Tekstil üretiminde derin öğrenme tabanlı otomatik hata tespit sistemi
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Kumaş hata tespiti, tekstil kalite güvencesi kapsamında üretim standartlarını korumak için tekstil malzemelerindeki düzensizlikleri veya anormallikleri tespit etmeyi amaçlayan önemli bir alandır. Bu hataların tespiti manuel denetimlerle başlamıştır. Bilgisayar görmesinin yaygınlaşmasıyla hata tespit algoritmaları üretilmeye başlanmıştır ve başarımları günden güne artmaktadır. Eş zamanlı olarak istatistiksel metodolojiler ve özellik çıkarımıyla desteklenen desen tanıma algoritmaları, normal ve kusurlu kumaş desenlerini ayırt edebilir duruma gelmiştir. Son yıllarda, özellikle Evrişimli Sinir Ağları (CNN'ler) ve Üretken Çekişmeli Ağlar (GAN'lar) olmak üzere derin öğrenme tekniklerinin entegrasyonu, karmaşık kalıpların ve anormalliklerin analizinde önemli oranda yüksek seviyede doğruluk, verimlilik ve ölçeklenebilirlik sunarak yapı hatası tespitinde devrim yaratmıştır. Yine de bu alanda, kumaş tipolojilerine özgü değişkenliği, ortam aydınlatmasındaki bozulmaları ve ölçeklenebilirlik hususlarını kapsayan zorluklar devam etmektedir. Bu tezde, temel kumaş hatası örnekleri için yeni bir veri seti (YVS) oluşturulmuş ve ek olarak da TILDA veri setinden yararlanılmıştır. YVS ve TILDA veri setindeki görüntüler 416x416 boyutundadırlar. Yüksek çözünürlüklü kamera ile düşük çözünürlüklü kamera arasındaki farkları gidermek, kumaş üzerindeki hataları ayrıntılı görebilmek ve özellikle de küçük boyutlu hataların gözden kaçmasını engellemek için görüntüler gelişmiş süper çözünürlüklü üretken çekişmeli ağ (ESRGAN) modeli ile 4 kat büyütülmüştür. Bu işlemi gerçekleştirebilmek için öncelikli olarak görüntüler 4 kat küçültülerek ESRGAN modeli ile eğitilmiş süper çözünürlüklü yeni görüntüler elde edilmiştir. Eğitim sonunda elde edilen model ağırlıkları kullanılarak, test aşamasında 416x416 boyutundaki orijinal görüntüler, 4 kat büyütülerek 1664x1664 boyutunda yeni süper çözünürlüklü görüntüler elde edilmiştir. Böylece küçük boyutlardaki hatalar daha görünür hale gelmiştir. Daha sonra 1664x1664 görüntü 4x4 matris şeklinde 416x416 boyutlu 16 lokal görüntüye ayrılmıştır. Lokal bölgelere ayrılmış görüntüler, sırasıyla YOLOv8 modeli ile hata tespit işlemine tabi tutulmuş sonrasında test sonuçları tekrar birleştirilerek orijinal görüntü üzerindeki hatalar, global görüntü üzerinde raporlanmıştır. YOLOv8 için etiketleme işleminde doğruluk oranını artırmak ve hatayı doğru tanımlayabilmek için segmentasyon metodu kullanılmıştır. Eğitim ve test işlemleri TILDA veri seti ile ve YVS için ayrı ayrı gerçekleştirilmiştir. Sınırlayıcı maske mAP50 değerleri TILDA için %74.4, YVS'daki koyu ve açık kumaşlar için sırasıyla %92.2 ve %70.7 olarak elde edilmiştir. Ayrıca TILDA veri seti ile gerçekleştirilen ESRGAN ve YOLOv8 eğitim model ağırlıkları YVS modelinde kullanılarak da veriler test edilmiştir. Bu durumda koyu renkli kumaş veri kümesinde sınırlayıcı kutu ve maske sınırlayıcısı %99.5'lik bir mAP50 değerine ulaşırken, açık renkli kumaş veri kümesi için %90'lık bir mAP50 değeri elde edilmiştir. Önerilen sistem ile sade renkli kumaşlarda hata tespitinin başarılı bir şekilde gerçekleştirilebildiği ortaya çıkmıştır. Bundan sonraki çalışmalarda kumaş motifleri ve karmaşık desenlerin olduğu kumaşlardaki hataların tespiti için de araştırmalar yapılması gerekliliği ortaya çıkmıştır.
Fabric defect detection is an important area in textile quality assurance that aims to detect irregularities or abnormalities in textile materials to maintain production standards. The detection of these defects started with manual inspections. With the widespread use of computer vision, defect detection algorithms have started to be produced and their performance is increasing day by day. Simultaneously, pattern recognition algorithms supported by statistical methodologies and feature extraction have been able to distinguish between normal and defective fabric patterns. In recent years, the integration of deep learning techniques, in particular Convolutional Neural Networks (CNNs) and Generative Adversarial Networks (GANs), has revolutionised fabric defect detection, offering significantly higher levels of accuracy, efficiency and scalability in the analysis of complex patterns and anomalies. Yet challenges remain in this area, including variability inherent to fabric typologies, distortions in ambient lighting and scalability considerations. In this thesis, a new dataset (YVS) was created for basic fabric defect samples and the TILDA dataset was additionally utilised. The images in the YVS and TILDA datasets have a size of 416x416. In order to eliminate the differences between the high-resolution camera and the low resolution camera, to see the defects on the fabric in detail and especially to prevent small-sized defects from being missed, the images were enlarged by a factor of 4 with the enhanced super-resolution generative contention network (ESRGAN) model. In order to perform this process, the images were first reduced by a factor of 4 and new super-resolution images trained with the ESRGAN model were obtained. Using the model weights obtained at the end of the training, new super-resolution images of 1664x1664 size were obtained by enlarging the original images of 416x416 size by 4 times in the test phase. Thus, small errors became more visible. Then, the 1664x1664 image was divided into 16 local images of 416x416 size as a 4x4 matrix. The images divided into local regions were subjected to the error detection process with the YOLOv8 model, respectively, and then the test results were recombined and the errors on the original image were reported on the global image. For YOLOv8, a segmentation method was used to increase the accuracy of the labelling process and to correctly identify the error. Training and testing procedures were performed separately for TILDA and YVS. The bounding mask mAP50 values were 74.4% for TILDA and 92.2% and 70.7% for dark and light fabric in YVS, respectively. In addition, the ESRGAN and YOLOv8 training model weights performed with the TILDA dataset were also tested in the YVS model. In this case, the bounding box and mask delimiter achieved a mAP50 value of 99.5% for the dark coloured fabric dataset, while a mAP50 value of 90% was obtained for the light coloured fabric dataset. It is concluded that the proposed system can successfully detect defects in plain coloured fabrics. In future studies, it is necessary to carry out researches for the detection of defects in fabrics with fabric motifs and complex patterns.
Fabric defect detection is an important area in textile quality assurance that aims to detect irregularities or abnormalities in textile materials to maintain production standards. The detection of these defects started with manual inspections. With the widespread use of computer vision, defect detection algorithms have started to be produced and their performance is increasing day by day. Simultaneously, pattern recognition algorithms supported by statistical methodologies and feature extraction have been able to distinguish between normal and defective fabric patterns. In recent years, the integration of deep learning techniques, in particular Convolutional Neural Networks (CNNs) and Generative Adversarial Networks (GANs), has revolutionised fabric defect detection, offering significantly higher levels of accuracy, efficiency and scalability in the analysis of complex patterns and anomalies. Yet challenges remain in this area, including variability inherent to fabric typologies, distortions in ambient lighting and scalability considerations. In this thesis, a new dataset (YVS) was created for basic fabric defect samples and the TILDA dataset was additionally utilised. The images in the YVS and TILDA datasets have a size of 416x416. In order to eliminate the differences between the high-resolution camera and the low resolution camera, to see the defects on the fabric in detail and especially to prevent small-sized defects from being missed, the images were enlarged by a factor of 4 with the enhanced super-resolution generative contention network (ESRGAN) model. In order to perform this process, the images were first reduced by a factor of 4 and new super-resolution images trained with the ESRGAN model were obtained. Using the model weights obtained at the end of the training, new super-resolution images of 1664x1664 size were obtained by enlarging the original images of 416x416 size by 4 times in the test phase. Thus, small errors became more visible. Then, the 1664x1664 image was divided into 16 local images of 416x416 size as a 4x4 matrix. The images divided into local regions were subjected to the error detection process with the YOLOv8 model, respectively, and then the test results were recombined and the errors on the original image were reported on the global image. For YOLOv8, a segmentation method was used to increase the accuracy of the labelling process and to correctly identify the error. Training and testing procedures were performed separately for TILDA and YVS. The bounding mask mAP50 values were 74.4% for TILDA and 92.2% and 70.7% for dark and light fabric in YVS, respectively. In addition, the ESRGAN and YOLOv8 training model weights performed with the TILDA dataset were also tested in the YVS model. In this case, the bounding box and mask delimiter achieved a mAP50 value of 99.5% for the dark coloured fabric dataset, while a mAP50 value of 90% was obtained for the light coloured fabric dataset. It is concluded that the proposed system can successfully detect defects in plain coloured fabrics. In future studies, it is necessary to carry out researches for the detection of defects in fabrics with fabric motifs and complex patterns.
Açıklama
Anahtar Kelimeler
Deep learning, Kumaş hataları, Fabric faults, Sayısal görüntü işleme, Digital image processing, Yapay zeka, Artificial intelligence
