Real-time Segmentation of Yarn Images Based on an FCM Algorithm and Intensity Gradient Analysis

• Autorzy: Li Z. , Pan R. , Wang J. , Wang Z. , Li B. , Gao W.

Identyfikatory

DOI

10.5604/12303666.1201130

Warianty tytułu

PL

Segmentacja obrazu przędzy oparta na algorytmie FCM i analizie gradientu intensywności

• Języki publikacji: EN

Abstrakty

EN

This paper presents a new method for real-time segmentation of yarn images which are captured by a real-time image acquisition device. The first frame of the images is clustered by the local average intensity and entropy of the image based on the FCM (Fuzzy C-means) algorithm to obtain a segmentation threshold value. The pixels with an intensity below the threshold value in each column of the image are convolved with a convolve template to construct an intensity gradient curve. The points of maximum value and minimum value in the curve are considered as the upper and lower edge points of yarn. A robust real-time segmentation algorithm of yarn images is obtained for evaluating yarn diameter more precisely. Finally two indices of SE (Segmentation Error) in % and ADE (Average Diameter Error) in % are proposed to evaluate the segmentation method, which is then compared with the manual method.

PL

Artykuł dotyczy oceny przeprowadzonej w czasie rzeczywistym segmentacji obrazów w oparciu o rozmyty algorytm C-średnich i analizę intensywności gradientu. Zaproponowano metodę segmentacji obrazów przędzy mającą na celu zwiększenie dokładności pomiarów jej średnicy, a w zamierzeniach wpłynięcie na zwiększenie dokładności oceny jej nierównomierności. W tym celu zaprojektowano stanowisko badawcze, umożliwiające rejestrację obrazów przędzy wykonaną w czasie rzeczywistym, z bardzo dużą częstotliwością rejestracji kadrów zdjęć. Na tej podstawie przeprowadzono obliczenia obejmujące między innymi minimalizację rozmytej funkcji celu, lokalną charakterystykę intensywności obrazu, a także jednowymiarowy splot wykorzystane do wykrywania krawędzi rozpatrywanej przędzy. Uzyskane rezultaty proponowanej metody skonfrontowano z rezultatami przewidywanymi za pośrednictwem tradycyjnych metod. W szczególności w celach porównawczych uwzględniono progowanie Otsu i grupowanie za pośrednictwem algorytmu FCM, a także Region Growing Algorithm.

Słowa kluczowe

EN

real-time segmentation; image processing; yarn evenness; FCM algorithm; gradient analysis

PL

segmentacja w czasie rzeczywistym; przetwarzanie obrazu; algorytm FCM; analiza gradientu

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2016
• Tom: Vol. 24, no. 4 (118)
• Strony: 45--50
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Li Z.

• School of Textile & Clothing, Jiangnan University, WuXi, P. R. China

autor

Pan R.

• School of Textile & Clothing, Jiangnan University, WuXi, P. R. China

autor

Wang J.

• School of Textile & Clothing, Jiangnan University, WuXi, P. R. China

autor

Wang Z.

• School of Textile & Clothing, Jiangnan University, WuXi, P. R. China

autor

Li B.

• School of Textile & Clothing, Jiangnan University, WuXi, P. R. China

autor

Gao W.

• School of Textile & Clothing, Jiangnan University, WuXi, P. R. China

Bibliografia

• 1. Kim YK, Langley KD, Avsar F. Quantitative grading of spun yarns for appearance. Journal of Textile Engineering 2006; 52:13-14.
• 2. Zhong P, Zhang K, Han S, Hu R, Pang JY, Zhang XY, Huang FX. Evaluation method for yarn diameter unevenness based on image sequence processing. Textile Research Journal 2014; Advance online publication. doi: 10.1177/0040517514547211.
• 3. Li ZJ, Pan RR, Gao WD. Formation of digital yarn black board using sequence images. Textile Research Journal 2015; Advance online publication. doi: 10.1177/0040517514563725.
• 4. Eldessouki M, Ibrahim S, Militky J. A dynamic and robust image processing based method for measuring the yarn diameter and its variation. Textile Research Journal 2014; Advance online publication. doi: 10.1177/0040517514530032.
• 5. Gusarova NF. Optical monitoring of yarn during its processing. Journal of Optical Technology 2001p; 68: 613-614.
• 6. Fabijańska A and Jackowska-Strumiłło L. Image processing and analysis algorithms for yarn hairiness determination. Machine Vision and Applications 2012; 23: 527–540.
• 7. Guha A, Amarnath C, Pateria S, Mittal R. Measurement of yarn hairiness by digital image processing. The Journal of The Textile Institute 2010; 3: 214–222.
• 8. Carvalho V, Soares F, Vasconcelos R, Belsley M, Goncalves N. Yarn hairiness determination using image processing techniques. In: Emerging Technologies & Factory Automation (ETFA), 2011 IEEE 16th Conference on (pp. 1-4). IEEE.
• 9. Wang XH, Wang JY, Zhang JL, Liang HW, Kou PM. Study on the detection of yarn hairiness morphology based on image processing technique. In: Machine Learning and Cybernetics (ICMLC), 2010 International Conference on (Vol. 5, pp. 2332-2336). IEEE.
• 10. Fabijańska A. Yarn image segmentation using the region growing algorithm. Measurement Science & Technology 2011; 22: 114024-114032(9).
• 11. Kuo CFJ, Jian BL, Wu HC, Peng KC. Automatic machine embroidery image color analysis system. Part I: Using Gustafson-Kessel clustering algorithm in embroidery fabric color separation. Textile research journal 2012; 82: 571-583.
• 12. Zhang J, Pan RR, Gao WD and Zhu DD. Automatic inspection of yarn-dyed fabric density by mathematical statistics of sub-images. The Journal of The Textile Institute 2015; 106: 823–834.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.