利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!

   自动化那些事        

皮革是许多制造业中非常重要的原料。例如,生产鞋类、服装、包和配件。在批量生产某一产品之前,专业的皮革外观检测程序是质量控制的重要环节。然而,迄今为止,该行业缺乏全自动皮革检测系统,多数制造商依靠经验丰富、训练有素的专家来识别皮革的缺陷。


这种人工评估工作效率低、不一致。因此,该研究提出了一种基于图像处理技术的皮革缺陷检测方法,即灰度直方图分析。具体来说,提取均值、标准差等直方图特征作为特征。本文以“Automated leather defect inspection using statistical approach on image intensity”为题于2020年11月20日发布于《Journal of Ambient Intelligence and Humanized Computing》杂志上。

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


研究背景


皮革是一种由动物皮制成的材料,经过化学处理以保存它们,使它们适合用于服装、手袋、运动器材、家具、鞋类和工具。


最近一项2018年的研究显示,全球皮革品市场规模为954亿美元,预计到2022年将达到1286.1亿美元,增长率为4.36% 。由于皮革在制造业中的重要性,确保皮革的良好质量对提高客户满意度至关重要。


通常,一个天然皮革片可能包含不完美,如昆虫咬伤,割伤,污渍和皱纹,如图所示。为了生产高质量的皮革产品,这些缺陷必须在缺陷确定过程中被识别和消除。


简而言之,皮革的质量可以根据已制定的质量标准来判断,如SATRA (Technology 2020)所列出的标准。SATRA提倡一个五点皮革分级系统,分配一个特定的带子到皮革片,表示可用表面的百分比(即,没有标记的缺陷)的皮革。

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为皮革皮上的典型缺陷


在涉及皮革材料的生产过程中,缺陷识别过程被普遍认为是最耗时的环节之一。目前,由训练有素的检查人员进行人工缺陷识别仍然是一种常见的做法。目前的解决方案是手动标记缺陷区域,然后根据损坏程度(即小、大、严重等)对缺陷进行分级。


典型的缺陷标记系统通过第一次扫描和自动检测皮革边界。经过培训的专业人员将使用电子笔标记皮革上的缺陷,并对缺陷进行相应的分级。这些标记的位置和等级由缺陷标记系统记录,并将在以后的皮革切割过程中使用。


该研究提出了一种利用一系列简单而强大的图像处理技术的皮革自动检测系统。特征提取过程是在对皮革图像灰度直方图进行分析的基础上进行的。简而言之,直方图提供了丰富的信息,皮革表面,特别是那些细节,其中包含不规则的表面。


下图显示无缺陷段的灰度直方图,这两种直方图在许多方面都有明显的不同,即缺陷直方图的大小较小,向左移动更多,宽度的扩展更大。因此,从所示的图形表示中,可以通过分析图像分布的某些特征来确定图像是否有缺陷。因此,研究者提出的方法围绕着直方图分析的概念。

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为基于数据集II的皮革图像缺陷段与非缺陷段的直方图

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为提出的方法流程图


该算法包括六个主要步骤:(1)图像预处理;(2)图像分割;(3)统计特征计算;(4)特征选择;(5)特征降维;(6)缺陷分类。


研究者给出两个数据集进行实验,并对实验结果进行图表分析。


下图显示两个数据集上不同分类器的结果。对于数据集I,所选择的特征是均值、方差和较低的四分位数范围。介质KNN分类器和立方KNN分类器的分类精度(99.16%)、灵敏度(100%)和误差率(0.84%)均较好。另一方面,线性判别分析分类器和子空间鉴别集成分类器的F1得分最好(100%)。总之,在数据集I上进行的实验,平均准确率为97.11%,F1评分为97.39%。


对于数据集II,所选择的特征是方差、均值和倾斜。高斯朴素贝叶斯分类器的准确率最高为77.13%,误差率最低为22.87%。得到的粗糙高斯SVM分类器的F1评分为96.93%。一般情况下,总体效果最好的分类器是高斯朴素贝叶斯分类器。总之,在数据集II上进行的实验过程平均准确率为74.02%,平均f1得分为82.35%。

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为数据集I的不同类型分类器的分类性能指标(%)

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为数据集II不同类型分类器的分类性能指标(%)

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为缺陷图像和非缺陷图像特征散点图


其次对该方法的第五步进行了分析,即特征约简,包括百分位数阈值化、k均值聚类和高斯混合模型。百分位数阈值法的优点是简单有效。一个缺陷图像将只有一个或两个有缺陷的部分,(分布中的异常值),因此在研究者的代表性值中识别这些异常值是很重要的。如果图像中存在缺陷,这种百分位数阈值方法有效地传播代表值

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为用百分位数阈值进行降维时的特征分布

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为K均值聚类降维时的特征分布

利用图像自动处理分析,助力皮革厂自动检测皮革缺陷!


图为高斯混合模型降维时的特征分布


在非缺陷图像中,代表值在主聚类内,而在缺陷图像中,离群段会使主聚类外的值变得更加稀疏。


为了验证该方法的有效性,分别对数据集I和II进行了性能比较。具体来说,数据集I中使用的图像与in相同,只是他们进行了三类分类任务,即将图像区分为黑线缺陷、皱纹缺陷或无缺陷。但是,与研究者的实验相比,每个类别的图像少了125张黑线,125张皱纹,125张无缺陷图像。对于测试分割为80/ 20,当使用Alexnet架构作为特征描述符实现时,获得的准确率和f1分分别为94.67%和94.76%。


另一方面,对于dataset II,使用了相同类型的缺陷图像。注意,测试分割为60/ 5/ 35,图像号为1138/ 95/ 664。采用一系列的预处理技术,在传递到具有50个隐藏神经元的人工神经网络(ANN)时,获得的最佳精度为80.3%。


此外,采用AlexNet架构提取特征,分类结果略低。值得注意的是,该方法的精度优于所提出的方法,而不是F1-score方法。这是因为实验中存在等级不平衡的问题,无缺陷的图像比有缺陷的图像多4倍左右。因此,大部分有缺陷的图像被误分类为无缺陷的图像。


研究结论


简单地说,该研究提出了一种基于统计、直方图的方法来实现牛皮缺陷的自动检测。具体来说,提出了常用的直方图特征作为特征。然后利用统计检验和Kolmogorov-Smirnov检验作为特征选择步骤。


此外,还提出了一种简单有效的阈值化方法对提取的特征进行降维。因此,该算法具有较低的延迟,并能产生相当准确的结果,即在一个数据集中的精度达到97.11%。


未来的工作包括结合机器学习算法来提高分类模型的鲁棒性。此外,可以区分同一表面内不同类型的缺陷。通过对多个缺陷进行实例分割,可以准确地识别缺陷区域。


参考文献:AY. S. Gan, Sue-Sien Chee, Yen-Chang Huang, Sze-Teng Liong & Wei-Chuen Yau utomated leather defect inspection using statistical approach on image intensity  Journal of Ambient Intelligence and Humanized Computing (2020)



最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐