عناصر مشابهة
تمييز بعض عيوب نسيج القماش باعتماد طرائق معالجة الصور والتقنيات الذكائية
| العنوان بلغة أخرى: | Distinguish some Textile Defects by Adopting Image Processing Methods and Intelligence Techniques |
|---|---|
| المصدر: | مجلة التربية والعلم |
| الناشر: |
جامعة الموصل - كلية التربية
|
| المؤلف الرئيسي: | |
| مؤلفين آخرين: | |
| المجلد/العدد: | مج28, ع4 |
| محكمة: | نعم |
| الدولة: | العراق |
| التاريخ الميلادي: | 2019 |
| الصفحات: | 159 - 175 |
| DOI: | 10.33899/edusj.1970.163333 |
| ISSN: | 1812-125X |
| رقم MD: | 1201837 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | Arabic |
| قواعد المعلومات: | EduSearch |
| مواضيع: | |
| رابط المحتوى: |
| المستخلص: | The automatic control of the fabric is one of the important steps in the spinning and weaving industry in order to preserve the quality of the fabric. The manual methods have been used for decades to control the product using human vision. The monitoring process is very strenuous, time consuming and cost effective. To reduce the costs required there arise the needing of automated systems appearance to examine, detect and apply tissue defects. The aim of the proposed work is to build an efficient system for detecting and classifying textile defects using advanced image processing techniques based on new methods of combining the practical implementation of image segmentation and features extraction, as well as the use of artificial intelligence techniques of neural networks for detection and classification. The system was built in two phases: the first is the defect detection phase, and the second phase is the classification phase, where live images were collected as a textile database from the textile factory in Mosul as well as the local market. The fabrics were carefully selected and these fabrics are of different types and colors, some of these have no defect at all and some of them have up to fourteen types of defects. 560 images were collected; 280 of which were non defective fabrics, 280 were defective, and there are 20 images for every type of defect, at the defect detection phase, the statistical second-class attributes of the GLCM matrix (energy, variance, correlation, homogeneity) are extracted, while in the classification phase, the statistical first-class attributes, mean and skewness, and the geometric attribute of the total defect size. Two neural networks were used as determinants of detection and classification: the Back Propagation Neural Network (BPNN) and the Elman network. The proposed system showed a 95.7% discrimination rate compared with other similar work in the same field. تعد مراقبة النسيج بصورة تلقائية من الخطوات المهمة في صناعة الغزل والنسيج؛ وذلك لصيانة جودة القماش ولضمان الجودة ومطابقة المنتجات للقياسات النوعية، واستعملت الطرائق اليدوية لعقود طويلة لمراقبة المنتج وذلك باستعمال الرؤية البشرية، وتعد عملية المراقبة بهذا الأسلوب شاقة جدا ومستهلكة للوقت والكلفة، ولاختزال كل أنواع الكلفة تطلب ظهور أنظمة تلقائية لفحص عيوب النسيج وكشفها وتطبيقها. يهدف العمل المقترح إلى بناء نظام كفء لكشف عيوب الأقمشة وتصنيفها؛ وذلك باستخدام تقنيات معالجة الصور المتقدمة المعتمدة على طرائق جديدة في الدمج بين التنفيذ العملي لتقطيع الصور واستخلاص الصفات منها، فضلا عن استعمال تقنيات الذكاء الاصطناعي المتمثلة في الشبكات العصبية للكشف والتصنيف. تم بناء النظام بمرحلتين: الأولى: هي مرحلة كشف العيوب، والمرحلة الثانية: هي مرحلة التصنيف، حيث تم جمع صور حية بوصفها قاعدة بيانات لأقمشة من معمل الغزل والنسيج في الموصل فضلا عن السوق المحلية، تم اختيار صور الأقمشة بعناية وهذه الأقمشة بأنواع وبألوان مختلفة، منها سليمة من العيوب، ومنها متضمنة على أربعة عشر نوعا من العيوب؛ إذ تم تجميع 560 صورة قماش، 280 منها صور لأقمشة سليمة من العيب، فضلا عن 280 صورة أخرى لأقمشة معيبة، ولكل صنف من العيوب 20 صورة. في مرحلة اكتشاف العيوب تم استخلاص الصفات الإحصائية من الدرجة الثانية من مصفوفة Gray-Level Co-Occurrence Matrix (GLCM) (الطاقة، التباين، الارتباط، والتجانس)، أما في مرحلة التصنيف فقد تم استخلاص الصفات من الدرجة الأولى المعدل، والميل، والصفة الهندسية المتمثلة بحجم العيب الكلي. وقد استعمل شبكتان عصبيتان بوصفهما محددان للكشف هما شبكة الانتشار العكسي BPNN وشبكة Elman، أوضح النظام المقترح نسبة تمييز 95.7% مقارنة بنتائج أعمال أخرى مقاربة وفي المجال نفسه. |
|---|
