1. GİRİŞ
Kumaşın görünümünü bozan veya performansını etkileyen dokuma sırasında veya dokuma sonrası
işlemlerden kaynaklanan kumaşta oluşan kusurlar kullanıcı tarafından kabul edilmemektedir, ve ‘hata’
olarak adlandırılmaktadır. Tekstil sektörünün kendine özgü doğası gereği, ürünler üretimin farklı
aşamalarında kontrol edilmekte ve meydana gelmiş hatalar düzeltilmeye çalışılmaktadır. Hata tespitinin
üretimin farklı aşamalarında yapılması bir sonraki üretim aşamasına daha az hatalı girdi sağlanması
açısından büyük önem arz etmektedir. Çünkü sonraki aşamalarda hatanın oluşturduğu maliyet katlanarak
atmaktadır.
Dokuma teknolojisinde meydana gelen gelişmeler sayesinde kumaşlarda karşılaşılan hata sayısı ve çeşidi
belli ölçüde azalsa da, kullanılan iplikten ve/veya dokuma işleminden kaynaklanan hatalar hala
oluşmaktadır. Bu hatalar dokuma üreticileri için bazen büyük maliyetlere sebep olmaktadır. Üretilen
kumaşların kalite kontrol işlemi, ışıklı bir masa üzerinde insan gözü ile gerçekleştirilmektedir (Şekil 1).
Kumaş, alt ve üst tarafından ışıklandırılan bir yüzey üzerinden geçirilerek sarılır. Bir kalite kontrol
elemanı belli bir açı ile eğim verilen bu yüzeyin ön tarafında durarak kumaşın sarılması sırasında gözü ile
kumaşı takip eder ve hatalı bölgeleri tespit etmeye çalışır. Kalite kontrol elemanın yaklaşık 2 metre
enindeki bir alanı çok detaylı bir şekilde taraması gerekmektedir. Bu yüzden, bu işlem hem çok yorucu
olmakta hem de uzun zaman almaktadır. Dokuma sırasında çok fazla duruş yapılmayan %90-%95
randımanla üretilmiş kumaşlar ancak 30m/dak hızla kontrol edilebilmektedir.
Literatürden elde edilen bilgilere göre iyi bir kalite kontrol elemanı hataların ancak %60-70’ini tespit
edebilmekte ve en fazla 2 metre enindeki bir kumaşı kontrol edebilmektedir [2,3]. Bu şekilde yapılan
kalite kontrol işlemi objektif olmamakla beraber hataların değerlendirilmesi de istatistiksel olarak
yapılamamaktadır. Kumaşın kalitesi değerlendiren kişiye göre değiştiği için taraflar arasında görüş
ayrılığı ve anlaşmazlıklar yaşanmaktadır. Kumaş kalite kontrol işleminin daha objektif ve hızlı bir şekilde
otomatik olarak yapılabilmesi için bazı çalışmalar yapılmıştır. Bu çalışmalarda kameralı sistemlerden ve
görüntü işleme rutinlerinden faydalanılmıştır. Farklı filtreler ve metotlar denenerek gerek oluşturulan bir
kumaş imgeleri veritabanı üzerinden gerekse gerçek zamanlı olarak doğrudan kumaş üzerinden hatalı
bölgeler tespit edilmeye çalışılmıştır.
Teknolojik Araştırmalar: TTED 2012 (1) 22-39 Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları…
24
Şekil 1. Kumaş kalite kontrol makinesi [1]
Bu çalışmada, kumaş hatalarının otomatik olarak tespit edilmesinde kullanılan dalgacık dönüşümü, Gabor
filtresi ve Fourier dönüşümü gibi görüntü işleme metotları tanıtılarak yapılan çalışmalar derlenmiştir.
Metotların başarısı ve kapsamları değerlendirilmiş ve önerilerde bulunulmuştur. Çalışma kapsamında;
öncelikle görüntü işleme anlatılmış ve kullanılan yaklaşımlar sınıflandırılmıştır. Her bir yaklaşım için
kumaş hata tespitinde yaygın olarak kullanılan metotlardan bahsedilmiş ve bu metotlar uygulanarak
yapılan çalışmalar sunulmuştur. Sonuç ve öneriler bölümünde ise görüntü işleme çalışmaları ile literatür
birlikte değerlendirilmiştir.
2. GÖRÜNTÜ İŞLEME METOTLARI VE UYGULAMALARI
Görüntü (imge) farklı yollarla elde edilmiş bilgilerin f(x,y) şeklinde iki boyutlu bir fonksiyon olarak ifade
edilmesidir. Burada x ve y uzay konumunu gösterirken, f(x,y) fonksiyonunun değeri o noktadaki ışıklılık
şiddetini gösterir. Bir görüntüde en küçük birim ise, piksel olarak ifade edilmektedir. Elde edilen
görüntünün işlenebilmesi için analog bilgiden dijital bilgiye çevrilmesi yani sayısallaştırılması
gerekmektedir. Bu durumda görüntü, satır ve sütunlara bölünmüş ve her bir satır ve sütunun kesişim
noktasında (piksel) o noktadaki ışıklılık şiddetine ait değere sahip bir matris formuna dönüşmektedir
(Şekil 2). Görüntü işleme, değişik yöntemlerle elde edilen görüntünün sayısallaştırıldıktan sonra farklı
matematiksel fonksiyonlara tabi tutulması ve her bir piksel değeri için yeni bir ışıklılık değerinin
oluşturulması ve yeni bir görüntü elde edilmesi işlemidir. Görüntü analiz sistemi temel olarak; görüntü
alma elemanı, görüntü işleme elemanı ve işlenen görüntünün gösterilmesi için kullanılan eleman olmak
üzere üç kısımdan oluşmaktadır.
Şekil 2. Görüntü sayısallaştırma işlemi
Görüntü işleme metotlarının uygulama alanlar her geçen gün artmakta ve endüstrinin farklı konularındaki
problemlere çözüm olmaktadır. Görüntü analiz tekniklerinin kullanıldığı bazı uygulamalar;
- Biyomedikal görüntü analizi,
- Savunma sanayi alanında insansız silahların ve cihazların hedef koordinatlarının belirlemesi,
- Hızlı hedeflerin takip edilmesi,
örnek olarak verilebilir.
Tekstil mühendisliği açısından bakıldığında genellikle kumaşların doku özelliklerinin çıkarılması ve
analiz edilmesi uygulamaları ön plana çıkmaktadır. Bazı önemli uygulamalar; Örgü ve dokuma
CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) 22-39
25
kumaşların hatalı bölgelerinin tespit edilmesi, kumaşların desen yapılarının çıkarılması, kumaş sıkılığının
hesaplanması, atkı ve çözgü ipliklerinin dokuma kısalmasının hesaplanması şeklinde sıralanabilir [4-8].
Kumaş hata denetiminin otomatik olarak gerçekleştirilmesinde bazı dezavantajlar ön plana çıkmaktadır.
Hata denetimi sırasında çok hızlı bir veri akışı olması, gürültü etkilerinin çok fazla olması, çok çeşitli hata
türleri olması, bazı hataların benzer özelliklere sahip olması, hataların dokuma yapısına ve materyale göre
dinamik olarak değişmesi gibi durumlar önemli dezavantajlar olarak sıralanabilir. Geliştirilecek bir
otomatik hata denetim sisteminin standart üretim hattına uyumu zordur. Bu yüzden kumaş hatalarının
otomatik olarak tespit edilmesinde henüz istenilen düzeyde ve performansta gelişme sağlanamamıştır.
Uster, Barco Vision ve Elbit Vision gibi bazı firmalar tarafından bu konu ile ilgili ürün geliştirme
çalışmaları yapılmıştır [9-11]. Ancak bunlardan Uster tarafından geliştirilen Fabriscan gibi bazı ürün
projeleri istenilen başarıya ulaşamadığı için sonlandırıldığı bilgisine ulaşılmıştır. Barco Vision ve Elbit
Vision firmaları tarafından geliştirilen ürünler ise sadece ham ve basit desenli kumaşlarda sınırlı sayıda
hata çeşidini tespit edebildiği için dokuma firmaları tarafından yaygın bir kullanıma sahip değildir.
Çalışmada, görüntü işleme metotlarının tekstil alanında en fazla uygulandığı alan olan dokuma
kumaşlarda hata denetim konusunda yapılan çalışmalar incelenmiştir. Kumaş hata denetimi uygulaması
için birçok yaklaşım öne sürülmüştür. Bu yaklaşımlar, uzamsal yaklaşım, istatistiksel yaklaşım ve model
tabanlı yaklaşım olmak üzere üç temel gruba ayrılabilir [12]. Bu yaklaşımlar içerisinde dokuma kumaşlar
için en başarılı olan uzamsal yaklaşımdır (spectral approach) [12]. Uzamsal yaklaşım fourier dönüşümü,
dalgacık dönüşümü ve Gabor filtresi gibi metotları içermektedir.
2.1 Dalgacık Dönüşüm Metodu
Her sinyal belirli bir frekanstaki sinyalin ve onun frekansının katları kadar farklı sinyalin, değişik
oranlarda doğrusal biçimde birleşmesi şeklinde tanımlanabilir. Fourier dönüşümü bir sinyali sonsuz
sayıdaki sinüs ve kosinüslerin doğrusal birleşimi şeklinde gösterir. Fourier dönüşümü bir sinyalin sadece
frekans uzayı hakkında bilgi verir. Ancak, frekansta meydana gelen bir değişikliğin zamanı ile alakalı bir
bilgi sunmaz. Fourier spektrumu bir görüntüdeki tüm frekans değerlerini gösterir ancak, bu frekans
değerlerinin görüntü içerisindeki konumu ile ilgili bir bilgi sunmaz. Frekansta meydana gelen bir
değişikliğin yerini tayin edebilmek için, sinyalin küçük parçalara bölünmesi ve pencereler halinde yerel
olarak işlenmesi gerekmektedir. Dalgacık dönüşümü işleminde ana dalgacık adı verilen düzensiz, sınırlı
süreli ve asitmetrik sinyal parçalarının, farklı ölçeklerde ötelenmiş versiyonları kullanır. Yaygın olarak
kullanılan beş farklı ana dalgacık tipi Şekil 3’de gösterildiği gibi; Haar, Meyer, Morlet, Daubechies-4 ve
Meksika şapkasıdır [13].
(a) Morlet (b) Meyer (c) Haar (d) Meksika şapkası (e) Daubechies-4
Şekil 3. Temel dalgacık tipleri [13]
Bir sinyal veya imge dalgacık dönüşümü sonucunda hiyerarşik olarak yüksek geçiren filtre ve alçak
geçiren filtre işlemlerine tabi tutularak sırasıyla detay ve yaklaşım alt bantlarına ayrıştırılır. Yaklaşım alt
bant katsayıları yüksek ölçekte ve düşük frekansta sinyal bileşenleridir. Detay alt bant katsayıları ise
düşük ölçekte ve yüksek frekansta sinyal bileşenleridir. İstenilen çözünürlük seviyesine göre yaklaşım alt
bandı tekrar ayrıştırılarak işlem devam ettirilir. Dalgacık dönüşümü uygulama şekline göre ayrık ve
sürekli olmak üzere iki farklı durumda incelenir. Sürekli dalgacık dönüşümünde parametreler sürekli
Teknolojik Araştırmalar: TTED 2012 (1) 22-39 Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları…
26
olarak değişmekte ve dalgacık katsayılarının hesaplanması zaman almaktadır. Bu nedenle ayrık dalgacık
dönüşümü daha sık kullanılmaktadır [14].
Dalgacık dönüşüm metodu kumaş hata denetimde sıklıkla tercih edilen bir metottur. Dalgacık metodu
kullanılarak yapılan çalışmalarda özellikle bazı küçük hatalar için çok iyi performans elde edilmiş ve
istatistiksel yaklaşıma göre daha az hesaplama yapıldığı görülmüştür [15]. Aşağıda dalgacık metodu
kullanılarak yapılan bazı kumaş hata denetimi çalışmaları hakkında bilgi verilmiştir ve Tablo 1’de
çalışmaların içeriği özet olarak sunulmuştur.
Tablo 1. Dalgacık metodu kullanılarak yapılan kumaş hata tespiti çalışmaları
Yazar
Görüntü İşleme
Metodu
Görüntü Alma
Cihazı
Kumaş Tipi Hata Tipleri Prototip
Başarı
Oranı
Anagnostopoulos, C.,
Vergados, D., Kayafas,
E., Loumos, V. ve
Stassinopoulos, G.
(2001). [1]
GLCM (Gri seviye eş
oluşum matris), Oransal
boyut, Dalgacık
dönüşümü,
İstatistiksel momentler
CCD Kamera Belirtilmemiş
Geçşek atkı, Gevşek
çözgü, Damla, Düğüm,
Delik, renk farkı, iplik
kopması, taraklanma
Slacks, droppings,
cuttings, pickings, slabs
and knots, holes, color
differences, end outs, open
reeds, missing yarn
√ 84%
Karayiannis, Y.A.
Stojanovic, R.
Mitropoulos, P. (1999)
[16]
Çift eşikleme,
Siyah beyaz (binary)
filtreleme,
Siyah beyaz (binary)
etiketleme,
Çok çözünürlüklü
dalgacık dönüşümü,
İstatistiksel doku özelliği
çıkartma,
Yapay sinir ağları
Line-Scan
Kamera
Belirtilmemiş
Siyah dikey hata,
Beyaz dikey hata,
Kırışık , Siyah yatay hata,
Beyaz yatay hata, Siyah
leke, Beyaz leke
√ 89%
Hu, M.C. ve Tsai, I.S.
(2000) [17]
Ağaç yapılı dalgacık
dönüşümü ve BP yapay
sinir ağı
CCD Kamera
(Zoom lens)
Belirtilmemiş
Kopuk çözgü,
Atkı kaçığı,
Delik ve Yağ lekesi
- 100%
Zhi, Y. X., Pang, G. K.
H. Ve Yung, H. C. N.
(2001) [19]
Uyarlanır dalgacık
metodu,
Ortogonal uyarlanır
dalgacık metodu
Dijital İmge Belirtilmemiş
Tahar hatası, Kopuk
çözgü, Gevşek Çözgü,
Kopuk atkı, İnce çözgü
- Belirtilmemiş
Ngan, H. Y.T., Pang,
G.K.H., Yung, S.P., Ng,
M. K. (2005) [18]
Dalgacık dönüşümü,
Direk eşikleme, Görüntü
çıkarma
Dijital İmge
Karmaşık
desenli
kumaşlar
Çözgü kaçığı, Kopuk
çözgü, Düğüm, Kirli İplik,
Yağ lekesi, Çoklu örgü
-
96.7%
Yang, X., Pang, G. ve
Yung, N. (2005). [20]
Tek uyarlanır dalgacık
metodu, Çoklu uyarlanır
dalgacık metodu
Dijital İmge Belirtilmemiş
Kopuk çözgü, Gevşek
çözgü, Tahar hatası, İnce
yer, Kopuk atkı, Kirli
iplik, Çoklu örgü, Kalın
yer
-
Hata
denetimi:
98.2%
Sınflandırma:
97.5%
Serdaroglu, A., Ertuzun,
A. ve Ercil, A. (2007).
[21]
Dalgacık dönüşümü,
Bağımsız bileşenler
analizi, Topografik
Wavelet transform,
Independent Component
Analysis (ICA),
Topografik bağımsız
bileşenler analizi,
Bağımsız alt uzay analizi
Dijital İmge Belirtilmemiş Belirtilmemiş -
Yaklaşık
96%
Liu, G. S. ve Qu, P. G.
(2008) [22]
Dalgacık dönüşümü, BP
yapay sinir ağı
CCD Kamera
(Zoom lens)
Belirtilmemiş
Yağ lekesi, Eksik çözgü,
Eksik atkı
- 95%
Guan, S. and Shi, X.
(2008) [23]
Dalgacık dönüşümü,
Fourier dönüşüm
Dijital İmge
Bezayağı,
Dimi
Belirtilmemiş - 93%
CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) 22-39
27
Karayiannis ve arkadaşları [16] gerçek zamanlı olarak tekstil yüzeyleri üzerinde hata denetimi için
prototip bir sistem kurmuştur (Şekil 4). Bu sistemde, üstten ışıklandırılan düz bir yüzey üzerinden kumaş
sarılırken bir CCD kamera ile kumaştan görüntüler alınmıştır. Alınan bu görüntülerin analizinde çift
eşikleme, siyah beyaz filtreleme, dalgacık dönüşüm metodu ile çoklu çözünürlüklü ayrıştırma ve
istatistiksel olarak doku özniteliklerinin çıkarılması gibi yöntemler kullanılmıştır. Elde edilen kumaş
imgeleri üzerinde hata tespitleri yapılmış ve bu hataların sınıflandırılması üzerine çalışılmıştır.
Şekil 4. Gerçek zamanlı hata tespiti prototipi [16]
Hu ve Tsai tarafından sunulan çalışmada [17] ağaç yapılı dalgacık dönüşüm metodu kullanılarak kumaş
hatalarının tespit edilmesi sağlanmıştır. CCD kamera sistemi kullanılarak kumaş numunelerinin
görüntüleri alınmıştır. Alınan bu görüntüler daha sonra dalgacık dönüşüm metodu kullanılarak farklı
çözünürlüklerdeki alt bant görüntülerine ayrılmıştır. Alt bant görüntülerinin en düşük altı entropi değerleri
ile konumları bulunmuştur. Bu değerler yapay sinir ağına ‘öznitelik vektörü’ olarak girilmiştir. Böylece
dalgacık dönüşümü ve yapay sinir ağları kullanılarak delik, kopuk çözgü, kopuk atkı ve yağ lekesi gibi
dört farklı hata tipinin tespit edilmesi ve sınıflandırılması sağlanmıştır. Her bir hata tipi için otuz farklı
örnek görüntü kullanılmıştır. Bu çalışmada ayrıca dalgacık dönüşümünü, çeşitli maksimum yok olan
momentleri (vanishing moments), farklı çözünürlük seviyeleri ve farklı ölçekler ile kullanılarak hata
sınıflandırma hızları ve performansları belirlenmiştir.
Anagnostopoulos [1] görüntü analiz rutinlerini kullanarak geliştirdiği kalite kontrol sisteminde gri düzey
eş oluşum matrisleri (gray level co-occurance matrices), fraktal boyut, dalgacık dönüşümü ve istatistiksel
momentler gibi yaklaşımlar kullanılmıştır. Sistemin donanım kısmı; CCD kamera, bilgisayar, ışılandırma
ünitesi ve bağlantı kablolarından oluşmaktadır. Çalışma basit istatistiksel ölçümler, eşikleme ve
morfolojik işlemler temeline dayanmaktadır. Hazırlanan algoritma üç bölümden oluşmaktadır. Birinci
bölümde elde edilen görüntülerin normalleştirilmesi ve ışıklandırma sisteminden kaynaklanan
gürültülerin giderilmesi sağlanmıştır. İkinci bölümde normalleştirilmiş görüntü üzerinde görüntü işlemleri
yapılarak hata olabilecek düzensiz bölgeler taranmıştır. Üçüncü bölümde ise hatalı bölgelerin görüntü
üzerindeki yeri tespit edilmeye çalışılmıştır.
Ngan ve arkadaşları [18] bez ayağı ve dimi gibi desenlerin aksine daha karmaşık desenlere sahip
kumaşların hatalarının tespit edilmesine çalışmıştır. Bu çalışmada yine dalgacık dönüşümü kullanılarak
bir algoritma geliştirilmiştir; 30 hatasız 30 hatalı olmak üzere toplam 60 jakarlı kumaş görüntüsü üzerinde
analiz yapılarak hata tespiti yapılmaya çalışılmıştır.
Teknolojik Araştırmalar: TTED 2012 (1) 22-39 Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları…
28
Dalgacık metodunun kumaş hata denetimindeki performansını artırmak amacı ile uyarlanabilir (Adaptive)
dalgacık dönüşümü metodu geliştirilmiştir [19,20]. Uyarlanabilir dalgacık modeli, ortogonal dalgacıklar
ile karşılaştırıldığında daha fazla esneklik sağladığı söylenebilir. Uyarlanabilir dalgacık metodu, hatalı
alan ile kumaş zemin dokusu arasındaki dönüşüm enerji oranını çok fazla artırmaktadır. Böylece hatalı
alan daha belirgin bir şeklide ortaya çıkarılabilmekte ve daha kolay tespit edilebilmektedir. Ortogonal
dalgacık metodunda ise hatalı bölge ile zemin dokusu daha fazla ilintili olduğu için hata tespit
performansı sınırlı seviyede kalmaktadır.
Serdaroğlu ve arkadaşları [21] çalışmasında dalgacık dönüşümü, bağımsız bileşen analizi, topolojik
bağımsız bileşen analizi ve bağımsız alt uzay analizi gibi metotlar birlikte kullanılarak kumaş hata
denetimi için farklı yaklaşımlar geliştirilmiştir. Dalgacık dönüşümü ön işlem olarak imgelere uygulanmış
ve imgelerin alt bantlara ayrılması sağlanmıştır. Böylece işlem performansı artırılmıştır. Bu çalışma
kapsamında çeşitli dalgacık dönüşüm metotları, farklı genişliklerdeki alt pencereler, farklı sayılarda
bağımsız bileşenler ve birçok alt bant kullanılarak 13 farklı kumaş hata denetim senaryosu geliştirilmiştir.
Bu senaryoların hata denetim performansları karşılaştırılmıştır.
Dalgacık dönüşümü ve geri besleme yapay sinir ağı Lıu ve Qu tarafından birlikte kullanılarak [22] hata
tespiti ve sınıflandırılması yapılmıştır. Çalışma kapsamında yağ lekesi, kopuk çözgü ve kopuk atkı
hataları dikkate alınmıştır. CCD kamera kullanılarak her bir hata tipi için otuz görüntü alınmıştır. Bu
görüntülerden yirmi tanesi sinir ağının eğitiminde kullanılırken on tanesi test edilmesinde kullanılmıştır.
Alınan görüntüler Daubechies-5 dalgacık tipi kullanılarak üçüncü çözünürlük seviyesinde alt imgelere
ayrılmıştır. Dalgacık dönüşümü ile ayrılan bu görüntülerin doku özellik vektörü oluşturulmuş ve yapay
sinir ağına girdi değeri olarak verilmiştir. Her bir hata sınıfı için aynı işlem yapılarak ağ eğitildikten sonra
test edilmiştir. Hata sınıfı tespitinin %95 oranında doğru bir şekilde yapıldığı söylenmektedir.
Guan ve Shi dalgacık dönüşümü ve Fourier dönüşümü metotlarından faydalanarak kumaş görüntülerinde
hatalı bölgeleri tespit etmeye çalışmıştır [23]. Bezayağı kumaşlara ait 160 görüntü hata tiplerine göre
40'ar görüntüden oluşan dört gruba ayrılmıştır. Aynı işlem dimi kumaş görüntüleri içinde yapılmıştır.
Bezayağı kumaşlara ait görüntüler Daubechies-1 (DB1), Daubechies-2 (DB2), Daubechies-3 (DB3) ve
Daubechies-4 (DB4) dalgacık tipleri kullanarak birinci derece çözünürlük seviyesinde ayrıştırılmıştır.
Tüm kumaş görüntülerinin ayrıştırılan her bir alt görüntüsünün (yatay detay, dikey detay, çapraz detay)
doku entropi değeri hesaplanmıştır. Bezayağı kumaşlarda en düşük entorpi değeri DB2'de, dimi
kumaşlarda ise DB3'de elde edilmiştir. Bu yüzden görüntülerin ayrıştırılmasında bezayağı için DB2, dimi
kumaşlar için ise DB3 dalgacık türleri seçilmiştir. Daha sonra, alt görüntüleri gürültülerden temizlemek
ve daha düzgün bir görüntü elde etmek için frekans uzayı filtresi uygulanmıştır. Filtreden geçirilen alt
görüntüler birçok alt pencerelere bölütlenmiştir. Alt pencerelerin boyutları en küçük doku birimini
içerecek şekilde seçilmiştir. Alt pencerelere ait standart sapma değerleri hesaplanarak normal hatasız bir
kumaşa ait standart sapma değerleri ile karşılaştırılmıştır. Standart sapma değerleri arasındaki fark belli
bir limiti aşan bölgeler hatalı bölgeler olarak tespit edilmiştir.
2.2 Gabor Filtre Metodu
Literatürde farklı Gabor filtrelerine rastlanmaktadır [24-26]. Bu yüzden Gabor filtrelerinin kesin bir
tanımı mevcut değildir. İki boyutlu Gabor süzgeci, iki boyutlu Gaussian yüzey ile tek yöndeki iki boyutlu
düzgün dalganın birleşimidir. Gabor süzgeci;
……………………..…………………………….(1)
şeklinde ifade edilir [27,28].
Burada;
CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) 22-39
29
…………………………………………………..(2)
ve …………………………………………………(3)
dir.
Burada, filtre frekansı, ve ölçek değerleri filtre genliği ve ise düzgün dalganın x ekseni ile
arasındaki açıyı ifade eder.
Gabor filtresi canlılardaki görme sinirlerinin uzaysal frekans ve yönelim seçici özelliklerinden ilham
alarak hazırlanmıştır. İki boyutlu Gabor filtresi yapay görme ve görüntü analiz işlemlerinde başarı ile
uygulanmaktadır. Yaygın olarak doku sınırlarını belirleme, doku görüntüsü bölütleme, ayrıştırma ve
sınıflama uygulamalarında kullanılmaktadır. Son zamanlarda tekstil kumaşları hata tespiti alanında da
kullanılmaya başlamıştır. Doku analizi uygulamalarında filtre bankası ve bireysel uyarlamalı olmak üzere
iki temel Gabor filtresi metodu kullanılmaktadır. Aşağıda Gabor filtresi kullanılarak yapılan bazı kumaş
hata denetimi çalışmaları hakkında bilgi verilmiştir ve Tablo 2’de çalışmalar özetlenmiştir.
Tablo 2. Gabor Filtre metodu kullanılarak yapılan kumaş hata tespiti çalışmaları
Yazar
Görüntü İşleme
Metodu
Görüntü
Alma Cihazı
Kumaş Tipi Hata Tipleri Prototip
Başarı
Oranı
Bodnarova, A.,
Bennamoun,
M. ve Latham
S. (2002) [28]
2-D Gabor
Algoritması
Dijital İmge
Homojen desenler
ve jakarlı desenler
Yüzen çözgü - Belirtilmemiş
Mak, K. L.,
Peng, P.,
Lau,H.YK.
(2005) [29]
Gabor Dalgacık
Ağı, Aşındırma
ve Genişletme
morfolojik
işlemleri
Dijital İmge Belirtilmemiş
Yabancı lif, Uçuntu,
Tahar hatası,
Boncuklanma, Su
damlası, Nope
- 97.4%
Mak, K. L.,
Peng, P., Lau,
H.YK. (2005)
[30]
Gabor Filtresi
Line-Scan
Kamera
Dimi
Tahar hatası, Kopuk
aktı, Nope, Su damlası
√ 100
Mak, K. L. ve
Peng P. (2006)
[31]
Gabor Filtresi,
Gaussian
düzgünleştirme
filtresi
Line Scan
Kamera
Belirtilmemiş
Kirli çözgü, Yüzen
çözgü, Nope, Düğüm,
Tahar hatası, Yabancı
lif,
√ 98.7%
Mak, K.L. ve
Peng, P. (2008)
[32]
Tek simetrik
gerçel değerli
Gabor filtresi,
Çift simetrik
gerçek değerli
Gabor filtresi,
Düzgünleştirme
filtresi
Tarayıcı
Dimi, Denim,
Bezayağı
Nope, Kopuk çözgü,
Delik, Gevşek atkı,
Kalın çözgü, Çift atkı,
Tahar hatası, Renkli
leke, Yüzen atkı, Kalın
yer, Gergin atkı, Su
lekesi, Kopuk atkı,
Yüzen çözgü, Düğüm
√ 96.2%
Mak, K.L.,
Peng, P. ve
Yiu, K.F.C.
(2009) [33]
Gabor Dalgacık
Ağı
Line Scan
Kamera
Dimi, Denim,
Bezayağı
Yabancı lif, Renkli leke,
Boncuklanma, Tahar
hatası, Yağ lekesi, Su
lekesi, Kirli çözgü, Kirli
atkı, Kopuk atkı, Damla,
Çoklu örgü
√ 97.7%
Han, R. ve
Zhang, L.
(2009) [34]
Tek simetrik
Gabor filtresi,
Çift simetrik
Gabor filtresi,
Genetik
algoritma
Dijital İmge Belirtilmemiş Belirtilmemiş - 92.86%
Teknolojik Araştırmalar: TTED 2012 (1) 22-39 Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları…
30
Bodnarova ve arkadaşları optimum iki boyutlu bir Gabor filtresi tasarlamıştır [28]. Bu çalışmada sunulan
kumaş hata denetimi yaklaşımı ‘ayarlı-uyumlu filtre’ olarak sınıflandırılmıştır. İki boyutlu Gabor
algoritması, otomatik olarak ve uyarlanabilir bir şekilde optimum parametrelerin seçildiği iki boyutlu
optimize edilmiş Gabor fitresi tasarımı temeline dayanmaktadır. Bu çalışmanın, Gabor filtre çözümünün
gerçek zamanlı olarak desenli kumaşların hatalarının tespit edilmesinde kullanıldığı ilk uygulama olduğu
belirtilmiştir. Sunulan Gabor filtre çözümünün çok hızlı oluğu ve çok geniş çeşitlilikte tekstil hatalarının
hem homojen desenlerde hem de kompleks jakar desenlerinde tespit edilebilmesi için sadece küçük
sayıda optimum filtre gerektirdiği belirtilmiştir.
Mak K. L. ve diğerleri tekstil kumaşlarının doku özelliklerini çıkarmak için Gabor Dalgacık Ağı (Gabor
Wavelet Network) metodu, genişletme ve aşındırma gibi temel morfolojik işlemleri kullanmışlardır [29].
Aşındırma ve genişletme işlemlerinden dolayı kaybolan bazı bilgileri tekrar kazanmak için açma ve
kapama işlemleri yapılmıştır. Bu çalışma kapsamında 78 kumaş imgesi kullanılmıştır. Bunlardan 39
tanesi hatasız kumaş imgesi geri kalanlar ise farklı türde hatalara sahip kumaş imgeleridir. Kumaş
imgeleri Gabor dalgacık ağının eğitilmesi ve test edilmesi için kullanılmıştır.
Mak K. L. ve arkadaşları diğer bir çalışmalarında tekstil kumaşlarında gerçek zamanlı hata denetimi için
Şekil 5’te gösterilen prototip yapay görme sistemini önermiştir [30-33]. Bu prototip sistemi kullanılarak
farklı Gabor filtresi tabanlı uygulamalar yapmışlardır. [30] çalışmasında, otomatik olarak Gabor
fonksiyonlarının ayarlandığı basit bir filtre seçme kriteri önerilmiştir. Gabor fonksiyonunun sadece gerçel
kısmı kullanılmıştır. Önerilen algoritmada öncelikle hatasız bir kumaş imgesi farklı çözünürlük
seviyelerine ayrıştırılmış. Daha sonra, her bir çözünürlük seviyesi için Gabor fonksiyon parametreleri
belirlenmiştir. Her seviyedeki Gabor foknsiyonu parametreleri için genetik algoritma yöntemi
kullanılarak optimum değerler belirlenmiştir. Böylece imge piramidinin her seviyesi için bir tane
optimum Gabor filtresi seçilmiştir. Hata bölütlemesi yapılacak kumaş görüntüsü seçilen Gabor
filtrelerinden geçirildikten sonra görüntü birleştirme işlemi uygulanmıştır. Farklı çözünürlük seviyelerine
Şekil 5. Kumaş hata denetimi için gerçek zamanlı yapay görme sistemi [30]
ayrılan görüntü filtrelerden geçirildikten sonra tekrar bileştirilmiştir. Birleştirilen görüntü medyan filtresi
ile konvolüsyon işlemine tabi tutulmuştur. Son olarak eşikleme işlemi ile görüntü siyah beyaz forma
dönüştürülmüştür. Geliştirilen algoritma gerçek zamanlı (on-line) ve veritabanından alınan görüntüler
üzerinden (off-line) denenmiştir. Gerçek zamanlı olarak prototip sistem üzerinde yapılan çalışmada 7,8
piksel/mm çözünürlük kullanılmıştır. Her görüntü çerçevesi 2048 x 256 boyutlarında alınmıştır. Prototip
sistem en fazla 15 m/dk hızda çalıştırılmıştır.
CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) 22-39
31
Han R. ve Zhang L. tarafından sunulan metotta optimum Gabor filtresinden bir tane tek simetrik ve bir
tane de çift simetrik Gabor filtresi türetilmiştir [34]. Optimum Gabor filtresinin parametreleri genetik
algoritma metodu ile belirlenmiştir. Yapılan uygulamalarda çift simetrik Gabor filtresinin düğüm gibi
damla şeklinde hataların tespit edilmesinde daha etkili olduğu ve tek simetrik Gabor filtresinin kopuk atkı
veya kopuk çözgü gibi keskin kenar şeklindeki hatalarda daha etkili olduğu tespit edilmiştir. Bu
çalışmada 42 farklı doku yüzeyine sahip, farklı boyutlarda ve türlerde hatalar içeren kumaş imgeleri
kullanılmıştır.
2.3 Fourier Dönüşüm Metodu
Fourier analizi, sinyalleri değişik frekanslardaki sinüs ve kosinüs dalgalarına ayırır. Fourier dönüşümü
sonucunda zaman bölgesindeki sinyalin frekans bölgesindeki karşılığı elde edilir.
İki boyutlu ayrık Fouirer dönüşümü;
……………………………………………….(4)
şeklinde ifade edilmektedir.
Burada, ) imgeyi, M ve N ise imgenin boyutlarını ifade etmektedir.
Ters Fourier dönüşümü ile imgesi tekrar elde edilmektedir [14].
…………………………………………………(5)
Aşağıda Fourier dönüşümü metodu kullanılarak yapılan bazı kumaş hata denetimi çalışmaları hakkında
bilgi verilmiştir ve Tablo 3’de çalışmalar özetlenmiştir.
Tablo 3. Fourier dönüşümü metodu kullanılarak yapılan kumaş hata tespiti çalışmaları
Yazar
Görüntü İşleme
Metodu
Görüntü Alma
Cihazı
Kumaş Tipi Hata Tipleri Prototip Başarı Oranı
J. G. Campbell,C.
Fraley, D. Stanford,
F. Murtagh, A. E.
Raftery [35]
Gaussian filtresi,
Fourier dönüşümü
Dijital İmge Belirtilmemiş Belirtilmemiş - Belirtilmemiş
Chan, C. ve Pang,
K. H. G. (2000) [36]
Fourier analiz CMOS Kamera Bezayağı
Çift iplik, Kopuk
iplik, Yırtık, İplik
sıklığındaki
değişimler
- Belirtilmemiş
Goswami, M. B. ve
Datta, K. A. (2000)
[37]
Aşındırma ve açma
işlemleri,
Fourier dönüşümü
CCD Kamera Belirtilmemiş Düğüm, Kalın yer - Belirtilmemiş
Chandra J. K.,
Banerjee, P. K. ve
Datta A. K. (2008)
[38]
Fourier dönüşümü,
Gri skala morfolojik
tekrar oluşturma
işlemleri
CCD Kamera Belirtilmemiş
Kalın atkı, Kalın
çözgü, Delik,
Düğüm
- Belirtilmemiş
Teknolojik Araştırmalar: TTED 2012 (1) 22-39 Görüntü İşleme Teknikleri Kullanarak Kumaş Hataları…
32
Campbell J. G. ve diğerleri örgü ve dokuma kumaşlarda hata tespiti için model tabanlı birçok metot
tanımlamışlardır [35]. Bu metotlar görüntü eşikleme, sabit zemin desen yapısının görüntü çıkarma işlemi
ile çıkarılması, model tabanlı doğrusallık bulunması gibi uygulamaları içermektedir.
Chan C. ve arkadaşları tarafından kumaş hata denetimi için sunulan Fourier analizi tabanlı algoritmada
[36] diğer uzamsal yaklaşımlara göre daha az hesaplama süresi gerektirmektedir ve hata sınıflandırması
için daha fazla parametre sağlamaktadır. Bu çalışmada, üç boyutlu frekans spektrumuna dayanan iki
uzamsal diyagram tanımlanmıştır ve kumaş hata denetimi uygulamasında kullanılmıştır.
Goswami M. B. ve Datta K. A. aşındırma ve açma gibi morfolojik işlemlerin yanı sıra Fourier dönüşümü
kullanarak kumaş görüntülerini analiz etmiştir [37]. Morfolojik işlemlerde en önemli aşama uygun bir
yapılanma elemanının ve boyutlarının belirlemesidir. Bu çalışmada öncelikle kumaş imgesi üzerinde
tespit edilmek istenilen hatanın boyutuna göre uygun bir yapılanma elemanı seçilmiştir. Morfolojik
işlemlerle delik ve düğüm gibi hatalar tespit edilmiştir. Ancak kopuk aktı veya çözgü gibi çizgi halindeki
hataları tespit etmek için Fourier düzleminde uzamsal filtreler kullanılmıştır. Aydınlatma için daha önce
bahsedilen çalışmalardan farklı olarak 5 MW gücünde He-Ne lazer kullanılmıştır. Lazer aydınlatma
altındaki kumaşın görüntüsü CCD kamera ile alınmıştır.
Chandra J. K. ve arkadaşları tarafından lazer ışın demeti ve optik bir sistem kullanılarak kumaş üzerindeki
hatalı bölgelerin tespit edilmesine çalışılıştır. Oluşturulan bu sistemde kullanılan lensler yardımı ile
görüntü filtreleme işlemleri yapılmıştır [38]. Optik uzamsal filtre işlemi Fourier düzemline 0,755 mm
çapında oluşturulan bir iğne deliği ile gerçekleştirilmiştir. Şekil 6’de gösterildiği gibi hatalı kumaş
numunesi lazer ışık kaynağının önüne uzamsal ışık modülatörünün (SLM) üzerine yerleştirilmiştir. SLM
lazer ışık kaynağı ile arasına yerleştirilen ışık yayıcı tarafından aydınlatılmıştır. Fourier lenslerden ve
diğer görüntü lenslerinden geçerek CCD kameraya ulaşan ışık kamera tarafından dijital görüntüye
dönüştürülmüş ve bilgisayara aktarılmıştır. Optik filtrelerden geçirilen görüntü deneysel olarak belirlenen
bir eşikleme değerine göre siyah beyaz forma dönüştürülmüştür. Daha sonra aşındırma ve genişletme
morfolojik işlemler ile görüntü tekrar oluşturulmuştur.
Şekil 6. Fourier dönüşümü ve uzamsal filtreleme için optik kurgu [38]
2.4 Morfolojik İşlemler ve Farklı Filtreler
Uzamsal yaklaşımların yanı sıra bazı farklı morfolojik işlemler ve filtreler yardımı ile kumaşlarda hata
denetimi yapılmaya çalışılmıştır. Bu çalışlardan özellikle prototip sistem üzerinde gerçek zamanlı olarak
yapılan hata denetimleri incelenmiş ve çalışmaların içerikleri aşağıda açıklanmıştır. Tablo 4’de
morfolojik işlemeler ve farklı filtreler kullanılarak yapılan bazı kumaş hata denetimi çalışmaları hakkında
bilgi verilmiştir ve çalışmalar özetlenmiştir.
CELIK H. I.*, DULGER C. L.**, TOPALBEKIROGLU M.*, Teknolojik Araştırmalar: TTED 2012 (1) 22-39
33
Tablo 4. Morfolojik işlemler kullanılarak yapılan kumaş hata tespiti çalışmaları
Stojanovic R. ve arkadaşları tarafından sunulan algoritmada öncelikle alınan görüntü birinci derce
gradyan filtresinden geçirilmiştir [39]. Daha sonra pencereleme (windowing) olarak adlandırılan aşamada
filtre edilmiş görüntü alt görüntülere bölünmüştür. Her alt görüntünün kontrast değeri, standart sapma
değeri ve Fourier dönüşüm değeri sırasıyla gri seviye fark metodu, standart genlik sapma metodu ve güç
spektrum metodu ile çıkarılmıştır. Çıkarılan bu değer kullanılarak oluşturulan özellik matrisi her bir
yöntem için ayrı ayrı belirlenen “T” eşik değerine göre eşikleme işlenme tabi tutulmuş ve görüntü siyah
beyaz forma dönüştürülmüştür. Siyah beyaz formda ortaya çıkan hataya ait geometrik değerler çıkarılarak
hatalı bölgenin işaretlenmesinde kullanılmıştır. Oluşturulan bir prototip sistem üzerinde gerçek zamanlı
olarak hata denetimi yapılmış ve gri seviye fark, standart genlik sapma ve güç spektrum metotlarının
performansı karşılaştırılmıştır.
Şekil 7’de gösterildiği gibi prototip sistem aydınlatma, kumaşın düzgün ve sabit bir gerginlikte
sarılmasını sağlayan iki adet motor, foto sensor, enkoder ve CCD line-scan kameradan oluşmaktadır.
Kumaşın hareketine göre kameranın tetiklenmesi işlemi ve senkronizasyonu enkoderden gönderilen
sinyallerle sağlanmaktadır. Dijital sinyal işleme devresi ‘DSP Board’ üzerinde kamera tarafından alınan
görüntüler filtre edilmiş ve doku özellikleri çıkarılmıştır. Daha sonra yine DSP devresi üzerinde eşikleme
işlemi yapılarak elde edilen görüntü bilgisayar ekranına yansıtılmıştır. Yapılan uygulamalar
değerlendirildiğinde gradyan filtre ile beraber kullanılan gri seviye fark metodunun (GLDM) en iyi
sonucu verdiği belirtilmiştir [39].
Stojanovicw R. ve arkadaşları tarafından aynı sistem üzerinde (Şekil 7) yapılan başka bir çalışmada
hatasız kumaş yüzeyi özelliklerine göre eşikleme işlemi yapılarak hata tespiti yapılmıştır [40]. Gri seviye
fark metodu kullanılarak doku özellikleri vektörü oluşturulmuştur. Doku özellik vektörü; Kontrast, açısal
ikinci moment, ortalama, entropi, homojenlik ve özelliklerin ortalaması gibi değerlerden oluşmaktadır.
Son olarak yapak sinir ağı metodu ile doku özellik vektörü girdi olarak verilmiş ve hata sınıflaması
yapılmıştır.
Yazar
Görüntü İşleme
Metodu
Görüntü
Alma
Cihazı
Kumaş Tipi Hata Tipleri Prototip Başarı Oranı
Radovan Stojanovic,
Stavros Koubias, George
Papadopoulos [39]
Gri seviye fark
metodu, Standart
genlik sapma
metodu, Güç
spektrum metodu
CCD
Kamera
Belirtilmemiş Kırışık, Delik √ Belirtilmemiş
Stojanovic, R.,
Mitropulos, P., Koulamas,
C., Karayiannis, Y.,
Koubias, S. ve
Papadopoulos G. (2001)
[40]
Eşikleme işlemi,
Gri seviye fark
metodu, Yapak
sinir ağı metodu
Line-scan
Kamera
Belirtilmemiş
Siyah leke, Beyaz
leke, Yatay Siyah
hata, Yatay beyaz
hata, Dikey siyah
hata, Dikey beyaz
hata, Kırışık
√ 86.2%.
Cho, C. S., Chung, B. M.
ve Moo-Jin Park M. J.
(2005) [41]
Medyan filtre,
Ortalama değer
filtresi, Uyarlı
eşikleme metodu,
Aşındırma işlemi
Line-scan
Kamera
Belirtilmemiş
Çözgü yüzmesi,
Kopuk atkı,
Delik, Yağ lekesi,
Lekeli bölge
√
Yağ lekesi ve
<
