Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Entwicklung und Evaluierung eines Systems zur bildbasierten Detektion von Fehlern in Stoffen

Development and evaluation of a system for image-based detection of defects in fabric
 
: Zeltser, Anton
: Kuijper, Arjan; Kähm, Olga

Darmstadt, 2016, 108 S.
Darmstadt, TU, Master Thesis, 2016
Deutsch
Master Thesis
Fraunhofer IGD ()
object detection; machine learning; fabrics; defect detection; image acquisition; image classification; image processing; Guiding Theme: Digitized Work; Research Area: Computer vision (CV)

Abstract
Die Algorithmen aus den Bereichen Bildverarbeitung, Computer Vision und Maschinelles Lernen finden in der heutigen Zeit immer häufiger ihre Anwendung bei den Industrieprozessen. In vielen Bereichen der Technik und Industrie sind diese Algorithmen ein wichtiger Bestandteil des Planungs- und Produktionsprozesses geworden. Insbesondere in dem Qualitätskontrollvorgang haben bildbasierte Verfahren eine größere Bedeutung. Diese Verfahren ermöglichen es, die Qualität der Produktion, entsprechend den Qualitätsanforderungen, automatisch und präzise zu überprüfen und mögliche Fehlerteile zu identifizieren.
Im Mittelpunkt dieser Masterarbeit steht die Schritt-für-Schritt Entwicklung und Analyse eines Systems (in Form eines Algorithmus) zur bildbasierten Detektion von Fehlern in Materialien. Zur Kontrolle werden gebrauchte Stoffstücke mit folgenden Defekten verwendet: Löcher, Risse und Silikonflecke. Eine Besonderheit bei der Erkennung liegt darin, dass die Materialien im Bild so aussehen, als ob sie unabsichtlich auf einen Tisch geworfen worden sind. Die zu prüfenden Materialien können nicht als eine aufgespannte (2-D) Ebene beschrieben werden. Auf diese Art können vorhandene Textilien im Bild neben Defekten verschiedene Merkmale, wie zum Beispiel Falten oder innere und äußere Ränder, besitzen. Diese zusätzlichen Merkmale könnten irrelevante Informationen für die Suche nach Defekten beinhalten. Um die irrelevante Information zu reduzieren, wird vorgeschlagen, dass ein vorhandenes Bild in Ausschnitte aufgeteilt wird. Damit lässt sich jeder Ausschnitt meistens mit einem Merkmal beschreiben. Diese Bildausschnitte werden als Inputdata für das System genutzt.
Ziel der Arbeit ist es, zum einen, mit Hilfe von Algorithmen des Maschinellen Lernens ein System für die Detektion des Defekts in Stoffen aufzubauen, und zum anderen, das System sollte auseinanderhalten, ob ein Stoffstück Verschleiß (Riss oder Loch) oder Silikon besitzt, oder, ob ein Stoffstück fehlerfrei mit Falten ist. Anhand der Ausschnitte wird eine Entscheidung über den Defekt im Bild getroffen. Diese Arbeit zeigt, wie die Algorithmen Local binary patterns in Verbindung mit dem Klassifikationsverfahren Support Vector Machine für die Detektion der Defekte in Stoffen verwendet werden.

 

Algorithms for image processing, computer vision and machnine learning find expanding applications in production processes today. In the majority of industrial areas, the algorithms have become the key factor in planning and production processes. In quality control, image processing algorithms are important in particular. These methods allow to control the quality of products and identify possible defects automatically and with precision.
This thesis focuses on a step-by-step development and analyze of the system (in the form of algorithms) performing defects detection in fabrics. The results are presented in the form of algorithm. The following defects are considered: holes, disruption, clacks and silicone patches. A peculiar feature of the algorithm is that the pieces of fabric on the images look as they have been thrown on a table and, therefore, can't be described as smooth (2-D) surfaces. Thus, a piece of fabric may have other characteristics, such as leats, external or inner edges, which should not be treated as defects. These characteristics contribute irrelevant information to the defects detection process. To reduce the amount of unnecessary information, it is proposed to split the original image into segments. Normally, each segment corresponds to a set of certain characteristics. These segments are used as input data for the system.
The goal of this master thesis is, firstly, to develop a machine learning system for defects detection in materials. Secondly, the developed system should distinguish if the fabric is worn out or silicon patched, or if it is a defects-free piece of material with pleats, reporting the defects only on the former case. Based upon recognized and analysed characteristics of the segments, the system makes the decision for the original image. This work demonstrates how Local binary patterns algorithms, used for feature extraction, and Suppor Vector Machine methods, used for image classification, make a working conjunction for the defects detection process.

: http://publica.fraunhofer.de/dokumente/N-431758.html