تشخيص خرابي بافت به کمک تبديل پيچک
محورهای موضوعی : electrical and computer engineeringبي‌بي مريم معاشري 1 , حسین نظام‌آبادی‌پور 2 , سعيد سريزدي 3 , سهيل آزادي‌نيا 4
1 - دانشگاه شهيد باهنر کرمان
2 - دانشگاه شهید باهنر کرمان
3 - دانشگاه شهيد باهنر کرمان
4 - دانشگاه شهيد باهنر کرمان
کلید واژه: تشخيص خرابي بافت تبديل پيچک بردار ويژگي,
چکیده مقاله :
در اين مقاله سامانه‌اي کارآمد و دقيق براي توصيف خرابي‌ها در انواع بافت بر اساس تبديل پيچک ارائه شده است. ايده اصلي، در نظر گرفتن خرابي‌هاي بافت به‌صورت ناپيوستگي‌هاي يک‌بعدي در سيگنال (تابع) دوبعدي تصوير است. بر اساس اين ايده، مناسب‌ترين ابزار جهت توصيف خرابي‌ها، تبديل جهتي پيچک است. ابتدا در مرحله آموزش، نمونه‌هايي از بلوک‌هاي بافت سالم و معيوب جمع‌آوري شده و بر روي هر بلوک، تبديل پيچک اعمال مي‌شود. سپس براي هر بلوک يک بردار ويژگي بر اساس زيرباندهاي حاصل از تبديل پيچک تشکيل مي‌شود. در يک فرايند پيشنهادي بردار ويژگي برجسته براي بافت مورد نظر تعيين مي‌شود. پس از آن سطوح آستانه مناسب براي تشخيص بلوک‌هاي خراب بافت، تنظيم مي‌شود. در مرحله آزمايش، از هر بلوک بافت بردار ويژگي برجسته مربوط به آن استخراج شده و بافت مذکور با توجه به سطوح آستانه طبقه‌بندي مي‌شود. نتايج شبيه‌سازي‌ها نشان مي‌دهد که سامانه پيشنهادي نسبت به روشي که مبتني بر جابه‌جايي ميانگين است، دقت بيشتري در آشکارسازي بافت‌هاي معيوب داشته و در فرآيند تشخيص خرابي، نسبت به نوع بافت حساسيت کمتري از خود نشان مي‌دهد.
This article, an efficient system for texture defect detection based on curvelet transform is presented. The main idea is to model the defects in the texture image as one-dimensional discontinuities. Based on this idea, the curvelet transform is the most efficient method for describing defects. First, in the learning phase, training samples of intact and defected blocks of the texture image are collected and transformed to the curvelet domain. Next, for each block a feature vector based on curvelet sub-bands is extracted and using a proposed method some important and effective features are determined for the desired texture. Then, a proper threshold for detecting defected from intact blocks is determined. In the performance phase, a vector containing the important features from each block of the texture is extracted and then the block by is classified. The results of simulation show that the proposed system is superior to the mean shift method in detecting defected texture blocks, and is less sensitive to the type of texture.