Real-time image processing for edge inspection and defect detection in stainless steel production lines

Spinola, C.; Canero, Juan; Moreno-Aranda, Gonzalo; Bonelo, J.M.; Martín‐Vázquez, M.J.

doi:10.1109/ist.2011.5962196

Cited by 8 publications

(6 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…La industria textil es una de las que más genera ingresos a nivel mundial [20], pese a esto, también produce grandes pérdidas debido a los defectos de sus textiles. Gene- ralmente, la calidad de las telas producidas es evaluada por un inspector humano que, debido a factores como cansancio, falta de tiempo, errores propios, entre otros, califica como aprobados un gran porcentaje de productos que contienen imperfectos [21]. La solución a este problema se ha planteado desde el área de reconocimiento de patrones y el procesamiento de imágenes digitales.…”

Section: Estado Del Arteunclassified

“…También se han utilizado técnicas que buscan el análisis del producto mediante la observación de sus componentes de frecuencia [7]- [9], [12]. La Transformada de Fourier, en su variación discreta (DFT), es planteada como herramienta de apoyo para un sistema autónomo de búsqueda y detección de defectos en productos, trabajando mediante la extracción de características a través de la correlación cruzada para mejorar los resultados de la examinación de estructura frecuencial, del material probado [8], [21], [29]- [30].…”

Section: Estado Del Arteunclassified

See 1 more Smart Citation

Descriptores espacio-frecuencia para identificación automática de patrones de textura en productos textiles utilizando aprendizaje supervisado

Martínez

Salcedo

Baena

2018

Cien.Ing.Neogranadina

View full text Add to dashboard Cite

En este documento se presenta un caso de estudio para evaluar la eficiencia que presentan los descriptores espacio frecuencia en la clasificación de patrones textiles. La metodología de trabajo consta de tres etapas fundamentales, la caracterización, la clasificación y la validación. En la etapa de caracterización se utilizan descriptores como la transformada Wavelet, la transformada de Fourier y la adaptación de la Transformada corta de Fourier en espacio para la generación de un vector de características, a este vector se le computa los momentos estadísticos como Kurtosis, sesgo, media y desviación estándar. Para la etapa de clasificación se analiza el uso de tres métodos del estado del arte como lo son las Máquinas de Soporte Vectorial (SVM), las Redes Neuronales Artificiales (RNA) y el Proceso Gaussiano (GP). Para validar el método se construye una base de datos anotada con diez tipos de telas con un total de 1000 fotos, a las cuales se le aplica el proceso caracterización y clasificación por medio de un experimento Montecarlo. En esta etapa se generan configuraciones aleatorias de entrenamiento (70%) y prueba (30%) obteniendo el desempeño de cada modelo de clasificación. Por último se obtiene la matriz de confusión y se determinan los porcentajes de acierto de cada experimento.

show abstract

Section: Estado Del Arteunclassified

Descriptores espacio-frecuencia para identificación automática de patrones de textura en productos textiles utilizando aprendizaje supervisado

Martínez

Salcedo

Baena

2018

Cien.Ing.Neogranadina

View full text Add to dashboard Cite

show abstract

“…El continuo desarrollo del sector industrial, la demanda de productos exige que estos cumplan con estándares de calidad, más aún cuando se desea competir en mercados globales que se rigen por los tratados de libre comercio [1,2]. Es común encontrar la necesidad de fabricación en masa y en poco tiempo.…”

Section: Introductionunclassified

Evaluación de descriptores para la detección automática de fallas en fabricación utilizando máquinas de soporte vectorial

Salcedo¹,

García²,

Bejarano³

2019

Sci. tech

View full text Add to dashboard Cite

Este documento presenta la evaluación de un método de clasificación de fallas en productos terminados utilizando la combinación de descriptores de color, forma y textura. Se utiliza una Máquina de Vectores de Soporte multiclase (SVM-Support Vector Machine) y se construye una base de datos anotada capturando botellas de plástico con 11 situaciones de fabricación entre botellas en buen estado y botellas con imperfectos como rasgaduras, golpes, hendiduras, etc; bajo diferentes condiciones no controladas (ruido, iluminación, escala, entre otras). La etapa de fusión propone una combinación lineal de características y para calcular el desempeño de descriptores y fusión de datos, se utilizó una metodología de validación cruzada aplicando el método de Montecarlo. La configuración de SVM utiliza la metodología multiclase “One-vs-All” con Kernel Radial Gaussiano. La detección se realiza inicialmente aplicando descriptores individuales y combinados.

show abstract

“…G. C ve arkadaşları, paslanmaz çelik yüzeylerindeki kusur tespitini GPU üzerinde paralel işlemle gerçekleştirmiş ve 9 ile 14 kat arasında hız artışı elde etmişlerdir. Bu uygulama yassı çelik üzerinde geliştirmiş bir uygulamadır [10]. Bu çalışmamızda ise ray ve profil de birden fazla yüzeye sahip bir yapı üzerinde işlem gerçekleştirilecektir.…”

Section: Gi̇ri̇ş (Introduction)unclassified

ÜRETİM AŞAMASINDA RAY ve PROFİLDE OLUŞAN KUSURLARININ TESPİTİNE YÖNELİK BİR PARALEL KUSUR ALGILAMA ALGORİTMASI

Orak¹,

Çelik²

2017

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Ray ve profil kusurlarının bilgisayar destekli tespit edilmesi  Paralel görüntü işleme metodu  CUDA kernel yapısının performans kıyaslaması Makale Bilgileri ÖZET Geliş: 17.03.2016 Kabul: 14.11.16 DOI:Otomatik bir sistem tarafından görüntü işlenerek sonuç elde etmek günümüzde pek çok alanda gerekli olabilmektedir. Kusurlu ürün üretimi birçok alanda karşılaşılan üreticiler tarafından da istenmeyen bir durumdur. Görüntü işleyerek görüntü üzerindeki kusurların tespit edilmesi bu alanda kullanılan bir yöntemdir. Görüntü işleme piksel temelli yapıldığından dolayı çok iş yükü oluşturmaktadır. Hızın işlem sürecinde önem arz ettiği durumlarda paralel görüntü işlemenin yapılması bir çözüm olabilmektedir. Bundan dolayı mevcut çok çekirdekli bilgisayarların donanım ya da yazılım yardımıyla paralelleştirilerek görüntülerin işlenmesi performans sağlayacaktır. Paralel görüntü işlemede elde edilen performans, kullanılan algoritmanın paralelliğe uygun olması ve işlemcilere doğru bir şekilde dağıtım yapılması ile ilişkilidir. Kaynakların ortak kullanımı ve veri alışverişinin fazla olması performansı doğrudan etkiler. Bu çalışmada; Kardemir A.Ş. haddehanede, haddeleme işlemi sırasında ray ve profil yüzeylerinde meydana gelen kusurların tespit edilmesine yönelik geliştirilen COLMSTD algoritmasının paralel uygulaması, iki farklı şekilde gerçekleştirilmiştir. 1. Yöntemde GPU'da çalışacak CUDA çekirdek sayıları yazılımsal olarak değiştirilmiş ve 2. Yöntemde ise tek CUDA çekirdeğindeki blok sayıları değiştirilerek, test gerçekleştirilmiştir. GPU (Graphics Processing Unit) üzerinde CUDA (Compute Unified Device Architecture) arayüz desteğinin uygulanması ile elde edilen değerler ile CPU üzerinde elde edilen değerler kıyaslanmıştır.

show abstract

Real-time image processing for edge inspection and defect detection in stainless steel production lines

Cited by 8 publications

References 12 publications

Descriptores espacio-frecuencia para identificación automática de patrones de textura en productos textiles utilizando aprendizaje supervisado

Descriptores espacio-frecuencia para identificación automática de patrones de textura en productos textiles utilizando aprendizaje supervisado

Evaluación de descriptores para la detección automática de fallas en fabricación utilizando máquinas de soporte vectorial

ÜRETİM AŞAMASINDA RAY ve PROFİLDE OLUŞAN KUSURLARININ TESPİTİNE YÖNELİK BİR PARALEL KUSUR ALGILAMA ALGORİTMASI

Contact Info

Product

Resources

About