Doku ve Yüzey Analizi

Doku analizi, kumaş, deri, kauçuk, ahşap vb. yüzeylerin analiz edilmesi, hataların bulunması işlemidir. Genellikle tekstil sektöründe yaygın kullanım alanı bulmakla birlikte, metal endüstrisinden plastiğe, gıda sektöründen paketlemeye pek çok farklı sektörlerde de uygulamaları vardır.

Literatürde novelty detection, texture inspection gibi isimlerle de anılan doku analizi, Doku analizi, görüntü işlemenin en zor alanlarından biridir. Gözle kolaylıkla ayrıştırılabilecek hataları, çoğu kez matematiksel olarak modelleyerek bilgisayara bildirmek zor olabilmektedir. Hatalar her zaman aynı formda olmayacağından genel bir yaklaşım her zaman çalışmayacaktır.

Kumaş, ahşap, deri ya da kauçuk bir yüzeyde hataları bulabilmek, bazı durumlarda çok kolay olsa da, hemen her tür hatayı yakalayabilen bir program, ileri düzey yapay görme tekniklerini kullanmak zorundadır.

Tek tip üretim yapan yerlerde, belirli tip hataları bulmak kolay olmakla beraber genellikle üretim yapan firmalar, dinamik üretim modelleri gereği, çok farklı tiplerde model ve desen ile çalışmaktadırlar. Hem kontrol edilecek yüzeyin (kumaş, ahşap, deri vb.) hem de yakalanacak hatanın (yağ, leke, renk farkı, yırtık, kesik, vb.) çok değişkenlik göstermesi genel bir algoritma geliştirmeyi neredeyse imkansız hale getirmektedir.

Örneğin yukarıdaki resimde hatalı bölgeler gözle kolaylıkla görülebilmektedir. Klasik yaklaşımla, siyah bölgeleri bulup en basitinden alan kontrolü yapmak ya da diameter (köşeden köşeye uzunluk) özelliğine bakarak hataları yakalamak gayet iyi sonuç verecek kolay bir yaklaşımdır. Bununla birlikte, farklı renk ve desenlerde üretim yapılması durumunda, her defasında alan ve renk kontrolleri değişmek zorunda kalacak, bazı durumlarda bu kontroller sağlam ürüne hatalı ya da hatalı ürüne sağlam diyebilecektir.

Bu gibi durumlar için, Pi Robotik olarak, sınıflandırma tekniğine dayalı makine öğrenmesi çözümü (Classification based machine learning approach) kullanmaktayız. Bu yöntemde, resim üzerine 4-5 farklı filtre uygulanır. (Genelde 1. Ve 2. Türevler alınarak) Elde edilen yumuşatılmış ve gauss filtresi uygulanmış resimler, sınıflandırma (classification) işlemine tabi tutulur. Daha sonra, sistem her tip hatayı kendisi otomatik olarak algılayacaktır. (Renk, boy, alan gibi hiçbir parametre girmeye gerek kalmadan)

Genellikle GMM (Gaussian Mixture Model), MLP (Multi Layer Perception), SVM (Support Vector Machine) olarak bilinen sınıflandırma metodolojileri uygulanır. Son zamanlarda derin öğrenme teknolojilerinin gelişmesi ile birlikte CNN (Convolutional Neural Networks) destekli yaklaşımları da denenmekle birlikte, çok fazla örneklemeye ihtiyaç duyduğundan daha az tercih edilmektedir.

Görüldüğü gibi, başlangıçta kolaymış gibi gözüken fakat işin içine girildiğinde hayli karmaşıklaşabilen doku analiz problemlerinde, son kullanıcı açısından olabildiğince yalın fakat teknolojik olarak hayli ileri yöntemler kullanmaktayız.

Görüntüler, kumaşın ve yakalanması istenen hatanın tipine göre, önden ya da arkadan aydınlatmalı olabilmekte, line scan ya da area scan kamera kullanabilmekteyiz.

Doku analizi yaparak kurduğumuz sistemler genellikle aşağıdaki hataları yakalayan kalite kontrol sistemleridir.

• Atkı-Çözgü Hataları
• Yağ, kir, is vb. lekeler
• Desen Bozuklukları
• Renk Farklılıkları
• Yırtılma, erime gibi hatalar
• Böcek yeniği, yüzey yaraları, çizikler gibi hatalar
• Kabartma, çökme gibi hatalar

Bu hatalar için hassasiyet, müşteri ihtiyaçları doğrultusunda belirlenmektedir. Müşteri hassasiyetlerine uygun çözünürlükte kamera, lens ve aydınlatma seçilmektedir. Çoğu kez çoklu kameralı sistemler kurulmaktadır. Üretim hızı göz önüne alınması gereken önemli bir parametredir.

Sonuç itibariyle müşteri ile (özellikle kalite kontrol departmanı ile) yapılan toplantılar sonucu, yakalanması istenen hata tiplerine göre bir çözüm sunulmaktadır. Sunduğumuz çözüm, kendi kendine öğrenebilen, pek çok farklı desene uyarlanabilen, derin öğrenme tekniklerinin de kullanıldığı bir yapay görme çözümüdür.

Yüzey analizi ise, doku analizi yöntemlerine benzer. Genelde yüzey doku kadar karmaşık değildir. Beyaz eşya, cam, otomotiv ve metal sektöründe sıklıkla kullanılır.

Temel kullanım alanları

• Yüzey çizikleri
• Çatlaklar
• Kırıklar
• Göçme veya kabarma

Gibi hataların bulunmasıdır.

Buzdolabı ya da çamaşır makinası gibi beyaz eşyaların, dış yüzeylerinde hataların bulunması, otomobil kaporta tampon gibi yüzeylerde boya kontrolü, pres baskıdan çıkan metal sacların yüzeylerinde kırık yırtık delik gibi kontroller yüzey analizi konusuna girer.

Yüzey analizinde yüzey düzlemsel ise (buzdolabı örneğinde olduğu gibi) 2 boyutlu analiz yöntemleri kullanılır. Yüzeyin 3 boyutlu olması durumunda (genelde metal pres sac yüzeyler bu şekildedir) yüzey analizi zorlaşmaktadır. Bu durumda

• 3 Boyutlu Kamera Kullanmak (3D Camera)
• Çoklu Kamera Kurulumu Yapmak (Multi Camera Setup)
• Robot gripper üzerinde kamerayı gezdirmek

Gibi alternatifler ile en uygun çözüm aranır.

Yüzey çizikleri içeren metal parça (solda) ve hataların yakalanmış hali (sağda)

Yüzey analizinde, görüntü işlemenin daha çok filtreleme teknikleri kullanılır.

Fourier transformu, ters fourier transformu, konvolüsyon alma gibi transformasyonlar ve gauss filtreleri sıklıkla kullanılan yapılardır.

Aydınlatma, yüzey hatalarını bulmada her zamankinden daha fazla rol oynayacaktır. Özellikle Photometric stereo ve Deflectometry yöntemleri ile gözle dahi zor görülen pek çok hata yakalanabilmektedir.