Matlab ve C++/Opencv PlatformlarÕ Üzerinde Gerçek ZamanlÕ Kumaú HatasÕ Tespiti

Real time fabric defect detection system on Matlab and C++/Opencv platforms

KazÕm Hanbay1, Sedat Golgiyaz1, Muhammed Fatih Talu2

1
Bilgisayar Mühendisli÷i Bölümü, Bingöl Üniversitesi, Bingöl, Türkiye
{khanbay,sgolgiyaz}@bingol.edu.tr
2
Bilgisayar Mühendisli÷i Bölümü, ønönü Üniversitesi, Malatya, Türkiye
fatihtalu@gmail.com
1Özetçe—Endüstriyel kumaú üretiminde, kumaú hatalarÕnÕ geleneksel olarak insan gözü odaklÕ olarak kalite kontrol
tespit etmek için gerçek zamanlÕ sistemlere ihtiyaç elemanlarÕnca yapÕlmaktadÕr. Ancak üretilen farklÕ kumaú türü
duyulmaktadÕr. Bu çalÕúmada Matlab ve C++ programlama sayÕsÕ, meydana gelebilen hata türünün fazlalÕ÷Õ ve insan
dillerinin zaman performanslarÕnÕ karúÕlaútÕran gerçek zamanlÕ gözünün yanÕlabilmesi gibi farklÕ etkenler kumaú hatasÕ
bir hata tespit yaklaúÕmÕ sunulmuútur. Önerilen metotta, kumaú tespitini zorlaútÕrmaktadÕr. Bu nedenlerden ötürü son yÕllarda
görüntülerinin önemli doku özellikleri CoHOG metodu ile otomatik kumaú kontrol sistemleri geliútirmek için ciddi
çÕkarÕlmÕútÕr. Kumaú hatalarÕnÕ sÕnÕflandÕrmak için yapay sinir araútÕrmalar yapÕlmÕú ve bazÕ üretim kontrolü yapabilen
a÷larÕ kullanÕlmÕútÕr. Geliútirilen metot yuvarlak örgü makinesi sistemler geliútirilmiútir [1]. Bu sistemler genellikle dokuma
üzerindeki örgü kumaú hatalarÕnÕ tespit etmek için
makineleri üzerinde sÕnÕrlÕ sayÕda kumaú türü üzerinde
uygulanmÕútÕr. Matlab ve C++ uygulamalarÕ için genel hata
tespit baúarÕ oranÕ %93 olarak elde edilmiútir. Hata tespiti
çalÕúabilmektedir. YapÕlan bazÕ çalÕúmalarda örgü makinesi
alanÕndaki araútÕrmacÕlara fikir vermek için Matlab ve C++ üzerinde çalÕúabilen bazÕ sistemler üzerinde ciddi ilerlemeler
kodlarÕnÕn gerçek zamanlÕ iúlem hÕzlarÕ incelenmiútir. Özellikle 1 sa÷lanmÕútÕr. Ancak örgü makinesinin yüksek hÕzlarda üretim
saniyede iúlenebilen görüntü sayÕsÕ belirlenmiútir. Matlab temelli yapmasÕ ve üretim alanÕnÕn kamera sistemi ile izlenmesinde
kodlama 1 saniyede 3 görüntü iúleyebilirken, C++/Opencv temelli karúÕlaúÕlan zorluklar sa÷lÕklÕ bir hata tespit sistemi
kodlama 1 saniyede 55 görüntü iúleyebilmektedir. Önceki geliútirmenin önünde ciddi engeller olarak durmaktadÕr [2].
çalÕúmalar nadiren yazÕlÕm ortamlarÕnÕn karúÕlaútÕrmalÕ Ancak yürütülen ve halen devam eden endüstri odaklÕ
de÷erlendirmelerini içermektedir. Bu yüzden endüstriyel akademik çalÕúmalar neticesinde örgü makineleri için güvenilir
uygulama sonuçlarÕmÕzÕn bu alandaki gelecek çalÕúmalar için ve geçerlili÷i yüksek bir hata tespit sistemi geliútirilmesi
de÷erli bir kaynak olaca÷Õna inanmaktayÕz. mümkün görünmektedir.

Anahtar Kelimeler — kumaú hatasÕ tespiti; algoritma analizi;
C++ uygulamalarÕ;yazÕlÕm performansÕ.
Abstract—In industrial fabric productions, real time systems
are needed to detect the fabric defects. This paper presents a real
time defect detection approach which compares the time
performances of Matlab and C++ programming languages. In the
proposed method, important texture features of the fabric images
are extracted using CoHOG method. Artificial neural network is
used to classify the fabric defects. The developed method has
been applied to detect the knitting fabric defects on a circular
knitting machine. An overall defect detection success rate of 93%
is achieved for the Matlab and C++ applications. To give an idea
to the researches in defect detection area, real time operation
speeds of Matlab and C++ codes have been examined. Especially,
the number of images that can be processed in one second has
been determined. While the Matlab based coding can process 3
images in 1 second, C++/Opencv based coding can process 55
images in 1 second. Previous works have rarely included the
practical comparative evaluations of software environments.
Therefore, we believe that the results of our industrial
experiments will be a valuable resource for future works in this
area.
Keywords—fabric defect detection; algorithm analysis; C++
applications; software performance.
I. GøRøù
Tekstil endüstrisinde üretim esnasÕnda meydana gelebilen
kumaú hatalarÕnÕn tespiti kritik öneme sahiptir. Bu iúlem
1
978-1-5386-1880-6/17/$31.00 ©2017 IEEE
Otomatik kumaú hatasÕ tespitinde görüntü iúleme ve makine
ö÷renmesi alanlarÕnda kullanÕlan algoritmalar ve metotlardan
faydalanÕlmaktadÕr[3]. Özellikle spektral metotlar kumaú
görüntülerindeki periyodikli÷i ortaya çÕkardÕklarÕ için oldukça
baúarÕlÕ sonuçlar vermektedirler. Fourier dönüúümü, dalgacÕk
dönüúümü ve Gabor filtreleri en önemli spektral metotlar
arasÕnda yer almaktadÕrlar. YapÕlan bir çalÕúmada kumaú
görüntülerinin Fourier dönüúümleri sonucu ile elde edilen
frekans spektrumundan faydalanÕlmÕútÕr [4]. Histogram
eúitleme yöntemi yardÕmÕyla görüntülerdeki piksel da÷ÕlÕmlarÕ
daha düzgün bir yapÕya kavuúturularak frekans dönüúümünün
daha etkin elde edilmesi amaçlanmÕútÕr. DalgacÕk dönüúümü ile
farklÕ ölçek ve seviyelerde kumaú görüntüleri analiz edilmiú ve
baúarÕlÕ hata tespit çalÕúmalarÕ yapÕlmÕútÕr. DalgacÕk dönüúümü
ile kumaú dokusu ve hatalÕ bölgeyi modelleyerek
gerçekleútirilen bir çalÕúmada oldukça baúarÕlÕ sonuçlara
ulaúÕlmÕútÕr [5]. Yöntemin baúarÕsÕnÕ arttÕrmak için kumaú
görüntülerine morfolojik iúlemler uygulanmÕútÕr. AyÕrt edici
dalgacÕk öznitelikler elde etmek için yapÕlan baúka bir
çalÕúmada ise kapsamlÕ bir dalgacÕk dönüúümü yapÕsÕ inúa
edilmiútir. Görüntüler farklÕ dalgacÕk türü ve ölçek
parametreleri ile analiz edilerek yüksek sÕnÕflandÕrma baúarÕlarÕ
elde edilmiútir. Model temelli yapÕlan hata tespit çalÕúmalarÕnda
temel olarak autoregressive model ve Gaussian markov rastgele
alanlar modelleri ile hata tespit çalÕúmalarÕ yapÕlmÕútÕr [6].
YapÕlan bu çalÕúmada sinyal iúleme modülü üzerinde yapÕlan
gerçek zamanlÕ kumaú hatasÕ tespit çalÕúmasÕnda autoregressive
modelinden faydalanÕlmÕútÕr. Markov rastgele alanlar metodu
ile hata içermeyen kumaú görüntülerine ait bir Gauss modeli
inúa edilmiútir [7]. SonrasÕnda her bir kumaú görüntüsü inúa
edilen model ile karúÕlaútÕrÕlarak hata içeren kumaú görüntüleri
tespit edilmiútir. Gri seviye eú oluúum matrisi doku
sÕnÕflandÕrmada oldukça yaygÕn bir metot oldu÷u için hatalÕ
kumaú dokularÕnÕn tespit edilmesinde de kullanÕlmÕútÕr. Bu
istatistiksel metot eúikleme ve morfolojik iúlemler ile birlikte
kullanÕlarak dokuma kumaú hatalarÕnÕn bulundu÷u piksel
koordinatlarÕnÕ tespit edebilmektedir [8]. Filtreleme
yaklaúÕmlarÕ genellikle çok ölçekli filtre bankalarÕ inúa edilerek
doku sÕnÕflandÕrma problemlerinde kullanÕlmaktadÕr. Bu
metotlardan biri olan çok ölçekli fark filtre metodu 12 farklÕ
türde düz dokuma kumaúlarÕnÕn içerdikleri hatalarÕ tespit
etmede kullanÕlmÕútÕr [9]. Her biri 256 × 256 boyutunda olan
kumaú görüntüleri dokuma makinesi üzerinde gerçek zamanlÕ
olarak elde edilerek hata tespiti yapÕlmÕútÕr. Optimal morfolojik
filtreler yardÕmÕyla yapÕlan gerçek zamanlÕ kumaú hatasÕ tespit
çalÕúmasÕnda farklÕ kumaú türlerine ait kumaú hatalarÕ %97.40
sÕnÕflandÕrma baúarÕsÕ ile sÕnÕflandÕrÕlmÕútÕr [10]. Kumar ve
Pang[11], Gabor dalgacÕklarÕndan türeterek 4 farklÕ yönde ve
16 farklÕ kanalda inúa ettikleri filtreler ile kumaú üretim sistemi
tasarlamÕúlardÕr. Bu çalÕúma baúarÕlÕ sonuçlar vermekle birlikte
gerçek zamanlÕ hata tespitinde zaman maliyeti içermektedir.
Gerçek zamanlÕ çalÕúmalarda anlÕk olarak kameradan gelen
kumaú görüntüsünün analiz edilmesi ve hata içerip
içermedi÷ine karar verilmesi gerekmektedir. Filtre temelli
çalÕúmalardan olup daha uygun çalÕúma zamanÕna ihtiyaç duyan
di÷er bir çalÕúmada filtre bankasÕ ile çÕkartÕlan öznitelik
vektörlerinin boyutlarÕ temel bileúen analizi yöntemi ile
azaltÕlmÕútÕr [12]. Filtre bankasÕnÕn içerdi÷i çeúitli
özelliklerdeki filtrelerden incelenen kumaú türüne en uygun
olanÕ tespit etmek dokuma ve örgü makineleri üzerinde
çalÕúacak gerçek zamanlÕ hata tespit sistemlerinin zaman
maliyetini indirgeyecektir. Bu gerçekten hareket ile yapÕlan
bazÕ çalÕúmalarda bu yönde araútÕrmalar yapÕlmÕú ve probleme
uygun filtre seçimi baúarÕlÕ bir úekilde seçilmiútir [13], [14].
Dokuma makinesi üzerinde gerçek zamanlÕ çalÕúabilen bir di÷er
çalÕúmada FPGA temelli bir sistem kurularak kumaú üretimi
kontrol edilmiútir [15]. Kumaú kontrol sisteminin hÕzlÕ
çalÕúmasÕ için oluúturulan sistem FPGA mimarisi üzerine
taúÕnmÕútÕr.
Yapay sinir a÷larÕ (YSA) farklÕ birçok problemde oldu÷u
gibi kumaú hatasÕ tespitinde de yo÷un bir úekilde
kullanÕlmaktadÕr. 3 katmanlÕ ve geri beslemeli bir YSA
mimarisi ile yürütülen bir çalÕúmada düz ve beyaz renkli kumaú
kumaúa ait hatalar %86.20 oranÕnda tespit edilmiútir [16].
Benzer mimariye sahip bir YSA ile çizgi tarama kamerasÕndan
elde edilen düz kumaú türüne ait ve 4 farklÕ kumaú hatasÕ türü
içeren 160 hatalÕ kumaú görüntüsü sÕnÕflandÕrÕlmÕú ve %91.88
oranÕnda sÕnÕflandÕrma baúarÕsÕ yakalanmÕútÕr [17]. Dokuma
kumaú hatalarÕnÕ tespit etmek için yapÕlan di÷er bir çalÕúmada
ise alan tarama kamerasÕ ile kumaú görüntüleri elde edilerek bir
veri tabanÕ oluúturulmuútur. 4 farklÕ kumaú hatasÕ içeren toplam
240 adet kumaú görüntüsü YSA ile sÕnÕflandÕrÕlmÕú ve baúarÕ
oranÕ %94.38 olarak ölçülmüútür [18].
Yürütülen tüm bu çalÕúmalarÕn birço÷unun temel eksikli÷i
gerçek zamanlÕ olmayÕúlarÕ ve herhangi bir dokuma/örgü
makinesi üzerinde ciddi üretim kontrol testlerine tabi
tutulmamÕú olmalarÕdÕr. DolayÕsÕyla ihtiyaç duyulan kumaú
izleme sistemlerinin geliútirilmesinde hala ciddi Ar-Ge
çalÕúmalarÕna ihtiyaç oldu÷u sonucuna ulaúÕlmaktadÕr. Özellikle
yuvarlak örgü makinelerinin yüksek hÕzda üretim yapmasÕ
birim zamanda incelenecek görüntü sayÕsÕnÕn oldukça yüksek
olmasÕna neden olmaktadÕr. Çünkü örgü makinesinin üretim
hÕzÕ, çapÕ ve üretilen kumaúÕn karakteristikleri anlÕk olarak
izlenmesi gerekli olan alanÕn büyüklü÷ünü do÷rudan
etkilemektedir. Bunun sonucunda yuvarlak örgü makineleri
üzerinde yürütülen bazÕ çalÕúmalarda herhangi bir hatanÕn
gözden kaçÕrÕlmamasÕ için saniyede yaklaúÕk 90 görüntünün
elde edilmesi gerekti÷i tespit edilmiútir [2]. Üretim esnasÕnda
her 1 saniyede kamera ile yakalanan 90 farklÕ kumaú
görüntüsünün analiz edilmesi ve hata içerip içermediklerine tek
tek karar verilmesi oldukça zaman gerektiren bir süreçtir. Bu
durumda görüntü iúleme uygulamalarÕnda sÕklÕkla kullanÕlan
Matlab yazÕlÕmÕnÕn bu ihtiyacÕ karúÕlamasÕ mümkün de÷ildir.
Bu nedenle hata tespit sistemlerinin daha hÕzlÕ çalÕúabilen
Python, Opencv ve C++ gibi programlama dillerinde
kodlanmasÕ ve test edilmesi gerekmektedir.
Bu çalÕúmada yuvarlak örgü makineleri üzerinde çalÕúabilen
bir hata tespit sisteminin ayrÕ ayrÕ hem Matlab hem de
Opencv/C++ programlarÕnda kodlamasÕ ve tasarÕmÕ yapÕlmÕútÕr.
Her iki yazÕlÕm ortamÕnda ayrÕ ayrÕ geliútirilen hata tespit
algoritmasÕ test edilerek elde edilen do÷ruluk oranlarÕ
karúÕlaútÕrÕlmÕútÕr. Daha önemlisi ise her iki ortamÕn gerçek
zamanlÕ olarak endüstriyel koúullarda test edilerek çalÕúma
sürelerinin detaylÕ olarak analiz edilmiú olmasÕdÕr. Bu sayede
çizgi tarama kamerasÕ ile kumaú hatasÕ tespiti alanÕnda
çalÕúacak olan araútÕrmacÕlara farklÕ bakÕú açÕlarÕ ve tecrübeler
kazandÕrÕlmasÕ amaçlanmÕútÕr.
Bölüm 2’de kumaú hatasÕ tespitinde kullanÕlan eú oluúum
matrisi temelli özellik çÕkarma algoritmasÕ kÕsaca
tanÕmlanmÕútÕr. Bölüm 3’te özellik çÕkarma algoritmasÕ ve
Yapay Sinir A÷Õ (YSA) ile öncelikle laboratuvar ortamÕnda
elde edilen hata tespit çalÕúmalarÕna yer verilmiútir. Daha sonra
yuvarlak örgü makinesi üzerinde yürütülen gerçek zamanlÕ hata
tespit çalÕúmalarÕna ait elde edilen sonuçlara karúÕlaútÕrmalÕ
olarak de÷inilmiútir. Bölüm 4’te ise çalÕúmalar sonucu elde
edilen genel sonuçlar ve gelecekte yapÕlmasÕ düúünülen
çalÕúmalar sunulmuútur.
II. COHOG YÖNTEMø
Bu çalÕúmada özellik çÕkarma problemlerinde etkili
sonuçlar üretebilen Eú-oluúum Yönlü Gradyan Histogram
(CoHOG) yöntemi kullanÕlarak kumaú görüntülerinin anlamlÕ
özellik vektörleri hesaplanmÕútÕr. CoHOG yöntemi temel olarak
görüntülerin gradyan yönelimleri arasÕndaki uzaysal iliúkiyi
ifade etme prensibine dayanmaktadÕr [19].
CoHOG özellik vektörü hesaplanmasÕnda öncelikle iúlem
görüntünün gradyan yönelimlerini hesaplamaktÕr. Gradyan
yönelimleri kullanÕlarak eú oluúum matrisi hesaplanÕr. Eú
oluúum matrisinin temel iúlevi, kullanÕcÕ tanÕmlÕ bir ofset
de÷erine göre görüntü üzerindeki gradyan yönelimlerinin
da÷ÕlÕmÕnÕ ifade etmektir. Gradyan yönelimlerinin komúuluk
kombinasyonlarÕ kullanÕlarak görüntüdeki nesne ve úekilleri
uzaysal düzlemde ayrÕntÕlÕ olarak ifade edilmektedir. Özellikle
nesne sÕnÕrlarÕnda birinci mertebe türev de÷erinin maksimuma
ulaúmasÕ ile nesne kenarlarÕ elde edilebilmektedir.
Görüntüdeki nesnelerin úekillerinin elde edilebilir olmasÕ
nesne sÕnÕflandÕrma problemi için oldukça önemlidir.
Matematiksel olarak ݉ ൈ ݊ boyutundaki imge ve ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ofset
de÷eri için eú oluúum matrisi denklem (1)’deki gibi Literatürdeki benzer çalÕúmalara dayanarak bu çalÕúmada da
tanÕmlanmaktadÕr [19]: CoHOG yöntemini test etmek için daha önce inúa edilmiú olan
bir kumaú veri tabanÕndan faydalanÕlmÕútÕr[20]. ønúa edilen
veritabanÕ örgü makinesi üzerine kurulan çizgi kamera ve
ܿ௜ǡ௝ ൌ
do÷rusal ÕúÕk kayna÷Õ yardÕmÕyla gerçek üretimden elde edilen
kumaú görüntüleri kullanÕlarak oluúturulmuútur. Bu veri
σ௡ିଵ ௠ିଵ ͳǡ݁º݁‫ܫݎ‬ሺ‫݌‬ǡ ‫ݍ‬ሻ ൌ ݅‫ܫ݁ݒ‬ሺ‫ ݌‬൅ ‫ݔ‬ǡ ‫ ݍ‬൅ ‫ݕ‬ሻ ൌ ݆ tabanÕnda 3242’i hatalÕ 5923’ü hatasÕz olmak üzere toplam
௣ୀ σ௤ୀ଴ ൜ (1)
Ͳǡ݀݁º݈݅‫݁ݏ‬ 9165 kumaú görüntüsü bulunmaktadÕr. Veri tabanÕnda bulunan
hatalÕ ve sa÷lam kumaú görüntülerinden bazÕlarÕ ùekil 2’de
Burada ‫ ܫ‬gradyan yönelim görüntüsünü,݅ ve ݆ ise gradyan görülmektedir. ølk satÕrda sÕrasÕyla i÷ne kÕrÕ÷Õ, delik ve patlak
yönelimlerini göstermektedir. CoHOG yöntemi gradyan tabanlÕ hatalarÕ görülmektedir. økinci satÕrda ise sa÷lam kumaú
olarak histogram bilgilerini yorumlamakta ve kodlamaktadÕr.
görüntüleri verilmiútir.
Bu nedenle lokal ve bölgesel ÕúÕk de÷iúimleri ile gürültü
durumlarÕnda oldukça duyarlÕ davranmakta ve istenmeyen
kenar ve úekil bilgileri üretebilmektedir. Görüntünün yatay ve
dikey radyanlarÕ kullanÕlarak gradyan yönelimleri bilgisi
aúa÷Õdaki gibi elde edilir:
௩
ߠ ൌ –ƒିଵ (2)
௛

Denklem 2’de ݄ ve ‫ݒ‬sÕrasÕyla Roberts, Sobel, vb. filtreler (a)

ile hesaplanan yatay ve dikey gradyanlarÕ göstermektedir.
SonrasÕnda her piksel 0-360 derece arasÕnda 45 derecelik
açÕlarla ayrÕlan 8 farklÕ yönelimden biriyle etiketlenir. Bu
nedenle denklem 2 kullanÕlarak inúa edilen eú oluúum matrisi
‫ܥ‬ͺ ൈ ͺ boyutunda olur.Eú oluúum matrisi her bir bölgede
verilen ofset de÷erleri için hesaplanmaktadÕr. Verilen imge
݉‫ ݊ݔ‬boyutunda dikdörtgensel bölgelere ayrÕlÕr ve en son her
bir bölge için elde edilen ofset sayÕsÕ kadar eú oluúum matrisleri (b)
tek bir vektör haline getirilir. ùekil 1. Kumaú veri tabanÕndaki görüntü örnekleri, (a)
hatalÕ kumaú görüntüleri, (b) sa÷lam kumaú görüntüleri.
CoHOG yönteminde bir görüntüden çÕkartÕlan özellik
vektörü boyutu ݉ ൈ ݊ ൈ ݀ ଶ ba÷ÕntÕsÕna göre hesaplanÕr. Bu Bu çalÕúmada asÕl amaç yuvarlak örgü makinesi üzerinde
ba÷ÕntÕdaki ݉ görüntüde bölünmüú bölge sayÕsÕnÕ, ݊ ofset gerçek zamanlÕ kumaú hatasÕ tespiti yaparken karúÕlaúÕlan
sayÕsÕnÕ, ݀ ise gradyan yönelimlerinin sayÕsÕnÕ ifade zorluklara karúÕ faydalÕ olabilecek yönlendirme ve tecrübeleri
etmektedir. Bu ݀ ൌ ͺ, ݉ ൌ Ͷ ve ݊ ൌ Ͷ olarak alÕnarak her bir okuyucuya aktarmaktÕr. Bunun için öncelikle benzer literatür
kumaú görüntüsünün ͳ ൈ ͳͲʹͶ boyutunda özellik vektörü çalÕúmalarÕnda oldu÷u gibi CoHOG yönteminin bir veri tabanÕ
hesaplanmÕútÕr. DolayÕsÕyla 1024 giriúli bir YSA’nÕn e÷itim ve üzerinde ve laboratuvar úartlarÕnda hata tespit baúarÕsÕnÕn
test iúlemleri sÕrasÕnda bu özellik vektörleri kullanÕlmÕútÕr. ortaya çÕkartÕlmasÕ gerekmektedir. Bu noktadan hareketle
kullanÕlan veri tabanÕndaki tüm görüntülerin özellik vektörleri
III. YÜRÜTÜLEN DENEYSEL VE UYGULAMALI
hesaplanmÕútÕr. Bu özellik vektörleri geriye yayÕlÕmlÕ
ÇALIùMALAR
algoritmasÕ kullanan bir YSA’ya giriú olarak verilmiútir.
A. Laboratuvar ÇalÕúmalarÕ KullanÕlan YSA mimarisinde giriú katmanÕ 1024, gizli katman
Literatürde kumaú hatasÕ tespitine yönelik yapÕlan 10 ve çÕkÕú katmanÕ tek çÕkÕú hücresine sahiptir. Matlab ortamÕ
çalÕúmalar incelendi÷inde, birçok çalÕúmanÕn yazarlar kullanÕlarak geliútirilen hata tespit ara yüzüne ùekil 2’de
tarafÕndan inúa edilen kumaú veri tabanlarÕ üzerinde test görülmektedir. ùekil 2’den de görülece÷i gibi bu ara yüzde
edildi÷i görülmektedir. Veri tabanÕ inúa edilirken kumaú üretim Baúla/Bitir görevi gören bir buton ile anlÕk kumaú üretimini
fabrikasÕndan hatalÕ ve sa÷lam kumaúlara ait kumaú gösteren bir pençe yer almaktadÕr.
parçalarÕndan foto÷raflar alÕnarak çalÕúmanÕn kapsamÕna göre
yeterli örnek sayÕsÕ içerecek ölçüde veri tabanlarÕ inúa
edilmektedir. Sonraki adÕmda kullanÕlan özellik çÕkarma
yöntemi ile bu veri tabanÕndaki kumaú görüntülerinin özellik
vektörleri hesaplanmaktadÕr. Son olarak ise uygun sÕnÕflandÕrÕcÕ
ile bu özellik vektörleri sÕnÕflandÕrÕlmakta ve yöntemin
do÷rulu÷u test edilmektedir. E÷er örgü veya dokuma tezgâhÕ
üzerinde çalÕúabilecek bir sistem hedefleniyorsa, geliútirilen ùekil 2.Matlab programÕnda tasarlanan kumaú hatasÕ tespit
yöntem gerçek zamanlÕ çalÕúmaya uygun hale getirilip fabrika yazÕlÕmÕnÕn ara yüzü.
ortamÕnda üretim kontrolü yapÕlabilmektedir.
 Matlab programÕ ile yapÕlan hata tespit çalÕúmalarÕna ait
sÕnÕflandÕrma sonuçlarÕ ve CoHOG yöntemine iliúkin önemli
parametreler Tablo 1’de verilmiútir.
Tablo 1. CoHOG yöntemine ait önemli parametreler ve
sÕnÕflandÕrma sonucu
Yöntem Süre (sn) Vektör Do÷ruluk
boyutu
CoHOG 0.24 1024 %95
Bu çalÕúmada Matlab ile C++/Opencv yazÕlÕmlarÕnÕn kumaú
hatasÕ tespitindeki performanslarÕ gözlemlenmiútir. Bu nedenle
CoHOG sÕnÕflandÕrma sonuçlarÕnÕn farklÕ yöntemlerle
karúÕlaútÕrÕlmasÕ gibi bir hedefe yönelik çalÕúma yapÕlmamÕútÕr.
Matlab ortamÕnda CoHOG yöntemi bir görüntünün özellik
vektörünü hesaplamak için 0.24 sn gibi bir zaman
harcamaktadÕr. Özellik vektör boyutu azaltÕlarak bu süre bir
miktar azaltÕlabilmektedir. Ancak bu defa yöntemin do÷ruluk
oranÕnda bir miktar gerileme oldu÷u gözlemlenmiútir. ͳ ൈ
ͳͲʹͶboyutundaki özellik vektörü kullanÕlarak %95 gibi
yüksek bir hata tespit baúarÕsÕ elde edilmiútir. Daha önce
de÷inildi÷i gibi, yuvarlak örgü makinesi çok hÕzlÕ üretim
yapan bir sisteme sahiptir. Ortalama üretim hÕzÕ 1m/sn gibi
çok yüksek bir orandÕr. Yani 1 saniyede 1 metre kumaú
üretebilmektedir. Bu nedenle gerçek zamanlÕ hata kontrolünde
hÕzlÕ akan nesnelerin izlenmesinde kullanÕlan çizgi tarama
kamerasÕnÕn kullanÕlmasÕ gerekmektedir. Çizgi tarama
kamerasÕnÕn elde etti÷i görüntüler analiz edilece÷i için her bir
görüntüde harcanan 0.24 sn hesaplama zamanÕnÕn minimuma
çekilmesi gerekmektedir. Bu nedenle Matlab ortamÕnda
kodlanan ve tasarlanan hata tespit sisteminin aynÕsÕ
C++/Opencv ortamÕnda da kodlanmÕútÕr. Rahat kullanÕm ve
yönetim sa÷lamak için ùekil 3’te görülen ara yüz
tasarlanmÕútÕr. Bu ara yüze Baúla/Bitir butonlarÕ, anlÕk üretim
görüntüsü ve tespit edilen ve kaydedilen son hatalÕ kumaú
görüntüsünün ekranda görüntülenmesi gibi faydalÕ özellikler
eklenmiútir.
ùekil 3.C++/Opencv programlarÕ ile tasarlanan kumaú
hatasÕ tespit yazÕlÕmÕnÕn ara yüzü.
Laboratuvar çalÕúmalarÕ kapsamÕnda son olarak
C++/Opencv ortamÕnda CoHOG yöntemi ve YSA iúlemleri
Matlab ortamÕnda oldu÷u gibi test edilmiú ve benzer baúarÕlÕ
sonuçlar elde edildi÷i görülmüútür. Gerçek zamanlÕ çalÕúmada
gereksinim duyulan zaman ihtiyacÕnÕ en aza indirgemek için
C++/Opencv ortamÕnda e÷itilen ve test edilen YSA’nÕn e÷itim
a÷ÕrlÕklarÕ kaydedilmiútir. Bu sayede gerçek zamanlÕ çalÕúma
esnasÕnda YSA e÷itimi yapÕlmayacak olup sadece elde edilen
görüntünün CoHOG özellik vektörünün YSA test iúlemi
yapÕlacaktÕr.
B. Fabrika OrtamÕndaki ÇalÕúmalar
Bu bölümde yuvarlak örgü makinesi üzerinde yapÕlan
gerçek zamanlÕ kumaú hatasÕ tespit çalÕúmalarÕna ve elde
edilen sonuçlara iliúkin de÷erlendirmelere yer verilmiútir.
Laboratuvar ortamÕnda gerçekleútirilen çalÕúmalar fabrika
ortamÕndaki gerçek zamanlÕ hata tespit çalÕúmalarÕnÕn temelini
oluúturmaktadÕr. Kumaú veri tabanÕ ile yapÕlan hata tespit
çalÕúmalarÕnÕn yuvarlak örgü makinesi üzerindeki sonuçlarÕ bu
bölümde detaylÕ olarak analiz edilmiútir. Bu úekilde hata tespit
yöntemlerinin laboratuvar ortamÕndaki davranÕúlarÕ ile
endüstriyel ortamdaki davranÕúlarÕ karúÕlaútÕrÕlmÕútÕr. Özellikle
çizgi tarama kamera kullanÕlarak Matlab yazÕlÕmÕ ile
C++/Opencv yazÕlÕmlarÕnÕn kumaú hatasÕ tespitindeki
performanslarÕnÕn karúÕlaútÕrÕlmasÕ bu çalÕúmanÕn temel hedefi
olmuútur.
Yuvarlak örgü makinesi üzerinde üretim kontrolü
yapabilmek için görüntü elde etme sistemine ihtiyaç
duyulmaktadÕr. Yuvarlak örgü makinesi üzerinde kumaú hatasÕ
tespiti için Malatya’da faaliyet gösteren Madoksan Tekstil Ltd.
ùti. firmasÕnda bir örgü makinesinin üzerine görüntü yakalama
sistemi kurulmuútur. Bu sistemde Basler raL2048gm model
çizgi tarama kamerasÕ, 10 cm uzunlu÷unda çizgi ÕúÕk kayna÷Õ
ve cihazlarÕ sabitlemek için metal sabitleyiciler kullanÕlmÕútÕr.
Bu sistem ile kaliteli ve yüksek çözünürlüklü görüntü akÕúÕ
sa÷lanacaktÕr. Bu sistem fabrikada temiz ve gürültüden uzak
bir alana kurulacak olan bir sunucu bilgisayara ba÷lanarak
üretilen kumaúlarÕn görüntüleri analiz edilmeye hazÕr hale
getirilecektir. Örgü makinesi üzerine kurulan görüntüleme
sistemi ùekil 4’te görülmektedir.
ùekil 4. Gerçek zamanlÕ hata tespiti için yuvarlak örgü
makinesi içerisine kurulan görüntü elde etme sistemi
Laboratuvar çalÕúmalarÕ sÕrasÕnda hem Matlab
yazÕlÕmÕnda hem de C++/Opencv yazÕlÕmlarÕnda ayrÕ ayrÕ
kodlamasÕ ve tasarÕmÕ yapÕlan sunucu görüntüleme yazÕlÕmlarÕ
(ùekil 2 ve ùekil 3) sayesinde anlÕk olarak elde edilen kumaú
görüntüleri ekrandan izlenebilmektedir. Yine daha önce
kodlamalarÕ yapÕlan CoHOG özellik çÕkarma yöntemi ve
e÷itilmiú yapay sinir a÷Õ modeli sunucu bilgisayara aktarÕlarak
hata tespit sisteminin yazÕlÕm alt yapÕsÕ kurulmuútur.
 Çizgi tarama kamerasÕnÕn çalÕúma hÕzÕ ile örgü
makinesinin üretim hÕzÕ senkronize edilmiútir. Enkoder’den
elde edilen veriler ÕúÕ÷Õnda çizgi tarama kamerasÕ 28kHz
hÕzÕnda çalÕútÕrÕlmÕútÕr. Bu çalÕúma hÕzÕ ʹͷ͸ ൈ ͳͲͲͲ
boyutunda olmak koúuluyla kameranÕn saniyede 90 görüntü
yakalayaca÷Õ ve sunucu bilgisayardaki hata tespit yazÕlÕmÕna
analiz etmesi için gönderece÷i anlamÕna gelmektedir.
KullanÕlan sunucu bilgisayar Mac mini model, 16 GB Ram
bellek ve i7 3.0Ghz iúlemciye sahiptir.
Hata tespit sistemi kararlÕlÕk ve güvenilirli÷inin test
edilmesi için 900 farklÕ görüntüyü analiz edinceye kadar örgü
makinesine üretim yaptÕrÕlmÕútÕr. Bu süre zarfÕnda kamera
görüntü akÕúÕ sa÷layaca÷Õ için toplamda yakalanan ve analiz
edilen görüntü sayÕsÕ 900 olacaktÕr.
Daha önce inúa edilen KVT ʹͷ͸ ൈ ͳͲͲͲ piksel
boyutundaki video çerçevelerinin yatay olarak dörde
bölünmesi ile oluúturulmuútur [20]. DolayÕsÕyla veri
tabanÕndaki her bir görüntü ʹͷ͸ ൈ ʹͷͲ boyutunda olmuútur.
Gerçek zamanlÕ hata tespitinde kameradan gelen görüntü
boyutu ʹͷ͸ ൈ ͳͲͲͲ piksel boyutundadÕr. Ancak daha önce
yürütülen çalÕúmalarda oldu÷u gibi kameradan gelen her bir
görüntü dörde bölünerek her biri ʹͷ͸ ൈ ʹͷͲ boyutunda olan
dört alt görüntü elde edilmiútir. Daha sonra bu alt görüntülerini
öznitelikleri hesaplanÕp YSA ile hata içerip içermedikleri test
edilmiútir. Burada amaç daha do÷ru bir úekilde hata tespiti
yapmaktÕr. Çünkü delik ve patlak gibi bazÕ hata türleri kumaú
görüntüsünün bir bölümünde oluúurken, i÷ne ve iplik hatalarÕ
gibi bazÕ hatalar tüm görüntüde bulunmaktadÕr. Elde edilen
ʹͷ͸ ൈ ͳͲͲͲ boyutundaki video çerçevesi dörde bölünerek
herhangi bir görüntü parçasÕnda hata tespiti yapÕldÕ÷Õnda o
anki video görüntüsü hatalÕ olarak
etiketlendirilecektir.YukarÕda bahsedilen tüm altyapÕ ve
donanÕmsal kurulumlar tamamlandÕktan sonra ilk hata tespit
iúlemi Matlab ortamÕnda yapÕlmÕútÕr.
ølk olarak sa÷lam kumaú üretiminin izlenmesi ve
yöntemin sa÷lam kumaúlarÕ hatalÕ olarak etiketleyip
etiketlemeyece÷i kontrol edilecektir. Bu amaçla örgü makinesi
ve hata tespit yazÕlÕmÕ aynÕ anda çalÕútÕrÕlarak ürerim kontrolü
yapÕlmaya baúlanmÕútÕr. ÇalÕúmalar esnasÕnda fark edilen en
önemli olay Matlab yazÕlÕmÕnÕn saniyede 2 veya 3 video
çerçevesi iúleyebilmesidir. YSA iúleminde sadece test
iúleminin yapÕldÕ÷Õ ve YSA a÷ÕrlÕklarÕnÕn laboratuvar çalÕúmasÕ
esnasÕnda kaydedildi÷i unutulmamalÕdÕr. Daha önce
vurgulandÕ÷Õ gibi kurulan sistem optimum hata tespiti
yapabilmek için saniyede 90 video çerçevesini analiz ederek
hata içerip içermedi÷i noktasÕnda sonuç üretmelidir. Bu
sonuçlardan da görülece÷i gibi Matlab yazÕlÕmÕ ile gerçek
zamanlÕ hata tespiti yapmak mümkün görünmemektedir.
Ortalama olarak bakÕldÕ÷Õnda Matlab yazÕlÕmÕ 90 kumaú
görüntüsünün yaklaúÕk olarak 87 tanesini iúleyememekte ve a÷
üzerinden gelen video paketlerinin kaybolmasÕ/düúmesi gibi
olaylara sebep olarak kaybetmektedir. Bununla beraber
yürütülen gerçek zamanlÕ çalÕúmalarda CoHOG yöntemi
laboratuvar ortamÕna benzer davranÕúlar sergilemiútir. Yani
incelenen 900 görüntünün 837 tanesini hatasÕz olarak tespit
edebilmiútir. Bu oran yaklaúÕk olarak %93’lik bir hata tespit
baúarÕsÕna karúÕlÕk gelmektedir. Laboratuvar ortamÕnda bu
oran %95 olarak ölçülmüútür. Ardaki bu baúarÕ farkÕ
ortamdaki toz, makine titreúimi ve kumaú hareketinin salÕnÕmlÕ
yapÕsÕndan kaynaklanmakta ve ola÷an bir durum olarak
nitelendirilmektedir.
HatasÕz kumaú üretimim ile ilgili ikinci uygulamada
C++/Opencv yazÕlÕmlarÕ ile tasarlanan ve kodlanan hata tespit
sistemi üzerinde yapÕlmÕútÕr. Gerçek zamanlÕ tüm çalÕúmalarda
C++ yazÕlÕmÕ genel olarak Matlab yazÕlÕmÕna göre daha uygun
zaman gereksinimlerine ve bellek yönetimlerine sahiptir.
Kumaú hatasÕ tespitinde de bu durum kendini bir kez daha
göstermiútir. Opencv kütüphanesinin de C++ ortamÕna dâhil
edilmesi ile görüntü iúleme ve makine ö÷renme rutinlerinin
daha hÕzlÕ çalÕúmasÕ sa÷lanmÕútÕr. Bunun sonucunda Visual
Studio programÕnda algoritma Debug modda iúletilerek 1
saniyede 38 video çerçevesi iúlenebilmiú ve hata içerip
içermedikleri kontrol edilmiútir. KullanÕlan YSA modelinde
laboratuvar çalÕúmalarÕ sÕrasÕnda e÷itilen ve kaydedilen YSA
a÷ÕrlÕklarÕndan faydalanÕlmÕútÕr. AlgoritmanÕn hatasÕz olarak
derlenmesi ile Release moda geçilmiú ve 1 saniyede iúlenen
görüntü sayÕsÕnÕn 50-55 aralÕ÷Õna kadar çÕktÕ÷Õ
gözlemlenmiútir. Her iki derleme yöntemi arasÕnda yüksek hÕz
farkÕ oldu÷u açÕk úekilde görülmektedir. Çünkü debug modda
genel olarak yapÕlan proje geliútirilip sa÷lÕklÕ bir úekilde
çalÕútÕrÕlmasÕ sa÷lanÕr. Bu esnada derleme sonucu e÷er varsa
oluúan hata ayÕklama bilgisi yazÕlÕmcÕya da gösterilir. Bu mod
kod optimizasyonlarÕna kapalÕdÕr. Optimize edilmeyen kod
yapÕlarÕ da bellek yönetimi ve hesapsal karmaúÕklÕk açÕsÕndan
maliyet içermektedir. Release mod esnasÕnda proje bitirilip
son kullanÕcÕya sunmak için derleme yapÕlan mod'dur. Bu
modda kodlar optimize edilir ve sonuçta algoritmik
karmaúÕklÕk azaltÕlÕr. Kumaú hatasÕ probleminde her iki mod
arasÕnda ciddi bir hÕz farkÕ oldu÷u gözlemlenmiútir.
C++/Opencv ortamÕnda çalÕútÕrÕlan CoHOG yöntemindeki
sÕnÕflandÕrma baúarÕsÕ %92 olarak ölçülmüútür. Matlab’de
yapÕlan test iúlemlerinde bu oran %93 olarak ölçülmüú idi.
Aradaki %1’lik baúarÕ farkÕnÕn nedeni uygulamalar esnasÕnda
incelenmiútir. Her iki yazÕlÕmdaki kodlar satÕr satÕr analiz
edildi÷inde göze çarpan sonuç úu úekilde olmuútur: Opencv
kütüphanelerinin CoHOG yöntemindeki gradyan yönelimlerini
hesaplarken basamak yuvarlamalarÕ yaptÕklarÕ görülmüútür. Bu
iúlem ileriki adÕmlarda hesaplanan eú oluúum matrisinin
yapÕsÕnda küçük farklÕlÕklara yol açmaktadÕr. Bu farklÕlÕklar
bazÕ matematiksel iúlemler ile ortadan kaldÕrÕlarak baúarÕ
oranlarÕnÕn aynÕ olmasÕ sa÷lanabilmektedir. Burada asÕl
vurgulanmaya çalÕúÕlan konu gerçek zamanlÕ çalÕúmada ortaya
çÕkan ve en önemli problem olan zaman gereksiniminin
yazÕlÕm ortamlarÕnda test edilmesi ve aradaki farklarÕn
okuyucuya uygulamalÕ olarak yansÕtÕlmasÕdÕr. Yuvarlak örgü
makinesi üzerinde fabrika ortamÕnda yürütülen bu çalÕúma ile
hatasÕz kumaú üretiminin izlenmesinde Matlab ve
C++/Opencv yazÕlÕm ortamlarÕnÕn davranÕúlarÕ net úekilde
görülmüútür. Elbette daha iyi özelliklere sahip sunucu
bilgisayarlarda bu sonuçlar daha iyi noktalara gelecektir.
Ancak çizgi tarama kamera ile yürütülen kumaú hatasÕ tespit
problemlerinde her zaman C++/Opencv ikilisinin Matlab
yazÕlÕmÕna göre yaklaúÕk olarak 20 kat daha hÕzlÕ çalÕúaca÷Õ
unutulmamalÕdÕr. Elde edilen sonuçlara iliúkin yaklaúÕk olarak zaman zaman çerçeve kaybÕ nedeniyle programÕn
elde edilen kapsamlÕ bilgiler Tablo 2’de sunulmuútur. sonlanmasÕdÕr. Matlab kodlarÕnda kameradan gelen çerçeveler
bir While döngüsü içerisinde iúlenmektedir. Döngünün çalÕúma
Tablo 2.Matlab ve C++/Opencv ortamlarÕnÕn hatasÕz kumaú
koúulu ise kameradan görüntü akÕúÕ oldu÷u sürece veya
kontrolünde CoHOG yöntemi ile elde ettikleri önemli metrik
kullanÕcÕ ara yüzdeki Durdur butonuna basÕncaya kadar
sonuçlar.
çalÕúamaya devam úeklindedir. ÇalÕúma esnasÕnda a÷ trafi÷i
C++/Opencv üzerinde zaman zaman çerçeve kaybÕ yaúanmasÕ nedeniyle
C++/Opencv
Matlab (Release Matlab ortamÕna çerçeve giriú olamamakta ve program hata
(Debug mod)
mod) vererek durmaktadÕr. Ancak bazÕ video çerçevelerinin birço÷u
1 saniyede a÷ trafi÷inde görünmekte ancak döngü içerisinde iúlenmeye
analiz edilen 3 40 55 müsait hale gelmeden kaybolmaktadÕr. Bu olay Matlab
görüntü sayÕsÕ
yazÕlÕmÕ ile gerçek zamanlÕ hata tespiti yaparken karúÕlaúÕlan
øncelenen
toplam görüntü 900 900 900
en önemli problemlerden biri olarak görülmektedir.
sayÕsÕ HatalÕ kumaú üretimi kontrolü ile ilgili son uygulama
HatasÕz Olarak C++/Opencv yazÕlÕmlarÕ ile yapÕlmÕútÕr. Örgü makinesi ve hata
Tespit Edilen 837 828 828 tespit sistemi aynÕ anda çalÕútÕrÕlmÕú ve 900 görüntü analiz
Görüntü SayÕsÕ edilince durduruluútur. Benzer úekilde yapÕlan kontrollerde
Sa÷lamlarÕ CoHOG yönteminin Matlab’de oldu÷u gibi 18 görüntüde hata
Tespit BaúarÕsÕ %93 %92 %92 tespit etti÷i anlaúÕlmÕútÕr. Yani her iki yazÕlÕm ortamÕnda da
(~) aynÕ sÕnÕflandÕrma sonucu elde edilmiútir. Ancak en önemli
YapÕlan son uygulamalarda i÷ne kÕrÕ÷Õ içeren kumaú fark yine 1 saniyede analiz edilen çerçeve sayÕsÕndadÕr. Bu
üretiminin izlenmesi ve CoHOG temelli hata tespit yönteminin uygulamada hem Debug hem de Release modda Matlab
hatalÕ kumaú görüntülerinin tespit edip edemedi÷inin kontrolü yazÕlÕmÕna göre yaklaúÕk 20 kat daha fazla video çerçevesi
ile ilgilidir. Kumaú operatörü i÷ne kÕrÕ÷Õ hatasÕnÕ üretmek için analiz edilebilmiútir. DolayÕsÕyla úimdiye kadar ki literatür
yuvarlak örgü makinesi üzerindeki dairesel i÷ne yata÷Õndan 2 çalÕúmalarÕ farklÕ bir alanda yani kumaú hatasÕ tespiti alanÕnda
i÷neyi çÕkartmÕútÕr. DolayÕsÕyla örgü makinesi çalÕútÕrÕldÕ÷Õnda bir kez daha do÷rulanmÕú ve C++ yazÕlÕmÕ temelinde çok hÕzlÕ
üretilen kumaú i÷ne kÕrÕ÷Õ hatasÕ içerecektir. Yuvarlak örgü görüntü iúleme uygulamalarÕnÕn yapÕlabildi÷i anlaúÕlmÕútÕr.
makinesi tam bir tur dönerek kumaú üretti÷inde, çÕkarÕlan HatalÕ kumaú üretimine iliúkin bazÕ önemli metrik sonuçlar
i÷neye karúÕlÕk gelen kumaú pozisyonunda i÷ne hatasÕ Tablo 3’te sunulmuútur.
görülecektir. DolayÕsÕyla ardÕúÕl olarak analiz edilecek 900
görüntünün bir kÕsmÕnda bu hata olacaktÕr. Örgü makinesinin Tablo 3.Matlab ve C++/Opencv ortamlarÕnÕn hatalÕ kumaú
üretim hÕzÕ ve kameranÕn görüntü yakalama hÕzÕ birlikte göz kontrolünde CoHOG yöntemi ile elde ettikleri önemli metrik
önünde bulunduruldu÷unda, 900 görüntünün en fazla 15-20 sonuçlar.
tanesinde i÷ne hatasÕ içeren kumaú görüntüsü olmasÕ C++/Opencv C++/Opencv
beklenmektedir. Bu nedenle hata yakalama sisteminin i÷ne Matlab
(Debug mod) (Release mod)
hatasÕ içeren video çerçeveleri dÕúÕndaki tüm çerçeveleri 1 saniyede
hatasÕz olarak tespit etmesi gerekmektedir. ølk olarak analiz edilen 3 40 55
Matlab’de tasarlanan hata tespit yazÕlÕmÕ test edilmiútir. Örgü görüntü sayÕsÕ
makinesi ve sunucu bilgisayardaki hata tespit yazÕlÕmÕ aynÕ øncelenen
anda çalÕútÕrÕlmÕútÕr.CoHOG algoritmasÕ anlÕk olarak alÕnan toplam görüntü 900 900 900
sayÕsÕ
900 görüntüden 882 tanesini hatasÕz, 18 tanesini ise hatalÕ
HatalÕ olarak
olarak tespit etmiútir. Sistemin davranÕúÕnÕ kontrol etmek için
tespit edilen 18 18 18
kumaú uzmanÕ ile analiz edilen görüntü aynÕ zamanda video görüntü sayÕsÕ
dosyasÕ úeklinde kayÕt edilmiútir. Uzman gözetiminde yapÕlan HatalÕ
incelemede gerçekte 21 görüntüde i÷ne hatasÕ oldu÷u tespit görüntüleri
edilmiútir. DolayÕsÕyla CoHOG algoritmasÕ 3 hatalÕ kumaú %90 %90 %90
tespit baúarÕsÕ
görüntüsünü tespit edememiú ve sa÷lam olarak etiketlemiútir. (~)
HatalÕ görüntü sayÕsÕ göz önünde bulunduruldu÷unda,
IV. SONUÇLAR VE ÖNERøLER
algoritmanÕn hata tespit baúarÕsÕ yaklaúÕk %90 olarak
hesaplanmaktadÕr. AlgoritmanÕn 1 saniyede analiz edebildi÷i Bu çalÕúmada Matlab ve C++/Opencv programlama
video çerçevesi sayÕsÕ daha önceki uygulamaya benzer olarak ortamlarÕnÕn gerçek zamanlÕ görüntü iúleme
2 veya 3 olarak de÷iúmiútir. Bu nedenle geriye kalan uygulamalarÕndaki performanslarÕ karúÕlaútÕrmalÕ olarak
çerçeveler analiz edilemeden a÷ trafi÷i üzerinde çeúitli hatalara incelenmiútir. Ele alÕnan problem yuvarlak örgü makinelerinde
neden olarak kaybolmuútur. Bu nedenle algoritmanÕn 900 üretilen kumaú yüzeyindeki hatalarÕn gerçek zamanlÕ olarak
görüntüyü birebir analiz etmesi beklenerek bu sayÕya tespit edilmesidir. Bu problem ve önerilen çözüm yollarÕ
ulaúÕldÕ÷Õnda hata tespit sistemi durdurulmuútur. Matlab literatür çalÕúmalarÕna benzer bir iúlem sÕrasÕ ile ele alÕnmÕútÕr.
geliútirme ortamÕ kullanÕlarak hem hatalÕ hem de hatasÕ kumaú ølk olarak labotatuvar ortamÕnda bazÕ deneysel çalÕúmalar
kontrolü yapÕlÕrken karúÕlaúÕlan di÷er önemli bir olay ise yapÕlmÕútÕr. Daha önce inúa edilen kumaú veri tabanÕ üzerinde
CoHOG özellik çÕkarma yöntemi ile görüntülerin özellik
vektörleri çÕkarÕlmÕútÕr. YSA sÕnÕflandÕrÕcÕsÕ ile kumaú
hatalarÕnÕn sÕnÕflandÕrÕlmasÕ baúarÕlÕ bir úekilde yapÕlmÕútÕr. Bu
çalÕúmadaki esas amaç görüntü iúleme uygulamalarÕnda yo÷un
olarak kullanÕlan Matlab ve C++ programlarÕ ile açÕk kaynak
kodlu görüntü iúleme kütüphanesi olan Opencv yazÕlÕmÕnÕn
performanslarÕ arasÕndaki farklarÕ vurgulamaktÕr. Bu nedenle
yapÕlan tüm yazÕlÕmlar ve kullanÕcÕ ara yüzleri hem Matlab’de
hem de C++/Opencv ortamlarÕnda birbirinden ba÷ÕmsÕz olacak
úekilde kodlanmÕú ve tasarlanmÕútÕr.
Laboratuvar çalÕúmalarÕ sonrasÕnda Madoksan Tekstil.
Ltd.ùti. firmasÕnda bir örgü makinesi üzerinde gerçek zamanlÕ
üretim kontrolü yapÕlmÕútÕr. Örgü makinesi üzerine kurulan
görüntüleme sistemi ile sunucu bilgisayar sa÷lÕklÕ görüntü
akÕúÕ sa÷lanmÕútÕr. Her iki yazÕlÕm ortamÕna ait hata tespit
sistemi ile hatalÕ ve hatasÕz kumaú üretimleri kontrol edilmiú
ve baúarÕlÕ bir úekilde hata tespiti yapÕlmÕútÕr. Bununla beraber
Matlab yazÕlÕmÕnÕn gerçek zamanlÕ kumaú hatasÕ tespitinde
zaman yönünden ciddi eksikliklere sahip oldu÷u uygulamalÕ
olarak tespit edilmiútir. Kameradan 1 saniyede gelen 90 adet
ʹͷ͸ ൈ ͳͲͲͲ boyutundaki kumaú görüntülerinden ancak 3
tanesini online bir biçimde analiz edebilmiútir. Geriye kalan
video çerçeveleri a÷ üzerinde çeúitli hatalara yol açmakla
beraber iúlenemeden kaybolmaktadÕr. Ancak C++/Opencv
yazÕlÕmlarÕ hibrit úekilde kullanÕlarak geliútirilen hata tespit
sisteminde özellikle Release mod derlemesi ile saniyede
ortalama 50-55 kumaú görüntüsü iúlenerek hata içerip
içermedikleri hakkÕnda kullanÕcÕya bilgi verebilmiútir. Örgü
makinesi üzerinde çeúitli kod optimizasyonlarÕ ile bu sayÕlar
kÕsmen daha yüksek de÷erle ulaúabilmektedir. YapÕlan
çalÕúmalar sonucunda literatürden bilinen bu hÕz farkÕ
uygulamalÕ ve özel bir problem üzerinde de bizzat
gözlemlenmiútir.
Matlab programÕ her ne kadar hÕz açÕsÕndan eksikliklere
sahip olsa da, üretti÷i sonuçlar güçlü teorik temellere ve
matematiksel olarak do÷rulanmÕú algoritmalara
dayanmaktadÕr. Gelecekte bu alanda çalÕúacak araútÕrmacÕlarÕn
laboratuvar ortamÕnda özellik çÕkarma, sÕnÕflandÕrma ve di÷er
ön iúlemleri Matlab ile yaparak elde edilen sonuçlarÕ
yorumlamalarÕ ve daha sonra C++/Opencv ortamÕna bu
iúlemleri taúÕmalarÕ önerilmektedir. Bununla birlikte gerçek
zamanlÕ çalÕúmalarÕn sunucu bilgisayar yerine gömülü
sistemler üzerinde çalÕútÕrÕlmalarÕ hÕz açÕsÕndan ciddi
iyileútirmeler sa÷layacaktÕr. Özellikle Linux tabanlÕ bu tip
sistemler ile ihtiyaç duyulan uygulamalar geliútirmek oldukça
etkili sonuçlar üretecektir.
BøLGøLENDøRME
Bu çalÕúma Bilim, Sanayi ve Teknoloji BakanlÕ÷Õ
tarafÕndan yürütülen San-Tez programÕ tarafÕndan 0127.STZ
2013-1 nolu proje ile desteklenmiútir.
REFERANSLAR
[1] V.Kothari, Automatic Fabric Inspection,” 2010.
[Online]. Available:
http://www.fibre2fashion.com/industry-
article/5178/automatic-fabric-inspection?page=1.
[Accessed: 12-Feb-2017].
[2] K. Hanbay, “Yuvarlak örgü makineleri için görüntü
iúleme tabanlÕ kumaú hatasÕ tespit sistemi,” ønönü
Üniversitesi, 2016.
[3] L. Bissi, G. Baruffa, P. Placidi, E. Ricci, A. Scorzoni,
and P. Valigi, “Automated defect detection in uniform
and structured fabrics using Gabor filters and PCA,” J.
Vis. Commun. Image Represent., vol. 24, no. 7, pp. 838–
845, 2013.
[4] N. Ismail, W. M. Syahrir, J. M. Zain, and H. Tao,
“Fabric authenticity method using fast Fourier
transformation detection,” 2011, pp. 233–237.
[5] V. V. Karlekar, M. S. Biradar, and K. B. Bhangale,
“Fabric Defect Detection Using Wavelet Filter,” in 2015
International Conference on Computing
Communication Control and Automation, 2015, pp.
712–715.
[6] S. H. Hajimowlana, R. Muscedere, G. A. Jullien, and J.
W. Roberts, “1D autoregressive modeling for defect
detection in web inspection systems,” in 1998 Midwest
Symposium on Circuits and Systems (Cat. No.
98CB36268), pp. 318–321.
[7] F. S. Cohen, Z. Fan, and S. Attali, “Automated
inspection of textile fabrics using textural models,”
IEEE Trans. Pattern Anal. Mach. Intell., vol. 13, no. 8,
pp. 803–808, 1991.
[8] C. Kwak, J. A. Ventura, and K. Tofang-Sazi,
“Automated defect inspection and classification of
leather fabric,” vol. 5, no. 4, pp. 355–370, 2001.
[9] PeiFeng Zeng and T. Hirata, “On-loom fabric inspection
using multi-scale differentiation filtering,” in
Conference Record of the 2002 IEEE Industry
Applications Conference. 37th IAS Annual Meeting
(Cat. No.02CH37344), vol. 1, pp. 320–326.
[10] K. L. Mak, P. Peng, and K. F. C. Yiu, “Fabric defect
detection using morphological filters,” Image Vis.
Comput., vol. 27, no. 10, pp. 1585–1592, 2009.
[11] A. Kumar and G. K. H. Pang, “Defect detection in
textured materials using Gabor filters,” IEEE Trans.
Ind. Appl., vol. 38, no. 2, pp. 425–440, 2002.
[12] A. Basturk, H. Ketencioglu, Z. Yugnak, and M. Emin
Yuksel, “Inspection of defects in fabrics using Gabor
wavelets and principle component analysis,” in 2007 9th
International Symposium on Signal Processing and Its
Applications, 2007, pp. 1–4.
[13] H. Alimohamadi, A. Ahmadyfard, and E. Shojaee,
“Defect Detection in Textiles Using Morphological
Analysis of Optimal Gabor Wavelet Filter Response,” in
2009 International Conference on Computer and
Automation Engineering, 2009, pp. 26–30.
[14] Hao Liu and Jiuqiang Han, “Defect Detection in
Textiles Using Optimal Gabor Wavelet Filter,” in 2006
6th World Congress on Intelligent Control and
Automation, 2006, pp. 10005–10007.
[15] D. G. Bariamis, D. K. Iakovidis, D. E. Maroulis, and S.
A. Karkanis, “An FPGA-based architecture for real time
image feature extraction,” 2004, vol. 1, pp. 801–804.
[16] R. Stojanovic, P. Mitropulos, C. Koulamas, Y.
 Karayiannis, S. Koubias, and G. Papadopoulos, “Real-
Time Vision-Based System for Textile Fabric
Inspection,” Real-Time Imaging, vol. 7, no. 6, pp. 507–
518, Dec. 2001.
[17] C.-F. J. Kuo, C.-J. Lee, and C.-C. Tsai, “Using a Neural
Network to Identify Fabric Defects in Dynamic Cloth
Inspection,” Text. Res. J., vol. 73, no. 3, pp. 238–244,
Mar. 2003.
[18] C.-F. J. Kuo and C.-J. Lee, “A Back-Propagation Neural
Network for Recognizing Fabric Defects,” Text. Res. J.,
vol. 73, no. 2, pp. 147–151, Feb. 2003.
[19] T. Watanabe, S. Ito, and K. Yokoi, “Co-occurrence
Histograms of Oriented Gradients for Pedestrian
Detection,” Springer, Berlin, Heidelberg, 2009, pp. 37–
47.
[20] K. Hanbay, M. F. Talu, O. F. Ozguven, and D. Ozturk,
“Fabric defect detection methods for circular knitting
machines,” in 2015 23nd Signal Processing and
Communications Applications Conference (SIU), 2015,
pp. 735–738.