Fabric defect detection in frequency domain using fourier analysis

Abstract

An overwhelming majority of image processing based defect detection approaches rely on machine learning methods to train a model for comparison of test examples. This requires a training phase for each item to be learned and costly computations to tune model parameters. The fabric of textile always has repeating patterns that lends itself to automating the training phase by extracting a template. We avoid computationally costly machine learning methods by simple comparison of the fabric template with test examples in the frequency domain. In this thesis we show that it is possible to do online and fully automated defect detection of textile products in real time. We propose a method that leverages Fourier transform of textile images and present results on a data set that is collected in the scope of this research.

Görüntü işleme tabanlı hata tespit yöntemlerinin çoğunluğu makina öğrenmesine dayalı, önceden modellenmiş ve test örnekleri ile karşılaştırmaya dayalı sistemlerdir. Bu eğitim işlemi her bir malzeme için yapılarak sistemin öğrenilmesi sağlanmalıdır ki bu işlemin maliyeti yüksektir. Dokuma üzerindeki desenler kendisini tekrar ettiği için eğitim aşaması yerine, taslak çıkartarak otomatikleşmesini sağlayabiliyoruz. Makina öğrenmesi gibi maliyetli işlemleri kullanmak yerine, elde ettiğimiz taslak ile test örneklerini, frekans alanında basit şekilde karşılaştırabiliyoruz. Bu tez çalışmasında, bu yöntemin online ve tamamen otomatize edilmiş gerçek zamanlı bir hata tespit sistemi olacağını göstereceğiz. Önerdiğimiz metod, Fourier dönüşümü kullanılarak geliştirilmiş ve bu çalışma süresince toplamış olduğumuz dokuma görüntülerinden oluşan veri setine uygulanarak, elde edilen sonuçlar sunulmuştur.