AI Summary & Key Takeaways
AI InsightThanks to the fine tuning of hyper-parameters of deep model, we have 96% success rate on our own dataset.
📌 3 Key Takeaways
Abstract
The fabric defect detection has crucial importance in terms of sectoral quality. As fabric defection stage, accordingly the growing market volume and production capacity, detection via human vision has caused largely time-wasting and success rate decreasing until 60%. Due to a fabric has unique texture, there is necessity for it to work on separately from other images types while extracting its features. Features are vital material of computer vision especially classification problems. Hence, extracting right features is the most significant stage of error detection. This purpose in mind on this study, deep learning which distinguishes with multi-layer architectures and reveals high achievement on image and speech procession recent years by self-feature extraction is applied to fabric defect detection. Stacked autoencoder -a deep learning method- that aimed to represent input data via compression or decompression is tried to detect defect of fabrics and it gained acceptable success. The principal aim of this study is to increase achievement of feature extraction by tuning up the input value and hyper parameters autoencoder. Thanks to the fine tuning of hyper-parameters of deep model, we have 96% success rate on our own dataset.
Özet
Kumaş hatası tespiti sektörel kalite açısından önem arz etmektedir. Bu hataların tespitinde, gelişen pazar hacmi ve üretim kapasitelerinin büyüklüğü sebebiyle insan görüsü ile tespit, büyük oranda zaman kaybına ve hata tespit oranının %60 seviyelerine kadar düşmesine sebep olmaktadır. Bu bağlamda daha yüksek başarım elde edebilmek için görüntü işleme alanında bir çok yöntem denenmiştir. Kumaşın kendine has bir dokusunun olması sebebiyle, öznitelikleri çıkarılırken diğer görüntü türlerinden ayrı olarak incelenmesi gerektirmektedir. Öznitelikler bilgisayarlı görmede özellikle sınıflandırma problemlerinde ham madde olmaktadır. Bu yüzden doğru öznitelikleri çıkarmak, hata tespitinde en önemli aşamadır. Bu amaç doğrultusunda, çoklu-katman mimarisi ve kendi özniteliklerini çıkararak son yıllarda görüntü ve ses işleme alanında büyük başarılar getirmesi ile öne çıkan derin öğrenme kumaş hatası tespitine uygulanmıştır. Giriş verisini sıkıştırma ya da genişletme ile temsil eden yığınlı oto-kodlayıcılar -bir derin öğrenme yöntemi- kumaş hatası tespitinde denenmiş ve kabul edilebilir başarılar elde edilmiştir. Çalışmanın asıl amacı oto kodlayıcının hiper parametreleri ve giriş değeri ile oynamalar yaparak öznitelik çıkarımı başarısını artırmaktır. Derin modelin hiper parametrelerin ince ayarıyla, kendi veri setimizde %96’lık bir başarı oranı elde ettik.