Stacked Autoencoder Method for Fabric Defect Detection

Kumaş hatası tespiti sektörel kalite açısından önem arz etmektedir. Bu hataların tespitinde, gelişen pazar hacmi ve üretim kapasitelerinin büyüklüğü sebebiyle insan görüsü ile tespit, büyük oranda zaman kaybına ve hata tespit oranının %60 seviyelerine kadar düşmesine sebep olmaktadır. Bu bağlamda daha yüksek başarım elde edebilmek için görüntü işleme alanında bir çok yöntem denenmiştir. Kumaşın kendine has bir dokusunun olması sebebiyle, öznitelikleri çıkarılırken diğer görüntü türlerinden ayrı olarak incelenmesi gerektirmektedir. Öznitelikler bilgisayarlı görmede özellikle sınıflandırma problemlerinde ham madde olmaktadır. Bu yüzden doğru öznitelikleri çıkarmak, hata tespitinde en önemli aşamadır. Bu amaç doğrultusunda, çoklu-katman mimarisi ve kendi özniteliklerini çıkararak son yıllarda görüntü ve ses işleme alanında büyük başarılar getirmesi ile öne çıkan derin öğrenme kumaş hatası tespitine uygulanmıştır. Giriş verisini sıkıştırma ya da genişletme ile temsil eden yığınlı oto-kodlayıcılar -bir derin öğrenme yöntemi- kumaş hatası tespitinde denenmiş ve kabul edilebilir başarılar elde edilmiştir.  Çalışmanın asıl amacı oto kodlayıcının hiper parametreleri ve giriş değeri ile oynamalar yaparak öznitelik çıkarımı başarısını artırmaktır. Derin modelin hiper parametrelerin ince ayarıyla, kendi veri setimizde %96’lık bir başarı oranı elde ettik.