Вимірювання інтенсивності дефектів поверхні матеріалу за допомогою розподіленої кумулятивної гістограми та кластеризації

Автор(и)

  • Roman Melnyk Національний університет «Львівська політехніка», вул. С. Бандери, 12, м. Львів, Україна, 79013, Україна https://orcid.org/0000-0002-4329-6740
  • Roman Kvit Національний університет «Львівська політехніка», вул. С. Бандери, 12, м. Львів, Україна, 79013, Україна https://orcid.org/0000-0002-2232-8678

DOI:

https://doi.org/10.15587/2706-5448.2020.210151

Ключові слова:

розподілена кумулятивна гістограма, алгоритм кластеризації, ієрархічне дерево, зображення гістограми, приклади дефектів

Анотація

Об’єктом дослідження є розподілена кумулятивна гістограма цифрового зображення та її переваги для автоматизованого визначення місця розташування та інтенсивності дефектів різної природи на поверхнях матеріалів: металу, паперу тощо. Методика, що розглядається у роботі, направлена на мінімізацію втручання людини в процес контролю поверхні матеріалу від моменту її фотографування до моменту прийняття рішення щодо якості поверхні.

Тривимірна розподілена кумулятивна гістограма (РКГ) представлена у вигляді двовимірного зображення, у якому інтенсивність пікселів відповідає третьому виміру – кількості пікселів певної інтенсивності в оригінальному зображення поверхні. Інформаційна розподілена кумулятивна гістограма (ІРКГ) використана для розпізнавання чорних, темних і світлих дефектів, а вимірювання їх інтенсивності та знаходження місця розташування здійснюється алгоритмом кластеризації. Обчислене середнє значення інтенсивності пікселів в стовпчиках і рядках матриці пікселів зображення кумулятивної гістограми для оцінки інтенсивності дефектів. Вимірювання інтенсивності дефектів здійснювалося двома способами: безпосередньо на зображенні зразка поверхні та шляхом порівняння зображення зразка та еталонного зображення зразка без дефектів. Для вирішення завдання застосовувався алгоритм ієрархічної кластеризації даних до прямокутних сегментів зображення поверхні. На зображенні кожен кластер відзначено відповідним відтінком сірого кольору. Зображення для аналізу  перетворювалося застосуванням алгоритмів сегментування та інверсії. Це дозволило отримати більш точні оцінки значень інтенсивності світлих і темних дефект. Сегменти зображень зразків поверхні, а також зображень розподіленої кумулятивної гістограми, групуються алгоритмом кластеризації для виявлення рівня пошкоджень поверхні. Розподілена кумулятивна гістограма як метод прив’язки кількості та інтенсивності пікселів до координат зображення використана для виявлення дефектів на поверхні матеріалів. А кластерний аналіз допоміг знайти їх координати та інтенсивність.

В порівнянні з відомими підходами запропонований метод має лінійну алгоритмічну складність до кількості пікселів вхідного зображення, що дозволяє проводити значну кількість експериментів для виявлення типів поверхонь матеріалів для застосування та особливостей алгоритмів.

Біографії авторів

Roman Melnyk, Національний університет «Львівська політехніка», вул. С. Бандери, 12, м. Львів, Україна, 79013

Доктор технічних наук, професор

Кафедра програмного забезпечення

Roman Kvit, Національний університет «Львівська політехніка», вул. С. Бандери, 12, м. Львів, Україна, 79013

Кандидат фізико-математичних наук, доцент

Кафедра вищої математики

Посилання

  1. Wells, L. J., Shafae, M. S., Camelio, J. A. (2016). Automated Surface Defect Detection Using High-Density Data. Journal of Manufacturing Science and Engineering, 138 (7). doi: http://doi.org/10.1115/1.4032391
  2. Ahn, I., Kim, C. (2010). Finding defects in regular-texture images. 16th Korea-Japan Joint Workshop on Frontiers of Computer Vision. Hiroshima, 478–480.
  3. Choi, J., Kim, C. (2012). Unsupervised detection of surface defects: A two-step approach. IEEE International Conference of Image Processing (ICIP). Orlando, 1037–1040. doi: http://doi.org/10.1109/icip.2012.6467040
  4. Martins Luiz, A. O., Padua Flavio, L. C., Paulo, E. M. (2010). Almeida automatic detection of surface defects on rolled steel using computer vision and artificial neural networks. IECON 2010 – 36th Annual Conerence on IEEE Industrial Electronics Society, 1081–1086. doi: http://doi.org/10.1109/iecon.2010.5675519
  5. Jahanbin, S., Bovik, A. C., Pérez, E., Nair, D. (2009). Automatic inspection of textured surfaces by support vector machines. Optical Inspection and Metrology for Non-Optics Industries. doi: http://doi.org/10.1117/12.825194
  6. Bond, C. (2011). An efficient and versatile flood fill algorithm for raster scan displays. Available at: http://www.crbond.com/papers/fldfill_v2.pdf
  7. Thilagamani, S., Shanthi, N. (2011). A survey on image segmentation through clustering. International Journal of Research and Reviews in Information Sciences, 1 (1), 14–17.
  8. Defects gallery. Available at: http://www.winspection.com/surface-inspection.php
  9. Chopade, P. B. (2016). Metal Inspection for Surface defect Detection by Image Thresholding. Available at: https://www.semanticscholar.org/paper/Metal-Inspection-for-Surface-defect-Detection-by-Lohade-Chopade/e321d593df2eab5724f332e6da890d06efd65f25
  10. Jeffrey Kuo, C.-F., Peng, K.-C., Wu, H.-C., Wang, C.-C. (2015). Automated inspection of micro-defect recognition system for color filter. Optics and Lasers in Engineering, 70, 6–17. doi: http://doi.org/10.1016/j.optlaseng.2015.01.009
  11. Ozturk, S. (2017). Detection of PCB Soldering Defects using Template Based Image Processing Method. International Journal of Intelligent Systems and Applications in Engineering, 4 (5), 269–273. doi: http://doi.org/10.18201/ijisae.2017534388
  12. Böttger, T., Ulrich, M. (2016). Real-time texture error detection on textured surfaces with compressed sensing. Pattern Recognition and Image Analysis, 26 (1), 88–94. doi: http://doi.org/10.1134/s1054661816010053
  13. Singhka, D. K., Neogi, H. N., Mohanta, D. K. (2014). Surface defect classification of steel strip based on machine vision. International Conference on Computing and Communication Technologies. Hyderabad. doi: http://doi.org/10.1109/iccct2.2014.7066698
  14. Pham, V. H., Lee, B. R. (2014). An image segmentation approach for fruit defect detection using k-means clustering and graph-based algorithm. Vietnam Journal of Computer Science, 2 (1), 25–33. doi: http://doi.org/10.1007/s40595-014-0028-3
  15. Zheng, K., Chang, Y.-S., Wang, K.-H., Yao, Y. (2016). Thermographic clustering analysis for defect detection in CFRP structures. Polymer Testing, 49, 73–81. doi: http://doi.org/10.1016/j.polymertesting.2015.11.009
  16. Xu, R., WunschII, D. (2005). Survey of Clustering Algorithms. IEEE Transactions on Neural Networks, 16 (3), 645–678. doi: http://doi.org/10.1109/tnn.2005.845141
  17. Naz, S, Majeed, H., Irshad, H. (2010). Image segmentation using fuzzy clustering: A survey. 6th International Conference on Emerging Technologies (ICET). Islamabad, 18–19. doi: http://doi.org/10.1109/icet.2010.5638492
  18. Yi Yang, Dong Xu, Feiping Nie, Shuicheng Yan, Yueting Zhuang. (2010). Image Clustering Using Local Discriminant Models and Global Integration. IEEE Transactions on Image Processing, 19 (10), 2761–2773. doi: http://doi.org/10.1109/tip.2010.2049235

##submission.downloads##

Опубліковано

2020-08-31

Як цитувати

Melnyk, R., & Kvit, R. (2020). Вимірювання інтенсивності дефектів поверхні матеріалу за допомогою розподіленої кумулятивної гістограми та кластеризації. Technology Audit and Production Reserves, 4(2(54), 36–45. https://doi.org/10.15587/2706-5448.2020.210151

Номер

Том 4 № 2(54) (2020): Інформаційно-керуючі системи

Розділ

Звіт про науково-дослідні роботи

Ліцензія

Авторське право (c) 2020 Roman Melnyk, Roman Kvit

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.