rahele_s 6472 اشتراک گذاری ارسال شده در 3 بهمن، ۱۳۸۹ تهیه و ترجمه: محمد حسین خدابخش - کارشناس ارشد سرامیک 1- مقدمه: صنعت کاشی و سرامیک، صنعت نوپایی است که امروزه نوآوری های زیادی در زمینه های مختلف تولید آن و اتوماسیون در آن صورت گرفته است. تقریباً می توان گفت که در تمامی مراحل تولید آن نوآوری های تکنیکی زیادی انجام شده است، مگر در قسمت نهایی تولید آن که هنوز به صورت دستی است و بازدید چشمی سطح برای جداکردن کاشی ها، درجه بندی آنها و مرجوع کردن طرح های معیوب ضروری است. این مقاله به بررسی مشکلاتی که عیوب به وجود می آورند و اشکالات طرح در بازرسی اتوماتیک پرداخته و روش هایی را که برای مشخص ساختن عیوب در کاشی های ساده و طرح دار بررسی می نماید. در این تحقیق به بررسی مشکلات بازرسی چشمی، آنالیز و مشخصاتی می پردازد که توجیه اقتصادی داشته و به راحتی قابل استفاده باشد: - اتوماسیون روش کهنه رایج و روش بازرسی دستی مبتنی بر ادراکات ذهنی - کاهش نیاز به حضور انسان در محیط های آلوده و ناسالم - بازرسی بهتر و در عین حال باهزینه کمتر - همگنی و یکسانی بیشتر در درجه بندی های مختلف محصولات - افزایش عملکرد محصولات و رفع تنگناهای شرایط تولید افزایش های اخیر ایجاد شده در تولید کاشی و سرامیک این حقیقت را مشخص می سازد کهچاره ای جز انجام اتوماسیون در کنترل نهایی محصولات وجود ندارد. Finney[1] تحقیقاتی را بر روی بازرسی ظروف سرامیکی رومیزی انجام داده است. ایشان به بررسی یک نوع از عیوب تنها به وسیله آنالیز شدت تصاویر هیستوگرام (Histogram) پرداخت. هیستوگرام نموداري ميله اي است كه بر اساس فراواني داده ها در دسته هايي رسم مي شود و به كمك آن مي توان داده ها را تشريح كرد و نمايش طرز انتشار، فواصل و ارتفاع سلول ها از هم را بررسی نمود. در این مقاله عیوب مختلف، روش ها و تکنیک های بررسی آنها بررسی می گردد. محدوده روش ها شامل Pin-hole های کوچک و ترک برای کاشی های صاف، برپایه قرار دادن *****های خطی جداگانه و برای کاشی های طرح دار، براساس توزیع Wigner و حضور تناوبی فاصله طرح ها و طبق الگوریتم عیوب رنگی طرح چه به صورت شدت رنگ غیرمعمول و خصوصیات ساختاری کاشی های طرح دار است. - عیوب کاشی ها هنگامی که از بازرسی کاشی صحبت می کنیم منظور زمانی است که برای مقایسه دو کاشی برحسب ثانیه صرف می شود و هدف این بازرسی درجه بندی کاشی ها براساس دو پارامتر است که اولی تعیین نام عیب موجود در کاشی و دومی درجه بندی رنگی کاشی است. عنوان کاشی درجه یک به کاشی هایی اطلاق می گردد که یا کاملاً بدون عیب بوده و یا تعداد کمی عیب و در حد قابل قبول دارند. عنوان کاشی درجه دو به کاشی هایی اطلاق می شود که تعدا کمی عیب دارند اما هنوز تعداد عیب ها قابل قبول است. ضایعات هنگامی به وجود می آید که تعداد عیوب بیش از حد گردد. تعدادی از عیوب رایج که موجب آسیب رسیدن به زیبایی کاشی می شوند و بر روی انواع کاشی های ساده و طرح دار مشاهده می شوند را می توان ترک، برآمدگی، تورفتگی، ته سوزنی(پینهول)، آلودگی، عیب چکه ای، حالت موجی و عیوب طرح و رنگ عنوان نمود. در جدول یک به صورت تفصیلی در این مورد توضیح داده شده است. بعد از مشخص شدن عیب، فرآیند بازرسی براساس درجه بندی سایه رنگی (Colour shade) ادامه یافته تا میزان شدت رنگ در نمونه های محصول نهایی یکسان باشد. در صورتی که به توضیحات بیشتری در مورد درجه بندی رنگی اتوماتیک سرامیک ها نیاز دارید می توانید به مقاله شماره دو مراجع که توسط Boukouvalas تهیه شده است مراجعه نمایید. 3- الگوریتم تشخیص عیوب در این بخش به بررسی چند روش کار برای بررسی انواع ویژگی ها در تصاویر کاشی می پردازیم. سپس در بخش پنجم این مشخصات را به عیوب کاشی مرتبط ساخته و به جزییات بیشتر ازقبیل ارتباط نتایج آزمایشی هر کدام از روش های کار با عیوب می پردازیم. 3-1 تشخیص خطی با استفاده از *****های خطی بهینه انواع خطوط مشخص کننده عیب از قبیل ترک های بزرگ، در مقایسه با *****های ramp-Edge و یا step- Edge ساختار خطی پهنی دارند. این روش که از آن در اینجا استفاده می شود، توسط Petrou[3] ایجاد شده است. این روش شامل پیچش یک بعدی به ترتیب در جهات افقی و عمودی است. مواضع امکان وجود خطوط و فرض وجود آن ارزیابی می شود و شکل سیگنال های خروجی اطراف مواضع با شکلی که انتظار داریم مقایسه می شود تا ببینیم خط مورد نظر فرض ما را تایید و یا رد می نماید. *****های پیچشی می توانند برای تشخیص خصوصیات حتی به اندازه پهنای تاچند پیکسل بهینه و استفاده شوند. 3-2 تشخیص نقطه ای با استفاده از *****های نقطه ای بهینه در کاشی های ساده با رنگ روشن، عیوب نقطه ای کوچک با زمینه ایجاد کنتراست زیادی می کند. باتوجه به منابع متفاوت ایجاد تفاوت، (به عنوان مثال تفاوت روشنی)، یک بازرسی ساده کافی نمی باشد و بنابراین روش ***** خطی اشاره شده در بخش 3-1 گسترش یافت و بررسی عیوب نقطه ای کسترش یافت. تنها تفاوت این است که تصویر کاشی توسط تنها یک ***** تهیه می شود که برای استفاده نقطه ای تهیه شده است. 3-3 توزیع ویگنر اگر بخواهیم طرح های معمولی ای را که در کاشی ها مورد مصرف قرار می گیرند، مورد بررسی قرار دهیم، باید از فرکانس فاصله ای استفاده کنیم. آنالیز فرکانس فاصله ای بدین صورت است که ما در آن تصاویر را به اجزاء منحصر به فرد تبدیل نموده و سپس به بررسی هر جزء می پردازیم. بنابراین عیوب ]با مقایسه[ به راحتی قابل تشخیص و جداسازی است. اگرچه در شکل هایی که طرح رندم و اتفاقی دارند نمی توان انتظار داشت ] که در مقام مقایسه بین دو طرح[ در یک نقطه به یک طرح واحد دست یافت و بنابراین به راحتی نمی توان مشخصات آن را ارزیابی نمود. بنابراین جداسازی عیوبی همانند ترک بسیار سخت است. بنابراین ما از فرکانس فاصله ای متصل در توزیع ویگنر استفاده می کنیم. [4] این سیستم به ما کمک می کند تا بتوانیم در مناطق متصل، جداسازی طرح را ]در قسمت های مختلف[ بهبود ببخشیم. مطابق این روش، در هر موقعیت براساس پیکسل (x,y)، سری فوریه ترکیبات غیرخطی مقادیر پیکسل در یک طرح به ابعاد N*N را محاسبه نماییم: W(x,y,p,q)=) در این روش p و q براست با 0 ، 1 تاN و و پارامترهای تغییرمکان فاصله و تصویر کاشی است. در حقیقت توزیع ویگنر که در بالا شرح داده شد برای بررسی متناسب و براساس موقعیت پیکسل های تصویر کاشی برمبنای سری فوریه است. تمام اجزای مکانی طیفی ویگنر، براساس تشابه آن ها و براساس W(x,y, 0,0) نرمالیزه می شوند و تنها مشخصه های خاص از طیف های رنگی قابل دستیابی است. نتایج تجربی نشان می دهد که تصاویر ترک تنها تحت تاثیر شکل های عمومی طیف قرار دارند تا مقادیر واقعی. در مرحله بررسی آفلاین، شبیه سازی طیف ویگنر در هر موقعیت پیکسلی تصاویر محاسبه شد. ماتریکس کواریانس می تواند منحصر به فرد باشد. می بایست برای هر پیکسل، تصویر خاضی ارائه شود تا بتوان توزیع آماری هر تصویر در کل شکلی که در آن عیب وجود ندارد، محاسبه گردد. در مرحله آزمایشی، فاصله Mahalanobis در بردار تصویری هر پیکسل، از این توزیع اندازه گیری می شود. مقادیر این فاصله برای ایجاد تصویر نقشه باقیمانده مورد استفاده قرار می گیرد. این تصاویر به وسیله *****های خطی بهینه که در قسمت 3-1 شرح داده شد، برای شناسایی ترک ها مورد استفاه قرار می گیرند. در این روش p و q براست با 0 ، 1 تاN و و پارامترهای تغییرمکان فاصله و تصویر کاشی است. در حقیقت توزیع ویگنر که در بالا شرح داده شد برای بررسی متناسب و براساس موقعیت پیکسل های تصویر کاشی برمبنای سری فوریه است. تمام اجزای مکانی طیفی ویگنر، براساس تشابه آن ها و براساس W(x,y, 0,0) نرمالیزه می شوند و تنها مشخصه های خاص از طیف های رنگی قابل دستیابی است. نتایج تجربی نشان می دهد که تصاویر ترک تنها تحت تاثیر شکل های عمومی طیف قرار دارند تا مقادیر واقعی. در مرحله بررسی آفلاین، شبیه سازی طیف ویگنر در هر موقعیت پیکسلی تصاویر محاسبه شد. ماتریکس کواریانس می تواند منحصر به فرد باشد. می بایست برای هر پیکسل، تصویر خاضی ارائه شود تا بتوان توزیع آماری هر تصویر در کل شکلی که در آن عیب وجود ندارد، محاسبه گردد. در مرحله آزمایشی، فاصله Mahalanobis در بردار تصویری هر پیکسل، از این توزیع اندازه گیری می شود. مقادیر این فاصله برای ایجاد تصویر نقشه باقیمانده مورد استفاده قرار می گیرد. این تصاویر به وسیله *****های خطی بهینه که در قسمت 3-1 شرح داده شد، برای شناسایی ترک ها مورد استفاه قرار می گیرند. 3-4 تعیین عیب ساختاری Chromato این روش برای بازرسی رنگ، طرح و عیوب شکل گرفته در کاشی های با طرح های رندم و اتفاقی مانند کاشی های گرانیتی ایجاد شد. این روش برپایه اطلاعات رنگ و طرح بوده و مشکلات مراحل درجه بندی و آزمایش را برطرف می سازد. در مراحل آزمایشی هنگامی که از کاشی های بی عیب استفاده نمایید، دسته بندی های متنوعی از رنگ های موجود در کاشی می تواند وجود داشته باشد که با کمک ISODATA که تحت سیستم RGB طبقه بندی می شود. سعی برآن است که تعداد این دسته ها، زیاد انتخاب شود تا بتوان سیستم های رنگی را تشخیص داد و خطاهای رنگی به حداقل ممکن برسد. سپس این دسته ها در سیستم رنگی یکنواخت CIE_Luv قرار داده می شود تا از لحاظ ادراکی قابل درک باشد. برای بررسی اتصال دسته های کوچک رنگی و تشکیل دسته های بزرگ تر از هندسه اقلیدسی بهره گرفته می شود. این موضوع با این حقیقت که فاصله اقلیدسی، در فضای رنگی یکسان CIE_Luv بازتاب قابل ادراک و تفکیک دقیق تری دارد، هم خوان دارد. بنابراین تصاویر در گروه های رنگی ای طبقه بندی می شوند که از نظر ادراک یکسان باشند. C Boukouvalas, J Kittler, R Marik, M Mirmehdi and M Petrou University of Surrey ABSTRACT The ceramic tiles manufacturing process has now been completely automated with the exception of the final stage of production concerned with visual inspection. This paper is concerned with the problem of automatic inspection of ceramic tiles using computer vision. It must be noted that the detection of defects in textured surfaces is an important area of automatic industrial inspection that has been largely overlooked by the recent wave of research in machine vision applications. Initially,We outline the benefits to the tile manufacturing industry. This is followed by a categorisation of typical tile defects. Next, we review a number of techniques recently developed to detect various kinds of defects in plain and textured tiles. The techniques range frompin hole and crack detectors for plain tiles based on a set of separable line filters, through textured tile crack detector based on theWigner distribution and a novel cojoint spatial-spatial frequency representation of texture, to a colour texture tile defect detection algorithm which looks for abnormalities both in chromatic and structural properties of textured tiles. The above automatic inspection procedures have been implemented and tested on a number of tiles using synthetic and real defects. The results suggest that the performance is adequate to provide a basis for a viable commercial visual inspection system. 1 INTRODUCTION The ceramic tiles industrial sector is a relatively young industry which has taken significant advantage of the strong evolution in the world of automation in recent years. All production phases have been addressed through various technical innovations, with the exception of the final stage of the manufacturing process. This is still performed manually and is concerned with visual surface inspection in order to sort tiles into distinct categories or to reject those found with defects and pattern faults. This paper addresses the problem of defects and pattern faults by automatic inspection and we reviewa number of techniques developed to detect various defects in plain and textured tiles. The research effort expended upon the problem of objectively inspecting, analysing and characterising ceramic tiles is easily justified by the commercial and safety benefits to the industry: - automation of a currently obsolete and subjective manual inspection procedure - significant reduction for the need of human presence in hazardous and unhealthy environments - more robust and less costly inspection - higher homogeneity within sorted classes of products - increased processing stability and improved overall production performances through the removal of a major bottleneck - continuation and consolidation of the leadership currently enjoyed by the European Community in this area The late rise of the ceramic tile industrial sector means that there has been next to no attempts to automate final product quality inspection. Finney et al.[1] have reported their research on ceramic tableware inspection. The authors discuss the detection of one type of fault only by analysis of the image intensity histogram. In this paper, we present a number of different faults and a range of techniques employed to detect them. The techniques range from small pin-hole and crack detectors for plain tiles, based on a set of separable line filters, through textured tile crack detectors based on the Wigner distribution and a cojoint spatial/spatial frequency representation of texture, to a colour texture defect detection algorithm which looks for abnormalities both in chromatic and structural properties of textured tiles. 2 TILE DEFECTS The inspection for defect detection has to be carried out at considerable rates of the order of two tiles per second. The objective of inspection is tile classification on the basis of two parameters, namely defects and colour grading. Depending on the number of defects and their dimensions, the tiles are grouped into: - First Class (none or very few acceptable defects) - Second Class (few but still acceptable defects) - Waste (unacceptable defects) Some of the most common and anti-aesthetic defects found on both plain and textured tiles can be categorised as cracks, bumps, depressions, pin-holes, dirt, drops, ondulations, and colour and texture defects. These are presented in more detail in Table 1. After defect detection, the inspection process continues with colour shade grading to ensure uniformity of the chromatic properties of the finished product. Details of automatic colour grading of ceramic tiles can be found in a paper by Boukouvalas et al.[2]. 3 DEFECT DETECTION ALGORITHMS In this section we describe several approaches for detecting different types of features in tile images. Later in section 5wemap these features to defects and presentmore details, including experimental results on the application of each approach to specific tile defects. 3.1 Line Detection using an Optimal Line Filter The types of lines representing defects such as long cracks are wide linear structures in contrast to lines obtained from step-edge or ramp-edge filters. The method employed here was developed and reported by Petrou[3]. It consists of two 1D convolutions, in the horizontal and vertical directions respectively. Local maxima indicate the possible presence of a line and trigger the hypothesis that a line is present. The shape of the output signal around a local maximum is compared with the expected shape if a line was present in order to confirm or reject the hypothesis. The convolution filters can be optimised to identify features of up to several pixels wide. Also, they will detect linear features with widths within a factor 1.5 of the width of the feature for which the filters were optimised. 3.2 Spot Detection using an Optimal Spot Filter On light-coloured plain tiles, small, spot-like faults are of reasonably high contrast against the background. However, due to various sources of noise, e.g. non-uniformillumination, a simple threshold will not serve as an adequate solution to their detection. Thus, an adaptation of the line filtermethod from section 3.1 was developed for spot-like defects. The only difference is that the tile image is convolved with only one filter which is optimised for spot profiles. The spot peaks thus enhanced are extracted by thresholding. 3.3 Wigner Distribution In the context of pattern recognition, the signatures of regular patterns can be fairly easily isolated in either the spatial or spatial frequency domain. Spatial frequency analysis is often preferred as it both decomposes the image into individual frequency components and establishes the relative energy of each component. Thus noise effects are also more easily separated. However, in a very randomly textured image, there is no deterministic placement of primitives and no easily identifiable characteristic frequencies of the texture. Thus, defects such as cracks are very difficult to isolate in the frequency domain alone. Hence, we use the cojoint spatial and spatial frequency representation of theWignerDistribution[4]. This enhances pattern separability as the patterns’ signatures have disjoint support regions in the cojoint representation. According to thismethod, at each pixel position (x; y) we calculate the Fourier transform of a non-linear combination of pixel values within a window of size N N centered at pixel (x; y): W(x; y; p; q) = N X =N X =N f(x + ; y + )f(x ; y )expj2(p + q ) 2N + 1 ! (1) where p; q = 0;1; :::;N, and are spatial displacement parameters, and f(x; y) is the tile image. The Wigner distribution defined above is a real function as it is the Fourier transform of a symmetric function and its components constitute the feature vector at each pixel position. Also, all local Wigner spectral components are normalised by their corresponding dc component,W(x; y; 0; 0), so that only the general shape characteristics of the spectrum are captured. This arose fromempirical findings[5] which showed that crack features are encapsulated by the general shape of the spectrum only and not by the exact feature values. During the off-line training stage, the pseudo Wigner spectrum at each pixel position of a defectfree image is calculated. The covariance matrix of these local features can be singular. Singular value decomposition is used to keep only the most significant features for each pixel and the statistical distribution of these features is computed from the defect-free image. During the testing stage, the Mahalanobis distance of the feature vector of each pixel from this distribution is calculated. The values of this distance are used to form a residual map image. This image is subsequently processed by the optimal linear filter described in section 3.1 to detect the cracks. 3.4 Chromato-Structural Defect Detection This technique was developed[6] to detect both colour and texture-formation defects in randomly textured ceramic (and granite) tiles. It is based on the image colour and texture information and is a classification solution also consisting of a training and a testing stage. Using a perfect tile during the training stage, the various colour categories present in the defect-free tile can be identified with the aid of K-means (or ISODATA) clustering in RGB space. The number of these clusters is chosen to be high so that over-segmentation into chromatic classes is obtained, thus minimising (and eliminating) the under-segregation error. Next, these clusters are transformed into CIE-Luv uniform colour space for perceptual merging, i.e. merging of small clusters into super-clusters using Euclidean distance. This is consistent with the fact that Euclidean distance in CIE-Luv uniform colour space reflects perceptual colour iscrimination more accurately. Thus, the image is segregated into chromatic categories which are perceptually uniform. The image can then be split into a stack of binary images one for each chromatic category. We perform morphological smoothing on each binary image to remove noise before characterising the structure of the left-over blobs. For each blob we compute as structural features its area, perimeter fractality, elongatedness, and some spatial information about the distribution of other blobs around it. Finally, assuming that these attributes are normally distributed, we extract their mean and covariance matrices and save them for the testing phase. During testing, the image pixels are classified into the chromatic categories defined during the training stage using the nearest neighbour rule. Any unclassified pixels are rejected and considered as colour defects. Morphological smoothing is then performed on each colour category binary image. The structural features of each resulting blob are then computed and any blob-like texture defects are identified by means of the Mahalanobis distance function using the structure statistics saved in the training phase برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید. ورود یا ثبت نام 3 لینک به دیدگاه
ارسال های توصیه شده