Fabric Defect Detection Using the Sensitive Plant Segmentation Algorithm

• Autorzy: Nisha M. Fathu , Vasuki P. , Roomi S. Mohamed Mansoor

Identyfikatory

DOI

10.5604/01.3001.0013.9025

Warianty tytułu

PL

Wykrywanie defektów tkaniny za pomocą czułego algorytmu segmentacji roślin (SPSA)

• Języki publikacji: EN

Abstrakty

EN

Fabric quality control and defect detection are playing a crucial role in the textile industry with the development of high customer demand in the fashion market. This work presents fabric defect detection using a sensitive plant segmentation algorithm (SPSA) which, is developed with the sensitive behaviour of the sensitive plant biologically named “mimosa pudica”. This method consists of two stages: The first stage enhances the contrast of the defective fabric image and the second stage segments the fabric defects with the aid of the SPSA. The SPSA proposed was developed for defective pixel identification in non-uniform patterns of fabrics. In this paper, the SPSA was built through checking with devised conditions, correlation and error probability. Every pixel was checked with the algorithm developed to be marked either a defective or non-defective pixel. The SPSA proposed was tested on different types of fabric defect databases, showing a much improved performance over existing methods.

PL

Wraz z rozwojem zapotrzebowania klientów na rynku mody kontrola jakości tkanin i wykrywanie defektów odgrywa kluczową rolę w przemyśle tekstylnym. W pracy przedstawiono wykrywanie defektów tkanin przy użyciu czułego algorytmu segmentacji roślin (SPSA), który został opracowany na podstawie rośliny o nazwie biologicznej „mimosa pudica”. Ta metoda składa się z dwóch etapów. Pierwszy etap to wzmocnienie kontrastu wadliwego obrazu tkaniny, a drugi etap segmentował defekty tkaniny za pomocą SPSA. Proponowana metoda z użyciem SPSA została opracowana do identyfikacji wadliwych pikseli w niejednorodnych wzorach tkanin. W artykule przedstawiono wyniki SPSA, a także dokonano ich weryfikacji pod kątem korelacji i prawdopodobieństwa błędu. Każdy piksel został sprawdzony za pomocą opracowanego algorytmu, tak aby został zaznaczony piksel wadliwy lub nieuszkodzony. Proponowany algorytm SPSA został przetestowany na różnych typach baz danych defektów tkanin i wykazał niezwykłą wydajność w stosunku do istniejących metod.

Słowa kluczowe

EN

external stimulation; fabric pattern; sensitive behaviour; texture

PL

zewnętrzna stymulacja; wzór tkaniny; wrażliwe zachowanie; tekstura

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2020
• Tom: Vol. 28, no. 3 (141)
• Strony: 84--87
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Nisha M. Fathu

• Sethu Institute of Technology, ECE Department, Kariapatti, Tamil nadu, India

autor

Vasuki P.

• Sethu Institute of Technology, ECE Department, Kariapatti, Tamil nadu, India

autor

Roomi S. Mohamed Mansoor

• Thiagarajar College of Engineering, ECE Department, Madurai, Tamil nadu, India

Bibliografia

• 1. Li Y, Zhao W, Pan J. Deformable Patterned Fabric Defect Detection with Fisher Criterion-Based Deep Learning. IEEE Transactions on Automation Science and Engineering 2017; 4(2): 1256-1264.
• 2. Yang X, Pang G, Yung N. Robust Fabric Defect Detection and Classification Using Multiple Adaptive Wavelets. IEEE Proceedings-Vision, Image and Signal Processing 2005; 152(6): 715-723.
• 3. https://www.heddels.com/2017/12/7-weave-patterns-to-know-twill-basketweave-satin-and-more.
• 4. Hanbay K, Talu MF, Özgüven ÖF. Fabric Defect Detection Systems and Methods – a Systematic Literaturę Review. Optik 2016; 127(24): 11960-11973.
• 5. Yapi D, Allili MS, Baaziz N. Automatic Fabric Defect Detection Using Learning-Based Local Textural Distributions in the Contourlet Domain. IEEE Transactions on Automation Science and Engineering 2018; 15(3): 1014-1026.
• 6. Kumar A. Computer-Vision-Based Fabric Defect Detection: A Survey. IEEE Transactions on Industrial Electronics 2008; 55(1): 348-363.
• 7. Li Y, Zhao W, Pan J. Deformable Patterned Fabric Defect Detection with Fisher Criterion-Based Deep Learning. IEEE Transactions on Automation Science and Engineering 2017; 14(2): 1256-1264.
• 8. Zhang K, Yan Y, Li P, et al. Fabric Defect Detection Using Salience Metric for Color Dissimilarity and Positional Aggregation. IEEE Access 2018; 6: 49170-49181.
• 9. Tong L, Wong WK, Kwong CK. Fabric Defect Detection for Apparel Industry: a Nonlocal Sparse Representation Approach. IEEE Access 2017; 5: 5947-5964.
• 10. Lizarraga-Morales RA, Correa-Tome FE, Sanchez-Yanez RE et al. On the Use of Binary Features in a Rule-Based Approach for Defect Detection on Patterned Textiles. IEEE Access 2019; 7: 18042-18049.
• 11. Ngan HY, Pang GK, Yung NH. Performance Evaluation for Motif-Based Patterned Texture Defect Detection. IEEE Transactions on Automation Science and Engineering 2010; 7(1): 58-72.
• 12. Ngan HY, Pang GK. Regularity Analysis for Patterned Texture Inspection. IEEE Transactions on Automation Science and Engineering 2009; 6(1): 131-144.
• 13. Cho CS, Chung BM, Park MJ. Development of Real-Time Vision-Based Fabric Inspection System. IEEE Transacctions on Industrial Electronics 2005; 52(4): 1073-1079.
• 14. Kumar A, Pang GK. Defect Detection in Textured Materials Using Optimized Filters. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) 2002; 32(5): 553-570.
• 15. Germany DF. Tilda textile texture-database. http://lmb.informatik. uni-freiburg.de/resources/datasets/tilda.en.html. Version 1.0. 1996.
• 16. Graniteville SC. Manual of Standard Fabric Defects in the Textile Industry, Graniteville Company 1975.
• 17. Nisha FM, Vasuki P, Mansoor Roomi MS. Survey on Various Defect Detection and Classification Methods in Fabric Images. Journal of Environmental Nano Technology (JENT) 2017; 6, 2: 20-29 .
• 18. Nisha FM, Vasuki P, Mansoor Roomi MS. Various Defect Detection Approaches in Fabric Images-Review. International Journal of Scientific Research in Science and Technology 2017; 3, 5: 95-100.
• 19. Nisha FM, Vasuki P, Mansoor Roomi MS. Effective Contrast Enhancement of Fabric Images Using Adaptive Intensity Transformation, SSRN Publications, 2019.
• 20. Nisha FM, Vasuki P, Mansoor Roomi MS. Fabric Defect Detection Using Sparse Representation Algorithm. Journal of Engineering 2018; 1-7.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).