Application of learning-based image representation approaches for automatic defect detection

Abstract

The industry suffers from several problems that’s causes several losses in resources and money. Most of them are due to the human element. That is why, in this project we have studied the most successful methods to find the best ways to address these problems in the field of marble industry. Where we look for deformations that affect the quality of artificial marble, which are difficult for the worker to monitor during the inspection process inside the factory by teaching the machine. As machine learning depends on the method of information processing. It provides a set of methods that facilitate the detection of deformation in the marble. Where we have done this in our work Determining the data set for the marble industry. It contains three types of defects, namely dot, crack and joint, in addition to the fourth type which is good. After that we extracted the features of those images by calculating the STD and the average number of pixels for all the red, green and blue RGB channels in our images in steps. After completing the process, we get a vector of six values while preserving the image information and the size of the storage. We get a list containing the information of all the images of the data set. Then we transformed it into a matrix to facilitate the work to get better results. Then arrange them randomly. We also used the SKLEARN library to split the data and calculate the accuracy of the KNN. Then the data was divided into two parts: 70% for training and 30% for testing. For the experiment, we choose a random image and apply the previous steps to it in addition to calculating the distance between each data set and the image we want to classify. Then we arrange the distance from the smallest to the largest and choose the first seven values, then vote and choose the most frequent category. In addition to calculating the accuracy of the results obtained, which was 66%, which is not a good percentage. We found other ways to obtain greater accuracy. This is by using image segmentation, where it extracts image elements. Then we extracted its features and applied the KNN to it. And from him getting the result, which was good compared to the first result, which is 76%.

تعاني الصناعة من عدة مشاكل. التي تسبب عدة خسائر في الموارد والأموال . معظمهم بسبب العنصر البشري. لهذا السبب قمنا في هذا المشروع بدراسة أنجح الطرق والأساليب لإيجاد أفضل السبل لمعالجة هذه المشاكل في مجال صناعة الرخام. حيث نبحث عن التشوهات التي تؤثر على جودة الرخام والتي يصعب على العامل رصدها أثناء عملية التفتيش داخل المصنع وذلك بتعليم الالة . حيث يعتمد تعليم الآلة على طريقة معالجة المعلومات .و يقدم مجموعة من الطرق التي تسهل اكتشاف التشوه في الرخام . حيث قمنا في عملنا هذا بتحديد مجموعة البيانات الخاصة بصناعة الرخام . تحتوي على ثلاث انواع من الخلل وهي النقطة والخط والكسر بالإضافة الى النوع الرابع وهو الجيد. بعد ذلك قمنا باستخراج ميزات تلك الصور وذلك بحساب STD و متوسط عدد البيكسل لجميع القنوات الاحمر و الاخضر والازرق RGB في صورنا بخطوات .بعد الانتهاء من العملية نتحصل متجه من ستة قيم مع الحفاظ على معلومات الصور وحجم الحفظ. نحصل على قائمة تحتوي على معلومات جميع صور مجموعة البيانات .ثم قمنا بتحويلها لمصفوفة لتسهيل العمل للحصول على نتائج افضل. ثم ترتيبها بشكل عشوائي .كما استخدمنا مكتبة SKLEARN لتقسيم البيانات وحساب دقة ال KNN . ثم تم قسم البيانات الى قسمين 70 ٪ للتدريب و 30 ٪ للاختبار .وللتجربة نختار صورة عشوائية ونطبق عليها الخطوات السابقة بالإضافة الى حساب المسافة بين كل مجموعة البيانات والصورة التي نريد تصنيفها. ثم رتبانا المسافة من الاصغر الى الاكبر واخترنا اول سبعة قيم ثم نصوت ونختار الفئة الاكثر تكرارا. بالإضافة الى حساب دقة النتائج المتحصل عليها الذي كان 66 ٪ وهي نسبة غير جيدة. حيث قمنا بإيجاد طرق اخرى للحصول على دقة اكبر . وذلك باستعمال image segmentation حيث تقوم باستخراج عناصر الصور. ثم استخرجنا ميزاتها وتطبيق عليها ال KNN .ومنه الحصول على النتيجة والتي كانت جيدة مقارنة بالنتيجة الاولى وهي 76 ٪