Goat Leather Quality Classification Using Computer Vision and Machine Learning

Pereira, Renato F.; Medeiros, Cláudio M. S.; Gupta, Deepak

doi:10.1109/ijcnn.2018.8489265

Cited by 22 publications

(10 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Analisando a Tabela 4, nota-se que o tempo médio para a execução do processo de detecção de falhas é de apenas 11 segundos. Um tempo relativamente bom ao se comparar o processo manual, descrito por [Pereira et al 2018], que varia entre 10 e 30 segundos dependendo da peça de couro A partir da utilização de fragmentos de 51 x 51 pixels, da GLCM, com extração de atributos com base no trabalho de [Haralick et al 1973] Conforme os dados contidos na Tabela 5, nota-se que o melhor modelo proposto possui uma acurácia de 96,47 % no processo de treinamento e 96,31 % na validação. Apresentando um resultado superior ao obtido com o modelo multi-classe, descrito na Seção 6.…”

Section: Análise Dos Resultadosunclassified

“…O terceiro experimento consiste em detectar as falhas, informar a sua localização e comparar com as informadas pelo profissional especialista, esta etapa não demonstrou resultados satisfatórios devido ao número de amostras utilizadas pelo autor. [Pereira et al 2018], propõe a detecção de falhas com base na criação de janelas de tamanho quadrado (fragmentos de imagens). Desta forma, cada imagem de couro caprino é fragmentada em tamanhos de 51, 101, 151, 201, 251 e 301 pixels.…”

Section: Introductionunclassified

See 1 more Smart Citation

Detecção de falhas em couro caprino wet blue a partir da utilização de técnicas de Visão Computacional e Inteligência Artificial

Sousa¹,

Medeiros²,

Pereira³

et al. 2020

Anais Do Brazilian E-Science Workshop (BRESCI 2020)

View full text Add to dashboard Cite

Os curtumes tradicionais adquirem peles, na maioria dos casos, de pequenos produtores rurais. Devido ao formato rústico de criação, elas são recebidas com diversos tipos de defeitos. Tais peles, passam por diversos processos até serem denominadas como wet blue. Nesse estágio de produção, é realizada a qualificação, que se baseia na quantidade de falhas existente na peça de couro para definir o seu nível de qualidade. A não detecção de falhas pode acarretar diversos prejuízos ao setor. No entanto, apesar das dificuldades encontradas, torna-se nítido o crescimento desse tipo de indústria. Dessa forma, é proposta uma metodologia a qual apresenta uma acurácia de 96,31 % na detecção de falhas em peças de couro wet blue.

show abstract

Section: Análise Dos Resultadosunclassified

Section: Introductionunclassified

Detecção de falhas em couro caprino wet blue a partir da utilização de técnicas de Visão Computacional e Inteligência Artificial

Sousa¹,

Medeiros²,

Pereira³

et al. 2020

Anais Do Brazilian E-Science Workshop (BRESCI 2020)

View full text Add to dashboard Cite

show abstract

“…Based on their processing mechanics, these classifiers can be classified in two groups: (1) supervised; and (2) non-supervised or semi-supervised classifiers (see Table 3). [12,13,21,30,31,38,142,148,149,171,[192][193][194][195] Unsupervised/semi-Statistical/Novelty detection [58,65,86,[89][90][91][92]103,115,129,[196][197][198][199][200][201][202] supervised classifiers Gaussian mixture model [80,[203][204][205] Supervised classification methods incorporate the human model-as discussed in Section 3-where the application is searching for features of a predefined class. Detectable features are predefined and the classifier has to be previously trained to recognize them under supervision [40,65,90,103,142,[161][162][163].…”

Section: Supervised and Non-supervised Classifiersmentioning

confidence: 99%

Visual-Based Defect Detection and Classification Approaches for Industrial Applications—A SURVEY

Czimmermann

Ciuti

Milazzo

et al. 2020

Sensors

277

100

View full text Add to dashboard Cite

This paper reviews automated visual-based defect detection approaches applicable to various materials, such as metals, ceramics and textiles. In the first part of the paper, we present a general taxonomy of the different defects that fall in two classes: visible (e.g., scratches, shape error, etc.) and palpable (e.g., crack, bump, etc.) defects. Then, we describe artificial visual processing techniques that are aimed at understanding of the captured scenery in a mathematical/logical way. We continue with a survey of textural defect detection based on statistical, structural and other approaches. Finally, we report the state of the art for approaching the detection and classification of defects through supervised and non-supervised classifiers and deep learning.

show abstract

“…Pereira et al used computer vision for goat leather classification. 10 different type of defects were used during training [17]. The classifiers used were KNN, MLP, and SVM.…”

Section: Classifier Based Systemsmentioning

confidence: 99%

On the Application of Automated Machine Vision for Leather Defect Inspection and Grading: A Survey

et al. 2019

View full text Add to dashboard Cite

Reliably and effectively detecting and classifying leather surface defects is of great importance to tanneries and industries that use leather as a major raw material such as leather footwear and handbag manufacturers. This paper presents a detailed and methodical review of the leather surface defects, their effects on leather quality grading and automated visual inspection methods for leather defect inspection. A detailed review of inspection methods based on leather defect detection using image analysis methods is presented, which are usually classified as heuristic or basic machine learning based methods. Due to the recent success of deep learning methods in various related fields, various architectures of deep learning are discussed that are tailored to image classification, detection, and segmentation. In general, visual inspection applications, where recent CNN architectures are classified, compared, and a detailed review is subsequently presented on the role of deep learning methods in leather defect detection. Finally, research guidelines are presented to fellow researchers regarding data augmentation, leather quality quantification, and simultaneous defect inspection methods, which need to be investigated in the future to make progress in this crucial area of research.

show abstract

Goat Leather Quality Classification Using Computer Vision and Machine Learning

Cited by 22 publications

References 8 publications

Detecção de falhas em couro caprino wet blue a partir da utilização de técnicas de Visão Computacional e Inteligência Artificial

Detecção de falhas em couro caprino wet blue a partir da utilização de técnicas de Visão Computacional e Inteligência Artificial

Visual-Based Defect Detection and Classification Approaches for Industrial Applications—A SURVEY

On the Application of Automated Machine Vision for Leather Defect Inspection and Grading: A Survey

Contact Info

Product

Resources

About