- Tytuł:
-
Application of Principal Component Analysis to Boost the Performance of an Automated Fabric Fault Detector and Classifier
Zastosowanie analizy składników dla poprawy działania automatycznego detektora i klasyfikatora błędów płaskich wyrobów włókienniczych - Autorzy:
-
Eldessouki, M
Hassan, M
Qashqary, K
Shady, E - Powiązania:
- https://bibliotekanauki.pl/articles/231790.pdf
- Data publikacji:
- 2014
- Wydawca:
- Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
- Tematy:
-
fabric fault detector
image processing
artificial neural networks
principal component analysis
wyroby włókiennicze
defekty materiałów
sztuczne sieci neuronowe
analiza głównych składowych - Opis:
-
There is a growing need to replace visual fabric inspection with automated systems that detect and classify fabric defects. The digital processing of fabric images utilises different methods that offer a large set of image features. The correlation between those features lead to problems during fabric fault classification and reduces the performance of the classifiers. This work extracted a combination of statistical (spatial) and Fourier transform (spectral) features from fabric images of the most frequent faults. Principal component analysis (PCA) was implemented to reduce the dimensionality of the input feature dataset, which achieved a reduction to 36% of the original data size while preserving 99% of information in the original dataset. The features processed using the PCA were fed to an artificial neural network (ANN) to classify the fault categories and then compared to another ANN that worked with the whole feature dataset. The performance of the network that was implemented after application of the PCA increased to 90% of the correct classification rate as compared to 73.3% for the other network.
Istnieje wzrastająca potrzeba zamiany wizualnej inspekcji płaskich wyrobów włókienniczych automatyzowanymi systemami , które będą w stanie rozpoznać i sklasyfikować defekty materiału. Dla cyfrowej obróbki obrazów tkanin stosuje się różne metody oferujące identyfikacje całego zestawu właściwości obrazu. Korelacja pomiędzy tymi właściwościami prowadzi do problemów podczas identyfikacji i klasyfikacji błędów materiałów i redukuje sprawność klasyfikacji. W pracy wyselekcjonowano kombinacje statystycznych (przestrzennych) i fourierowskch (spektralnych) transformacji pozwalających na wyróżnienie zobrazów materiałów najczęściej występujących błędów. W dalszej części pracy usiłowano zredukować ilość danych wejściowych oraz zastosowano dwa różne systemy sztucznych sieci neuronowych. Wynikiem wszystkich poczynań było zdecydowane zwiększenie skuteczności wykrywania błędów. - Źródło:
-
Fibres & Textiles in Eastern Europe; 2014, 4 (106); 51-57
1230-3666
2300-7354 - Pojawia się w:
- Fibres & Textiles in Eastern Europe
- Dostawca treści:
- Biblioteka Nauki
Artykuł