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 qualitycontrol of surfaces and edges at high rates. They develop their ownsensor systems and software and have taken an interest in investigatingthe possibility of using methods from machine learning to make betteruse of the available sensor data.The purpose of this project was to develop a method for finding sur-face defects based on multivariate images. A previous Master’s projectdone at OptoNova had shown promising results when applying machinelearning methods to inspect the sides of kitchen cabinet doors. Themodel developed for that project was based around using a Differenceof Gaussians scale-space. That was used as a starting ground for thework presented here, with changes made in order to focus on texturedefects on flat surfaces.The final model works by creating a Laplacian image pyramid from asource image. Each pyramid level is processed by a trained image modelthat, given a multivariate image, produces a greyscale image indicatingdefect areas. The outputs of all image models are scaled to the same sizeand averaged together. This gives the final probability map indicatingwhat parts of the sample are defective. The image models consists of afeature extractor, extracting one feature per pixel, and a feature model,which in this project was a Gaussian mixture model. The model wasbuilt in a modular fashion, making it easy to use different features andfeature models.Tests showed the pyramid model to perform better than the previousmodel. Defects characterised by noticeable differences in surface texturegave excellent results, while defects only indicated by slight changes inintensity of the normal texture were generally not found.It was concluded that the developed model shows potential, butmore work needs to be done. More tests need to be run using larger datasets and samples with different texture types, such as wooden surfaces.

Abstract [sv]

OptoNova är en världsledande leverantör av inspektionssystem for kvali-tetskontroll av ytor och kanter i hög hastighet. Företaget utvecklar egnasensorsystem och mjukvara, och är intresserade av att undersöka möj-ligheten att bättre utnyttja tillgänglig sensordata genom att användametoder baserade på maskininlärning.Syftet med det här projektet var att utveckla en metod för att upp-täcka ytdefekter i multivariata bilder. Ett tidigare examensarbete gjorthos OptoNova visade på lovande resultat vid inspektion av kanter påköksluckor. Modellen som utvecklades i det projektet använde sig av ettDifference of Gaussians-skalrum. Den modellen användes som utgångs-punkt för det här arbetet med vissa förändringar gjorda för att läggafokus på texturdefekter i plana ytor.Den utvecklade modellen tar in en multivariat bild och genereraren Laplacepyramid. Varje nivå i pyramiden skickas sedan igenom entränad bildmodell som i sin tur producerar en gråskalebild där möjligadefekter är markerade. Samtliga bildmodellers resultat skalas upp tillsamma storlek som ursprungsbilden och en medelvärdesbild beräknas.Detta ger den slutliga defektbilden som visar vilka delar av det inlästaprovet som är defekta. Varje bildmodell består dels av en modul somextraherar särdragsvektorer och dels av en modul som modellerar hurvektorer från oskadade ytor är fördelade i rummet av särdragsvektorer.För det senare användes en Gaussian mixture model (GMM). Modellensmodullära design gör det enkelt att använda olika typer av särdragsvek-torer och modeller för dessa.Tester visade att pyramidmodellen kan prestera bättre än den tidi-gare utvecklade modellen. Utmärkta resultat uppnåddes vid detektionav defekter som karaktäriserades av tydliga avvikelser i textur. Defektersom däremot endast utgjordes av mindre variationer i intensitet hittadesgenerellt sett inte.Det konstaterades att den nya modellen visar på potential till attfungera väl, men att mer arbete fortfarande behöver göras. Framföralltmåste fler tester göras med fler prover, samt prover med varierandeytmönster, såsom träytor.

Place, publisher, year, edition, pages
2013.
National Category
Media and Communication Technology
Identifiers
URN: urn:nbn:se:kth:diva-150456OAI: oai:DiVA.org:kth-150456DiVA: diva2:743466
Supervisors
Available from: 2014-12-09 Created: 2014-09-04 Last updated: 2015-01-30Bibliographically approved

Open Access in DiVA

No full text

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

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 58 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