlemi Fourier düzemline 0,755 mm çapında oluşturulan bir iğne deliği ile gerçekleştirilmiştir. Şekil 6 de gösterildiği gibi hatalı kumaş numunesi lazer ışık kaynağının önüne uzamsal ışık modülatörünün (SLM) üzerine yerleştirilmiştir. SLM lazer ışık kaynağı ile arasına yerleştirilen ışık yayıcı tarafından aydınlatılmıştır. Fourier lenslerden ve diğer görüntü lenslerinden geçerek CCD kameraya ulaşan ışık kamera tarafından dijital görüntüye dönüştürülmüş ve bilgisayara aktarılmıştır. Optik filtrelerden geçirilen görüntü deneysel olarak belirlenen bir eşikleme değerine göre siyah beyaz forma dönüştürülmüştür. Daha sonra aşındırma ve genişletme morfolojik işlemler ile görüntü tekrar oluşturulmuştur. Şekil 6. Fourier dönüşümü ve uzamsal filtreleme için optik kurgu [38] 2.4 Morfolojik İşlemler ve Farklı Filtreler Uzamsal yaklaşımların yanı sıra bazı farklı morfolojik işlemler ve filtreler yardımı ile kumaşlarda hata denetimi yapılmaya çalışılmıştır. Bu çalışlardan özellikle prototip sistem üzerinde gerçek zamanlı olarak yapılan hata denetimleri incelenmiş ve çalışmaların içerikleri aşağıda açıklanmıştır. Tablo 4 de morfolojik işlemeler ve farklı filtreler kullanılarak yapılan bazı kumaş hata denetimi çalışmaları hakkında bilgi verilmiştir ve çalışmalar özetlenmiştir. 32

12 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) Tablo 4. Morfolojik işlemler kullanılarak yapılan kumaş hata tespiti çalışmaları Yazar Görüntü İşleme Metodu Görüntü Alma Cihazı Kumaş Tipi Hata Tipleri Prototip Başarı Oranı Radovan Stojanovic, Stavros Koubias, George Papadopoulos [39] Gri seviye fark metodu, Standart genlik sapma metodu, Güç spektrum metodu CCD Kamera Kırışık, Delik Stojanovic, R., Mitropulos, P., Koulamas, C., Karayiannis, Y., Koubias, S. ve Papadopoulos G. (2001) [40] Cho, C. S., Chung, B. M. ve Moo-Jin Park M. J. (2005) [41] Mursalin, T. E., Eishita, F. Z. ve Islam, A. R. (2008) [42] Eşikleme işlemi, Gri seviye fark metodu, Yapak sinir ağı metodu Medyan filtre, Ortalama değer filtresi, Uyarlı eşikleme metodu, Aşındırma işlemi Yapay sinir ağları, Eşikleme Line-scan Kamera Line-scan Kamera Digital Kamera Siyah leke, Beyaz leke, Yatay Siyah hata, Yatay beyaz hata, Dikey siyah hata, Dikey beyaz hata, Kırışık Çözgü yüzmesi, Kopuk atkı, Delik, Yağ lekesi, Lekeli bölge Delik, Kopuk filamanlar 86.2%. Yağ lekesi ve diğer lekeler: %100 Diğerleri: %80 100% Stojanovic R. ve arkadaşları tarafından sunulan algoritmada öncelikle alınan görüntü birinci derce gradyan filtresinden geçirilmiştir [39]. Daha sonra pencereleme (windowing) olarak adlandırılan aşamada filtre edilmiş görüntü alt görüntülere bölünmüştür. Her alt görüntünün kontrast değeri, standart sapma değeri ve Fourier dönüşüm değeri sırasıyla gri seviye fark metodu, standart genlik sapma metodu ve güç spektrum metodu ile çıkarılmıştır. Çıkarılan bu değer kullanılarak oluşturulan özellik matrisi her bir yöntem için ayrı ayrı belirlenen T eşik değerine göre eşikleme işlenme tabi tutulmuş ve görüntü siyah beyaz forma dönüştürülmüştür. Siyah beyaz formda ortaya çıkan hataya ait geometrik değerler çıkarılarak hatalı bölgenin işaretlenmesinde kullanılmıştır. Oluşturulan bir prototip sistem üzerinde gerçek zamanlı olarak hata denetimi yapılmış ve gri seviye fark, standart genlik sapma ve güç spektrum metotlarının performansı karşılaştırılmıştır. Şekil 7 de gösterildiği gibi prototip sistem aydınlatma, kumaşın düzgün ve sabit bir gerginlikte sarılmasını sağlayan iki adet motor, foto sensor, enkoder ve CCD line-scan kameradan oluşmaktadır. Kumaşın hareketine göre kameranın tetiklenmesi işlemi ve senkronizasyonu enkoderden gönderilen sinyallerle sağlanmaktadır. Dijital sinyal işleme devresi DSP Board üzerinde kamera tarafından alınan görüntüler filtre edilmiş ve doku özellikleri çıkarılmıştır. Daha sonra yine DSP devresi üzerinde eşikleme işlemi yapılarak elde edilen görüntü bilgisayar ekranına yansıtılmıştır. Yapılan uygulamalar değerlendirildiğinde gradyan filtre ile beraber kullanılan gri seviye fark metodunun (GLDM) en iyi sonucu verdiği belirtilmiştir [39]. Stojanovicw R. ve arkadaşları tarafından aynı sistem üzerinde (Şekil 7) yapılan başka bir çalışmada hatasız kumaş yüzeyi özelliklerine göre eşikleme işlemi yapılarak hata tespiti yapılmıştır [40]. Gri seviye fark metodu kullanılarak doku özellikleri vektörü oluşturulmuştur. Doku özellik vektörü; Kontrast, açısal ikinci moment, ortalama, entropi, homojenlik ve özelliklerin ortalaması gibi değerlerden oluşmaktadır. Son olarak yapak sinir ağı metodu ile doku özellik vektörü girdi olarak verilmiş ve hata sınıflaması yapılmıştır. 33

13 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları Şekil 7. Gerçek zamanlı hata tespiti için yapay görme sistemi [40] Cho C. S. ve Chung B. M. tarafından sunulan çalışmada düşük maliyetli bir sistem tasarımı yapılmıştır [41]. Hata sınıflamasına girmeden sadece ortalama boyuttaki bazı hatalar tespit edilmeye çalışılmıştır. Kamera sistemi, aydınlatma ve bilgisayardan oluşan sistem bir kalite kontrol makinesi üzerinde denenmiştir (Şekil 8). Hatasız kumaş numunesinden alınan imgelerin ortalama değerleri ve standart sapma değerleri hesaplanmıştır. Bu değerler kullanılarak maksimum ve minimum olmak üzere iki tane eşik sınırı hesaplanmıştır. Hata denetimi yapılan kumaş imgeleri maksimum ve minimum sınırlara göre eşikleme işlemi yapılarak siyah beyaz forma dönüştürülmüştür. Böylece kumaş üzerindeki hatalı bölge açığa çıkarılmıştır. Tespit edilen hataların geometrik değerleri hesaplanarak hatanın yeri ve boyutu belirlenmiştir. Şekil 8. Gerçek zamanlı kumaş hata denetim sistemi [41] Mursalin T. E. ve arkadaşları yapmış oldukları basit bir düzenek ile geçek zamanlı kumaş hata tespiti yapmaya çalışmışlardır [42]. Düzenek dijital bir kamera, kumaşı tutan aparat ve aydınlatma lambalarından oluşmaktadır (Şekil 9). Çalışmada ayrıca yazılımın hızlı bir şekilde işletilmesi ve hatalı bölge tespit edildiğinde hatalı kısmın çıkarılması için sistemi bekleten bir mikro denetçi tasarımı da yapılmıştır. Önerilen yazılım MATLAB ortamında hazırlanmıştır. Dijital kameradan alınan görüntüler medyan filtresinden geçirilerek gürültülerden temizlenmiştir. Delik hatası, kopuk filamanlar, diğer hatalar 34

14 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) ve hatasız olmak üzere dört farklı kumaş tipi için yapay sinir ağı eğitilmiştir. Dört farklı kumaş durumu için toplam 200 kumaş görüntüsüne ait gri değer histogramı oluşturulmuş ve bu histogramlar üzerinden her görüntüye ait eşik aralıkları belirlenerek ağın eğitiminde kullanılmıştır. Şekil 9. Gerçek zamanlı hata denetim düzeneği [42] 5. SONUÇ VE ÖNERİLER Kamera sistemlerinde ve görüntü alma teknolojisinde meydana gelen gelişmelere pareler olarak tekstil sektöründe özellikle dokuma alanında farklı yapay görme sistemi çözümleri geliştirilmeye çalışılmıştır. Liflerin fiziksel özelliklerinin belirlenmesi, iplik düzgünsüzlüğünün belirlenmesi, dokuma ve örgü kumaşların hatalı bölümlerinin tespit edilmesi gibi birçok alanda yapay görme sistemleri ve görüntü analizi kullanılarak geliştirilen çözümler bulunmaktadır. Bu çalışmada özellikle kumaş hatalarının otomatik olarak tespit edilmesi üzerine bilgi verilmiştir. Dokuma kumaş hatalarının otomatik olarak belirlenmesi henüz istenilen düzeyde bir başarıya ulaşamamıştır. Bunun başlıca nedenleri; çok hızlı bir veri akışı olması, gürültü etkilerinin fazla olması, çok fazla hata sınıfları olması, hata çeşitlerinin dokuma yapısına ve materyale göre dinamik olarak değişmesi, hata sınıfları arasında benzerlikler olması ve standart üretim hattına uyumunun zor olması şeklinde sıralanabilir. Ticari olarak geliştirilen bazı ürünler bulunmakla birlikte bu ürünlerin performansı kumaş dokuma firmalarının beklentilerini karşılayacak düzeyde değildir. Özellikle ülkemizde dokuma firmaları tarafından kullanılan bu tür bir sisteme rastlanmamıştır. Kumaş hata denetimi için yapılan akademik çalışmalara değerlendirildiğinde uzamsal yaklaşımın daha çok kullanıldığı görülmüştür. Uzamsal yaklaşım fourier dönüşümü, dalgacık dönüşümü ve Gabor filtresi gibi teknikleri içermektedir. Fourier dönüşümü sonucunda elde edilen güç spektrumundan hatalı kumaş içerisinde çok farklı frekansların yani hatalı bölgelerin var olup olmadığı tespit edilebilmektedir. Ancak, tek başına Fourier dönüşümü kullanarak hatanın yeri ve zamanı belirlenememektedir. Dalgacık dönüşümü ve Gabor filtresi uygulamalarında bu sorunun aşıldığı görülmektedir. Dalgacık dönüşümü ile farklı çözünürlük seviyelerinde alt görüntülerine ayrıştırılan kumaş görüntüleri üzerinden doku özellikleri çıkartılmaktadır. Bu özellikler hataların belirlenmesi ve sınıflandırılması için kullanılmaktadır. Aynı şeklide Gabor filtresi metodu da görüntüyü alt görüntülere ayrıştırarak hatalı bölgenin zemin dokusuna göre daha belirgin hale gelmesini sağlar. Yapılan çalışmalara bakıldığında tek başına Dalgacık metodu, Gabor filtresi veya Fourier dönüşümü kullanarak hataların tespit edilmesinin mümkün olmadığı görülmektedir. Bu metotların uygulanmasından önce veya sonra görüntüyü düzgünleştirmek ve gürültülerden arındırmak için morfolojik işlemler kullanılmaktadır. Açma, kapama, aşındırma, genişletme, medyan filtresi, eşikleme gibi işlemeler 35

15 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları bunlardan bazılarıdır. Bunların yanından yapay sinir ağı, bulanık mantık, genetik algoritma gibi metotlar da uygulanan filtrenin kumaşın özelliklerine göre adapte edilmesi, filtre parametrelerinin optimizasyonu gibi işlemlerde kullanılmıştır. Hataların sınıflandırılması için genellikle yapay sinir ağı kullanılmıştır. Ağın eğitilmesi için kumaş dokusuna ait ikinci moment, entropi, ortalama değer, standart sapma değeri gibi parametreler girdi değerleri olarak alınmıştır. Sonuç olarak, güçlü ve etkili bir kumaş hata denetim algoritması için birçok görüntü işleme uygulamaları birlikte ve uyum içerisinde kullanılmalıdır. Kumaşlardaki hataların görüntü işleme teknikleri ile bulunması konusunda yapılan çalışmalarda genellikle dijital kameralar ile aynı ortam koşullarında kumaş görüntüleri alınmış ve bu görüntülerden bir veritabanı oluşturulmuştur. Daha sonra veritabanındaki görüntüler üzerinde geliştirilen algoritmalar denenmiştir. Gerçek zamanlı olarak doğrudan kumaş üzerinden alınan görüntülerin işlemesi konusunda az sayıda çalışma bulunmaktadır. Bu yüzden bu çalışmada genel olarak gerçek zamanlı uygulamalardan bahsedilmiştir. Çünkü dokuma sektörü açısından düşünüldüğünde ancak gerçek zamanlı uygulamalar kumaşların hatalarını belirmemede çözüm olabilecektir. Gerçek zamanlı uygulamalar veritabanı üzerinden yapılan uygulamalara göre çok daha zordur. Kumaşın hareketi sırasında görüntünün alınması ve işlenmesi gerekmektedir. Bu da hem donanım olarak hem de yazılım olarak birçok zorluğu beraberinde getirmektedir. Öncelikle ışın her yerde aynı şiddette yayılmasını sağlayan yüksek yoğunluklu bir ışık kaynağına ihtiyaç duyulmaktadır. Ayrıca kumaşın sarılmasını sağlayan sistemden kaynaklanan titreşimlerde görüntüyü alma işlemini olumsuz etkilemektedir. Geliştirilen algoritmanın hızlı olması, az hesaplama aşaması içermesi gerekmektedir. Yazılım aydınlatma ve titreşimden kaynaklanan gürültüleri yok edebilmelidir. Gaziantep Üniversitesi Tekstil Mühendisliği Bölümünde yürütülen bir proje kapsamında kumaş hata denetimi için basit, portatif, düşük maliyetli ve farklı kumaş kalite kontrol masalarına kolaylıkla uyarlanabilen akıllı bir sistem geliştirmektedir. Proje aynı zamanda Makine Mühendisliği Bölümünde yürütülen bir doktora tez konusudur. Geliştirilecek bu sistem ile kumaş üzerindeki hataların otomatik olarak tespit edilmesi ve tespit edilen hataların kendi içerisinde sınıflandırılması hedeflenmektedir. Ayrıca Gabor süzgeçleri, Fourier Dönüşümü, Dalgacık Dönüşüm metodu, Yapay Sinir Ağları gibi farklı görüntü analiz yöntemleri kullanılarak farklı hata tiplerindeki performansları belirlenecektir. Böylece her bir hata tipi için en uygun görüntü analiz yöntemi tespit edilmiş olunacaktır. Geliştirilen sistem sayesinde; - Kumaş hata denetiminin otomatik olarak hızlı bir şekilde yapılması, - Dokuma kumaş firmalarının zaman ve işçilik maliyeti açısından önemli bir kazanç sağlaması, - Üretilen kumaşların kalitelerinin kısa sürede objektif olarak değerlendirilmesi, - Müşteri memnuniyetinin önemli ölçüde artırılması, - Üretilen kumaşların hata istatistiklerinin yapılabilmesi ve hataların sebeplerinin istatistiksel olarak değerlendirilmesine olanak sağlanması, gibi kazanımlar hedefler arasındadır. 36

16 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) KAYNAKLAR Anagnostopoulos, C., Vergados, D., Kayafas, E., Loumos, V., Stassinopoulos G., 2001, A Computer Vision Approach for Textile Quality Control, The Journal of Visualization and Computer Animation, 12: Ralló M., Sagrario M. M., Escofet J., Wavelet based techniques for textile inspection, 4. Ajallouian, F., Tavanai, H., Palhang M., Hosseini, S. A., Sadri, S. and Matin K., 2009, A Novel Method For The Identification Of Weave Repeat Through Image Processing, The Journal of The Textile Institute, 100, 3, Kang, T. J., Kim C. H. and Oh K. W., 1999, Automatic Recognition of Fabric Weave Patterns By Digital Image Analysis, Textile Research Journal, 69(2), Jeon, B. S., Bae J. H. and Suh M. W., 2003, Automatic Recognition Of Woven Fabric Patterns By an Artificial Neural Network, Textile Research Journal, July, Kinoshita, M., Hashimoto, Y., Akiyama, R., and Uchiyama S., 1989, Determination of Weave Type in Woven Fabric By Digital Image Processing, Journal of the Textile Machinery Society of Japan, 40, 11, 463-P Huang, C. C., Sun-Chong Liu S., C. and Yu W. H., 2000, Woven Fabric Analysis By Image Processing: Part I: Identification of Weave Patterns, Textile Research Journal, 70(6), Uster Fabriscan, (Mart 2010), Elbit Vision, (Mart 2010), Barco Vision, (Mart 2010), LoomInspection_BRCH_EN_A00511.pdf 12. Kumar, A., 2008, Computer-Vision-Based Fabric Defect Detection: A Survey, IEEE Transactıons On Industrıal Electronıcs, Vol. 55, No. 1, January. 13. Sonka, M., Hlavac., V., Boyle, R., 2008, Image Processing, Analysis and Machine Vision, International Student Edition, Thomson Learning, Thomson Corporation, USA 14. Gonzalez, R.C., Woods, R.E, 2002, "Digital Image Processing", 2nd edition, Prentice Hall, Upper Saddle River, New Jersey Zhi, Y. X., Pang, G. K. H., Yung, H. C. N., 2001, Fabric Defect Detection Using Adaptive Wavelet, IEEE International Conference on Acoustics, Speech, and Signal Processing, Karayiannis, Y.A., Stojanovic, R., Mitropoulos, P., 1999, Defect detection and classification on web textile fabric using multiresolution decomposition and neural networks, The 6th IEEE International Conference on Electronics, Circuits And Systems, Pafos, 2, Hu, M.C., Tsai, I.S., 2000, Fabric inspection based on best wavelet packet bases, Journal of the 37

17 Teknolojik Araştırmalar: TTED 2012 (1) Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları Textile Institute, 70(8), Ngan, H. Y.T., Pang, G.K.H., Yung, S.P., Ng, M. K., 2005, Wavelet Based Methods on Patterned Fabric Defect Detection, Pattern Recognition, 38, Zhi, Y. X., Pang, G. K. H. and Yung, H. C. N., 2001, Fabric Defect Detection Using Adaptive Wavelet, IEEE International Conference on Acoustics, Speech, and Signal Processing, Yang, X., Pang, G. and Yung, N., 2005, Robust Fabric Defect Detection and Classification Using Multiple Adaptive Wavelets, IEE Proc.-Vis. Image Signal Process, 152, 6, Serdaroglu, A., Ertuzun, A. and Ercil, A., 2007, Defect Detection in Textile Fabric Images Using Subband Domain Subspace Analysis, Pattern Recognition and Image Analysis, 17, 4, Liu, G. S., Qu, P. G., 2008, Inspection of Fabric Defects Based on Wavelet Analysis and BP Neural Network, Proceedings of the 2008 International Conference on Wavelet Analysis and Pattern Recognition, Hong Kong, Guan, S., Shi, X., 2008, Fabric Defect Detection Based on Wavelet Decomposition With One Resolution Level, IEEE International Symposium on Information Science and Engineering, Jain, A.K., Farrokhnia, F., 1991, Unsupervised Texture Segmentation Using Gabor Filters, Pattern Recognation, 24(12), pp Porat, M., Zeevi, Y.Y., 1988, The Generalized Gabor Scheme Of İmage Representation in Biological and Machine Vision, IEEE Transactions on Pattern Analysis and Machine Intelligence, 10, pp Bovik, A.C., Clark, M., Geisler, W.S., 1990, Multichannel Texture Analysis Using Localized Spatial Filters, IEEE Trans. Pattern Analy. Machine Intell., 12, pp Basturk, A., Ketencioglu, H., Yugnak, Z., Yildiz, C., Yuksel, M. E., 2005, "Gabor Süzgeç Bankası Kullanarak Tekstil Kumaşlarında Yerel Hata Tespiti", 13. IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı SİU-2005, Kayseri 28. Bodnarova, A., Bennamoun, M., Latham S., 2002, Optimal Gabor Filters for Textile Flaw Detection, Pattern Recognition, 35, Mak, K. L., Peng, P., Lau,H.YK., 2005, Optimal Morphological Filter Design for Fabric Defect Detection, IEEE International Conference on Industrial Technology, Hong Kong, China, Mak, K. L., Peng, P., Lau, H.YK., 2005, A Real-Time Computer Vision System for Detecting Defects in Textile Fabrics, IEEE International Conference on Industrial Technology, Hong Kong, China, Mak, K. L. and Peng P. (2006). Detecting defects in textile fabrics with optimal gabor filters. World Academy of Science, Engineering and Technology, 13, Mak, K.L. and Peng, P. (2008). An automated inspection system for textile fabrics based on Gabor filters. Robotics and Computer-Integrated Manufacturing, 24,

18 CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) Mak, K.L., Peng, P. and Yiu, K.F.C. (2009). Fabric defect detection using morphological filters. Image and Vision Computing, 27, Han, R., Zhang, L., 2009, Fabric Defect Detection Method Based on Gabor Filter Mask, Global Congress on Intelligent Systems, Xiamen, China, Campbell, J. G., Fraley, C., Stanford, D., Murtagh, F., Raftery, A. E., 1999, Model-Based Methods for Textile Fault Detection, International Journal of Imaging Systems and Technology, Volume 10, Issue 4, pages Chan, C., Pang, K. H. G., 2000, Fabric Defect Detection by Fourier Analysis, IEEE Transactions on Industry Applications, 36, 5, Goswami, M. B., Datta, K. A., 2000, Detecting Defects in Fabric With Laser-Based Morphological Image Processing, Journal of the Textile Institute, 70(9), Chandra J. K., Banerjee, P. K., Datta A. K., 2008, Morphological Reconstruction Operation for The Detection of Defects in Woven Fabric, IEEE Region 10 Colloquium and the Third ICIIS, Kharagpur, INDIA. 39. Stojanovic, R., Koubias, S., Papadopoulos G., 1999, A Comparison of Statistical and Spectral Analytical Methods for Feature Extraction in The Process of Web Defect Detection, 3rd International ICSC Symposia on Intelligent Industrial Automation (IIA 99) and Soft Computing (SOCO 99), Genova, Italia Month. 40. Stojanovic, R., Mitropulos, P., Koulamas, C., Karayiannis, Y., Koubias, S., Papadopoulos G., 2001, Real-Time Vision-Based System for Textile Fabric Inspection, Real-Time Imaging, 7, Cho, C. S., Chung, B. M., Moo-Jin Park M. J., 2005, Development of Real-Time Vision-Based Fabric Inspection System, IEEE Transactions on Industrial Electronics, 52, Mursalin, T. E., Eishita, F. Z., Islam, A. R., 2008, Fabric Defect Inspection System Using Neural Network and Microcontroller, Journal of Theoretical and Applied Information Technology,