روش نوين ترکيب گابوري در بخشبندي سطوح فولادي با هدف تشخيص عيوب
الموضوعات :سيدجليلالدين آلمعصوم 1 , سیدحسن منجمی 2 , هالهالسادات آلمعصوم 3
1 - مديريت اکتشاف شرکت ملي نفت ايران
2 - دانشگاه اصفهان
3 - دانشگاه اصفهان
الکلمات المفتاحية: بخشبندي بافت ترکيب گابوري تشخيص عيوب خوشهبندي فيلترهاي گابور کلاسهبند K-means,
ملخص المقالة :
تصاوير سطوح فولادي، عمدتاً تصاويري بافتي بوده که استخراج ويژگي در آنها با روشهاي گوناگون تحليل بافت انجام ميگيرد. در گروهي از اين روشها كه از آناليزهاي چندفركانسي و جهتدار سود ميبرند، استفاده از فيلترهاي گابور بهعنوان ابزار تحليل معمول است. در اين مقاله با بهکارگيري بانکي بهينهشده از فيلترهاي گابور، به استخراج ويژگي جهت بخشبندي تصاوير سطوح فولادي معيوب پرداخته ميشود. اين بانک فيلترها بهگونهاي طراحي شده که ميتواند ويژگيهاي بافتي تصوير ورودي را به شکل مطلوب، در جهات و فرکانسهاي مختلف نمايان کند. سپس بهمنظور بخشبندي تصوير سطح فولادي، روشي نوين به نام ترکيب گابوري ارائه گرديده که در اين روش با ارائه دو الگوريتم مختلف از تصاوير جزئي بهدست آمده از تصوير معيوب، تنها تعداد مشخصي با يکديگر ترکيب ميگردند تا نقشه ويژگي حاصل به شکل مؤثري در برگيرنده عيوب تصوير باشد. روش دوم ترکيب گابوري توانست با محاسبه پراکندگي دادههاي موجود در تصاوير جزئي و مقايسه آنها با يکديگر، بدون نياز به تعيين تعداد تصاوير جزئي جهت ترکيب و نيز وجود تصوير يا تصاوير نرمال، به انجام بخشبندي بپردازد. از ديگر نتايج تحقيق، بهينهسازي بخشبندي با استفاده از کلاسهبند K-means بوده که با نرمالسازي و اضافهکردن ويژگي سطح خاکستري به ويژگيهاي استخراجشده هر پيکسل، منجر به افزايش دقت کلاسهبندي شده است. نتايج بهدست آمده هم از نظر بصري و هم از لحاظ آماري نشاندهنده آن است که روش ترکيب گابوري در مقايسه با کلاسهبندK-means از دقت بالاتري برخوردار ميباشد. مقايسه انجامشده بين روشهاي پيشنهادي ترکيب گابوري و روش ويولت استاندارد نيز بر برتري نسبي ترکيب گابوري دلالت دارد. همچنين روش دوم ترکيب گابوري در مقايسه با روش اول، بهواسطه انتخاب بهتر تصاوير جزئي جهت ترکيب و در نتيجه تشکيل نقشه ويژگي مناسبتر، بهترين عملکرد را از خود نشان داده است.
[1] J. Alemasoom, Texture Segmentation towards Defect Detection, M. Sc. Thesis, University of Isfahan, Oct. 2008.
[2] J. P. Yun, S. Choi, J. W. Kim, and S. W. Kim, "Automatic detection of cracks in raw steel block using Gabor filter optimized by univariate dynamic encoding algorithm for searches (uDEAS)," NDT & E Int., vol. 42, no. 5, pp. 389-397, Jul. 2009.
[3] H. Sari-Sarraf and J. Goddard, "Vision system for on-loom fabric inspection," IEEE Trans. on Industry Applications, vol. 35, no. 8, pp. 1252-1259, Nov./Dec. 1999.
[4] H. Sari-Sarraf, J. S. Goddard, B. R. Abidi, and M. A. Hunt, "Vision system for on-line characterization of paper slurry," Int. J. of Imaging Systems and Technology, vol. 11, no. 4, pp. 231-242, 2000.
[5] A. Kumar and G. K. H. Pang, "Defect detection in textured materials using Gabor filters," IEEE Trans. on Industry Applications, vol. 38, no. 2, pp. 425-440, Mar./Apr. 2002.
[6] M. Petrou, J. Kitter, and K. Y. Song, "Automatic surface crack detection on textured materials," J. of Materials Processing Technology, vol. 56, no. 1-4, pp. 158-167, Jan. 1996.
[7] A. Monadjemi, Towards Efficient Texture Classification and Abnormality Detection, Ph. D Thesis, Bristol University, 2004.
[8] M. Mirmehdi and M. Petrou, "Segmentation of color textures," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 22, no. 2, pp. 142-159, Feb. 2000.
[9] X. Xie and M. Mirmehdi, "TEXEMS: texture exemplars for defect detection on random textured surfaces," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 29, no. 8, pp. 1454-1464, Aug. 2007.
[10] X. Liu and D. Wang, "Image segmentation using local spectral histograms," IEEE Trans. on Image Processing, vol. 15, no. 10, pp. 3066-3077, Oct. 2006.
[11] T. Weldon, W. Higgins, and D. Dunn, "Gabor filter design for multiple texture segmentation," Optical Engineering, vol. 35, no. 10, pp. 2852-2863, 1996.
[12] T. Ojala, M. Pietikainen, and D. Harwood, "A comparative study of texture measures with classification based on feature distribution," IEEE Trans. on Pattern Recognition, vol. 29, no. 1, pp. 51-59, Jan. 1996.
[13] R. Haralick, K. Shanmugam, and I. Dinstein, "Textural features for image classification," IEEE Trans. on Systems, Man, and Cybernetics, vol. 3, no. 6, pp. 610-621, Nov. 1973.
[14] D. Clausi and M. Jernigan, "Designing Gabor filters for optimal texture separability," Pattern Recognition, vol. 33, no. 11, pp. 1835-1849, Nov. 2000.
[15] A. K. Jain and F. Farrokhnia, "Unsupervised texture segmentation using Gabor filters," Pattern Recognition, vol. 24, no. 12, pp. 1167-1186, 1991.
[16] E. Abouei Mehrizi, A. Monadjemi, and M. Ashorian, "Color steel plates defect detection using wavelet and color analysis," Int. J. of Computer Science & Information Security, IJCSIS, vol. 8, no. 2, pp. 285-292, May 2010.