Identification and Classification of Color Textures

Dieser Artikel beschreibt, wie farbige Texturen zuverlässig erkannt und im Produktionsprozess unabhängig von externen Parametern wie Helligkeit, Objektpositionen (Translation), Winkel (Rotation), Objektabständen (Skalierung) oder gekrümmte Flächen (Rotation + Skalierung) klassifiziert werden können. Die hier beschriebenen Methoden sind geeignet zur zuverlässigen Klassifizierung von mindestens 18 verschiedenen Farbtexturen, auch wenn diese sich optisch nur geringfügig voneinander unterscheiden. Die Extraktion invarianter Merkmale erfolgt nach Segmentierung des Bildes und RGB-HSI-Transformation z.B. aus dem 2D-FFT Spektrum. Unerwünschte Defekte oder partielle Verschmutzungen können unabhängig von Schwankungen in Helligkeit und/oder Schattierungen während des Prozessbetriebs zuverlässig erkannt werden. Dazu werden Methoden der Robusten Klassifikation vorgestellt. Die Implementierung des Programms, die Triggerung der Kameras, die Verarbeitung der Farbinformationen einschließlich der Ausgabe der Ergebnisse an die Prozesskontrolle erfolgt mit dem Datenanalyseprogramm Xeidana®. Die Online-Klassifikation von Farbtexturen ist eine typische Aufgabe in der Holz-, Möbel- und Textilindustrie, Pharmakologie und in der biomedizinischen Technik.

This article describes, how color textures can be reliably detected and classified in the production process independent of external parameters such as brightness, object positions (translation), angulars (rotation), object distances(scaling) or curved surfaces (rotation + scaling). The methods described here are also suitable for reliably classifying at least 18 color textures even if they differ only slightly from each other optically. The online classification of color textures is a classic task in the wood, furniture and textile industry. For example, unwanted defects or partial soiling on moving webs can be reliably detected regardless of fluctuations in brightness and/or shadows during process operation. Algorithms has been developed for teach-in with RGB-HSI-transform, set fewer segments on the color textures of each class with e.g. 24x24 Pixel, use suitable transformations {HSI}, e.g. 2D-FFT for formation characteristic 2D spectral mountains in these segments, extraction of statistical features and setting up the individual classifiers. Algorithms has been developed for identification & classification in process operation with extraction of statistical characteristics and methods of robust classification. The implementation of the methods, the triggering of the color cameras, the processing of the color information including the output of the results to the process control is done with the data analysis program Xeidana®.