تشخیص اتوماتیک عیب های موجود روی کاشی با استفاده از پردازش تصاویر دیجیتال
چکیده
ابتدا بر روی یک پایگاه داده مناسب مراحل پیش پردازش جهت یکسان کردن شدت نور و شدت رنگ و کنتراست و حذف نویز کلیه تصاویر صورت می پذیرد. مرحله ی بعد بخش بندی اجزای مختلف تصویر می باشد. در این مرحله قسمت های مشکوک به شکاف، ترک، خال و غیره شناسایی و از تصویر اصلی جدا می شوند. با توجه به اینکه از نظر فیزیکی نوع بافت ترک و شکاف و به طور کلی عیب از خود کاشی متمایز است می توان آنرا جدا نمود. برای این کار الگوریتم های مختلفی وجود دارد روش هایی چون آستانه گذاری، آستانه گذاری تطبیقی و غیره. در این تحقیق از روش gradient vector flow (gvf) که یک روش بسیار مناسب در بخش بندی تصاویر می باشد استفاده می شود. علت انتخاب این روش نتایج مناسب آن در دیگر تصاویر و همچنین عدم استفاده از آن (بنابر جستجوهای انجام گرفته) در بخش بندی تصاویر مربوط به تشخیص اتوماتیک عیب در خط تولید کاشی بوده است. پس از بخش بندی تصویر، به استخراج ویژگی های مناسب از قسمت بخش بندی شده پرداخته می شود. برای این کار ما دو دسته ویژگی از تصویر را استخراج میکنیم که عبارتند از: 1. ویژگی های مربوط به رنگ 2. ویژگی های مربوط به شکل برای هرکدام از عبارات ذکر شده تعداد زیادی ویژگی استخراج می شود. برخی از ویژگی های مربوط به این خانواده ها عبارتند از؛ 1. برای رنگ: ماکزیمم، مینیمم، میانگین و میانه ی (مولفه های آماری مربوط به آمارگان تصویر) مولفه های قرمز، آبی و سبز 2. برای شکل: شاخص مستطیلی، شاخص مربعی، شاخص دایروی و ضریب گریز از مرکز چون تعداد ویژگی های انتخابی معمولا بسیار زیاد است در مرحله ی کاهش ویژگی تعداد آنها کاهش داده می شود. بدین ترتیب ویژگی های موثر که در تشخیص و طبقه بندی تاثیر بیشتری دارند، انتخاب می شوند. برای این کار نیز روش های مختلفی وجود دارد که بنابه کاربرد و در حین انجام تحقیق روش مناسب جهت کاهش ویژگی انتخاب می شود. مرحله ی آخر انجام پایان نامه مرحله ی تشخیص و طبقه بندی می باشد. در این مرحله با توجه به خروجی های مراحل قبل الگوریتم، وجود عیب مانند خال و غیره بر روی تصویر کاشی تشخیص داده می شود و می توان عیوب مختلف را طبقه بندی نمود. طبقه بندهای مختلفی برای انجام این مرحله از تحقیق وجود دارد که در این جا از طبقه بند شبکه ی عصبی استفاده می شود.