SUPPORT VECTOR MACHINE FOR DETECTING TEXTILE DEFECTS, USING FEATURES SPATIAL OF TEXTURE

Transcripción

1 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de SUPPORT VECTOR MACHIE FOR DETECTIG TEXTIE DEFECTS, USIG FEATURES SPATIA OF TEXTURE MÁQUIA DE VECTORES DE SOPORTE PARA A DETECCIÓ DE DEFECTOS TEXTIES EMPEADO CARACTERÍSTICAS ESPACIAES DE TEXTURA Ing. Duber Martínez Torres, Ing. Sergo Oruela Unversdad Antono arño, Colomba E-mal: duber0@yahoo.com, seraleov@teln.ugent.be Abstract: Ths paper presents the results obtaned by usng a classfer wth Support Vector Machnes for detectng textle defects n fabrcs. In order to obtan the necessary texture features for the detecton, four dfferent texture analyss methods were used. The results show the valdty of the scheme mplemented for the detecton of fve of the most common types of defects. Resumen: En este trabao se presentan los resultados obtendos al emplear un clasfcador con Máqunas de Vectores de Soporte para la deteccón de defectos en telas sn estampar. Se utlzan cuatro técncas espacales para análss de textura que unto a un grupo de descrptores estadístcos permten conformar las característcas necesaras para la deteccón. os resultados muestran la valdez del esquema mplementado para la deteccón de cnco de los tpos más frecuentes de defectos. eywords: Image Processng, mage obect recognton, pattern recognton.. ITRODUCCIÓ Dentro del proceso textl, una prmera etapa es la produccón de telares en crudo, que corresponde a telas sn nngún tpo de estampado y es en este punto donde se deben detectar los dferentes tpos de defectos en el tedo. En países como Colomb muchas de estas tareas de nspeccón y control de caldad son realzadas por operaros, lo cual conlleva a la nexacttud en los resultados obtendos por factores como: la velocdad con que pasa la tela bao revsón, la ampla área que debe ser abarcad el cansanco físco y agotamento vsual que esta actvdad mplc entre otros. Para el trabao, se emplearon muestras textles sumnstradas por empresas textles del departamento del Tolma-Colomb dentro de ellas, se selecconaron los prncpales defectos que se presentan durante el proceso de fabrcacón. Algunos de estos defectos son apenas perceptbles a smple vst lo que los hace dfícles de detectar. Dada la naturaleza de la superfce de los tedos, los defectos aparecen como una varacón de la textur razón prncpal por la cual las técncas de análss de textura han sdo amplamente empleadas para este tpo de aplcacones (Habt et al., 004), (Pérez et al., 007). Exsten dversos enfoques para la extraccón de las propedades de textura: espacales, espectrales, estructurales, basadas en modelo, basadas en color. (ulak, 00), (Ralló et al., 003). En este trabao se explora sí algunas de las técncas espacales más comúnmente empleadas, unto con un clasfcador apropado permten detectar los defectos presentes en las muestras adqurdas. Se Unversdad de Pamplona

2 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de hzo la seleccón de las técncas espacales dado que presentan las condcones de velocdad y compledad apropadas para su mplementacón en un sstema de tempo real. En trabaos prevos han empleado clasfcadores prncpalmente basados en Redes euronales Artfcales (Islam et al., 006). En este trabao se emplea como clasfcador una Máqunas de Vectores de Soporte SVM (por sus sglas en nglés Support Vector Machnes), que en los últmos años, han mostrado ser una herramenta muy poderosa en la clasfcacón (wang et al., 00). Se parte de una descrpcón de las mágenes adqurdas y la plataforma de captura emplead segudamente se realza una explcacón de las dferentes técncas espacales de análss de textura mplementadas para la extraccón de las característcas así como del clasfcador con SVM. En la últma seccón se ndcan los resultados obtendos de acuerdo con los dferentes tpos de defectos y las dstntas técncas mplementadas.. DESCRIPCIÓ DE BACO DE PRUEBAS. Imágenes de Prueba as mágenes que conforman el banco de pruebas para la deteccón de defectos, fueron adqurdas a partr de muestras de tedo representatvas de la ndustra textl de la regón. Fueron consderados cnco tpos de defectos: defectos de barrado, defectos por manchas, defecto de mota ted defecto de marposeo y defecto por pques. a Fg.. corresponde a mágenes de los respectvos defectos en el orden anterormente expuesto. (a) (b) (c) (d) (e) Fg.. Tpos de defectos. (a) defecto de barrado, (b)defecto de manch (c)defecto de mota ted (d)defecto de marposeo y (e)defecto por pques. Plataforma de Captura as muestras obtendas corresponden a tedos sn estampar tpo tubular como se ndca en la Fg. Para la captura se mplementó la plataforma que se muestra en la Fg. 3. que permta emular algunas de las condcones de la máquna teedora. Fg.. Tedo Tubular Fg. 3. Plataforma as mágenes se capturaron con una resolucón de 640x480 y durante el preprocesamento fueron dvddas en cuadrículas de 00x00 sobre las cuales se busca la deteccón de los defectos. Para el entrenamento del clasfcador se emplearon un total de 500 mágenes, 00 por cada tpo de defecto y para la valdacón se emplearon 000 mágenes, 00 por cada tpo de defecto. 3. TÉCICAS DE AÁISIS DE TEXTURA IMPEMETADAS En un sentdo general, la textura hace referenca a las característcas y aparenca de la superfce de un certo obeto, de acuerdo con el tamaño, form densdad, arreglo y proporcón de los elementos estructurales que la consttuyen. Se cuenta con dferentes enfoques para extraer la nformacón a partr de la textura de la magen (Turceryan y Jan, 993). En este trabao se explora uno de estos enfoques, basado en las propedades espacales de la magen y la dstrbucón espacal de las varacones de tono dentro de un grupo de píxeles de resolucón. Se exploran cuatro técncas espacales para la extraccón de característcas, a partr de la textura. A contnuacón se realza una breve descrpcón de cada una. 3. Matrz de Concurrenca de veles de Grs a matrz GCM por sus sglas en nglés (Grey evel Co-occurrence Matrx) es conformada como un hstograma de dos dmensones, donde se ndca la frecuenca en que aparece una certa relacón entre pares de píxeles para una dstanca y orentacón dada. Se establecen típcamente 4 orentacones 0, 45, 90 y 35 para dstancas de,, etc. píxeles de separacón. Unversdad de Pamplona

3 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de probabldad, donde a cada celda se le asgna el valor ndcado por la ecuacón (), que corresponde a la relacón de aparcón de un evento entre el número total de posbles eventos. (a) (b) Fg. 4. Píxeles vecnos. (a) d, (b) d En la magen de la Fg. 4 (a), se ndcan los píxeles vecnos tomando como referenca una dstanca d. Para una orentacón de 0º los píxeles a consderar son los de la poscón y 5. Para la orentacón de 45º los píxeles 4 y 8. El la Fg. 4 (b) se toma como referenca una dstanca d, con los píxeles,5 y 4,8 para las orentacones 0º y 45º respectvamente. Es posble conformar una matrz de GCM para cada combnacón dstanca-orentacón. Dcha matrz se conforma de la sguente manera: a magen orgnal se cuantfca para un total de g nveles de grs. Se genera una matrz de g flas y g columnas. Cada celda ndca el número de veces que una determnada parea de nveles de grs se repte al recorrer la magen cuantfcad en la orentacón y dstanca determnada. d,?45 Fg. 5. Matrz GCM En la Fg. 5. se ndca la matrz GCM para una orentacón de 0º y dstanca d. a celda correspondente a la fla k, columna m, ndca que al recorrer la magen cuantfcad las veces que se encuentra que el vecno del un píxel con nvel de grs k, para una dstanca de píxel con una orentacón de 45º tene un nvel de grs m, se repte 00 veces. Con la fnaldad de hacer nvarable la matrz GCM respecto al tamaño de la magen, es necesaro normalzarl para ello prmero se vuelve smétrca sumándole su transpuest y segudamente expresándola como una funcón de V c () V, Descrptores de textura empleados Una vez obtenda la matrz GCM, se conforma un vector de característcas cuyos elementos corresponden a los descrptores ndcados a contnuacón (Jménez, 00): Sean: c g Entropía Térmno, de la matrz GCM úmero de nveles de grs y Unformdad Contraste g y g Ent c log c () U c (3) Con c (4) Correlacón Crr ( µ )( µ ) c σ σ Donde µ c µ σ σ ( µ ) c ( µ ) c c Momento de Dferenca de Orden k: (5) Df c (6) k Momento Inverso de Dferenca de Orden k: c Inv ; (7) k Unversdad de Pamplona 3

4 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de Máxma Probabldad max ( c ) Homogenedad ocal: c H + ( ) Varanza Drectvdad V Tendenca de Cluster: mp (8) c (9) ( µ ) (0) Dr () k TC ( + µ ) c () 3. Matrz de Secuenca de ongtud de vel de Grs GRM (Gray evel Run ength Matrx) Por lo general un número grande de píxeles vecnos del msmo nvel de grs representan una textura rustc mentras que un reducdo número de estos píxeles representa una textura refnad de tal forma que la longtud de prmtvos de textura en dferentes dreccones puede servr como descrptor de textur donde un prmtvo es el máxmo conunto contguo de píxeles de nvel de grs constantes ubcados en una línea. El método de longtud de secuencas de grs está basado en calcular el número de secuencas de nvel de grs de varas longtudes, donde una secuenca de nvel de grs es un conunto de puntos de la magen lnealmente adyacentes en una secuenca en una determnada orentacón. En la Fg. 6, las dos celdas sombreadas ndcan una secuenca de longtud en la orentacón de 45º. Fg. 6. Secuenca de longtud c Fg. 7. Matrz GRM Una vez la magen se ha cuantfcado en G nveles de grs, se genera la matrz GRM con G flas y M columnas, donde M corresponde a la máxma longtud de la secuenca. Por cada posble orentacón (0º, 45º, 90º y 35º) se genera una matrz GRM. En la Fg. 7, se ndca la conformacón de la matrz para una orentacón de 0º. El valor 0 que aparece en la celda sombreada ndca que para el nvel de grs k, se encontraron 0 secuencas de longtud m de píxeles consecutvos con el msmo valor k en una orentacón de 0º. 3.. Descrptores de Textura empleados Sea B ( el número de prmtvos de la longtud r y el nvel de grs a, en alguna dreccón φ ; M, las dmensones de la magen, y el número de nveles de grs de la magen. Sea longtud de prmtvo máxma en la magen. El número total de secuencas se obtene de: m a r m la B( (3) Fueron empleados los sguentes descrptores de textura: Énfass de prmtvos (Run) largos RE (ong Run Emphass): RE m B( r (4) a r Énfass de prmtvos (Run) cortos SER (Short Run Emphass) SER m a r B( r (5) Unformdad de nvel de grs GU (Gray evel Unformty) m a r B( GU (6) Unformdad de longtud del prmtvo (Run) RU (Run enght Unformty) m r a B( GU (7) Porcentae de prmtvo (Run) RPC (Run Percentage). RPC m n r rb( (8) 3.3 Matrz de Dependenca de veles de Grs de la Vecndad GDM (eghbourng Gray evel Dependence Matrces) Se buscan característcas ndependentes de la orentacón, consderando la relacón entre un elemento y todos sus vecnos smultáneamente en vez de una sola dreccón. Esto elmna la Unversdad de Pamplona 4

5 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de dependenca angular y reduce el tempo de cálculo requerdo para procesar una magen. os parámetros de la matrz son la dstanca d y el umbral de tal forma que se puede obtener una matrz por cada posble combnacón de dchos parámetros. a matrz es calculada de la relacón de nvel de grs entre cada elemento en la magen y todos sus vecnos a una certa dstanca d. a matrz GDM es conformada por G flas, correspondente al número de nveles de grs de la magen cuantfcada y r columnas, donde r es el número de posbles vecnos a un píxel en un rango especfcado por d. En la Fg. 8 se ndca la matrz GDM para el caso de una vecndad de dstanca d, donde se tenen 6 vecnos para el píxel central Fg 9. El valor 0 que aparece en la celda sombreada ndca que al recorrer la magen, se ha encontrado 0 veces que para un píxel con nvel de grs k, dcho píxel tenga 8 vecnos cuya dferenca de nvel de grs con el nvel k sea menor que el umbral a. Fg. 8. Matrz GDM 3.3. Descrptores de Textura empleados Se emplearon los sguentes descrptores: Sea Q la matrz GDM Fg. 9. vecndad d Énfass de número pequeño. SE (Small umber Emphass) SE Q(, ) (9) Énfass de número argo E (arge umber Emphass) E ( Q(, )) (0) o unformdad de úmero U (umber on- Unformty) U Q(, ) () Entropía ET (Entropy) ET Q(, )log( Q(, )) () Segundo Momento SM (Second Moment) SM Q(, ) (3) [ ] 3.4 Medda de Energía de la Textura de aws El método de energía de textura para el análss de textura nvolucra la aplcacón de fltros smples a mágenes dgtales (Habt et al., 004), aws dseño estos fltros para destacar característcas de alta energía de textura en mágenes usando como base fltros Gaussanos, la deteccón de bordes y fltros de tpo aplacano, usando una sere de arreglos de píxeles de mpulso obtendos de una combnacón de vectores undmensonales, estos vectores son dvddos en tres vectores base: 3 [,, ] E3 [-, 0, ] S3 [-,, ] (4) Estos vectores representan promedo (evel), deteccón de bordes (Edge) y deteccón de puntos o manchas (spots). Es posble obtener vectores de mayor tamaño para analzar una magen en dferentes escalas, convoluconando los tres vectores base, obtenendo fnalmente cnco vectores llamados máscaras de convolucón undmensonales: E5 [-, -, 0,, ], 5 [, 4, 6, 4, ], R5 [, -4, 6, -4, ], S5 [-, 0,, 0, -], W5 [-,, 0, -, ] (5) A partr de estas máscaras undmensonales, se generan 5 máscaras bdmensonales convoluconándolas como se ndca en la tabla. Tabla : Máscaras de convolucón bdmensonales Se generan 5 mágenes parcales al aplcar cada máscara sobre la magen orgnal. Sobre cada una de estas mágenes se aplca el fltro no lneal que se Unversdad de Pamplona 5

6 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de ndca en la ecuacón (6). Generando las 5 mágenes parcales ndcadas en la tabla. l l ew( x, y) Old( x +, y + ) (6) l Tabla : Imágenes con fltro no lneal Se combnan mágenes con nformacón complementara como se ndca en la ecuacón (7). E5 5TR E55T + 5E5T (7) Se obtene de esta forma 0 mágenes transformadas TRmag sobre las cuales se procede a aplcar los descrptores estadístcos de textura para así formar los vectores de característcas. Energía TRmag (, ) (8) Pr omedo ( µ ) TRmag(, ) (9) M Varanza ( M ) ( TRmag(, ) µ ) (30) 3 ( TRmag(, ) µ ) Skewness (3) 3 M Var 4 ( TRmag(, ) µ ) urtoss (3) M Var 4. CASIFICADOR CO SVM Se presenta en forma compacta los pasos báscos para la mplementacón del clasfcador con una máquna de vectores de soporte SVM (Support Vector Machnes). Se conforma la clase C, con los vectores de característcas de las dferentes mágenes correspondentes a mágenes de textles en buen estado. Y la clase C conformada con los vectores de característcas de las mágenes correspondentes a muestras con defectos. Se seleccona una funcón ernel. En este trabao se empleó la funcón Gaussana. x x ( x, x ) exp 33) σ Se resuelve el sguente problema de optmzacón: Maxmzar Se calcula: α Sueto a : 0 α C α α y y ( x, x ) α α y,,, 0 [ ( x, x ) ( x, x )] b ˆ ˆ y p + VS n (34) α (35) Donde: x Vector soporte x p Vector soporte del plano postvo Vector soporte del plano negatvo x n Se conforma la funcón dscrmnante: f ( x) α ˆ y [ ( x, x) bˆ] (36) SV + Para resolver el problema de optmzacón se han planteado múltples solucones, algunas aparecen referencadas en (Crstann y Shawe, 000). En este trabao se empleó un algortmo de programacón cuadrátca. Para resolver el problema de programacón cuadrátca es necesaro expresar el problema de optmzacón en forma matrcal. Mnmzar T T α Hα + f α Sueto a : A α 0 0 α C Donde y y y y y y y y H M M y y y y eq α,,, y y y y y y M (37) (38) x, x ) (39) α A T eq ( α α α ] (40) [ [ y y y ] (4) T f [ ] (4) Unversdad de Pamplona 6

7 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de 5. RESUTADOS EXPERIMETAES Para la valdacón de las técncas se emplearon un total de 000 mágenes, 000 de las cuales corresponden a mágenes de muestras en buen estado y 000 de muestras con defectos, dvddas en grupos de 00 mágenes por cada tpo de defecto. En la tabla 3, se presentan los porcentaes de acerto obtendos en la clasfcacón de las dferentes muestras tanto en buen estado como con los tpos de defectos. Cada columna corresponde al resultado del clasfcador con SVM y los vectores de característcas obtendos por cada una de las cuatro técncas de análss de textura mplementadas. Así, por eemplo, el prmer valor de la tabla 98.3 ndca que de las 400 mágenes (00 de muestras en buen estado y 00 con defecto de barrado) 393 fueron correctamente clasfcadas como buenas o como con defecto, al emplear la técnca GCM. En esta tabl a partr del promedo se muestra que el meor desempeño global se obtene con la GDM y el más bao con AWS. Sn embargo se observan algunas varacones en el desempeño relatvo de cada técnca respecto al tpo de defecto. En la tabla 4 se ndca el porcentae de acerto en la deteccón de los defectos, así por eemplo, el prmer valor 98.5 ndca que de las 00 mágenes correspondentes al defecto de barrado, con la técnca GCM se reconoceron 97 como con defecto y 3 como s no tuvesen defectos. Aunque en promedo GDM presenta el desempeño global más alto, sn embargo se observa que esto varía de acuerdo con el tpo de defecto, así por eemplo, para barrado GCM presenta el mayor valor, mentras que para pques y marposeo el mayor valor se obtene con AWS. Estos datos sn embargo no son completos, s no se tene en cuenta el porcentae de falsos acertos, que corresponden a mágenes de muestras en buen estado clasfcadas como defectuosas; en la tabla 5 se ndca el porcentae de falsos acertos. os menores errores por falsas deteccones se obtenen con GCM, mentras que los mayores errores se alcanzan con AWS. Se observa en todas las tablas que el tpo de defecto que presenta mayor dfcultad en su deteccón es el de marposeo, esto debdo a su pequeño tamaño que puede hacerlo confundr con el tedo normal. Tabla 3: Porcentae de Acerto de Clasfcacón Defecto/Tec GC M GRM GD AW S Barrado Manchas Mota Marposeo Pques Promedo Tabla 4: Porcentae de Defectos Detectados Defecto/Tec. GC M GRM GD AW S Barrado Manchas Mota Marposeo Pques Promedo Defecto/Tec Tabla 5: Porcentae de Falsos Acertos GC M GRM GD AW S Barrado Manchas Mota Marposeo Pques Promedo COCUSIOES Se construyó una plataforma que permte emular las condcones de adquscón de muestras textles en una máquna teedora tpo tabular. Se adqureron muestras del sector ndustral con los cnco tpos más comunes de defectos con dferentes formas tamaños. Se mplementaron cuatro técncas espacales de análss de textura para obtener a partr de éstas, las característcas que permtan medante un clasfcador basado en una Máquna de Vectores de Soporte detectar la presenca o no de algún tpo de defecto. os resultados muestran que el esquema de extraccón de característcas empleando las técncas espacales de análss de textur unto con el clasfcador con Máqunas de Vectores de Soporte presenta un alto índce de acerto en la Unversdad de Pamplona 7

8 ISS: Volumen - úmero 4 - Año 009 Revsta Colombana de deteccón de defectos, tenendo en cuent que algunos de dchos defectos son muy pequeños hacendo dfícl su deteccón. a técnca que presentó el mayor desempeño global es la GDM y la de menor desempeño fue AWS, sn embargo, se destaca el hecho de que algunas de las característcas de textura extraídas por las dferentes técncas son complementaras entre s, de tal forma que algunos defectos se detectan meor con una técnca que con otr lo que abre un panorama para trabaos futuros. REFERECIAS Habb, Hafz Adnan; Yousaf, Mohammad Haroon; Mohbullah, M. Modfed aws Energy Descrptor for Inspecton of Ceramc Tles. Unversty of Engneerng and Technology Taxla. atonal Conference on Emergng Technologes, 004. p Islam, Atqul; AHTER, Shamm; Y MURSAI, Tumnun. Automated Textle Defect Recognton System Usng Computer Vson and Artfcal eural etworks. Proceedngs of World Academy of Scence, Engneerng And Technology. Volumen 3. May p. Jménez, Alvaro. Analss de comportamento de descrptores de la matrz de coocurrenca en la extraccón de característcas de textura en mágenes dgtales, Unversdad aconal de Colomb Manzales, 00, 63p. ulak, Eray. Analyss Of Textural Image Features For Content Based Retreval. Submtted to the Graduate School of Engneerng and atural Scences n partal fulfllment of the requrements for the degree of Master of Scence. Sabanc Unversty p. Pérez Castlho, Hugo; Sequera Gonçalves, Paulo Jorge; Caldas Pnto, João Rogéro; mas Serafm, Antóno. Intellgent Real-Tme Fabrc Defect Detecton. Image Analyss and Recognton. Volume 4633/ P Tuceryan M. and A.. Jan. Texture Analyss, chapter, pages World Scentfc Publshng Co., 993. M. Ralló, M. S. Mllán, J. Escofet. Wavelet based technques for textle nspecton, Opt. Eng. 6(), (003). ello Crstann and John Shawe. An Introducton to Support Vector Machnes Cambrdge Unversty Press wang In m, eechul Jung, Se Hyun Park, and Hang Joon. Support Vector Machnes for for Texture Classfcaton, IEEE Trans. on Pattern Analyss and Machne Intellgence, vol. 4, no., november 00. Unversdad de Pamplona 8