Достижения в области компьютерного зрения и глубокого обучения для инспекции текстиля

ЗАКАЗАТЬ СИСТЕМУ

В последние годы в области технологий произошли огромные изменения. Новые технологии, такие как искусственный интеллект (ИИ), Интернет вещей (IoT), аналитика больших данных и виртуальная реальность, преобразили многие отрасли. Текстильная промышленность также меняет свой подход. Технологии, такие как компьютерное зрение и глубокое обучение, повлияли на функционирование текстильной промышленности.

Это исследование посвящено интеграции компьютерного зрения и глубокого обучения в текстильную инспекцию, способствуя трансформационным изменениям в обнаружении дефектов, распознавании узоров ткани и отслеживании текстур в реальном времени. Значимые достижения, такие как остаточные сети для распознавания шаблонов ткани и линейные нейронные сети для быстрой проверки веба, демонстрируют переход парадигмы от ручных к автоматизированным процессам.

Включая такие методологии, как CNN, GLCN, вейвлет-анализ Габора, PCA и инновационные алгоритмы обнаружения дефектов, исследование исследует разнообразные текстуры и регулярность, делая акцент на локальных и глобальных оценках в анализе тканей тканей. Результаты тематического моделирования выделяют ключевые темы, такие как обнаружение дефектов текстиля и идентификация ткани в реальном времени.

Исследование завершается управленческими последствиями, подчеркивая стратегическое внедрение автоматизированных систем и предусматривая будущие достижения в нейронных сетях и технологиях реального времени, предлагая всесторонний взгляд на текущее состояние, вызовы и перспективы автоматизированной инспекции и производства текстиля.

Введение

Модели на основе компьютерного зрения и классификации изображений были внедрены в различных областях текстильной промышленности [1, 2 и 3]. Одежда, считающаяся одной из самых фундаментальных экзистенциальных потребностей человека, существует уже много веков. История текстильной промышленности, ответственной за человеческую одежду, столь же древняя, как и человеческая цивилизация [4]. В современную эпоху производителям текстиля необходимо следить за качеством своей продукции.

Производители текстила должны поддерживать высокие стандарты качества, установленные швейной промышленностью [5]. В последние годы были проведены значительные исследования по интеграции технологий компьютерного зрения и глубокого обучения, что революционизировало инспекцию и производство текстиля. Различные применения, такие как компьютерное зрение и цифровая обработка изображений, трансформируют деятельность отраслей [4].

Этот сдвиг парадигмы, отмеченный обнаружением дефектов, распознаванием узоров ткани и инновациями в отслеживании текстур в реальном времени, трансформирует традиционные ручные процессы. Это введение задаёт основу для всестороннего изучения фундаментальных работ, освещая траекторию прогресса, движущих эволюцию автоматизированных процессов осмотра и производства текстиля.

Методы обработки изображений для осмотра текстиля

Инспекция качества текстильной промышленности в основном основана на ручной проверке. Тем не менее, процесс ручной инспекции имеет множество недостатков, таких как усталость и недостаток концентрации, а ручной осмотр занимает много времени [4]. Однако рост области искусственного интеллекта повлиял на текстильную промышленность и изменил процесс к лучшему [6]. Текстильная инспекция использует технологию обработки изображений.

Цифровые камеры, используемые для захвата изображений тканей путем анализа этих изображений с использованием дефектов компьютерных алгоритмов, таких как отверстия, деформации, цветовые вариации, смещённые узоры и т.д., выявляются и классифицированы. Существует множество исследований, которые рассматривали ручной характер обеспечения качества в промышленном текстиле путём внедрения инновационного подхода к компьютерному зрению и машинному обучению для автоматизированного обнаружения дефектов [7].

Основной целью их исследования было повышение эффективности и точности процессов идентификации дефектов в промышленном текстиле, которые традиционно опирались на методы ручной инспекции. Ручные техники, применяемые текстильной промышленностью, оказались неэффективными. Исследователи использовали сложную методологию, сочетающую методы нормализации и классификации в модели дерева решений и стремились преодолеть трудности, связанные с неоднородными и объемными формами, характерными для промышленного текстиля.

Модель дерева принятия решений стала основой их подхода к классификации, позволяя систематически и автоматически выявлять дефекты. Результаты продемонстрировали превосходную точность классификации по сравнению с существующими методами, демонстрируя потенциал их подхода компьютерного зрения и машинного обучения для революции процессов обнаружения дефектов в текстильной промышленности. Значительный вклад в распознавание текстильных образцов с акцентом на жизненную необходимость автоматизации идентификации образцов тканей с помощью технологий обнаружения дефектов ткани стал значительным вкладом [8].

Учитывая ручные усилия и временные ограничения, связанные с традиционными практиками текстильной промышленности, исследование предложило продвинутую технику классификации в реальном времени. Методология была основана на предварительно обученной архитектуре сверточной нейронной сети ResNet [8]. Результаты их исследования продемонстрировали эффективность глубокой сверточной нейронной сети в достижении высокой точности идентификации тканей тканей. Внедрение возможностей в реальном времени в их методологию предоставило перспективный путь для решения задач ручного распознавания образцов тканей в текстильной промышленности [8, 9].

Для более качественной продукции была внедрена новаторская система на основе зрения, предназначенная для автоматического контроля качества текстильных тканей [10]. Исследователи решили необходимость надёжных и эффективных процессов обеспечения качества в текстильном производстве, используя алгоритмы бинарных, текстурных и нейронных сетей.

Методология была направлена на высокий уровень обнаружения, хорошую точность локализации и низкий уровень ложных тревог. Предлагаемая система, основанная на видении, имела преимущества с точки зрения эффективности, демонстрируя совместимость со стандартными инструментами инспекции и подчёркивая потенциал их подхода для реальных применений, подчёркивая её пригодность для широкого внедрения в текстильной промышленности [10].

Разработка и применение автоматизированной системы визуального осмотра (AVIS) предоставили решение сложной задачи выявления дефектов в тканом текстиле [11]. Исследование основывалось на признании ограничений традиционных методов обнаружения дефектов, что побудило разработку инновационной системы, использующей технологии компьютерного зрения. Исследователи использовали обнаружение пятен как метод структурного анализа текстур, вдохновлённый восприятием человека.

Интегрируя психофизические эксперименты для установления заметных различий в характеристиках комков, указывающих на дефекты тканей тканей. Использование психофизических экспериментов демонстрировало уникальный междисциплинарный подход, сочетающий компьютерное зрение с инсайтами из исследований человеческого восприятия. Этот подход был направлен на преодоление разрыва между машинным обнаружением дефектов и визуальным распознаванием человека. Он продемонстрировал потенциал AVIS как эффективной и восприятно согласованной системы для обнаружения дефектов в тканом текстиле [11].

Технологии компьютерного зрения постепенно внедряются для распознавания шаблонов в текстиле [8]. Для отрасли стало крайне важно автоматизировать распознавание образов изображений, чтобы устранить узкие места временных факторов при выполнении задач. Модели сверточной нейронной сети (CNN) использовались для автоматизации распознавания образов изображений. Эти модели нейронных сетей, в сочетании с совместным появлением серого уровня, вейвлетом Габора и анализом основных компонентов, обеспечили превосходный анализ текстур [8, 12].

Субхашри и др. [13] сосредоточили исследования на выявлении дефектов ткани, признавая их ключевую роль в обеспечении качества текстиля на этапе производства. Авторы сосредоточились на разработке подхода, использующего преобразование Хафа, делая акцент на ситуациях, когда горизонтальные и вертикальные нити были заметны на изображении. Методология заключалась в определении подходящих параметров для ткани без дефектов с помощью метода преобразования Хафа. Эта техника оказалась многообещающей, особенно в случаях, когда ориентация нитей была заметна.

Глубокое обучение и нейронные сети в текстильном производстве

Была внедрена продвинутая техника классификации в реальном времени, что привело к значительному улучшению распознавания узоров в текстиле [8]. Основной целью исследования было решение проблем, связанных с ручной идентификацией тканей в текстильной промышленности, предлагая упрощённое и эффективное решение.

Исследователи использовали архитектуру Convolutional Neural Network (CNN), подготовленную ResNet, адаптированную для распознавания шаблонов ткани. Использование предварительно обученной модели, такой как ResNet, означает подход к глубокому обучению, используя возможности нейронных сетей для повышения точности и скорости процессов идентификации ткани. Была внедрена техника классификации в реальном времени, которая стала революционным достижением, отвечая спросу отрасли на быструю и точную идентификацию тканей [8, 14].

Результаты исследования продемонстрировали высокую точность глубокой сверточной нейронной сети в эффективной идентификации тканей тканей. Заметные достижения в расширении применения систем зрения за пределы традиционных областей, в частности в промышленных процессах, продемонстрировали универсальность технологий зрения, представив систему, способную автоматически определять температуру вращающейся печи с помощью интеграции нейронных сетей и технологий зрения [15].

Внедрение технологий нейронных сетей в обнаружение температуры продемонстрировало приверженность авторов использованию передовых вычислительных подходов для промышленной автоматизации. Междисциплинарный характер технологий зрения подчёркивает их трансформирующее влияние на автоматизацию критически важных промышленных процессов [15, 16].

Значимость исследования заключается в его новаторских усилиях по преодолению разрыва между системами зрения и промышленными приложениями, что создаёт основу для дальнейших достижений интеграции этих технологий в разнообразные промышленные контексты. Обнаружение дефектов в текстиле и инспекция паутины предложили новый подход, охватывающий два ключевых аспекта: сегментирование локальных дефектов текстила и экономически эффективное решение для быстрой инспекции паутины [17].

Исследование продемонстрировало приверженность решению критических проблем в обеспечении качества текстиля с помощью инновационных применений технологий нейронных сетей. Творческое применение технологии нейронных сетей было направлено на решение экономических аспектов, связанных с внедрением систем визуальной инспекции в текстильном производстве. Знаковое произведение представило новаторскую двухуровневую генеративную модель, созданную для всестороннего представления образов драпировок и одежды.

Исследование было сосредоточено на расширении понимания формы по задачам затенения (SFS), представляя сложный подход с использованием 3D-поверхностей, полученных с помощью фотометрического стерео. Интеграция 3D-поверхностей в генеративную модель продемонстрировала приверженность авторов решению классической неправильно поставленной задачи SFS [18].

Включение средних визуальных знаний для повышения точности и надёжности представления формы в изображениях драпировок и одежды способствует расширению области компьютерного зрения [15]. Многогранная генеративная модель исследования стала значительным отходом от традиционных подходов, демонстрируя приверженность авторов расширению границ вычислительной визуализации.

Эта работа представляет собой важный шаг вперёд в понимании и представлении визуальной информации в контексте драпировок и изображений одежды. Влияние исследования выходит за рамки непосредственного применения в индустрии моды и текстиля, закладывая основу для дальнейшего изучения генеративных моделей в различных визуальных контекстах [15].

Извлечение и анализ признаков

В недавнем вкладе в область распознавания узоров ткани автор [8] продемонстрировал сложный подход, включив передовые методы анализа текстуры. Исследователи подчеркнули важность нюансированных текстурных особенностей в узорах тканей и применили многогранную стратегию для повышения точности и надёжности системы распознавания. Ключевым элементом их методологии было использование матрицы совместного появления серого уровня, вейвлета Габора и анализа главных компонентов (PCA).

Интеграция этих методов подчеркнула приверженность целостному и комплексному подходу к анализу текстур [8]. Работа значительно продвигает системы распознавания шаблонов ткани, особенно в случаях, когда традиционные методы могут не довести до конца [8].

В меняющейся сфере текстильной промышленности важен ключевой аспект, подчеркивающий важную роль обработки изображений в цифровом анализе узоров [19]. В исследовании были рассмотрены проблемы, связанные с ручным анализом паттернов, с призывом к внедрению автоматизированных методов обработки изображений. Аргумент заключается в том, что цифровой анализ шаблонов снижает операционные затраты и значительно снижает потери времени, что соответствует стремлению отрасли к эффективности и продуктивности [19, 20].

Исследование признаёт текущие вызовы и предоставляет дорожную карту для будущих разработок в интеграции вычислительных методов, занимая позицию в авангарде развивающейся парадигмы в анализе текстильных узоров, используя принципы биологического зрения для повышения адаптивности и производительности алгоритмов обнаружения дефектов тканей [21].

Потенциал улучшенного обнаружения дефектов ткани способствует более широкому обсуждению междисциплинарных пересечений биологии и компьютерного зрения [22, 23]. Передовой пересечения биомимикрии и компьютерного зрения демонстрирует трансформационный потенциал интеграции биологических моделей в вычислительные алгоритмы для лучшего обнаружения дефектов в ткани в текстильной промышленности [22].

Обращаясь к визуальному осмотру деформируемых материалов, с явным акцентом на кружеве, автор [24] представил новаторский мехатронный подход, использующий корреляционные и морфологические фильтры. Эта работа внесла вклад в специфическую область инспекции кружева и более широкую область мехатронных систем зрения для деформируемых материалов [12, 24].

Распознавание и классификация образов

Основополагающая работа по инновационным подходам к выявлению структурных дефектов в регулярных и похожих на потоки структуры стала теоретической основой для понимания и интерпретации структурных дефектов, предоставив ценные представления о взаимодействии между регулярностью, локальной ориентацией и аномалиями паттернов [25]. Ключевой вклад в эту область заключается не только в инновационной методологии, но и в более широких последствиях.

Эти подходы открыли возможности для дальнейших исследований в характеристике неправильных узоров, с потенциальными применениями, выходящими за пределы текстильной сферы и в различные области, где выявление структурных дефектов имеет первостепенное значение [25, 26].

Всесторонний обзор технологий компьютерного зрения, применяемых в текстильном анализе, сосредоточен на измерении плотности ткани, анализе цвета и распознавании узоров ткани. Способствовало глубокому пониманию синергий и взаимозависимости в текстильной инспекции, представляя единый взгляд на анализ плотности, цвета и узоров ткани [27].

Технологии реального времени и 3D

Значительный прогресс в роботизированной обработке текстиля имеет потенциал революционизировать автоматизированное производство текстиля [28]. Суть их методологии заключалась в слиянии внешних признаков и пространственных данных, обеспечивая всестороннее понимание структуры одежды. Используя Мешок визуальных слов — широко распространённую технику в компьютерном зрении — исследователи эффективно представляли и классифицировали визуальные признаки, что позволило роботизированной системе различать и определять оптимальные точки захвата внутри ткани.

Значимость работы заключается в её применимости к реальных ситуациям, где текстиль, часто сильно помятый и деформируемый, представляет вызовы для традиционных роботизированных систем обработки [17, 28]. Инновационный подход способствует постоянным усилиям по автоматизации и оптимизации процессов в отраслях, зависящих от текстильной обработки, что открывает перспективный путь для будущего интеллектуальных роботизированных систем в производстве одежды [28].

Значительный вклад в производство одежды — это фокус на отслеживании текстур в реальном времени и распознавании узоров ткани. Их исследования использовали сложные модули, включая оценку движения и обнаружение решётки, для улучшения автоматизированного понимания текстур и узоров тканей [15]. Значимость работы подчёркивает её потенциальное влияние на эффективность и точность процессов производства одежды. Обеспечивая отслеживание текстур в реальном времени и распознавание узоров ткани, их структура предлагает технологический скачок в автоматизации контроля качества и производственных задач в текстильной промышленности [15].

Материалы и методы

Это исследование сосредоточено на исследованиях с 2002 по 2024 год, исключая патенты и цитаты в критерии оценки. Изначально было собрано 103 статьи, которые затем отфильтрованы до 28 в зависимости от релевантности для исследования. В процессе отбора учитывались такие критерии, как название статьи, её положение на первых 10 страницах результатов поиска и наличие ключевых слов, связанных с компьютерным зрением и текстилем, в аннотации. После этого предварительного отбора были приобретены полнотекстовые статьи для дальнейшего глубокого анализа.

Рассматриваемые исследования использовали различные методы компьютерного зрения и глубокого обучения для автоматизированных процессов осмотра и производства текстиля. Эти методы включали сверточные нейронные сети (CNN) для распознавания шаблонов ткани, нейронные сети для обнаружения дефектов и инспекции паутины, анализ вейвлетов Габора, анализ основных компонентов (PCA) для анализа текстуры, описания признаков, вдохновлённые биомимикрией, корреляционные и морфологические фильтры для инспекции деформируемых материалов, а также интеграцию в реальном времени в 3D-формате для роботизированной работы с текстилем.

Результаты и обсуждение

Извлечённые темы:

• Textile defect detection
• Fabric pattern recognition
• Vision systems for industrial automation
• Deep learning and neural networks for textile inspection
• Real-time fabric identification

LDA

• Тема 1: 0.025*”defect” + 0.022*”detection” + 0.021*”textile” + 0.020*”vision” + 0.018*”industrial” + 0.017*”system”
• Тема 2: 0.030*”fabric” + 0.027*”pattern” + 0.022*”recognition” + 0.019*”textile” + 0.017*”application”
• Тема 3: 0.035*”vision” + 0.028*”system” + 0.024*”automation” + 0.021*”industrial” + 0.020*”task”
• Тема 4: 0.032*”learning” + 0.028*”network” + 0.025*”deep” + 0.022*”machine” + 0.020*”technique”
• Тема 5: 0.031*”identification” + 0.029*”fabric” + 0.026*”real” + 0.023*”time” + 0.021*”challenge”

Рисунок 1: Оценка LDA для каждой ключевой фразы

Визуальный материал на рисунке 1 эффективно передаёт распространённость ключевых слов, относящихся к текстильной инспекции, по всем пяти темам, при этом такие термины, как «дефект», «ткань», «узор», «видение» и «система» занимают важное место. Эта тематическая целостность соответствует внутренней связи каждой темы с общей областью текстильной инспекции.

Однако проявляются нюансы относительно важной важности конкретных ключевых слов в разных темах. Особенно примечательно, что Тема 1 (Обнаружение дефектов) выделяется тем, что придаёт большее значение понятиям «дефект» и «обнаружение», что свидетельствует о специализированном фокусе на точной задаче выявления дефектов в текстиле.

Аналогично, Тема 2 (Распознавание узоров ткани) проявляет повышенную актуальность для «ткани» и «узора» по сравнению с другими темами, что свидетельствует о более выраженном акценте на задаче распознавания сложных узоров ткани. Постоянное значение «видения» и «системы» во всех аспектах подчёркивает незаменимую роль систем зрения как неотъемлемой инструменты для задач, связанных с инспекцией текстиля.

В итоге, хотя основная тема всех пяти тем сосредоточена на инспекции текстиля, каждая из них раскрывает свой уникальный акцент: Тема 1 — обнаружение дефектов, Тема 2 — распознавание узоров тканей, Тема 3 — системы зрения для промышленной автоматизации, Тема 4 — глубокое обучение и нейронные сети для осмотра текстиля, и Тема 5 — идентификация тканей в реальном времени.

Дополняющие инсайты из графика подчёркивают единообразную важность всех тем в контексте осмотра текстиля, тонкую значимость конкретных ключевых слов и дифференцированный тематический фокус каждой темы.

Прилагаемое изображение служит всесторонней иллюстрацией оценок LDA по ключевым словам в каждой теме, предлагая глубокое понимание значения каждого ключевого слова в его контексте. Цветные полосы вдоль оси x представляют отдельные ключевые слова, а ось y определяет оценки LDA.

Ключевые наблюдения на изображении подчёркивают критическую взаимосвязь конкретных ключевых слов по нескольким темам, таким как «текстиль» и «видение». Дальнейшая интерпретация подчёркивает приоритет «обнаружения дефектов в текстиле» как самой важной теме, относительно уменьшенное значение «идентификации ткани в реальном времени», сравнительную важность «распознавания узоров ткани» по сравнению с «системами зрения для промышленной автоматизации» и разнообразие ландшафта в области «глубокого обучения и нейронных сетей».

Набор данных в основном базируется на обсуждениях, связанных с обнаружением дефектов в текстиле, но при этом он разворачивается в богатое полотно, охватывающее различные аспекты, связанные с системами зрения и машинным обучением.

Рисунок 2. Разнообразие текстур и регулярность

Рисунок 3: Регулярность текстильного узора

Изображения показывали крупный план ткани с богатой и сложной текстурой. Рисунок 2 демонстрировал сложный переплетение ткани, подчёркивая различные толщины и цвета пряжи, что способствовало визуальному интересу и разнообразию. Как показано на рисунке 3, анализ был сосредоточен на локальной и глобальной регулярности внутри ткани. На местном уровне исследование изучало согласованность закономерностей внутри отдельных регионов.

Маленькие синие и зелёные квадраты, вероятно, символизировали извлечённые элементы текстуры, такие как направленность, частота и грубость. Эти особенности использовались для количественной оценки локальной регулярности, различая равномерно расположенные и прямые переплетения и те, что имели более нерегулярные или грязные характеристики.

В глобальном масштабе анализ был направлен на оценку общей равномерности текстуры по всей ткани. Хотя цветные полосы справа на рисунке 3 могли отражать этот аспект, для подтверждения их функции требовался дополнительный контекст относительно программного обеспечения для анализа.

Синие и зелёные квадраты на рисунке 3, вероятно, символизировали извлечённые текстурные элементы, предоставляя важную информацию для понимания тонкостей узора переплетения. Кроме того, цветные полосы, вероятно, представляли цветные гистограммы, иллюстрируя распределение цветов пряжи внутри ткани. Эта информация была жизненно важна для выявления доминирующих цветов и оценки цветовой консистенции.

Распознавание узоров

Рисунок 4: Оригинальное изображение ткани для тестирования на обнаруженные рёбра

Рисунок 5: Изображение ткани с обнаруженными краями

Изображение, приведённое на рисунке 4, предлагает детальный крупный план ткани с сложным геометрическим узором, напоминающим ранее опубликованное изображение. Линии переплетения имели приподнятый профиль, создавая яркий трёхмерный эффект, усиливающий глубину и текстуру. Последующий результат системы распознавания волновых паттернов, визуализированный на рисунке 5, проявлялся в виде тепловой карты, наложенной на исходное изображение ткани. Области, обозначаемые более высокими температурами (красными и жёлтыми оттенками), означали отклонения от ожидаемой регулярности волновой картины, что потенциально указывает на дефекты. Напротив, более низкие температуры (в синем и зелёном цветах) соответствовали зонам, где линии переплетения соответствовали ожидаемым узорам, отражая согласованность.

Предполагаемые применения для контроля качества были многогранными. Во-первых, тепловая карта на рисунке 5 была эффективным инструментом для выявления дефектов, облегчая выявление и анализ возможных дефектов. Кроме того, анализируя температурное распределение и закономерности на рисунке 5, можно разработать алгоритмы для автоматической классификации дефектов по тяжести и характеристикам.

Тепловая карта также оказалась полезной в подборе шаблонов, позволяя сравнивать с эталонным шаблоном для идеальной регулярности плетения и выявляя отклонения, указывающие на производственные несоответствия или проблемы с оборудованием. Главной целью была автоматизация контроля качества, достигаемая путём установления температурных порогов для приемлемых выкроек, автоматизации проверок качества и выявления тканей, превышающих пороговые нормы, для дальнейшей проверки или отклонения.

В дальнейшем усовершенствование алгоритма распознавания волновых образов стало крайне важным, что потребовало обучения на разнообразных наборах данных, методах снижения шума и изучения различных методов извлечения и классификации признаков для надёжного обнаружения дефектов. Валидация через обширные испытания на образцах тканей и производственных сценариях была необходима, включая сравнительный анализ с ручной инспекцией текстильными профессионалами. Наконец, была рассмотрена возможность бесшовной интеграции системы распознавания волновых образов в существующие производственные линии и инфраструктуру контроля качества, обеспечивая обнаружение дефектов в реальном времени и эффективность внедрения.

Рисунок 6: Визуальный мешок слов из ткани

Анализ визуального представления ткани использует методологию Bag of Visual Words (BoVW), обеспечивающую структурированное изображение особенностей изображения для задач классификации и поиска. Процесс и его компоненты иллюстрированы и объяснены ниже:

Рисунок 6: Левая сторона — оригинальное изображение

Левая сторона рисунка 6 показывает оригинальное изображение ткани в оттенках серого, лишённое какого-либо цвета. Такой монохромный подход подчёркивает градации серого, позволяя детально идентифицировать и анализировать текстуры и структурные узоры в ткани.

Ключевые моменты SIFT

Отличительные признаки внутри изображения в оттенках серого определяются с помощью масштабно-инвариантного преобразования признаков (SIFT). Эти особенности, представленные жёлтыми кругами на изображении, служат критическими маркерами, выделяющими значимые и инвариантные области интереса на разных масштабах.

Центры кластеров, назначенные ключевым точкам

Ключевые точки SIFT дополнительно обрабатываются для формирования визуальных слов с помощью механизма кластеризации. Каждая опознанная ключевая точка связана с конкретным кластером, изображаемым в виде маленьких цветных квадратов на изображении. Такое кластерирование отражает группировку визуально схожих объектов в целостные кластеры.

Изображение с ключевыми пунктами и метками кластера

Кластерные метки накладываются на оригинальное изображение, устанавливая чёткую визуальную связь между различными областями ткани и соответствующими им визуальными словами. Это наложение облегчает интуитивное понимание того, как методология BoVW абстрагирует и организует особенности изображения.

Рисунок 6: Правая сторона — гистограмма визуальных слов

На правой стороне рисунка 6 изображена гистограмма, которая объясняет частотное распределение визуальных слов, полученных в результате процесса кластеризации. Ось x представляет метки кластера, а ось y — количественно определяет частоты появления. Эта гистограмма эффективно демонстрирует способность методологии Bo VW инкапсулировать изображение в виде коллекции визуальных слов, что служит основой для таких приложений, как классификация и поиск изображений.

Регулируемые кластеры

Число кластеров, установленное в 50 в данном случае, является параметром настройки. Увеличение числа кластеров позволяет получить более детализированное изображение, но также может добавить шум, требующий баланса между детализацией и надёжностью.

Зависимость от признаков

Природа визуальных слов по своей сути зависит от особенностей, извлекаемых из изображения. В этом анализе применяются признаки SIFT, но могут применяться альтернативные методы извлечения признаков, что потенциально может изменить состав и эффективность визуальных слов.

Разнообразные подходы к репрезентации

Хотя «Мешок визуальных слов» является заметной методологией для представления изображений в задачах классификации, это не единственный подход. Новые парадигмы и интенсивные методы обучения набирают популярность благодаря своей сложности и способности моделировать сложные визуальные паттерны. Эти современные подходы дают полный взгляд на традиционные методы, такие как BoVW.

Сегмент под названием «Газетная рубашка» представляет фигуру-семь, украшенную характерным узором газетного шрифта, где текст, по-видимому, тематически связан с вымышленным персонажем «Тот-Кого-Нельзя-Называть» из знаменитого Гарри Поттера.

Рисунок 7: Текстильная сумка со словами и гистограмма

Образы передают сложное взаимодействие между модой и литературной символикой. Одновременно на рисунке 7 дополняет это визуальное изображение графическим изображением, используя полосы для обозначения частот отдельных слов. Хотя конкретные термины и их соответствующее значение могут создавать трудности для прямого различия внутри изображения, некоторые заметные слова, такие как «DARK LORD», «NOT-BE- NAMED» и «SIGHTINGS», намекают на тематическое соответствие с газетным текстом, тем самым создавая интерпретативный слой, выходящий за рамки визуального изображения. Это двойное представление вовлекает зрителей в тонкое исследование семиотических связей между текстовым содержанием и его графическим проявлением. В исследовании анализируется влияние таких технологий, как компьютерное зрение и глубокое обучение, на инспекцию и производство текстиля.

Выводы

Внедрение компьютерного зрения и глубокого обучения в текстильную инспекцию имеет глубокие последствия для руководителей текстильной промышленности [7, 8, 10 и 24]. Внедрение автоматизированных систем может повысить точность и скорость обнаружения дефектов, предлагая стратегический переход от традиционных ручных процессов [7, 8].

Экономически эффективные решения, основанные на видении, предоставляли менеджерам прагматичный путь для оптимизации качественных процессов, обеспечивая более высокие показатели обнаружения и минимизируя ложные тревоги [10]. Мехатронный подход ввёл интегрированные корреляционные и морфологические фильтры и предложил менеджерам инновационное решение для инспекции деформируемых материалов, потенциально революционизируя традиционные методы визуального осмотра [24].

Будущее текстильной промышленности зависит от автоматизированных процессов инспекции, архитектур нейронных сетей, методов глубокого обучения и сотрудничества между экспертами по компьютерному зрению и специалистами в области компьютерного зрения. Принятие решений в реальном времени в производстве одежды открывает возможности для динамических производственных процессов.

Интеграция методов компьютерного зрения для отслеживания текстур и распознавания узоров может революционизировать задачи контроля качества и производства, обеспечивая эффективность и адаптивность к изменениям поверхности текстиля. Будущие исследования также могут быть сосредоточены на разработке в реальном времени, надёжных и экономичных решений на базе искусственного интеллекта и машинного обучения для различных текстильных применений, включая 3D-инспекцию тканей, предиктивное обслуживание и устойчивые производственные практики.

Литература

1. Latif, Rasheed, A., Sajid, U., Ahmed, J., Ali, N., Ratyal, N. I., & Khalil, T. (2019). “Content‐Based Image Retrieval and Feature Extraction: A Comprehensive Review. “Mathematical problems in engineering, 2019(1), 9658350.
2. Li, Luo, H., Yu, M., Jiang, G., & Cong, H. (2019). Fabric defect detection algorithm using RDPSO-based optimal Gabor filter. The Journal of The Textile Institute, 110(4), 487-495
3. Pawening, E., Dijaya, R., Brian, T., & Suciati, N. (2015, September). Classification of the textile image using a support vector machine with the textural feature. In 2015 International Conference on Information & Communication Technology and Systems (ICTS) (pp. 119-122). IEEE
4. Rasheed, Zafar, B., Rasheed, A., Ali, N., Sajid, M., Dar, S. H., … & Mahmood, M. T. (2020). Fabric defect detection using computer vision techniques: a comprehensive review. Mathematical Problems in Engineering, 2020(1), 8189403
5. Anagnostopoulos, Vergados, D., Kayafas, E., Loumos, V., & Stassinopoulos, G. (2001). “A computer vision approach for textile quality control.” The Journal of Visualization and Computer Animation, 12(1), 31-44
6. Sikka, P., Sarkar, A., & Garg, S. (2024). Artificial intelligence (AI) in textile industry operational modernization. Research Journal of Textile and Apparel, 28(1), 67-83
7. Siegmund, Samartzidis, T., Fu, B., Braun, A., & Kuijper, A. (2017). Fiber defect detection of inhomogeneous voluminous textiles. In Lecture Notes in Computer Science. Lecture Notes in Computer Science (pp. 278–287). doi:10.1007/978-3- 319-59226-8_27
8. Rauf, A., Jehanzeb, M., Ullah, U., Ali, U., Kashif, M., & Abdullah, M. (2022, May). Fabric weave pattern recognition and classification by machine learning. 2022 2nd International Conference of Smart Systems and Emerging Technologies (SMARTTECH). Presented at the 2022 2nd International Conference of Smart Systems and Emerging Technologies (SMARTTECH), Riyadh, Saudi Arabia. doi:10.1109/smarttech54121.2022.00026
9. Poelzleitner, (2001, February 12). Color-based localization of patterns through distortion-tolerant graph matching. In K.Harding, J. W. V. Miller, & B. G. Batchelor (Eds.), Machine Vision and Three-Dimensional Imaging Systems for Inspection and Metrology. doi:10.1117/12.417212
10. Stojanovic, Mitropulos, P., Koulamas, C., Karayiannis, Y., Koubias, S., & Papadopoulos, G. (2001). Real-time vision- based system for textile fabric inspection. Real-Time Imaging, 7(6), 507–518. doi:10.1006/rtim.2001.0231
11. Bodnarova, Bennamoun, M., & Latham, S. (2002).” Optimal Gabor filters for textile flaw detection. Pattern Recognition”, 35(12), 2973–2991. doi:10.1016/s0031-3203(02)00017-1
12. Murali, & Deepthi, M. (2023). Interwoven, A Digital Public Platform to Connect Artworks Across Museums. Ars Orientalis, 53
13. Subhashree, & Padmavathi, S. (2019). Estimation of parameters to model a fabric in a way to identify defects. In Lecture Notes in Computational Vision and Biomechanics. Proceedings of the International Conference on ISMAC in Computational Vision and Bio-Engineering 2018 (ISMAC-CVB) (pp. 1251–1260). doi:10.1007/978-3-030-00665-5_118
14. Schmitt, Bombardier, V., & Wendling, L. (2008). Improving fuzzy rule classifier by extracting suitable features from capacities with respect to the Choquet integral. IEEE Transactions on Systems, Man, and Cybernetics. Part B, Cybernetics: A Publication of the IEEE Systems, Man, and Cybernetics Society, 38(5), 1195–1206. doi:10.1109/TSMCB.2008.925750
15. Hu, Long, Z., & AlRegib, G. (2018). “A high-speed, real-time vision system for texture tracking and thread counting.”IEEE Signal Processing Letters, 25(6), 758–762. doi:10.1109/lsp.2018.2825309
16. Khalifa, A., Darwish, S. M., & El-Iskandarani, M. A. (2012, December). “Automated textile defects recognition system using computer vision and interval type-2 fuzzy logic.” 2012 First International Conference on Innovative Engineering Systems. Presented at the 2012 First International Conference on Innovative Engineering Systems (ICIES), Alexandria, Egypt. doi:10.1109/icies.2012.6530861
17. Ramisa, Alenyà, G., Moreno-Noguer, F., & Torras, C. (2014). Learning RGB-D descriptors of garment parts for informed robot grasping. Engineering Applications of Artificial Intelligence, 35 , 246 – 258 . doi: 10.1016/j.engappai.2014.06.025
18. Wei, He, H., Hao, K., Gao, L., & Tang, X.-S. (2020). Visual interaction networks: A novel bio-inspired computational model for image classification. Neural Networks: The Official Journal of the International Neural Network Society, 130, 100–110. doi: 10.1016/j.neunet.2020.06.019
19. Kumah, , Raji, R. K., & Pan, R. (2020). “Review of printed fabric pattern segmentation analysis and application.” AUTEX Research Journal, 20(4), 530–538. doi:10.2478/aut-2019-0049
20. Shih, -H. V. (1995). Real-time tracking of lace stretches using machine vision. Fifth International Conference on Image Processing and Its Applications. Presented at the Fifth International Conference on Image Processing and its Applications, Edinburgh, UK. doi:10.1049/cp:19950747
21. Li, , Gao, G., Liu, Z., Yu, M., & Huang, D. (2018). Fabric defect detection based on biological vision modeling. IEEE Access: Practical Innovations, Open Solutions, 6, 27659–27670. doi:10.1109/access.2018.2841055
22. Rasheed, A., Zafar, , Rasheed, A., Ali, N., Sajid, M., Dar, S. H., … & Mahmood, M. T. (2020). Fabric defect detection using computer vision techniques: a comprehensive review. Mathematical Problems in Engineering, 2020(1), 8189403
23. Sousa, E. B., Medeiros, C. M. S., Pereira, R. F., Neto, M. A. V., & Neto, A. A. (2020, July). Defect detection and quality level assignment in wet blue goatskin. Proceedings of the 11th International Conference on Advances in Information Technology. Presented at the IAIT2020: The 11th International Conference on Advances in Information Technology, Bangkok, Thailand. doi:10.1145/3406601.3406650
24. Yazdi, R., & King, T. G. (1998). Application of ‘vision in the loop’ for inspection of lace fabric. Real-Time Imaging, 4(5), 317–332. doi:10.1016/s1077-2014(98)90002-x
25. Chetverikov, D., & Hanbury, A. (2002). Finding defects in texture using regularity and local orientation. Pattern Recognition, 35(10), 2165-2180
26. Phan, H., Fu, H., & Chan, A. B. (2015). Look closely: Learning exemplar patches for recognizing textiles from product images. In Lecture Notes in Computer Science. Computer Vision – ACCV 2014 (pp. 461–476). doi:10.1007/978-3-319- 16865-4_30
27. Fan, Wang, Y., Liu, R., Zou, J., Yu, X., Liu, Y., … & Meng, J. (2024). Textile production by additive manufacturing and textile waste recycling: a review. Environmental Chemistry Letters, 22(4), 1929-1987
28. Ramisa, Alenyà, G., Moreno-Noguer, F., & Torras, C. (2014). Learning RGB-D descriptors of garment parts for informed robot grasping. Engineering Applications of Artificial Intelligence, 35 , 246 – 258 . doi: 10.1016/j.engappai.2014.06.025

Авторы: Prasad Kulkarni, Alok Gaddi2, Amit Angadi, Sayeeda Anjum

ЗАКАЗАТЬ СИСТЕМУ