Ürün Yüzey Hatalarının Öğrenebilen Dönüşüm Filtreleri ile Tespiti Detection of Product Surface Defects by Learnable Transform Filters Semih Dinç 1 , Abdullah Bal 2 1. Kontrol ve Otomasyon Mühendisliği Bölümü Yıldız Teknik Üniversitesi sdinc@yildiz.edu.tr 2. Enformatik Bölümü Yıldız Teknik Üniversitesi bal@yildiz.edu.tr Özetçe Endüstriyel ürünlerin birçoğunda üretim sırasında oluşan yüzey hatalarının makine görmesi yöntemleri ile tespit edilmesi önemli bir çalışma konusudur. Genel olarak ürün yüzeylerinde çizik, doku bozukluğu ve renk farklılığı gibi hatalarla karşılaşılmaktadır. Bu çalışmada ürün yüzey hatalarının tespitinde yeni bir yöntem olarak öğrenebilen dönüşüm filtreleri (ÖDF) kullanılmıştır. Öğrenme aşamasında hatalı ve hatasız yüzey örnekleri kullanılarak dönüşüm operatörü elde edilir. Test aşamasında ise dönüşüm operatörü hatalı ürün bölgelerinin tespitinde kullanılır. Hatanın ölçeklendirilmesi sonucu ürün kalite kontrolü tamamlanmış olur. Bu çalışmada, ÖDF yapay ve gerçek ürün görüntülerine uygulanmış ve yüksek başarımda sonuçlar elde edilmiştir. Abstract Detection of surface defects on industrial products by machine vision technology is one of the main research topics. Surface scratchs, texture deformations and color differences are common problems at the industrial products. In this paper, a new method named learnable transform filters (LTF) are employed to detect surface defects. On learning stage, the transform operator is obtained using defected and undefected surface samples. On test stage transform operator is performed to detect defected surfaces on the product. Quality control operation is then ended by scaling defect of the product. In this study, LTF has been tested by synthetic and real product images. The results show that LTF presents satisfactory outcomes due to its learnable properties. 1. Giriş Yüzey kusurlarının görüntü işleme yoluyla bilgisayar destekli olarak tespiti konusunda literatürde farklı uygulamalar mevcuttur. Temelde anomali tespiti tabanlı geliştirilmiş algoritmalar tercih edilmektedir. Hata tespiti aydınlatma, görüntü kalitesi ve hata tolerans durumuna bağlı olduğundan dolayı seçilen yöntemler probleme göre değişiklikler arz edebilmektedir. Literatürde kullanılan yöntemlere bakılacak olursa; Branca ve arkadaşları yapay sinir ağları kullanarak yüzeylerdeki doku analizi üzerinde çalışmışlardır [6]. H. Elbehiery, A. Hefnawy, ve M. Elewa [7] görüntü işleme ve morfolojik operatörleri kullanarak seramik üzerindeki hataları tespit etmeye çalışmıştır. Platzer ve Denzler kablo borularının yüzeylerindeki hataları tespit için model tabanlı, normal geometrik yapısından sapmaları kontrol eden bir yaklaşım geliştirmişlerdir [8]. Bu çalışmada ise öğrenebilen dönüşüm filtreleri hata tespitinde kullanımı gerçekleştirilmiştir. Yöntemin temelinde yatan dönüşüm teoremi ilk olarak 1970 yılında F. Fukunaga ve W. Koontz tarafından geliştirilmiş, istatistiksel alanda matris benzerliklerini ortaya çıkarmak için kullanılmıştır [1]. Daha sonraları görüntü üzerindeki obje ve arka plan resimlerinin iki farklı matris yapısına sahip olmaları göz önünde bulundurularak ÖDF‟nin görüntü işleme problemlerine uygulanması gerçekleştirilmiştir [2-5]. Bu çalışmada ise ÖDF‟nin ürün yüzey hatalarının tespitinde uygulanması ve performans analizi gerçekleştirilmiştir. Uygulama öncelikle bilgisayar ortamında oluşturulmuş yapay görüntüler üzerindeki deformasyonun tespitinde kullanılmıştır. Sonrasında aspiratör metal filtre görüntülerinin çerçevelerinde meydana gelen çiziklerin bulunması üzerine çalışılmıştır. 2. Öğrenebilen Dönüşüm Filtresi Öğrenebilen dönüşüm filtresi, Fukunaga-Koontz dönüşümü tabanlı bir yöntemdir. Fukunaga-Koontz dönüşümü sonucunda yeni filtre elde edilir. Öğrenebilen dönüşüm filtresi olarak adlandırılan bu filtrelerin çalışması iki temel aşamadan oluşur; i) Öğrenme aşaması, ii) Test aşaması. i) Öğrenme Aşaması ÖDF yönteminde elimizdeki veriler temel sınıflara ayırarak başlanılır. Bizim konumuz kusurlu yüzeylerin tespiti olduğundan, temiz ve hatalı yüzeyler olmak üzere iki sınıfa ayırmak doğru olacaktır. Elimizdeki her sınıfın aynı boyutlardaki eğitim görüntülerini Şekil 1(a) ve (b)‟de olduğu gibi bir araya getirdikten sonra her bir görüntü Şekil 1(c) ve (d)‟de görüldüğü gibi birer vektör haline getirilir. Bu işlemden sonra elde edilen vektörler bir araya getirilerek her sınıf için boyutları (m x n)‟e karşılık örnek sayılarından oluşan Şekil 1(e) ve (f)‟deki matrisler elde edilir. Bu matrislerden kusurlu yüzeyler için olana A, temiz yüzeyler için olana ise B diyelim.