Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Defect detection and segmentation inmultivariate image streams
KTH, School of Computer Science and Communication (CSC).
2013 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Detektion och segmentering av ytavvikelser i multivariata bilddataströmmar (Swedish)
Abstract [en]

OptoNova is a world leading producer of inspection systems for quality

control of surfaces and edges at high rates. They develop their own

sensor systems and software and have taken an interest in investigating

the possibility of using methods from machine learning to make better

use of the available sensor data.

The purpose of this project was to develop a method for finding surface

defects based on multivariate images. A previous Master’s project

done at OptoNova had shown promising results when applying machine

learning methods to inspect the sides of kitchen cabinet doors. The

model developed for that project was based around using a Difference

of Gaussians scale-space. That was used as a starting ground for the

work presented here, with changes made in order to focus on texture

defects on flat surfaces.

The final model works by creating a Laplacian image pyramid from a

source image. Each pyramid level is processed by a trained image model

that, given a multivariate image, produces a greyscale image indicating

defect areas. The outputs of all image models are scaled to the same size

and averaged together. This gives the final probability map indicating

what parts of the sample are defective. The image models consists of a

feature extractor, extracting one feature per pixel, and a feature model,

which in this project was a Gaussian mixture model. The model was

built in a modular fashion, making it easy to use different features and

feature models.

Tests showed the pyramid model to perform better than the previous

model. Defects characterised by noticeable differences in surface texture

gave excellent results, while defects only indicated by slight changes in

intensity of the normal texture were generally not found.

It was concluded that the developed model shows potential, but

more work needs to be done. More tests need to be run using larger data

sets and samples with different texture types, such as wooden surfaces.

Abstract [sv]

OptoNova är en världsledande leverantör av inspektionssystem for kvalitetskontroll

av ytor och kanter i hög hastighet. Företaget utvecklar egna

sensorsystem och mjukvara, och är intresserade av att undersöka möjligheten

att bättre utnyttja tillgänglig sensordata genom att använda

metoder baserade på maskininlärning.

Syftet med det här projektet var att utveckla en metod för att upptäcka

ytdefekter i multivariata bilder. Ett tidigare examensarbete gjort

hos OptoNova visade på lovande resultat vid inspektion av kanter på

köksluckor. Modellen som utvecklades i det projektet använde sig av ett

Difference of Gaussians-skalrum. Den modellen användes som utgångspunkt

för det här arbetet med vissa förändringar gjorda för att lägga

fokus på texturdefekter i plana ytor.

Den utvecklade modellen tar in en multivariat bild och genererar

en Laplacepyramid. Varje nivå i pyramiden skickas sedan igenom en

tränad bildmodell som i sin tur producerar en gråskalebild där möjliga

defekter är markerade. Samtliga bildmodellers resultat skalas upp till

samma storlek som ursprungsbilden och en medelvärdesbild beräknas.

Detta ger den slutliga defektbilden som visar vilka delar av det inlästa

provet som är defekta. Varje bildmodell består dels av en modul som

extraherar särdragsvektorer och dels av en modul som modellerar hur

vektorer från oskadade ytor är fördelade i rummet av särdragsvektorer.

För det senare användes en Gaussian mixture model (GMM). Modellens

modullära design gör det enkelt att använda olika typer av särdragsvektorer

och modeller för dessa.

Tester visade att pyramidmodellen kan prestera bättre än den tidigare

utvecklade modellen. Utmärkta resultat uppnåddes vid detektion

av defekter som karaktäriserades av tydliga avvikelser i textur. Defekter

som däremot endast utgjordes av mindre variationer i intensitet hittades

generellt sett inte.

Det konstaterades att den nya modellen visar på potential till att

fungera väl, men att mer arbete fortfarande behöver göras. Framförallt

måste fler tester göras med fler prover, samt prover med varierande

ytmönster, såsom träytor.

Place, publisher, year, edition, pages
2013.
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-142069OAI: oai:DiVA.org:kth-142069DiVA: diva2:699691
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2014-03-12 Created: 2014-02-28 Last updated: 2014-03-12Bibliographically approved

Open Access in DiVA

fulltext(3759 kB)489 downloads
File information
File name FULLTEXT01.pdfFile size 3759 kBChecksum SHA-512
d8c6a5cbd1af8094d0fbd8ccbb58e8c0dc46bf1164c851b86e2006c931b5d4696fc6237679da69ecd43f58ec41ce8a7920defc9d7146362874ec848baf1b24b7
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 489 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 319 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf