MEHMET EMİN TAĞLUK
(İnönü Üniversitesi, Elektrik Elektronik Mühendisliği Bölümü, Malatya)
Yıl: 2017Cilt: 8Sayı: 3ISSN: 1309-8640 / 2146-4391Sayfa Aralığı: 575 - 586Türkçe

39 3
Dokuma tezgahlarında hatalı kumaş dokusunun tespiti için başarılı bir yöntem
Tekstil tezgahlarında dokunan kumaşın hatasını gerçek zamanlı otomatik olarak tespit etme zaman ve mali açılardan oldukça önemlidir. Kumaş hataları kaynağına bağlı olarak çeşitlilik gösterdiği için genel bir otomatik hata tespit sistemin yapılması oldukça zordur. Bu probleme yönelik birçok yöntem geliştirilmeye çalışılmış ve halan çalışılmaktadır. Bu yöntemlerden bazıları uzaysal görüntü, bazıları frekans ve bazıları da dokuya ait özellikler bazında işlem yapmaktadır. Ayrıca, kumaşın renk, doku ve morfolojik özelliklerini dikkate alan çalışmalarda mevcuttur. Ancak henüz istenilen düzeyde genel bir başarım elde edilememiştir. Bu çalışmada tekstil fabrikasında gerçek zamanlı elde edilmiş kumaş imgelerin uzaysal iki boyutlu spektrumları alınmış ve bu problem için tasarlanan özel bir kernel ile filtrelenmiştir. Filtreleme sonucunda elde edilen spektral güç değerleri kullanılarak hatalı ve sağlam kumaş imgeleri yaklaşık olarak %99.19 oranında birbirinden ayrıştırılmıştır. Bu başarım oranı geliştirilen yöntemin başarılı olduğunu göstermektedir. Ayrıca bu sistemin gerçek zamanlı uygulamalar için yeterince hızlı olduğu tespit edilmiştir.
DergiAraştırma MakalesiErişime Açık
  • Won W.K. ve Yuen C. W., (2009). Stiching defect detection and classification using wavelet transform and bp neural network. ExpertSystems Applications, 36,2, 3845-3856.
  • Selver M. A., Avşar V. ve Özdemir H.,(2014). Textural fabric defect detection using statistical texture transformations and gradient search, The Journal of The Textile Institute, 105, 9, 998-1007
  • Patil P.M. Mahajan P.M, Kolhe S.R., (2009). A review of automatic fabric defect detection techniques, Advances in Computational Research, 1, 2, 18-29.
  • Ngan H. Y. T., ve Pang G. K. H., Yung S. P., Ng M. K., (2005). Wavelet based methods on patterned fabric defect detection, Pattern Recognition, 38, 559-576.
  • Ngan H. Y. T. Ve Pang G. K. H., (2009). Regularity analysis for patterened texture inspection, IEEE Transection on Automation Science and Engineering, 6, 131-144.
  • Navarro Pedro J., Fernández-Isla C., Alcover P. M. ve Suardíaz J., (2016). Defect detection in textures through the use of entropy as a means for automatically selecting the wavelet decomposition level. Sensors (Basel), 16, 8, 1178-1199
  • Mak K. L. Ve Peng P., (2013). An automated inspection system for textile fabrics based on Gabor K filters, Robotics and ComputerIntegrated Manufactoring, 24, 359-369.
  • Mak K. L, Yiu K.F.C, Peng P., (2009). Fabric defect detection using morphological filters, Image and Vision Computing, 27, 1585-1592.
  • Loonkar S. ve Mishra D., (2015). A survey-defect detection and classification for fabric texture defects in textile industry, IJCSIS International Journal of Computer science and Information Security, 13, 5, 1947-5500.
  • Latif-Ahmet A. ve Ertuzun A., (2000). An efficient method for texture defect detection: sub-band domain co-occurrence matrices, Imagean dvision Computing, 18, 543-553.
  • Kuo C. ve Lee C., (2003). A back-propagation neural network for recognizing fabric defects, Textile Research Journal, 73, 147-151.
  • Kumar A., (2008), Computer-Vision-based fabric defect detection: A Survey, IEEE Transactions on Industrial Electronics, 55, 1 348-363.
  • Kazım H., Talu M. F., ve Özgüven Ö. F., (2016). Fabric defect detection systems and methods—A systematic literature review, Optik 127, 24, 11960–11973
  • Jagdish L. R, Bandla A., ve Ankit C., (2013). Real time fabric defect detection system on an embedded dsp platform. Optik,124, 21, 5280-5284.
  • Huang Y. Ve Chan K., (2004). Texture decomposition by harmonics extraction from higher order statistics, IEEE Transactions on Image Processing, 13, 1, 1–14.
  • Hossain S. Ve Serikawa S., (2013). Texture databases – a comprehensive survey, Pattern Recognition Letters, 34, 15, 2007-2022.
  • Habib M. Ve Rokonuzzaman M., (2011). Distinguishing feature selection for fabric defect classification using neural network, Journal of multimedia, 6, 5, 416-424.
  • Ghosh A., Guha T., Bhar R.B., Das S., (2011). Pattern classification of fabric defects using support vector machines, International Journal of Clothing Science and Technology, 23, 2/3, 142–151
  • Coggins J.veJain A, (1985). A spatial filtering approach totexture analysis. Pattern Recognition Letters, 3,195–203.
  • Chan C. H., ve Pang, G. K., (2000). Fabric defect detection by Fourier analysis. IEEE Transactions on Industry Applications, 36, 1267-1276.

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © 2019 Tüm Hakları Saklıdır.