A concept of defect identification with use of texture analysis methods

• Autorzy: Bzymek A.

Warianty tytułu

PL

Koncepcja detekcji defektów powierzchni z zastosowaniem metod analizy obrazów

• Języki publikacji: EN

Abstrakty

EN

One of fast developing methods for non destructive testing (NDT) is machine vision. The application of vision systems and image analysis and recognition procedures to variety of problems such as quality control of different products, surface quality estimation and defect identification is very popular nowadays. In the paper short review of applications of vision systems in diagnostics was presented, problem of texture in the images was described, some methods of textured image analysis was enumerated. Finally, the concept of defect identification with the use of image analysis techniques was presented. The purpose was to choose the methods of analysis and recognition which make possible to detect anomalies without the necessity of defect database and texture database creation. Two methods of texture analysis - GLCM and SVD were elaborated and results of algorithm operation were presented. Research were elaborated in Department of Fundamentals of Machinery Design of Silesian University of Technology within the framework of N504403735/32889 project.

PL

Jedną z bardzo szybko rozwijających się gałęzi badań nieniszczących jest wizja maszynowa. Metoda ta bazuje na technikach przetwarzania, analizy i rozpoznawania obrazów. Znajduje ona szerokie zastosowanie w systemach kontroli jakości m.in. do oceny stanu powierzchni oraz detekcji i identyfikacji defektów. W artykule przedstawiono krótki opis systemów wizyjnych oraz przegląd ich zastosowań w diagnostyce maszyn. Przedstawiony został również problem, związany z analizą obrazów, jakim jest występowanie tekstury na obserwowanych powierzchniach. W artykule opisane zostały wybrane metody analizy obrazów reprezentujących teksturę oraz przedstawiono koncepcję detekcji i lokalizacji defektów na takich obrazach. Badania zostały przeprowadzone w Katedrze Podstaw Konstrukcji Maszyn w ramach projektu N504403735/32889.

Słowa kluczowe

EN

texture; image analysis; defect detection; defect localization

PL

tekstura; analiza obrazów; detekcja defektów; lokalizacja defektów

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2011
• Tom: nr 2(58)
• Strony: 53--60
• Opis fizyczny: Bibliogr. 42 poz., rys.

Twórcy

autor

Bzymek A.

• Department of Fundamentals of Machinery Design, Silesian University of Technology, 44-100 Gliwice, ul. Konarskiego 18a, tel. [phone], fax [phone],

Bibliografia

• [1] Abeyratne, U., Petropulu, A., and Conant, E.(1997). Higher order versus second order statistics in ultrasound imagedeconvolution. IEEE Transactions on Ultrasonics, Ferroelectrics and Frequency Control, 44(6):1409-1416.
• [2] Aparicio Fernandes, J., Campos Neves, J.,and Couto, C. (1999). Defect detection and localization in textilesusing co-occurrence matrices and morphological operators. Proceedings of M2VIP’99, Turkey.
• [3] Błaszczyk, M. and Drzewiecki, W. (2006). Wstępna ocena możliwości wykorzystania obrazów satelitarnych aster w monitorowaniu lodowców svalbard glaciers. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 16:29-39.
• [4] Batchelor, B. and Whelan, P. (2002). Intelligent Vision Systems for Industry. Bruce G. Batchelor, Paul F. Whelan 2002. eBook.
• [5] Bharati, M. and MacGregor, J. Texture analysis of images using principal component analysis, http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.128.2779&rep=rep1&type=pdf
• [6] Bodnarova, A., Bennamoun, M., and Latham, S. (2002). Optimal gabor filters for textile flaw detection. Pattern Recognition, 35(12):2973-2991.
• [7] Broadhurst, R. (2005). Statistical estimation of histogram variation for texture classification.
• [8] Bzymek, A. and Timofiejczuk, A. (2009). Estimation of welding process stability based on image analysis and recognition. Diagnostyka, 4(52)/2009.
• [9] Chetverikov, D. and Hanbury, A. (2002). Finding defects in texture using regularity and local orientation. Pattern Recognition, 35(10):2165 - 2180.
• [10] Davies, E. R. (2005). Machine Vision: Theory and Practicalities. Morgan Kaufmann, San Francisco, 3rd edition. Imprint of Elsevier.
• [11] Drimbarean, A. and Whelan, P. (2000). Colour texture analysis: A comparative study. Pattern Recognition Letters, 22:1161-1167.
• [12] Gadelmawla, E. S. (2004). A vision system for surface roughness characterization using the gray level co-occurrence matrix. NDT e International, 37(7):577-588.
• [13] Hall-Beyer, M. (2007). Glcm texture: Tutorial. http://www.fp.ucalgary.ca/mhallbey/transposing.htm.
• [14] Haralick, R.M, a. S. K. (1973). Textural features for image classification. IEEE transactions on systems, man, and cybernetics, (NO.6).
• [15] Haralick, R. M. (1979). Statistical and structural approaches to texture. IEEE, 67(5).
• [16] Jain, A. K. and Farrokhnia, F. (1990). Unsupervised texture segmentation using gabor filters. IEEE.
• [17] Julesz, B. (1962). Visual pattern discrimination. IRE Transaction on Information Theory, pages 84-92.
• [18] Julesz, B. (1986). Texton gradients: The texton theory revisited. Journal Biological Cybernetics, 54(4-5):245-251.
• [19] Landy, M. and Graham, N. (2004). Visual perception of texture. In The Visual Neurosciences, pages 1106-1118. MIT Press.
• [20] Lu, C.-J. and Tsai, D.-M. (2005). Automatic defect inspection for lcds using singular value decomposition. In The International Journal of Advanced Manufacturing Technology, volume 25, pages 53-61. Springer London.
• [21] Maenpaa, T., Turtinen, M., and M, P. (2003). Realtime surface inspection by texture. Real-Time Imaging, Vol.9(5):pp. 289-296(8).
• [22] Materka, A. and Strzelecki, M. (1998). Texture analysis methods - a review,. Technical report, Technical Institute of Electronics, University of Lodz, Brussels. COST B11.
• [23] Monadjemi, A. (2004). Towards efficient texture classification and abnormality detection. PhD thesis, University of Bristol.
• [24] Ng, H.-F. (2006). Automatic thresholding for defect detection. Pattern Recogn. Lett., 27(14):1644-1649.
• [25] Ojala, T., Pietikainen, M., and Maenpaa, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary pattern. IEEE Transactions on Pattern Analysis and MachineIntelligence, 24(7):971-987.
• [26] Palm, C. (2004). Color texture classification by integative cooccurence martices. Pattern Recognition, 37:965-976.
• [27] Petrou, M. and Sevilla, P. (2006). Image Processing: Dealing with Texture. Wiley.
• [28] Pratt, W. (2001). Digital Image Processing. Wiley and Sons Inc.
• [29] Rangayyan, R. (2005). Biomedical Image Analysis. The Biomedical Engineering. CRC Press, USA. edited by M. R. Neumann.
• [30] Singh, S. and Markou, M. (2004). An approach to novelty detection applied to the classification of image regions. Knowledge and Data Engineering, IEEE Transactions on, 16(4):396-407.
• [31] Song, K., Petrou, M., and Kittler, J. (1995). Texture crack detection. 8(1):63-75.
• [32]. Strzelecki, M. and Materka, A. (1999). Ilościowa analiza tekstur obrazów tomograficznych rezonansu magnetycznego. Zeszyty Naukowe Elektronika, vol. 4:115-124. European Project Cost B11:Quantitation Of Magnetic Resonance Image Texture.
• [33] Sznaier, M. and Camps, O. (2005). A Hankel operator approach to texture modelling. In Proceedings of the 4th International Workshop on Texture Analysis and Synthesis, pages 125-130. http://robustsystems.ee.psu.edu/papers/Hankeltexture05.pdf.
• [34] Tessier, C. (2004). Detection de type de sol par analyse de texture pour le guidage de vehicules. Report sur R2M Projet Cemagref.
• [35] Tomczak, ., Mosorov, V., Sankowski, D., and Nowakowski, J. (2007). Image defect detection methods for visual inspection system. In Proceedings, Polyanna, Ukraine. CADSM.
• [36] Tomczak, ., Mozorov, V., and Kaczorowski, D. (2006). Nowa metoda detekcji defektów tekstury w automatycznej inspekcji wizyjnej. Automatyka, 9(3).
• [37] Tsai, D.-M. and Hsieh, C. Y. (1999). Automated surface inspection for directional textures. Image and Vision Computing, 18(1):49 - 62.
• [38] Tymków, P. and Borkowski, A. (2006). Wykorzystanie danych lotniczego skaningu laserowego do klasyfikacji pokrycia terenu dla modelowania hydrodynamicznego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 16:537-546.
• [39] Xie, X. (2008). A review of recent advances in surface defect detection using texture analysis techniques. Electronic Letters on Computer Vision and Image Analysis, 7(3):1-22.
• [40] Zawada-Tomkiewicz, A. (2007). Analiza obrazu powierzchni obrobionej do celów estymacji parametrów tej powierzchni. Acta Mechanica et Automatica, 1(2):79-84.
• [41] http://www.cgtextures.com
• [42] http:// www.firstsightvision.com