Evaluation of an Intelligent Computer Method for the Automatic Mosaic of Sequential Slub Yarn Images

• Autorzy: Li Z. , Zhang N. , Wu Y. , Wang J. , Pan R. , Gao W.

Identyfikatory

DOI

10.5604/01.3001.0011.5737

Warianty tytułu

PL

Ocena sekwencyjnej metody przetwarzania obrazu wykorzystywanej do oceny przędz ozdobnych

• Języki publikacji: EN

Abstrakty

EN

This paper is the second part of a series reporting the recent development of a computerised method for automatic mosaic sequential yarn images. In our earlier work, an effective method for stitching sequence slub yarn images automatically was developed based on image processing and the normalised cross correlation (NCC) method. 100 image pairs of two kinds of slub yarn were measured in certain specific conditions, such as the frame rate, size of stitching template, etc., and the measurement results were evaluated with the manual method. In this paper, the effects of various influencing factors are numerically examined, including the stitching template size, threshold value, frame rate, and computing time of the mosaic algorithm. The feasibility and accuracy of the fully computerized method were evaluated further under the various influencing parameters. One hundred percent cotton ring spun single slub yarns of 27.8, 15.6, and 9.7tex were prepared and used for the evaluation. The measurement results obtained by the method proposed are analysed and compared with those measured manually by Adobe Photoshop. The experimental results show that the method proposed can accurately find the stitch position and has a high consistency with the manual method when the matching template is 100 × N pixels, the threshold value T1∈[20, 40] and T2∈[51, 80], and the frame rate is greater than 40fps.

PL

Artykuł jest drugą częścią serii opisującej opracowanie sekwencyjnej metody przetwarzania obrazu przędz ozdobnych. We wcześniejszej pracy opracowano skuteczną metodę oceny przędz w oparciu o przetwarzanie obrazu i znormalizowaną metodę korelacji krzyżowej (NCC). Zbadano w określonych warunkach (liczba klatek na sekundę, rozmiar szablonu szycia itp.) 100 par obrazów dwóch rodzajów przędz, a następnie oceniono wyniki pomiarów. Przeprowadzono eksperymenty mające na celu zbadanie wykonalności i dokładności proponowanej metody. W pracy przeanalizowano numerycznie wpływ różnych czynników tj. rozmiaru szablonu, wartości progowej, liczby klatek na sekundę i czasu obliczeń algorytmu mozaikowego. Wykonalność i dokładność w pełni skomputeryzowanej metody zostały poddane dalszej ocenie. Metodę manualnej segmentacji obrazu i metodę automatycznej identyfikacji powierzchni przędzy ozdobnej przy wykorzystaniu odpowiednio przygotowanego algorytmu opartego o techniki numeryczne. W metodzie ręcznej segmentacji wprowadzono zmienne oparte o prędkość odczytywania danych z obrazu, które następnie poddawano analizie. W metodzie automatycznej zaproponowano wprowadzenie innych bardzie przydatnych zmiennych do identyfikacji charakterystycznych cech strumienia włókien. Plan eksperymentu obejmował trzy rodzaje przędz bawełnianych wytworzonych na przędzarce obrączkowej (27,8, 15,6 i 9,7tex). Wyniki pomiarów zaproponowanej metody analizowano i porównywano z pomiarami wykonywanymi ręcznie. Wyniki eksperymentalne pokazały, że proponowana metoda może być z powodzeniem stosowana i ma wysoką zgodność z metodą ręczną, przy szablonie 100 x N pikseli, wartości progowej T1∈ [20, 40] i T2∈ [51, 80] oraz liczbie klatek na większej niż 40 klatek na sekundę.

Słowa kluczowe

EN

sequential slub yarn image; image mosaic; image processing; NCC method

PL

sekwencyjny obraz przędzy slub; mozaika obrazu; przetwarzanie obrazu; metoda NCC

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2018
• Tom: Vol. 26, no. 2 (128)
• Strony: 38--48
• Opis fizyczny: Bibliogr. 22 poz., rys., tab.

Twórcy

autor

Li Z.

• Jiangnan University, Ministry of Education, Key Laboratory of Eco-textiles, School of Textiles and Clothing, Wuxi, Jiangsu, China, 214122

autor

Zhang N.

• Jiangnan University, Ministry of Education, Key Laboratory of Eco-textiles, School of Textiles and Clothing, Wuxi, Jiangsu, China, 214122

autor

Wu Y.

• Jiangnan University, Ministry of Education, Key Laboratory of Eco-textiles, School of Textiles and Clothing, Wuxi, Jiangsu, China, 214122

autor

Wang J.

• Jiangnan University, Ministry of Education, Key Laboratory of Eco-textiles, School of Textiles and Clothing, Wuxi, Jiangsu, China, 214122

autor

Pan R.

• Jiangnan University, Ministry of Education, Key Laboratory of Eco-textiles, School of Textiles and Clothing, Wuxi, Jiangsu, China, 214122

autor

Gao W.

• Jiangnan University, Ministry of Education, Key Laboratory of Eco-textiles, School of Textiles and Clothing, Wuxi, Jiangsu, China, 214122

Bibliografia

• 1. Liu J, Xie Z, Gao W, Jiang H. Automatic Determination of Slub Yarn Geometrical Parameters Based on an Amended Similarity-based Clustering Method. Textile Research Journal 2010; 80:1075-1082.
• 2. Wang J, Huang X. Parameters of Rotor Spun Slub Yarn. Textile Research Journal 2002; 72: 12–16.
• 3. Barella A. Law of Critical Yarn Diameter and Twist Influence on Yarn Characteristics. Textile Research Journal 1950; 20: 249–258.
• 4. Baghernezhad S, Ghane M, Moezzi M. Strain monitoring in woven fabrics with locally induced mass irregularities using an image based method. FIBRES & TEXTILES in Eastern Europe 2016; 24, 2(116): 73-80. DOI: 10.5604/12303666.1191430
• 5. Wray GR. The Properties of Air-Textured Continuous Filament Yarns. Journal of the Textile Institute 1969; 60: 102–126.
• 6. Yousefzadeh-Chimeh M, Amani-Tehran M, Latifi M, Mohaddes-Mojtahedi MR. Characterizing Bulkiness and Hairiness of Air-Jet Textured Yarn Using Imaging Techniques. Journal of the Textile Institute 2005; 96: 251–255.
• 7. Elkhalek RA, Elbealy R, Eldeeb A. A Computer-Based System for Evaluation of Slub Yarn Characteristics. Journal of Textiles 2014; 1:1-11.
• 8. Liu J, Li Z, Lu Y, Jiang H. Visualization and determination of the geometrical parameters of slub yarn. FIBRES & TEXTILES in Eastern Europe 2010; 18, 1(78): 31–35.
• 9. Pan R, Gao W, Liu J, Wang H. Recognition the parameters of slub-yarn based on image analysis. Journal of Engineered Fibers and Fabrics 2011; 6: 25–30.
• 10. Liu X., Wen Z, and Su, Z. Slub Extraction in Woven Fabric Images Using Gabor Filters. Textile Research Journal 2008; 78: 320–325.
• 11. Juan L and Gwun O. SURF applied in panorama image stitching. In: 2010 2nd international conference on image processing theory, tools and applications. Paris, 7–10 July 2010, pp.495–499.
• 12. Li YF, Wang YM, Huang WQ, Zhang Z. Automatic image stitching using SIFT. In: International conference on audio, language and image processing. Shanghai, 7–9 July 2008, pp.568–571.
• 13. Yang F, Wei LL, Zhang ZW, et al. Image mosaic based on phase correlation and Harris operator. Journal of Computer Information Systems 2012; 8: 2647–2655.
• 14. Bouwmans T. Recent advanced statistical background modeling for foreground detection: a systematic survey. Recent Patents on Computer Science 2011; 4: 147176.
• 15. Brown M, Lowe D. Recognising panorama. In: Proceedings of international conference on computer vision 2003. p. 1218–1225.
• 16. Li SY, Xu BG, Tao XM, Chi ZR. An intelligent computer method for automatic mosaic and segmentation of tracer fiber images for yarn structure analysis. Textile Research Journal 2014; 85:733-750.
• 17. Li Z, Xiong N, Wang J, Pan R, Gao W, Zhang N. An intelligent computer method for automatic mosaic of sequential slub yarn images based on image processing (Accept).
• 18. Li, ZJ, Pan, RR, Zhang J, Li BB, Gao WD, Bao W. Measuring the unevenness of yarn apparent diameter from yarn sequence images. Measurement Science & Technology 2016; 27: 015404.
• 19. Li Z, Pan R, Wang J, Wang Z, Li B, Gao W. Real-time Segmentation of Yarn Images Based on an FCM Algorithm and Intensity Gradient Analysis. FIBRES & TEXTILES in Eastern Europe 2016; 24, 4(118): 45-50 DOI: 10.5604/12303666.1201130
• 20. Lewis JP. Fast Normalized Cross-Correlation. Circuits Systems & Signal Processing 2001; 82: 144–156.
• 21. Russ JC. Template matching and correlation, in: The Image Processing Handbook, 2 ed., CRC Press, Raleigh, 1994; p. 341–346.
• 22. Hii AJH, Hann CE, Chase JG, Houten EEWV. Fast normalized cross correlation for motion tracking using basis functions. Computer Methods & Programs in Biomedicine 2006; 82: 144-156.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).