Phát hiện lỗi màu trên gạch men

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN TRẦN VĂN HÙNG PHÁT HIỆN LỖI MÀU TRÊN GẠCH MEN Chuyên ngành : VẬT LÝ ĐIỆN TỬ (HƯỚNG KỸ THUẬT) Mã số ngành : 60 44 03 LUẬN VĂN THẠC SĨ VẬT LÝ VÔ TUYẾN VÀ ĐIỆN TỬ (HƯỚNG KỸ THUẬT) NGƯỜI HƯỚNG DẪN KHOA HỌC PGS. TS. NGUYỄN HỮU PHƯƠNG Tp.HCM – 2008 LỜI CẢM ƠN Tôi xin chân thành cảm ơn thầy PGS. TS. Nguyễn Hữu Phương, người đã hướng dẫn, tận tình chỉ bảo và tạo điều kiện thuận lợi cho tôi hoàn thành tốt luận văn tốt nghiệp. Tôi xin chân thành cảm ơn quý thầy cô khoa điện tử viễn thông của trường Đại Học Khoa Học Tự Nhiên, đã hết lòng giảng dạy và truyền đạt kiến thức giúp đỡ tôi trong suốt thời gian ở trường, đồng thời tôi cũng cảm ơn Th.S. Đặng Quang Vinh người hỗ trợ và giúp đỡ tôi thực hiện hoàn thành tốt đề tài. Cuối cùng, tôi cũng xin gửi lời cảm ơn gia đình, bạn bè cùng lớp và đồng nghiệp đã hỗ trợ động viên tôi trong suốt quá trình học tập và thực hiện luận văn tốt nghiệp này. Tác giả MỤC LỤC Trang phụ bìa Mục lục Danh mục các ký hiệu và các chữ viết tắt Danh mục các bảng Danh mục các hình vẽ, đồ thị LỜI NÓI ĐẦU Chương 1 – GIỚI THIỆU TỔNG QUAN 1.1 Tổng quan về phương pháp tìm lỗi bề mặt 1 1.2 Màu sắc và kết cấu bề mặt của gạch 3 1.3 Các nghiên cứu trước đây 4 1.3.1. Phương pháp biến đổi DWHT (Directional Walsh- Hadamard Transform) 4 1.3.2. Phương pháp dùng lọc Gabor 6 1.3.3. Phương pháp GLCM (Grey Level Co-occurrence Matrices) 9 1.3.4. Phương pháp tìm lỗi dùng mạng neural 11 Chương 2 – CƠ SỞ PHÂN TÍCH 2.1 Chuyển đổi giữa các không gian màu 13 2.2 Phân tích các thành phần chính (PCA) 20 2.2.1. Thành phần chính 20 2.2.2. Tối thiểu hóa sự sai biệt của PCA 25 2.2.3. Tính bình phương sai số tối thiểu của PCA 27 2.2.4. Chọn thành phần chính 28 2.3 Các phép toán hình học cơ bản 30 2.4 Luật quyết định Bayes 36 Chương 3 – PHÂN TÍCH ĐẶC TRƯNG KẾT CẤU 3.1 Giới thiệu các loại đặc trưng kết cấu ảnh 47 3.2 Các phương pháp phân lớp ảnh 49 3.2.1. Phân lớp RBFNN (Radial Basis Function Neural Networks) 49 3.2.2. Phân lớp KNN (K-Nearest Neighbourhood) 52 3.2.3. Phân lớp bằng thuật toán kết nhóm K-means 55 Chương 4 – PHÁT HIỆN LỖI TRÊN GẠCH MEN 4.1 Các lỗi ở gạch men 67 4.2 Cơ sở dữ liệu 69 4.3 Các bước thực hiện 71 4.4 Phân lớp màu theo kết cấu 77 4.5 Kỹ thuật kết nhóm 79 4.5.1. Khởi tạo nhóm 79 4.5.2. Kết hợp các nhóm màu giống nhau 80 4.5.3. Làm nhẵn đường biên theo phương pháp hình học 81 4.6 Chọn ngưỡng theo kết cấu ảnh 83 4.7 Các phương pháp tìm lỗi 84 4.7.1. Tìm lỗi màu bằng luật quyết định Bayes 84 4.7.2. Tìm lỗi bằng kỹ thuật truy hồi trạng thái hình học 85 4.7.3. Tìm lỗi bằng kỹ thuật so sánh diện tích các lớp màu. 86 4.7.4. Khoanh vùng phần bị lỗi 87 4.7.5. Tìm lỗi sai kích thước 88 Chương 5 – KẾT QUẢ THỰC HIỆN 5.1 Các kết quả khảo sát thuật toán kết nhóm Kmeans 95 5.1.1. Kết nhóm ảnh phong cảnh 95 5.1.2. Kết nhóm các ảnh gạch men 96 5.2 Tìm lỗi bằng kỹ thuật truy hồi từ trạng thái hình học 97 5.2.1. Gạch bị lỗi do vết dơ 97 5.2.2. Gạch bị các lỗ đinh nhỏ 98 5.2.3. Gạch lỗi màu không đồng nhất 99 5.2.4. Gạch bị lỗi màu 100 5.3 Phân tích tìm lỗi màu bằng luật quyết định Bayes 101 5.3.1. Lỗi vết dơ ố 101 5.3.2. Gạch lỗi bị mờ, bị bóng che khuất 102 5.3.3. Gạch lỗi bị mờ, không đều về màu 103 5.3.4. Gạch lỗi do trầy xước, bong tróc màu 104 5.3.5. Một số kết quả từ ảnh quay từ Quickcam 105 5.4 Tìm lỗi kích thước 106 5.5 Nhận xét kết quả 108 KẾT LUẬN TÀI LIỆU THAM KHẢO BẢNG DANH MỤC CỦA CHỮ VIẾT TẮT CA Classification Accuracy CO Co-occurrence CIE Commission Internationale de Léclairage CMY Cygan Magenta Yellow DWHT Directional Walsh-Hadamard Transform FIS Fuzzy Inference System FFT Fast Fourier Transform FIDM First-Order Inverse Element Difference Moment FDM First-Order Element Difference Moment GLCM Grey Level Co-occurrence Matrices HVS Human Visual System KNN K-Nearest Neighbourhood LVQ Learning Vector Quantization LMS Least Mean – Square MSMD Multi-Scale and Multi-Directional MLP Multi-Layer Perceptron MC Mean Convergence MSE Mean Square Error PCA Principal Component Analysis PMF Probability Mass Function RBFNN Radial Basis Function Neural Networks SDM Second-Order Element Difference Moment SIDM Second-Order Inverse Element Difference Moment SVM Support Vector Machines SOM Self Organising Maps VxC TSG Tiles for Surface Grading TFN Text Feature Number DANH MỤC CÁC BẢNG Bảng 3.1 Thuộc tính các đối tượng K=1 55 Bảng 3.2 Thuộc tính các đối tượng K=2 57 Bảng 3.3 Thuộc tính các đối tượng K=3 62 Bảng 4.1 Các loại gạch men của VxC TSG 70 Bảng 4.2 Các loại gạch chụp từ QuickCam 71 Bảng 5.1 Kết quả tham khảo [1] sử dụng lọc Gabor và DWHT 109 Bảng 5.2 Kết quả thời gian thực nghiệm của tài liệu [1] 109 Bảng 5.3 Kết quả thực nghiệm tìm lỗi màu 111 Bảng 5.4 Kết quả thờ i gian thực hiện tìm lỗi màu 112 Bảng 5.5 Kết quả thực nghiệm tìm lỗi kích thước cùng loại gạch 114 Bảng 5.6 Kết quả thực nghiệm tìm lỗi các loại gạch khác nhau 115 DANH MỤC HÌNH VẼ VÀ ĐỒ THỊ Hình 1.1 Các loại gạch men 3 Hình 1.2 Ảnh a, c, e, g ảnh không lỗi, b, d, f, h ảnh bị lỗi 4 Hình 1.3 Mô tả không gian màu RGB 4 Hình 2.1 Bước sóng và phổ trong không gian RGB 15 Hình 2.2 Không gian màu CIE hai chiều 16 Hình 2.3 Biểu diễn không gian màu (a) XYZ (b )xyY 17 Hình 2.4 Không gian màu (a) CIE L*a*b* (b) CIE L*u*v* 18 Hình 2.5 Biểu diễn trong hệ toạ độ cực (a) CIE L*a*b* (b) CIE L*u*v* 19 Hình 2.6 Tập dữ liệu mô tả vector đặc trưng 24 Hình 2.7 (a) trước khi Dilation, (b) sau khi Dilation 31 Hình 2.8 (a) trước khi Erosion, (b) sau khi Erosion 31 Hình 2.9 (a) trước khi Opening, (b) sau khi Opening 34 Hình 2.10 (a) trước khi Closing, (b) sau khi Closing 35 Hình 2.11 Mật độ xác suất 37 Hình 2.12 Sơ đồ mô tả thuật toán học 39 Hình 2.13 Tập dữ liệ u kết nhóm 40 Hình 2.14 Trung bình argmin 41 Hình 2.15 khoảng cách Euclidean 42 Hình 2.16 Ví dụ hai loại cá hồi và cá mú 42 Hình 2.17 Biến đổi không gian theo tỉ lệ (scale) 43 Hình 2.18 Các phép biến đổi trong không gian Euclidean 43 Hình 2.19 Tính khoảng cách Mahalanobis 44 Hình 2.20 Không gian Mahalanobis 45 Hình 2.21 Không gian Gaussian 45 Hình 3.1 Các loại texture 49 Hình 3.2 Cấu trúc RBFNN 50 Hình 3.3 Phân lớp KNN với n = 3, k = 7 52 Hình 3.4 Lưu đồ giải thuật cho thuật toán K-means 56 Hình 3.5 Biểu diễn bốn đối tượng 57 Hình 3.6 Khởi tạo giá trị lần lặp đầu tiên 58 Hình 3.7 Xác định trọng tâm lần lặp thứ nhất 60 Hình 3.8 Xác định trọng tâm lần lặp thứ hai 61 Hình 3.9 Tối thiểu thuộc tính 65 Hình 4.1 Các loại lỗi ở gạch men 68 Hình 4.2 Mô hình băng tải tạo cơ sở dữ liệu ảnh gạch men 69 Hình 4.3 Sơ đồ mô tả hệ thống 72 Hình 4.4 Mô hình thực hiện của h ệ thống dò tìm lỗi bề mặt 72 Hình 4.5 Sơ đồ khối mô tả các quá trình thực hiện 73 Hình 4.6 Kết nhóm và chọn giá trị khởi tạo kết nhóm 77 Hình 5.1 Giao diện mô phỏng lỗi màu 94 Hình 5.2 Giao diện mô phỏng lỗi kích thước 94 Hình 5.3 Kết nhóm ảnh phong cảnh theo phương pháp K-means 95 Hình 5.4 Kết nhóm ảnh gạch theo phương pháp K-means 96 Hình 5.5 Gạch bị lỗi vết màu 97 Hình 5.6 Gạch bị lỗi lỗ đinh 98 Hình 5.7 Gạch bị lỗi màu không đồng đều 99 Hình 5.8 Gạch bị lỗi màu 100 Hình 5.9 Tìm lỗi gạch bị vết dơ 101 Hình 5.10 Tìm lỗi gạch bị mờ bóng che 102 Hình 5.11 Tìm lỗi gạch bị mờ không đồng màu 103 Hình 5.12 Gạch lỗi do trầy xước, bong tróc màu 104 Hình 5.13 Kết quả của các ảnh quay từ Quickcam 105 Hình 5.14 Kết quả tìm lỗi kích thước ảnh cho loại gạch Agata 106 Hình 5.15 Kết quả tìm lỗi kích thước ảnh cho loại gạch Antique 106 Hình 5.16 Kết quả tìm lỗi kích thước ảnh cho lo ại gạch Berlin 107 Hình 5.17 Kết quả tìm lỗi kích thước ảnh cho loại gạch Campinya 107 Hình 5.18 Kết quả tìm lỗi kích thước ảnh cho loại gạch Mediterranea 108 LỜI NÓI ĐẦU Tìm lỗi bề mặt một vấn đề rất được quan tâm hiện nay, các ứng dụng trong việc tìm lỗi bề mặt của sản phẩm công nghiệp thường được ứng dụng trong các sản phẩm như: tìm lỗi vải, thép, gỗ, đá hoa cương, hay trong lĩnh vực khảo cổ học… đã và đang là những đề tài vẫn còn trong giai đoạn nghiên cứu theo nhiều lĩnh vực áp dụng khác nhau, và cũng đang là nhu cầu cần thiết cấp bách cho các ngành công nghiệp trên nhiều nước. Để phát hiện được các lỗi chính xác và nhanh, ta phải phân tích kết cấu ảnh hay phân tích các lớp màu càng chính xác thì kết quả tìm lỗi sẽ càng tối ưu. Đồng thời để thực hiện nhanh phù hợp với việc xử lý thời gian thực dữ liệu xử lý càng ít càng tốt, vì thế phương pháp tốt nhất để dữ liệu ít là tìm đặc trư ng của từng lớp màu. Công việc tìm lỗi chỉ thực hiện trên các tập đặc trưng. Kỹ thuật tìm lỗi màu trên gạch men, phân tích các thành phần của ảnh theo kết cấu, phương pháp sử dụng thuật toán K-means trong đề tài này cũng là một kỹ thuật được áp dụng khá rộng rãi, nhưng trong lĩnh vực tìm lỗi màu trên bề mặt sản phẩm thuật toán K-means là một nghiên cứu ứng dụng mới. Thuật toán K-means th ực hiện để phân tích ảnh màu theo phương pháp kết nhóm mà các giá trị khởi tạo ban đầu được thực hiện theo hai cách: chọn bằng tay và chọn lựa nhờ vào kỹ thuật phân tích các thành phần chính (PCA). Việc sử dụng phép biến đổi không gian màu CIE để tách các màu theo các lớp mà theo trực giác của con người cho là khác màu nhau, sau đó ta sử dụng các phép toán Minkowski để làm trơn tru các đường bao của các lớp màu vừa tách. Từ các thành phần của các lớp màu khác nhau này ta sẽ dễ dàng phát hiện các lỗi về màu sắc trên ảnh của gạch theo các phương pháp • Phân tích tìm lỗi màu bằng luật quyết định Bayes • Tìm lỗi màu bằng kỹ thuật truy hồi từ trạng thái hình học • Tìm lỗi màu bằng kỹ thuật so sánh diện tích các lớp màu • Tìm lỗi sai kích thước bằng cách tính trọng tâm [...]... trưng màu của ảnh kết cấu, và phân tích các dạng lỗi của gạch, từ cơ sở đó có thể minh chứng cho việc chọn lựa phương pháp phân tích màu phù hợp với các đặc điểm kiểm tra lỗi trên ảnh gạch • Chương 4: Phát hiện lỗi màu trên gạch men Đây là chương trọng tâm của đề tài, chương này đã xây dựng cơ sở và phân tích toàn bộ các bước thực hiện tìm lỗi dựa trên các cơ sở phân tích được chọn lọc Quá trình thực hiện. .. men khác nhau về phân bố màu sắc và kết cấu Hình 1.1 Các loại gạch men Đối với một vài ảnh có kết cấu phức tạp, các lỗi rất đa dạng như hình 1.2, việc kiểm tra lỗi phụ thuộc rất nhiều vào không gian màu Trang 3 Phát Hiện Lỗi Màu Trên Gạch Men (a) (b) (c) (d) (e) (f) (g) (h) Hình 1.2 Ảnh a,c,e,g ảnh không lỗi, b, d, f, h ảnh bị lỗi Phân bố cho ảnh màu dựa trên nhiều không gian màu khác nhau như: không... trên việc phân tích mức xám của ảnh (ảnh đen trắng) mà hiện tại trong nhiều sản phẩm cần được đánh giá ở khía cạnh màu sắc Đề tài Phát hiện lỗi màu trên gạch men nhằm nghiên cứu để đánh giá và phân loại chất lượng về màu của gạch men Ở đây việc kiểm tra đánh giá được thực hiện trên ảnh tĩnh, đề tài chỉ thực hiện mô phỏng bằng Matlab, không thực hiện trên phần cứng và hệ thống thiết bị Tuy nhiên đề tài... xử lý các màu sắc của gạch từ ảnh màu được chụp sau đó lưu lại để làm cơ sở dữ liệu Cho nên vấn đề màu sắc cũng là vấn đề cần được quan tâm và tìm hiểu rất kỹ trước khi thực hiện Màu sắc là thành phần rất quan trọng trong việc kiểm tra và phát hiện lỗi bề của gạch men hay việc tìm lỗi trên bề mặt trong các ứng dụng tự động kiểm tra phân loại sản phẩm Để so sánh màu sắc của gạch bị lỗi so với gạch tốt,... nghiệm mô phỏng trên matlab mà còn phát triển phần cứng để phục vụ trong các dây chuyền sản xuất cho các ngành công nghiệp Tp.HCM, tháng 05 năm 2008 Tác giả Phát Hiện Lỗi Màu Trên Gạch Men Chương 1 GIỚI THIỆU TỔNG QUAN Phần giới thiệu tổng quan trong chương này trình bày khái quát về phương pháp dò tìm lỗi cho gạch men, phân tích các kết cấu màu trên ảnh cho nhiều loại gạch men có các kết cấu màu khác nhau,... gian RGB theo một tỉ lệ mà nó phụ thuộc vào không gian mới Mục tiêu nghiên cứu hướng tới việc thực hiện đánh giá lỗi dựa trên các màu cơ bản của gạch men với sự kết hợp đặc trưng của màu và kết cấu của ảnh mà ta có thể tổng quát hoá các vấn đề về lỗi của gạch ở chương 3 Trang 4 Phát Hiện Lỗi Màu Trên Gạch Men 1.3 CÁC NGHIÊN CỨU TRƯỚC ĐÂY [3], [4], [5], [6] 1.3.1 Phương pháp biến đổi DWHT (Directional... đề trên Trang 12 Phát Hiện Lỗi Màu Trên Gạch Men Chương 2 CƠ SỞ PHÂN TÍCH Cơ sở chung trong vấn đề phân tích, xử lý và phát hiện lỗi bề mặt, đồng thời xác định các phương pháp phân tích để chọn các phương pháp và các thuật toán phân tích chính xác cho công việc tìm lỗi Trong vấn đề kiểm tra mà đặc biệt là tìm lỗi dựa vào hệ thống quan sát bề mặt bằng máy Đồng thời có thể xác định chính xác các lỗi trên. .. Trong tất cả các không gian màu thường được sử dụng trong phân tính ảnh màu, chúng ta quan tâm đến hai loại không gian màu: không gian màu độc lập và không gian màu phụ thuộc Trang 13 Phát Hiện Lỗi Màu Trên Gạch Men • Không gian màu phụ thuộc là không gian màu mà màu sắc phụ thuộc vào thiết bị và cơ cấu tạo nên chúng Ví dụ như màu tạo ra các giá trị của các pixel là RGB = (250,134,67) ta có thể thay... và nếu tiếp tục phát triển để hoàn chỉnh phần cứng có thể được ứng dụng phân loại gạch trong các nhà máy sản xuất gạch men, nó vẫn có thể mở rộng cho các hệ thống dò tìm sai lỗi trong các ngành sản xuất khác như: sản xuất gỗ, nhựa, thép… và có thể mở rộng cho các lĩnh vực khác như: nông nghiệp, y học, quân sự… Trang 2 Phát Hiện Lỗi Màu Trên Gạch Men 1.2 MÀU SẮC VÀ KẾT CẤU BỀ MẶT CỦA GẠCH [1], [3] Đây... và xử lý ảnh để có thể thực hiện được trong thời gian thực (ảnh được chụp từ camera trong khi sản phẩm di chuyển trên băng tải) Gạch được thực hiện là các loại gạch men có nhiều màu sắc và có kết cấu đa dạng Phương pháp thực hiện dựa trên phân tích kết cấu và các đặc trưng của màu, có nhiều phương pháp được thực hiện để đánh giá sự giống và khác nhau về màu sắc của gạch men như được trình bày ở chương