بخشی از مقاله

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

روشي جديد براي درجه بندي کاشي هاي سراميکي با استفاده از تلفيق روشهاي آماري تشخيص الگو و شبکه عصبيMLP

چکيده
صـنعت توليد کاشي و سراميک با وجود اينکه صنعت نسبتا جواني است ، اما در سالهاي اخير پيشرفتهاي زيادي در زمينه اتوماسيون داشته است . امروزه تمامي مراحل توليد کاشي بجز مرحله پاياني که مرحله درجه بندي نام دارد بصورت خودکار انجام مي شود. در حال حاضر بدليل اهميت اتوماسيون الگوريتمهاي زيادي براي آشکار سازي عيوب و درجه بندي کاشيها بصورت خودکار ارائه شده است . برخي از اين الگوريتمها از نظر سرعت پردازش قابل قبول مي باشند، اما در مقابل براي کاشيهاي طرح دار مناسب نيستند. الگوريتمهاي ديگري نيز وجود دارند که براي کاشيهاي طرحدار مناسب هستند ولي از نظر سرعت پردازش مناسب نمي باشند.
در اين مقاله الگوريتمي ارائه خواهد شد تا با استفاده از ماتريسهاي هم رخداد بعنوان يکي از روشهاي آماري تشخيص الگو و پارامترهايي مانند آنتروپي، کنتراست ، ممان دوم زاويه اي، ممان تفاضلي معکوس و نيز شبکه عصبي پرسپترون چند لايه قادر به درجه بندي کاشيها بصورت خودکار باشد. با توجه به نتايج بدست آمده ، اين الگوريتم در مقايسه با ساير روشها، از نظر سرعت و دقت جواب قابل قبولي بدست مي دهد.
واژگان کليدي: اتوماسيون ، ماشين بينايي، ماتريس هم رخداد، شبکه عصبي MLP
۱.مقدمه
در حال حاضر ماشين بينايي در صنعت بخصوص در قسمت کنترل کيفيت از اهميت ويژه اي برخوردار است . همانطور که مي دانيم صنايع توليدي بدليل وجود رقابت و جلب مشتريان سعي در بهبود محصولات خود مي باشن . يکي از اين صنايع ، صنعت توليدکاشي و سراميک است .
در فرايند توليد کاشي تمامي مراحل بجز مرحله پاياني (درجه بندي) بصورت خودکار انجام مي شود. در حال حاضر در بيشتر کارخانجات توليد کاشي مرحله درجه بندي بصورت دستي انجام مي گردد. با توجه به اينکه معمولا کاشيها با نرخ يک تا دو عدد کاشي در ثانيه بر روي خط توليد در حال حرکت هستند درجه بندي کاشيها بصورت دستي، کاري بس دشوار و خسته کننده است [١]. علاوه بر اين بسياري از عيوب نظير ترکهاي مويي با چشم به زحمت ديده مي شوند. موارد فوق از يک طرف و کاهش قيمت قطعات و تجهيزات کامپيوتري و الکترونيکي از طرف ديگر استفاده از يک سيستم خودکار را در صنعت توليد کاشي بيشتر توجيه مي کند.


در حال حاضر با توجه به اطلاعات جمع آوري شده ، تعداد موسسات و مراکزي که در اين زمينه مشغول به فعاليت هستند محدود و
انگشت شمار مي باشد. از معروف ترين پروژه هايي که در اين زمينه به انجام رسيده است مي توان به دو پروژه ASSIST وASPECT
اشاره نمود[٣] [٢].
پروژه ASSIST١ توسط آقاي Boukouvalas و همکارانشان در دانشگاههاي Surrey و Genova و دو مرکز تحقيقاتي بنامهاي Bull و Thomson بترتيب در ايتاليا و فرانسه و همکاري کارخانه Marrazi در ايتاليا که يکي از بزرگترين کارخانجات توليد کاشي در دنيا مي باشد به انجام رسيده است . پروژه Aspect٢ توسط چهار شرکت تجاري بنامهاي Tvi,Ceramemco EmilCeramica وMacstech در کشورهاي ايتاليا و آلمان و فنلاند به انجام رسيده است . با توجه به دو پروژه ارائه شده ملاحظه مي شود تحقق اين چنين سيستم صنعتي بصورت سخت افزاري نيازمند اطلاعات فني بسيار قوي و نيز دسترسي به ريزپردازنده هايي با سرعت فوق العاده بالا و نيز همکاري مراکز تحقيقاتي و صنعت مي باشد.
بطورکلي عيوب از نظر اثر گذاري در تصوير به سه دسته عيوب تيز و باريک ، عيوب نقطه اي و عيوب رنگي تقسيم بندي مي شوند.
در اين راستا روشها و الگوريتمهايي براي آشکارسازي عيوب و درجه بندي کاشيها ارائه شده است . برخي از اين الگوريتمها عبارت اند از:
فيلترهاي خطي و نقطه اي بهينه شده
يکي ازساده ترين روشهاي آشکارسازي عيوب تيز و باريک و عيوب نقطه اي استفاده از فيلترهاي خطي و نقطه اي بهينه شده ٣ مي باشد. پردازش اين روش بدليل نداشتن محاسبات رياضي پيچيده نسبت به ديگر روشها، داراي سرعت مناسبي مي باشد. براي اعمال اين فيلتر بايد پنجره مورد نظر را با تصوير کانوالو نمود. در تصوير حاصل ، هر ماکزيمم محلي احتمال وجود يک نقطه يا خط را مي دهد. سپس براي بررسي وجود خط يا نقطه سيگنال خروجي با يک مقدار آستانه سنجيده مي شود[٢]. نکته قابل ذکر اين است که اين روش تنها براي کاشيهاي ساده ٤ و بدون طرح مناسب مي باشد.
فيلترهاي تطبيقي مبني بر ترتيب رتبه
فيلترهاي تطبيقي مبني بر ترتيب رتبه ٥ حالت کلي تر عملگرهاي مورفولوژيکي (CLOSING, OPENING)مي باشند.از ويژگيهاي روش تطبيقي مي توان به کم بودن پيچيدگي محاسبات و وابستگي کم به خواص آماري اشاره نمود. اما بنا به دو دليل زير از اين نوع عملگر نمي توان براي آشکار سازي عيوب در کاشيهايي که داراي طرحهاي پيچيده مي باشند استفاده نمود. اول اينکه در اين نوع کاشيها مانند (کاشيهايي که داراي طرح سنگ مرمري هستند)، بدليل پيچيدگي اين طرحها ممکن است خود طرح بجاي عيوب آشکار شود و دوم اينکه اين عملگر حساس به نويزمي باشد[٤].
توزيع فرکانسي واينر
درروش توزيع فرکانسي واينر٦، مقايسه اي بين تصوير کاشي تحت بازرسي و تصوير کاشي مرجع ،در ميدان فوريه انجام ميگيرد.
الگوريتم مربوطه شامل سه مرحله مي باشد:
۱-آموزش سيستم براي يادگيري تصويرکاشي
۲- محاسبه اختلاف محلي ٧ کاشي تحت بازرسي با کاشي مرجع
۳- انجام پس پردازش براي جدا کردن پيکسلهاي معيوب
بطور کلي آشکار سازي عيوب با استفاده از توزيع فرکانسي واينر براي کاشيها طرحدار٨ روش بسيار مناسبي مي باشد، ولي بدليل
داشتن فرمولهاي رياضي پيچيده سرعت پردازش نسبت به ساير روشها پايين مي باشد[٥].
روش رنگي - ساختاري
همانطور که مي دانيم اگر چه ممکن است تعداد پيکسلهاي تصوير کاشي زياد باشد، ولي تنوع رنگ در آن زياد نيست . بنابراين مي توان بجاي مقايسه پيکسلها با هم خوشه هاي رنگي را با يکديگر مقايسه نماييم . اين روش عيب يابي ، روش رنگي - ساختاري ٩ نام دارد.اين الگوريتم عيب يابي داراي دو مرحله اصلي است : مرحله آموزش و مرحله آزمايش . در مرحله اول يعني آموزش ، سيستم بوسيله تصاويري از کاشي بدون عيب آموزش داده مي شود. در مرحله آزمايش تصوير کاشي مورد آزمايش ، به منظور وجود عيب آناليز مي گردد. اين روش براي آشکارسازي انواع عيوب رنگي مانند لعاب نگرفتگيها و لب پريدگيها روش مناسبي مي باشد [٦].
استفاده از هيستوگرام
در اين روش ابتدا تصويربه بلوکهاي L ̀L i تقسيم مي شو .حال اگر اختلاف بين هيستوگرام کاشي تحت بازرسي وهيستوگرام کاشي مرجع که بر حسب توابع مرتبه اشان مرتب شده اند، از يک آستانه خاصي تجاوز نمايد آن بلوک داراي عيب خواهد بود. اين روش براي آشکارسازي عيوب در کاشيهاي طرحدارِ ساده روش مناسبي مي باشد[٢].
با توجه به مطالب فوق مي توان گفت اگر چه سرعت برخي ازالگوريتمهاي ارائه شده مانند فيلتر هاي بهينه شده خط و نقطه بسيار بالا مي باشد ولي از نظر دقت براي کاشيهاي طرحدار جواب قابل قبولي بدست نمي آورد و تنها براي کاشيهاي ساده بدون طرح مناسب است . در مقابل الگوريتمهايي مانند توزيع فرکانسي واينر براي کاشيهاي طرحدار روش بسيار مناسبي مي باشد ولي اين الگوريتم بدليل پيچيدگي رياضي، زمان زيادي براي پردازش مي طلبد. در ذيل سعي شده الگوريتمي ارائه شود که هم پارامتر سرعت پردازش وهم پارامتر دقت براي کاشيهاي ساده و طرحدار قابل قبول باشد.
۲. روش پيشنهادي
اين روش تلفيقي از ماتريسهاي هم رخداد١٠ و شبکه عصبي بوده و داراي سه مرحله اساسي است . گام اول به تشکيل ماتريس هم رخداد از روي تصوير کاشي اختصاص داشته و گام دوم استخراج چهار ويژگي از روي عناصر ماتريس هم رخداد مي باشد. مرحله بعد شامل آموزش شبکه عصبي توسط ويژگيهاي فوق و نهايتا آزمايش کاشيهاي تحت بازرسي مي باشد.
۲-۱مرحله اول (تشکيل ماتريس هم رخداد)
از ماتريسهاي هم رخداد در کلاس بندي تصاوير هوايي، تشخيص هدف ، تقسيم بندي تصوير و کاربردهاي متنوع ديگر مي توان استفاده نمود[٧]. در تعريف ماتريسهاي هم رخداد براي يک تصوير دو پارامتر بايد مشخص باشد. اين دو پارامتر يکي فاصله نسبي بين دو پيکسل (d) و ديگري موقعيت زاويه اي دو پيکسل (f) است .
بطور کلي ماتريس هم رخداد توسط رابطه زير تعريف مي شود:

در اين رابطه (I٢,h)I١ تعداد جفت پيکسلهايي است که از سطح خاکستري I١ به سطح خاکستري I٢ باشرايط (d,f) مرور
مي شود و Ng تعداد سطوح خاکستري تصوير مي باشد. R نيز بصورت زير محاسبه مي شود:

در اين رابطه Nx و Ny ابعاد تصوير مي باشد[٨].
بعنوان مثال I نمايش ماتريسي يک تصوير غير يکنواخت ، با ابعاد ۵*۵ و با {٠١٢٣}=G به صورت زير مي باشد:

ماتريسهاي هم رخداد اين تصوير بصورت زير است :

۲-۲ مرحله دوم (استخراج ويژگيها)
در مبحث دسته بندي الگوها به روش آماري برخي از ويژگيها براي جداسازي کلاسها بسيار مفيدمي باشند. برخي از اين ويژگيها از
روي ماتريس هم رخداد بدست مي آيند و عبارتند ا : CON,ASM IDF,ENT [٨]. اين ويژگيها بصورت زير تعريف مي شوند:

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید