Phát triển thuật toán xử lý ảnh và máy học để nhận dạng khiếm khuyết trên bề mặt gạch men
Sản xuất gạch men và ốp lát tại Việt Nam là một trong số ít các ngành công nghiệp vươn lên tầm cỡ khu vực
và thế giới. Theo số liệu thống kê năm 2015 tổng công suất hiện đạt tới 500 triệu m2/năm, đứng đầu Đông Nam Á và
thứ 6 thế giới. Sản phẩm gạch men không chỉ được tiêu thụ trong nước mà còn được xuất khẩu ra nước ngoài. Việt
Nam cũng là nhà xuất khẩu gạch ốp lát top 10 thế giới. Hiện tại, khoảng 15% sản lượng của Việt Nam được xuất khẩu
đi các nước trên thế giới [1].
Nghiên cứu các phương pháp và các kỹ thuật cho việc kiểm tra đánh giá lỗi bề mặt trong sản xuất theo dây
chuyền tự động và xây dựng hệ thống phát hiện và nhận dạng lỗi trên bề mặt sản phẩm nói chung và gạch men nói
riêng đã và đang là một vấn đề được quan tâm đối với ngành công nghiệp của nhiều nước. Tuy nhiên, chưa có công bố
nào hoàn chỉnh về vấn đề này. Các nghiên cứu hoặc chỉ dừng lại ở đề xuất thuật toán phân đoạn ảnh để phát hiện vùng
chứa khuyết điểm trên bề mặt [2] hay chỉ phát hiện các sai lệch về độ dày, mỏng, độ cong vênh trên biên của viên gạch
[3]. Một số hệ thống thực nghiệm thì chỉ đơn giản là nhận dạng gạch có lỗi hay không lỗi [4] hoặc chỉ phân loại khuyết
điểm với các mẫu lỗi đã xử lý trước [5]. Phần lớn các nghiên cứu này đều có một khuyết điểm rất lớn là không có chức
năng nhận dạng gạch mẫu nên hệ thống không có tính tổng quát cao chỉ xét một số mẫu gạch với hoa văn đơn giản,
đồng nhất, các loại gạch đa họa tiết hay bề mặt có các họa tiết phức tạp với độ tương phản cao về độ sáng hay màu sắc
chưa được xét đến. Riêng ở nước ta, các nghiên cứu để áp dụng cho các ứng dụng này vẫn chưa phổ biến, chủ yếu là
các phương pháp truyền thống thường được thực hiện do con người trực tiếp quan sát bề mặt của sản phẩm, để đánh
giá phân loại chất lượng cho các sản phẩm gạch men vì vậy, nghiên cứu này là rất cần thiết và có ý nghĩa thực tiễn.
Bài báo này đề xuất một giải thuật máy học và xử lý ảnh mới để phát hiện và nhận dạng khuyết điểm trên bề
mặt gạch men sử dụng kỹ thuật nhận dạng gạch mẫu dựa trên mạng nơ-ron với bộ đặc trưng cơ bản về thông tin hình
học kết hợp với các đặc trưng về histogram và kết cấu của ảnh. Tiếp theo, các lỗi khuyết điểm trên bề mặt gạch men sẽ
được xác định bằng kỹ thuật phân đoạn ảnh, trừ nền và xử lý hình thái. Quy trình xử lý tổng quát của phương pháp
được trình bày như trong hình 1. Mục tiếp theo của bài viết mô tả chi tiết nội dung của phương pháp được đề xuất. Các
kết quả thực nghiệm và thảo luận được trình bày trong mục III. Kết luận và các định hướng nghiên cứu tiếp theo được
đưa ra trong mục IV của bài báo.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Phát triển thuật toán xử lý ảnh và máy học để nhận dạng khiếm khuyết trên bề mặt gạch men
Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR'9)”; Cần Thơ, ngày 4-5/8/2016 DOI: 10.15625/vap.2016.00073 PHÁT TRIỂN THUẬT TOÁN XỬ LÝ ẢNH VÀ MÁY HỌC ĐỂ NHẬN DẠNG KHIẾM KHUYẾT TRÊN BỀ MẶT GẠCH MEN Trương Quốc Bảo1, Võ Thành Lâm2, Võ Văn Phúc3, Trương Quốc Định4 1 Khoa Công nghệ, Trường Đại học Cần Thơ, Việt Nam 2 Khoa Điện, Trường Cao đẳng nghề An Giang, Tỉnh An Giang, Việt Nam 3 Trung tâm Tin học Nam Việt, Thành phố Vĩnh Long, Tỉnh Vĩnh Long, Việt Nam 4 Khoa Công nghệ thông tin và Truyền thông, Trường Đại học Cần Thơ, Việt Nam tqbao@ctu.edu.vn, vothanhlamtcdnag@gmail.com, vphucvo@gmail.com, tqdinh@cit.ctu.edu.vn TÓM TẮT— Nghiên cứu này đề xuất một giải thuật xử lý ảnh kết hợp với máy học để phát hiện và nhận dạng khiếm khuyết trên bề mặt gạch men. Đầu tiên, gạch sẽ được tách khỏi nền và tính toán đặc trưng ảnh dựa trên histogram và kết cấu bề mặt để nhận dạng loại mẫu của gạch dùng mạng neural. Tiếp theo, tiến hành trừ ảnh mẫu gạch và gạch mẫu để nhận dạng lỗi sử dụng kỹ thuật xử lý hình thái. Kết quả thực nghiệm được tiến hành trên tập dữ liệu 150 ảnh viên gạch thuộc 15 loại mẫu khác nhau với tổng cộng 292 loại lỗi cần nhận dạng. Kết quả nhận dạng của hệ thống đạt 96.92% với 100% số gạch mẫu được nhận dạng đúng. Thời gian nhận dạng trung bình khoảng 1s cho một mẫu gạch đã khẳng định tính hiệu quả của hệ thống được đề nghị. Từ khóa— Nhận dạng mẫu, mạng neural, trừ nền, khiếm khuyết bề mặt, gạch men. I. GIỚI THIỆU Sản xuất gạch men và ốp lát tại Việt Nam là một trong số ít các ngành công nghiệp vươn lên tầm cỡ khu vực và thế giới. Theo số liệu thống kê năm 2015 tổng công suất hiện đạt tới 500 triệu m2/năm, đứng đầu Đông Nam Á và thứ 6 thế giới. Sản phẩm gạch men không chỉ được tiêu thụ trong nước mà còn được xuất khẩu ra nước ngoài. Việt Nam cũng là nhà xuất khẩu gạch ốp lát top 10 thế giới. Hiện tại, khoảng 15% sản lượng của Việt Nam được xuất khẩu đi các nước trên thế giới [1]. Nghiên cứu các phương pháp và các kỹ thuật cho việc kiểm tra đánh giá lỗi bề mặt trong sản xuất theo dây chuyền tự động và xây dựng hệ thống phát hiện và nhận dạng lỗi trên bề mặt sản phẩm nói chung và gạch men nói riêng đã và đang là một vấn đề được quan tâm đối với ngành công nghiệp của nhiều nước. Tuy nhiên, chưa có công bố nào hoàn chỉnh về vấn đề này. Các nghiên cứu hoặc chỉ dừng lại ở đề xuất thuật toán phân đoạn ảnh để phát hiện vùng chứa khuyết điểm trên bề mặt [2] hay chỉ phát hiện các sai lệch về độ dày, mỏng, độ cong vênh trên biên của viên gạch [3]. Một số hệ thống thực nghiệm thì chỉ đơn giản là nhận dạng gạch có lỗi hay không lỗi [4] hoặc chỉ phân loại khuyết điểm với các mẫu lỗi đã xử lý trước [5]. Phần lớn các nghiên cứu này đều có một khuyết điểm rất lớn là không có chức năng nhận dạng gạch mẫu nên hệ thống không có tính tổng quát cao chỉ xét một số mẫu gạch với hoa văn đơn giản, đồng nhất, các loại gạch đa họa tiết hay bề mặt có các họa tiết phức tạp với độ tương phản cao về độ sáng hay màu sắc chưa được xét đến. Riêng ở nước ta, các nghiên cứu để áp dụng cho các ứng dụng này vẫn chưa phổ biến, chủ yếu là các phương pháp truyền thống thường được thực hiện do con người trực tiếp quan sát bề mặt của sản phẩm, để đánh giá phân loại chất lượng cho các sản phẩm gạch men vì vậy, nghiên cứu này là rất cần thiết và có ý nghĩa thực tiễn. Bài báo này đề xuất một giải thuật máy học và xử lý ảnh mới để phát hiện và nhận dạng khuyết điểm trên bề mặt gạch men sử dụng kỹ thuật nhận dạng gạch mẫu dựa trên mạng nơ-ron với bộ đặc trưng cơ bản về thông tin hình học kết hợp với các đặc trưng về histogram và kết cấu của ảnh. Tiếp theo, các lỗi khuyết điểm trên bề mặt gạch men sẽ được xác định bằng kỹ thuật phân đoạn ảnh, trừ nền và xử lý hình thái. Quy trình xử lý tổng quát của phương pháp được trình bày như trong hình 1. Mục tiếp theo của bài viết mô tả chi tiết nội dung của phương pháp được đề xuất. Các kết quả thực nghiệm và thảo luận được trình bày trong mục III. Kết luận và các định hướng nghiên cứu tiếp theo được đưa ra trong mục IV của bài báo. Hình 1. Quy trình xử lý tổng quát của phương pháp được đề nghị II. NỘI DUNG NGHIÊN CỨU A. Giới hạn và phạm vi nghiên cứu Trong nghiên cứu này, chúng tôi xét bài toán phát hiện và nhận dạng lỗi trên bề mặt gạch men ceramic là loại gạch được sản xuất và tiêu thụ với sản lượng lớn nhất ở Việt Nam hiện nay. Chúng tôi xét 15 loại gạch mẫu có kích thước, màu sắc, hình dáng và độ phức tạp khác nhau của họa tiết. Hình ảnh minh họa cho các loại gạch này được trình bày như ở Hình 2. Ảnh đầu vào Tiền xử lý Phân đoạn ảnh Rút trích đặc trưng Huấn luyện và nhận dạng gạch mẫu Ảnh kết quả nhận dạng Xác định lỗi gạch Trương Quốc Bảo, Võ Thành Lâm, Võ Văn Phúc, Trương Quốc Định 591 Hình 2. Các loại gạch mẫu được sử dụng trong thực nghiệm hệ thống Các lỗi khiếm khuyết được thử nghiệm cho hệ thống bao gồm sai mẫu, đốm h ... ỉ lệ phân phối trong khoảng 100 đến 149 trên mảng tỉ lệ phân phối P[i]=H[i]/N, với N là tổng số điểm ảnh, i=0..254. Sum(P[i]), i=100..149 r3*100 15 Tổng tỉ lệ phân phối trong khoảng 150 đến 199 trên mảng tỉ lệ phân phối P[i]=H[i]/N, với N là tổng số điểm ảnh, i=0..254. Sum(P[i]), i=150..199 r4*100 16 Tổng tỉ lệ phân phối trong khoảng 200 đến 249 trên mảng tỉ lệ phân phối P[i]=H[i]/N, với N là tổng số điểm ảnh, i=0..254. Sum(P[i]), i=200..249 r5*10 E. Nhận dạng gạch mẫu Chúng tôi xây dựng mạng Nơ-ron nhân tạo có 88 giá trị đầu vào, 250 Nơ-ron lớp ẩn và 7 Nơ-ron lớp đầu ra để nhận dạng loại mẫu của gạch với bộ dữ liệu có 150 mẫu gạch thuộc 15 loại mẫu gạch khác nhau. Phụ thuộc vào tập dữ liệu có bao nhiêu mẫu gạch, ta có số thứ tự là mã nhận dạng gạch mẫu. Mã này là một số nguyên N. Ta có số Nơ-ron lớp đầu ra x thỏa điều kiện sau: 2X>=N. Mỗi đầu ra của mạng được biểu diễn bằng một bit có 2 trạng thái 0 hoặc 1. Chúng tôi chọn số đầu ra của mạng huấn luyện là tổ hợp 7 bits đầu ra sẽ là mã nhận dạng gạch mẫu trong cơ sở dữ liệu. Với 7 bit đầu ra, hệ thống có thể nhận dạng 27-1 =127 loại gạch mẫu khác nhau. Cơ sở dữ liệu huấn luyện sẽ được sắp xếp ngẫu nhiên theo số thứ tự và được chia làm 3 tập dữ liệu gồm: tập huấn luyện, tập kiểm tra huấn luyện và tập kiểm thử sau huấn luyện theo tỉ lệ 60%, 20%, 20% tổng số mẫu tin của tập 596 PHÁT TRIỂN THUẬT TOÁN XỬ LÝ ẢNH VÀ MÁY HỌC ĐỂ NHẬN DẠNG KHIẾM KHUYẾT TRÊN BỀ MẶT GẠCH MEN cơ sở dữ liệu huấn luyện, các tập dữ liệu này độc lập với nhau. Kết quả huấn luyện mạng đạt kết quả chính xác hoàn toàn 100% đã khẳng định sự phù hợp và tính hiệu quả của bộ đặc trưng ảnh cũng như cấu trúc mạng nơ-ron do chúng tôi đề xuất. F. Nhận dạng lỗi trên bề mặt gạch men 1. Lưu đồ tổng quát giải thuật tìm lỗi Sau khi nhận dạng được gạch mẫu, hệ thống có được ảnh gạch mẫu và mẫu gạch cần nhận dạng lỗi. Hình 9 minh họa sơ đồ tổng quát của quá trình tìm lỗi trên mẫu gạch: Hình 9. Sơ đồ tổng quát của quá trình tìm lỗi trên mẫu gạch 2. Giải thuật cho trường hợp 1 (TH1) tìm lỗi đốm, trầy, mẻ biên, nứt gạch Trong trường hợp này giải thuật sẽ tính toán trên 2 ảnh xám của ảnh mẫu gạch và ảnh gạch mẫu cần kiểm tra, hai ảnh này đã được chuẩn hóa cùng kích thước và quay ảnh tương đồng vị trí họa tiết. Xem ảnh mẫu gạch cần kiểm tra là ảnh đối tượng cần xét (foreround image) có nền là ảnh gạch mẫu (background image), đối tượng lỗi là các vùng ảnh đen trên nền trắng. Giải thuật được trình bày chi tiết như ở Hình 10. Hình 10. Sơ đồ xử lý tìm lỗi đốm màu, trầy, mẻ biên, nứt gạch 3. Giải thuật cho trường hợp 2 (TH2) tìm lỗi đốm màu trắng, trầy sáng Thuật toán tương tự như trường hợp 1 nhưng do lỗi là dạng đốm trắng và trầy sáng nên ta cần tiến hành lấy ảnh âm bảng của 2 ảnh xám đầu vào (ảnh mẫu gạch cần kiểm tra và ảnh gạch mẫu) để làm nổi bật đối tượng lỗi. Các đối tượng lỗi này không liên quan đến biên của gạch. Vì vậy giải thuật sẽ không xét các đối tượng thuộc biên của ảnh. Giải thuật được trình bày chi tiết như ở Hình 11. 1. Đầu vào: Ảnh mẫu gạch và ảnh gạch mẫu cần tìm lỗi 2. Chuyển đổi 2 ảnh về ảnh mức xám 3. Chuẩn hóa kích thước 2 ảnh 4. Tính góc lệch giữa 2 ảnh 5. Quay ảnh gạch mẫu về đúng vị trí tương đồng họa tiết với ảnh mẫu gạch 6. TH1: Tìm lỗi đốm màu, trầy, mẻ biên, nứt gạch 7. TH2: Tìm lỗi đốm màu trắng, trầy sáng 8. TH3: Tìm lỗi nứt gạch trên biên cho những vết nứt mỏng 9. Tổng hợp lỗi 6.1 Thực hiện trừ nền mức xám trên ảnh gạch mẫu với ngưỡng p. 6.2 Nhị phân hóa ảnh kết quả của phép trừ nền 6.3 Loại vùng quá nhỏ và co ảnh 1 pixel 6.4. Loại vùng nhiễu là các vùng chứa các đường thẳng mỏng 6.5 Giãn ảnh 1 pixel 6.6.Tách đối tượng bằng giải thuật đánh nhãn, xét 4 đối tượng lỗi lớn nhất 6.7. Phân loại lỗi Trương Quốc Bảo, Võ Thành Lâm, Võ Văn Phúc, Trương Quốc Định 597 Hình 11. Sơ đồ xử lý của quá trình tìm lỗi đóm màu trắng, trầy sáng 4. Giải thuật cho trường hợp 3 (TH3) tìm lỗi nứt gạch trên biên cho những vết nứt mỏng Thuật toán tương tự như trường hợp 1. Tuy nhiên, do đối tượng lỗi nứt gạch là các đối tượng thuộc biên nên ta sẽ loại bỏ các đối tượng khác không liên quan đến biên. Giải thuật được trình bày chi tiết như ở Hình 12. Hình 12. Sơ đồ tổng quát của quá trình tìm lỗi nứt gạch trên biên III. KẾT QUẢ THỰC NGHIỆM 1. Điều kiện thực nghiệm Cơ sở dữ liệu gạch mẫu bao gồm 15 loại mẫu, mỗi loại mẫu sẽ được lấy mẫu 10 ảnh từ thiết bị thu ảnh, tạo được tổng cộng 150 gạch mẫu. Tất cả các ảnh gạch mẫu sẽ được lấy đặc trưng và được đánh nhãn kết quả đầu ra để phục vụ cho việc huấn luyện và kiểm thử. Các mẫu gạch cần kiểm tra sẽ được chia thành 5 tập con: Tập 1 bao gồm các mẫu gạch không có lỗi nào cần nhận dạng. Tập này được dùng cho mục đích nhận dạng gạch mẫu. Tập 2 bao gồm các mẫu gạch có 1 loại lỗi trong số 4 loại khiếm khuyết cần nhận dạng. Tập thứ i bao gồm các mẫu gạch có i - 1 loại lỗi trong số 4 loại khiếm khuyết cần nhận dạng (i = 3..6). 2. Kết quả thực nghiệm Kiểm thử hệ thống bằng cách cho hệ thống nhận dạng lỗi khuyết điểm trên bề mặt viên gạch theo từng nhóm theo số lượng lỗi trên các mẫu gạch cần kiểm tra để xác định lỗi, tính toán thời gian thực hiện của hệ thống đối với từng mẫu gạch và từng loại gạch mẫu. Dưới đây là một số minh họa kết quả thực nghiệm hệ thống được trình bày ở Hình 13. 7.1 Lấy ảnh âm bản mức xám của 2 ảnh đầu vào 7.2 Nhị phân hóa ảnh kết quả của phép trừ nền 7.3 Loại vùng quá nhỏ và co ảnh 1 pixel 7.4 Loại vùng nhiễu là các vùng chứa các đường thẳng mỏng 7.5 Giãn ảnh 1 pixel 7.6 Tách đối tượng bằng đánh nhãn vùng liên thông 20. Loại đối tượng nhiễu biên 7.2 Trừ nền trên gạch mẫu 21. Phân loại lỗi cho 4 đối tượng lỗi lớn nhất còn lại 8.2 Nhị phân hóa ảnh kết quả của phép trừ nền 8.3 Loại vùng nhiễu là các vùng chứa các đường thẳng mỏng, vùng quá nhỏ 8.4 Tách đối tượng bằng giải thuật đánh nhãn 8.5 Loại đối tượng không thuộc biên và xác định vùng chứa lỗi nứt gạch 8.1 Trừ nền mức xám ban đầu trên mẫu gạch 8.6 Phân loại lỗi cho 4 đối tượng lỗi lớn nhất còn lại 598 PHÁT TRIỂN THUẬT TOÁN XỬ LÝ ẢNH VÀ MÁY HỌC ĐỂ NHẬN DẠNG KHIẾM KHUYẾT TRÊN BỀ MẶT GẠCH MEN Hình 13. Minh họa một số kết quả thực nghiệm hệ thống. Trương Quốc Bảo, Võ Thành Lâm, Võ Văn Phúc, Trương Quốc Định 599 Ở đây, chúng tôi minh họa một số gạch mẫu có lỗi đã kiểm tra với các mẫu gạch khác nhau (màu sắc, kích thước, hoa văn khác nhau) được chọn ngẫu nhiên trong cơ sở dữ liệu để thấy được tính tổng quát và tiềm năng của hệ thống đề nghị. Thời gian nhận dạng trung bình dưới 1s cho 1 mẫu kiểm tra. Hệ thống làm việc rất tốt trên các loại gạch mẫu khác nhau về màu sắc, độ sáng tối và phức tạp của hoa văn. Tuy nhiên, trong một số trường hợp vẫn có thể nhận dạng thiếu hoặc thừa lỗi như ví dụ minh họa ở Hình 14. Hình 14. Minh họa một số trường hợp nhận dạng thiếu hoặc thừa lỗi. Các hạn chế này có thể được giải quyết nếu chúng ta sử dụng camera tốt hơn với độ phân giải cao hơn hoặc thiết kế, bố trí nguồn sáng trong buồng chụp tối ưu hơn để nhận được ảnh mẫu gạch sắc nét hơn. 3. Đánh giá kết quả thực nghiệm Tổng hợp kết quả kiểm thử hệ thống được trình bày như ở bảng 3. Bảng 3. Tổng hợp kết quả kiểm thử hệ thống Số lượng lỗi trên gạch 0 lỗi 1 lỗi 2 lỗi 3 lỗi 4 lỗi 5 lỗi 6 lỗi Tổng Tỷ lệ Số lượng ảnh mẫu 17 42 45 28 15 2 1 150 Nhận dạng được mẫu gạch 17 42 45 28 15 2 1 150 Số lượng lỗi 0 42 90 84 60 10 6 292 Nhận dạng đúng mẫu có lỗi 17 42 42 26 13 1 1 142 94.67% Nhận dạng sai mẫu có lỗi (một phần hoặc sai hoàn toàn) 0 0 3 2 2 1 0 8 5.33% Nhận dạng sai mẫu hoàn toàn 0 0 0 0 0 0 0 0 0% Số lượng lỗi nhận dạng đúng 0 42 84 78 52 5 6 267 91.44% Số lượng lỗi nhận dạng đúng một phần 0 0 3 4 5 4 0 16 5.48% Số lượng lỗi nhận dạng thiếu 0 0 3 2 3 1 0 9 3.08% Số lỗi phát sinh ngoài ý muốn 0 7 15 5 0 0 0 27 8.46% Số lỗi sai hoàn toàn 0 0 0 0 0 0 0 0 0% Tổng số lỗi nhận dạng đúng 0 42 87 82 57 9 6 283 96.92% Tổng số lỗi nhận dạng sai 0 0 3 2 3 1 0 9 3.08% Từ kết quả thống kê trong Bảng 1 chúng ta có một số nhận xét, đánh giá về hệ thống như sau: Nếu xét về nhận dạng gạch mẫu (các mẫu có số lỗi là 0) hệ thống của chúng tôi nhận dạng đúng chính xác 100%. Kết quả cho thấy hệ thống nhận dạng gạch mẫu tuyệt đối chính xác đồng nghĩa với bộ đặc trưng và cấu trúc mạng nơ-ron huấn luyện do chúng tôi đề xuất là rất phù hợp với vấn đề nghiên cứu. 600 PHÁT TRIỂN THUẬT TOÁN XỬ LÝ ẢNH VÀ MÁY HỌC ĐỂ NHẬN DẠNG KHIẾM KHUYẾT TRÊN BỀ MẶT GẠCH MEN Nếu xét về nhận dạng mẫu gạch có lỗi hay không có lỗi hệ thống nhận dạng chính xác hoàn toàn 142 mẫu gạch đạt tỷ lệ 94.67%, có 8 mẫu là nhận dạng thừa hoặc thiếu lỗi khuyết điểm và 0 mẫu không có lỗi mà bị nhận dạng ra có lỗi. Điều này chứng tỏ hệ thống hoạt động phù hợp với thực tế. Vì trong thực tế nếu gạch không lỗi bị nhận dạng ra có lỗi sẽ không được chấp nhận. Ở đây nếu chúng ta xét vấn đề là cần biết số lượng lỗi của từng loại lỗi và xác định dạng lỗi nào thường xảy ra để có thể tư vấn cho công ty có thể tiến hành kiểm tra hoặc cải tiến công đoạn cần thiết trong quá trình sản xuất gạch men. Đồng thời nếu xét tổng thể tổng số lượng lỗi cần nhận dạng là 292 lỗi thì hệ thống nhận dạng đúng tổng cộng 283 lỗi khuyết điểm đạt độ chính xác 96.92%, nhận dạng thiếu 9 lỗi với sai số là 8.03%. Số lỗi dư thừa phát sinh trong quá trình nhận dạng là 27 lỗi với sai số là 8.46%. Kết quả này cho thấy hiệu quả nhận dạng của hệ thống là rất cao. Từ các kết quả phân tích nêu trên chúng tôi có thể khẳng định nghiên cứu bước đầu đã đạt kết quả khả quan cả về độ chính xác nhận dạng khoảng 94.67% nếu xét trên số mẫu gạch cần nhận dạng lỗi và khoảng 96.92% nếu tính trên toàn bộ lỗi của cơ sở dữ liệu. Thời gian nhận dạng một mẫu gạch thay đổi trong khoảng từ 700ms đến 1200ms tùy theo độ phức tạp của hoa văn trên mẫu gạch và trung bình dưới 1s cho một lần nhận dạng. IV. KẾT LUẬN Một kỹ thuật hiệu quả để phát hiện và nhận dạng khiếm khuyết trên bề mặt sản phẩm là yêu cầu chính cho hệ thống phân loại chất lượng sản phẩm gạch men trong sản xuất công nghiệp. Nghiên cứu này đề xuất một giải thuật xử lý ảnh và nhận dạng mới để nhận dạng loại gạch mẫu và các khuyết điểm phổ biến trong quá trình sản xuất gạch men Ceramic. Trong nghiên cứu này, chúng tôi đã đề xuất được bộ đặc trưng ảnh và cấu trúc mạng nơ-ron phù hợp cho bài toán nhận dạng gạch mẫu. Đồng thời đề xuất các thuật toán nhận dạng các lỗi thông dụng trên bề mặt gạch men như đốm, trầy men, mẻ cạnh, nứt gạch,... Thực nghiệm được tiến hành trên tập dữ liệu 150 ảnh tự tạo với tổng cộng 292 vùng ứng với lỗi khuyết điểm bề mặt cần nhận dạng và phân loại. Độ chính xác của hệ thống đạt được là 96.92% và thời gian nhận trung bình dưới 1s cho một mẫu gạch cần kiểm tra đã khẳng định tính hiệu quả của giải thuật được đề nghị. Kết quả đạt được là rất hứa hẹn cho việc áp dụng vào hệ thống kiểm tra chất lượng sản phẩm gạch men một cách tự động. Trong tương lai, chúng tôi sẽ thu thập số liệu ảnh lớn hơn, bổ sung thêm các dạng lỗi khiếm khuyết khác trên bề mặt gạch men để hoàn thiện hệ thống. Đồng thời, tiến hành phân tích, so sánh với một số phương pháp phát hiện và nhận dạng khác nhằm thấy rõ hơn ưu, khuyết điểm của phương pháp được đề xuất. Nghiên cứu, cải tiến bộ đặc trưng ảnh hiệu quả hơn cũng như sử dụng phương pháp phân lớp bằng mô hình máy học vectơ hỗ trợ (SVM) để nâng cao hiệu xuất nhận dạng cũng như giảm thời gian thực hiện của hệ thống. V. LỜI CẢM ƠN Nội dung được trình bày trong bài báo là một phần kết quả của đề tài nghiên cứu cấp cơ sở do Trường Đại học Cần Thơ chủ trì. Nhóm tác giả xin chân thành cám ơn Ban Giám hiệu Trường Đại học Cần Thơ đã hỗ trợ kinh phí cho đề tài nghiên cứu T2015-24 để chúng tôi có điều kiện hoàn thành và công bố nghiên cứu của nhóm. TÀI LIỆU THAM KHẢO [1] Tạp chí gốm sứ xây dựng số 89, quý I, 2016. [2] Hui-Fuang Ng *, “Automatic thresholding for defect detection”, Journal of Pattern Recognition Letters, Science Direct, vol.36, no.1, pp.1644-1649, 2006. [3] Ehsan Golkar, Ahmed Patel, Leila Yazdi, Anton Satria Prabuwono, “Ceramic Tile Border Defect Detection Algorithms in Automated Visual Inspection System”, Journal of American Science, vol.7, no.6, pp.542-550, 2011. [4] Roberto Márcio de Andrade, Alexandre Carlos Eduardo, “Methodology for automatic process of the fired ceramic tile's internal defect using IR images and artificial neural network”, Journal of the Brazilian Society of Mechanical Sciences and Engineering, vol. XXXIII, no. 1, pp.67-73, 2011. [5] S. Bhuvaneswari, J. Sabarathinam, Pondicherry, “Defect Analysis Using Artificial Neural Network, International journal of ntelligent Systems and Applications”, vol.5, no.1, pp.33-38, 2013. [6] Nobuyuki Otsu, “A Threshold Selection Method from Gray-Level Histograms”, IEEE Transactions on Systems, Man, and Cybernetics, vol.9, no.1, pp.62-66, 1979. [7] T. Y. Zhang and C. Y. Suen, “A Fast Parallel Algorithm for Thinning Digital Patterns”, Communications of the ACM, vol.27, no.3, pp.236-239, 1984. [8] Trương Quốc Bảo, Đào Thị Xuyên, Võ Văn Phúc, “Xây dựng tập đặc trưng mới cho bài toán nhận dạng chữ ký sử dụng mạng nơron nhân tạo”, Hội nghị toàn quốc lần thứ 7 về Cơ điện tử - VCM 2014, pp.115-122, 2014. Trương Quốc Bảo, Võ Thành Lâm, Võ Văn Phúc, Trương Quốc Định 601 [9] A. Materka, M. Strzelecki, “Texture Analysis Methods – A Review”, Technical University of Lodz, Institute of Electronics, COST B11 report, Brussels, 1998. [10] Babak Rezaei, Oscar E. Ramos, “Scene Segmentation and Interpretation Image characterization - Texture analysis”, MSc in Computer Vision and Robotics Universitat de Girona, Spain 2010. FORMAT FOR PREPARATION OF PAPER FOR PUBLICATION IN THE PROCEEDING’S FAIR Truong Quoc Bao, Vo Thanh Lam, Vo Van Phuc, Truong Quoc Dinh ABSTRACT— In this paper, we propose the computer vision algorithms combined with machine learning technique to detect and recognize defects on the surface of Ceramic Tiles. Fistly, the Ceramic Tiles will be extracted from background image and computed proposed features set based on histogram and texture of image surface to identify the Ceramic Tiles’ template using neural network. Next, we take substraction between testing sample and corresponding template of tile image to recognize surface defects of Ceramic Tiles using morphology techniquies. The experiment is performed on 150 our-self images data belongs to 15 different categories which has about 292 defects candidates need to identify. The accuracy of our system is about 96.92% and 100% of Ceramic Tiles’ template are recognized correctly. The average time recognition about 1s for an image of Ceramic Tiles’ has confirmed the effectiveness of the proposed algorithms. Keywords— Pattern recognition, neural network, background substraction, surface defect, ceramic tiles.
File đính kèm:
- phat_trien_thuat_toan_xu_ly_anh_va_may_hoc_de_nhan_dang_khie.pdf