SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2017 / Cilt: 32 - Sayı: 1

FOURIER DÖNÜŞÜMÜ KULLANILARAK GERÇEK ZAMANLI KUMAŞ HATASI TESPİTİ

Kazım HANBAY
Muhammed Fatih TALU
Ömer Faruk ÖZGÜVEN
Pages
0–0
Publication Date
2017-03-23
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Deneysel sonuçlar önerilen hata tespit modelinin yaygın örgü kumaş hatalarını başarılı bir şekilde tespit edebildiğini göstermiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Kumaş üretiminde yüzey hatalarını tespit etmek için gerçek zamanlı hata tespit sistemlerine ihtiyaç duyulmaktadır.
📊
Key Findings & Data:Bu dokusal özellikler 7 tane olup kumaş görüntüsünün Fourier frekans spektrumunun yatay ve dikey yönlerinden hesaplanmıştır.
💡
Conclusion & Impact:Deneysel sonuçlar önerilen hata tespit modelinin yaygın örgü kumaş hatalarını başarılı bir şekilde tespit edebildiğini göstermiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Kumaş hatası tespiti · Gerçek zamanlı kontrol · Doku sınıflandırma

Özet

Kumaş üretiminde yüzey hatalarını tespit etmek için gerçek zamanlı hata tespit sistemlerine ihtiyaç duyulmaktadır. Mevcut durumda örgü kumaş üretiminde gerçek zamanlı hata tespit sistemi yoktur. Bu çalışmada gerçek zamanlı kumaş hatası tespit sistemi geliştirilmiş ve yuvarlak örgü makinesi üzerinde test edilmiştir. Kumaş görüntüsünün dokusal özellikleri Fourier dönüşümü temelinde çıkarılmıştır. Bu dokusal özellikler 7 tane olup kumaş görüntüsünün Fourier frekans spektrumunun yatay ve dikey yönlerinden hesaplanmıştır. Önerilen metodunun performansı ilk olarak kapsamlı veri tabanı temel alınarak gerçek zamanlı olmayan çalışmalar yolu ile değerlendirilmiştir. Önerilen metot gerçek zamanlı kontrolde de başarı sağlayabilecek üstün bir performans elde etmiştir. İkinci olarak, endüstriyel şartlarda etkin bir kumaş hatası kontrolü için gerçek zamanlı makine görmesi sistemi tasarlanmıştır. Gerçek zamanlı hata tespit sistemi çizgi kamera tarafından elde edilen kumaş görüntüleri analiz edilerek test edilmiştir. Deneysel sonuçlar önerilen hata tespit modelinin yaygın örgü kumaş hatalarını başarılı bir şekilde tespit edebildiğini göstermiştir.

🔖

Cite This Article

HANBAY, K., TALU, M. F., ÖZGÜVEN, Ö. F. (2017). FOURIER DÖNÜŞÜMÜ KULLANILARAK GERÇEK ZAMANLI KUMAŞ HATASI TESPİTİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 32 - Sayı: 1, 0–0. https://ajindex.com/articles/20258

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Ngan, H.Y.T., Pang, G.K.H., Yung, N.H.C., Automated Fabric Defect Detection-A Review, Image and Vision Comput., 29, 442-458, 2011.
  2. Hamdi A. A., Sayed M. S., Fouad M. M., Hadhoud M. M., Fully Automated Approach for Patterned Fabric Defect Detection, Fourth International Japan-Egypt Conference on Electronics, Communications and Computers (JEC-ECC), Cairo,, 48-51, 31 Mayıs-2 Haziran 2016.
  3. Jing, J., Wang, J., Li, P., Li, Y., Automatic Classification of Woven Fabric Structure by Using Learning Vector Quantization, Procedia Eng., 15, 5005-5009, 2011.
  4. Tilocca, A., Borzone, P., Carosio, S., Durante, A., Detecting Fabric Defects with A Neural Network Using Two Kinds of Optical Patterns, Text. Res. J., 72, 545-550, 2002.
  5. Li Y., Zhao W., Pan J., Deformable Patterned Fabric Defect Detection with Fisher Criterion-Based Deep Learning, IEEE Trans. Autom. Sci. Eng., 99, 1-9, doi: 10.1109/TASE.2016.2520955. Tsang C.S.C., Ngan H.Y.T., Pang G.K.H., Fabric Inspection Based on the Elo Rating Method, Pattern Recognit., 51, 378-394, 2016.
  6. Jayashree, V., Subbaramn, S., Hybrid Approach Using Correlation and Morphological Approaches for GFDD of Plain Weave Fabric, IEEE Control and System Graduate Research Colloquium (ICSGRC), 197-202, 2012.
  7. Seker A., K. Peker A., Yuksek A. G., Delibas E., Fabric Defect Detection Using Deep Learning, 24th Signal Processing and Communication Application Conference (SIU), Zonguldak, 1437-1440, 2016.
  8. Stivanello M. E., Vargas S., Roloff M. L., Stemmer M. R., Automatic Detection and Classification of Defects in Knitted Fabrics, IEEE Lat. Am. Trans.,14 (7), 3065-3073, 2016.
  9. Selver M. A., Avşar V., Özdemir H., The Journal Of The Textile Institute, 105 (9), 998-1007, 2014.
  10. Li, Y., Ai, J., Sun, C., Online Fabric Defect Inspection Using Smart Visual Sensors, Sensors, 13 (4), 4659-4673, 2013.
  11. Hanbay, K., Talu, M. F., Ozguven, O. F., Ozturk, D., Fabric Defect Detection Methods for Circular Knitting Machines, IEEE 23th Signal Processing and Communications Applications Conference (SIU), 735-738, 16-19 May 2015.
  12. Zhou, Y. W., Song, G. L., Fang, M., The Automating Detecting of Stitch Distortion in Knitted Fabric by Image Processing Technology, International Conference on Control, Automation and Systems Engineering (CASE), 1-3, 2011.
  13. Zhao, D.X., Wang, H., Zhu, J.L., Li, J.L., Research on a New Fabric Defect Identification Method, International Conference on Computer Science and Software Engineering, 814-817, 2008.
  14. Ismail, N., Syahrir, W.M., Zain, J.M., Hai, T., Fabr