Application of Principal Component Analysis to Boost the Performance of an Automated Fabric Fault Detector and Classifier

• Autorzy: Eldessouki M , Hassan M , Qashqary K , Shady E

Warianty tytułu

PL

Zastosowanie analizy składników dla poprawy działania automatycznego detektora i klasyfikatora błędów płaskich wyrobów włókienniczych

• Języki publikacji: EN

Abstrakty

EN

There is a growing need to replace visual fabric inspection with automated systems that detect and classify fabric defects. The digital processing of fabric images utilises different methods that offer a large set of image features. The correlation between those features lead to problems during fabric fault classification and reduces the performance of the classifiers. This work extracted a combination of statistical (spatial) and Fourier transform (spectral) features from fabric images of the most frequent faults. Principal component analysis (PCA) was implemented to reduce the dimensionality of the input feature dataset, which achieved a reduction to 36% of the original data size while preserving 99% of information in the original dataset. The features processed using the PCA were fed to an artificial neural network (ANN) to classify the fault categories and then compared to another ANN that worked with the whole feature dataset. The performance of the network that was implemented after application of the PCA increased to 90% of the correct classification rate as compared to 73.3% for the other network.

PL

Istnieje wzrastająca potrzeba zamiany wizualnej inspekcji płaskich wyrobów włókienniczych automatyzowanymi systemami , które będą w stanie rozpoznać i sklasyfikować defekty materiału. Dla cyfrowej obróbki obrazów tkanin stosuje się różne metody oferujące identyfikacje całego zestawu właściwości obrazu. Korelacja pomiędzy tymi właściwościami prowadzi do problemów podczas identyfikacji i klasyfikacji błędów materiałów i redukuje sprawność klasyfikacji. W pracy wyselekcjonowano kombinacje statystycznych (przestrzennych) i fourierowskch (spektralnych) transformacji pozwalających na wyróżnienie zobrazów materiałów najczęściej występujących błędów. W dalszej części pracy usiłowano zredukować ilość danych wejściowych oraz zastosowano dwa różne systemy sztucznych sieci neuronowych. Wynikiem wszystkich poczynań było zdecydowane zwiększenie skuteczności wykrywania błędów.

Słowa kluczowe

EN

fabric fault detector; image processing; artificial neural networks; principal component analysis

PL

wyroby włókiennicze; defekty materiałów; sztuczne sieci neuronowe; analiza głównych składowych

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2014
• Tom: Vol. 22, no. 4 (106)
• Strony: 51--57
• Opis fizyczny: Bibliogr. 22 poz., rys., wykr., tab.

Twórcy

autor

Eldessouki M

• Egypt, Mansoura, Mansoura University, Faculty of Engineering, Department of Textile Engineering

autor

Hassan M

• Saudi Arabia, Jeddah, King Abdulaziz University, Faculty of Computing and Information Technology, Department of Computer Science
• Egypt, Mansoura, Mansoura University, Faculty of Engineering, Department of Textile Engineering

autor

Qashqary K

• Saudi Arabia, Jeddah, King Abdulaziz University, Faculty of Art & Design, Department of Fashion Design

autor

Shady E

• Egypt, Mansoura, Mansoura University, Faculty of Engineering, Department of Textile Engineering

Bibliografia

• 1. Ngan HYT, Pang GKH, Yung NHC. Automatedfabric defect detection - A review.Image and Vision Computing 2011; 29:442-458.
• 2. Mahajan PM, Kolhe SR, Patil PM. A reviewof automatic fabric defect detectiontechniques. Advances in ComputationalResearch 2009; 1: 18-29.3. Kuo C-FJ, Su T-L. Gray Relational Analysisfor Recognizing Fabric Defects.Textile Research Journal 2003; 73:461-465.
• 3. Kuo C-FJ, Su T-L. Gray Relational Analysisfor Recognizing Fabric Defects.Textile Research Journal 2003; 73:461-465.
• 4. Mallik B, Datta AK. Defect Detection inFabrics with a Joint Transform CorrelationTechnique: Theoretical Basis andSimulation. Textile Research Journal1999; 69: 829-835.
• 5. Mallik-Goswami B, Datta AK. DetectingDefects in Fabric with Laser-Based MorphologicalImage Processing. TextileResearch Journal 2000; 70: 758-762.
• 6. Sakaguchi A, Wen GH, Matsumoto Y-i,Toriumi K, Kim H. Image Analysis of WovenFabric Surface Irregularity. TextileResearch Journal 2001; 71: 666-671.
• 7. Shady E, Gowayed Y, Abouiiana M,Youssef S, Pastore C. Detection andClassification of Defects in Knitted FabricStructures. Textile Research Journal2006; 76: 295-300.
• 8. Xiuping L, Zhijie W, Zhixun S, Choi K-F.Slub Extraction in Woven Fabric ImagesUsing Gabor Filters. Textile ResearchJournal 2008; 78: 320-325.
• 9. Malek AS. Online fabric inspection byimage processing technology. Universitéde Haute Alsace-Mulhouse, 2012.
• 10. Bu HG, Huang XB, Wang J, Chen X.Detection of Fabric Defects by Auto-Regressive Spectral Analysis and SupportVector Data Description. Textile ResearchJournal 2010; 80: 579-589.
• 11. Hu MC, Tsai IS. Fabric Inspection Basedon Best Wavelet Packet Bases. TextileResearch Journal 2000; 70: 662-670.12. Wen C-Y, Chiu S-H, Hsu W-S, Hsu G-H.Defect Segmentation of Texture Imageswith Wavelet Transform and a Co-occurrenceMatrix. Textile Research Journal2001; 71: 743-749.
• 12. Wen C-Y, Chiu S-H, Hsu W-S, Hsu G-H.Defect Segmentation of Texture Imageswith Wavelet Transform and a Co-occurrenceMatrix. Textile Research Journal2001; 71: 743-749.
• 13. Tilocca A, Borzone P, Carosio S, DuranteA. Detecting Fabric Defects with a Neural Network Using Two Kinds of Optical Patterns. Textile Research Journal 2002; 72: 545-550.
• 14. Yuen CWM, Wong WK, S. Q. Qian, D. D. Fan, L. K. Chan, and E. H. K. Fung, „Fabric Stitching Inspection Using Segmented Window Technique and BP Neural Network,” Textile Research Journal 2009; 79: 24-35.
• 15. Choi HT, Jeong SH, Kim SR, Jaung JY, Kim SH. Detecting Fabric Defects with Computer Vision and Fuzzy Rule Generation. Part II: Defect Identification by a Fuzzy Expert System. Textile Research Journal 2001; 71: 563-573.
• 16. Huang C-C, Yu W-H. Fuzzy Neural Network Approach to Classifying Dyeing Defects. Textile Research Journal 2001; 71: 100-104.
• 17. Huang C-C, Chen IC. Neural-Fuzzy Classification for Fabric Defects. Textile Research Journal 2001; 71: 220-224.
• 18. Lin J-J. Pattern Recognition of Fabric Defects Using Case-Based Reasoning. Textile Research Journal 2010; 80: 794- 802.
• 19. Terminology Relating to Fabric Defects. ASTM International 2012. http://www. astm.org/Standards/D3990.htm
• 20. Pisano E, Zong S, Hemminger B, DeLuca M, Johnston RE, Muller K, et al. Contrast Limited Adaptive Histogram Equalization image processing to improve the detection of simulated spiculations in dense mammograms. Journal of Digital Imaging 1998; 11: 193-200.
• 21. Singh HP, Gulati RK, Gupta R. Stellar Spectral Classification using Principal Component Analysis and Artificial Neural Networks. Monthly Notices of the Royal Astronomical Society 1998; 295: 312-318.
• 22. Faulkner WB, Hequet EF, Wanjura J, Boman R. Relationships of cotton fiber properties to ring-spun yarn quality on selected High Plains cottons. Textile Research Journal 2012; 82: 400-414.