Özet
Tekstil endüstrisi, standartları korumak ve üretim israfını azaltmak için büyük ölçüde kalite kontrolüne dayanır. Manuel kusur tespiti yaygın bir yöntemdir ancak insan hatasına açıktır. Bu çalışma, Python programlama dili ve OpenCV kütüphanesi kullanılarak gerçek zamanlı otomatik bir kumaş kusur tespit sistemi sunmaktadır. Sistem, video analizi ve ilgi bölgesi (Region of Interest – ROI) seçimi yoluyla yatay çizgiler (ip kaçığı) ve dikey çizgiler (makine duruş çizgisi) gibi kusurları belirler. Ön işleme, eşikleme ve çizgi tespitinin entegrasyonu, hareket halindeki kumaşlarda kusurların doğru biçimde tespit edilmesini sağlar. Deneysel sonuçlar sistemin etkinliğini göstermekte ve doğruluğu artırma, israfı azaltma ve verimliliği iyileştirme yoluyla ülkenin tekstil üretiminde devrim yaratma potansiyelini vurgulamaktadır.
1- Giriş
Tekstil endüstrisi küresel ekonomide önemli bir rol oynar. Endüstrinin karşılaştığı en büyük zorluklardan biri, tutarlı kaliteyi sağlamaktır; çünkü düzensiz desenler ve ip kopması çizgileri gibi kusurlar, nihai ürünün kullanılabilirliğini ve görünümünü önemli ölçüde etkileyebilir. Geleneksel olarak kumaş muayenesi, kusurların görsel olarak tespit edilmesi için eğitimli personele dayanan manuel bir süreç olmuştur. Ancak manuel muayene; yorgunluk, tutarsızlık ve öznel değerlendirme gibi insan kaynaklı faktörlerle doğal olarak sınırlıdır ve bu durum bazı kusurların tespit edilememesine ve üretim maliyetlerinin artmasına yol açar [1 ve 2].
Bilgisayarlı görü [1] teknolojilerinin ortaya çıkışı, tekstil üretiminde kalite kontrol süreçlerinin otomatikleştirilmesi için bir fırsat sunmuştur. Bilgisayarlı görü, makinelerin görsel verileri gerçek zamanlı [2] olarak analiz etmesini ve desenleri ile anormallikleri insan denetçilere kıyasla daha yüksek hız ve doğrulukla tespit etmesini sağlar. Çalışmalar, otomatik kusur tespit sistemlerinin muayene süresini azaltabildiğini ve doğruluğu artırabildiğini göstermiştir; bu da onları manuel yöntemlere cazip bir alternatif haline getirmektedir [1 ve 3].
Son yıllarda görüntü işleme teknikleri; delikler, lekeler ve iplik düzensizlikleri gibi belirli kumaş kusurlarını tespit etmek için başarıyla kullanılmıştır [1]. Bu bağlamda, sürekli yatay ve dikey çizgilerin tespiti özel bir önem taşır; çünkü bu tür kusurlar çoğunlukla kumaş dokuma/örgü sürecindeki yapısal problemlere işaret eder. Bu kusurların gerçek zamanlı tespiti, hatalı kumaşın üretim hattında ilerlemesini engelleyebilir ve böylece israfın azalmasına ve maliyet tasarrufuna katkı sağlar [4 ve 5].
Bu çalışma, hareket halindeki kumaşın video görüntülerini analiz etmek için Python programlama dili kullanan gerçek zamanlı bir kumaş kusur tespit sistemi sunmaktadır. Sistem, kullanıcıya kusur tespiti için belirli bir ilgi bölgesi (ROI) [3] tanımlama imkanı verir ve kumaşın kritik bölgelerine odaklanılmasını sağlar. Sistem; gri seviye dönüşümü, Gauss filtresi [4], uyarlamalı eşikleme [5] ve çizgi tespiti gibi yöntemleri kullanarak sürekli yatay ve dikey çizgi kusurlarını yüksek doğrulukla tespit eder.
2- Malzemeler ve Yöntemler
Bu bölümde, araştırmada kullanılan malzemeler, araçlar ve yöntemler açıklanmaktadır.
2-1- Kullanılan Donanımlar
Bu araştırmada, Samsung A13 [6] model bir cep telefonu kamerası sabit bir standa yerleştirilmiş ve kumaş top açma (tağa açma) cihazı üzerinden geçiş sırasında, düz örgü yapısına sahip üç kılavuz barlı trikot (çözgülü örme) kumaşın dikey görüntülenmesi için kullanılmıştır. Kayıt alınan görüntüler, gerçek zamanlı video analizi için yeterli işlem gücüne sahip bir bilgisayara gerçek zamanlı olarak aktarılmıştır.
2-2- Kullanılan Yazılımlar
Python programlama dili, görüntü işleme için OpenCV [7] kütüphanesi ve Python kodunun geliştirilmesi ve çalıştırılması için Visual Studio Code [8] kaynak kod düzenleyicisi kullanılmıştır.
2-3- Yöntemler
Kusur tespit sistemi aşağıdaki aşamalardan oluşur:
-
Video girişi ve kusur tanımlama için ilgi bölgesinin (ROI) seçimi: Kullanıcı, kumaş üzerinde kusurların tespit edilmesini istediği bir ilgi bölgesi tanımlar.
-
Ön işleme: Renk bilgisi çıkarılarak görüntü verisi sadeleştirilir (gri seviye dönüşümü). Gauss filtresi uygulanarak gürültüler [9] azaltılır ve görüntü, kusurların daha iyi ayrıştırılması için yumuşatılır [10]. Uyarlamalı eşikleme, görüntüyü ikili [11] formata dönüştürür ve olası kusur bölgelerini vurgular.
-
Kusur tespiti: Bağlı bileşenler analizi, küçük ve ilgisiz parazitleri ayıklar; buna karşılık daha büyük ve anlamlı yapıları korur. Hough Dönüşümü [12] algoritması, sürekli yatay ve dikey çizgileri belirler; bunlar sırasıyla yeşil ve kırmızı renkte görselleştirilir.
-
Çıktı: İşlenmiş video gerçek zamanlı olarak gösterilir ve kusurlar kolay tespit için işaretlenir.
3- Bulgular ve Tartışma
Önerilen sistem, fabrikanın üretim hattındaki kumaş top açma cihazında çözgülü örme kumaş numuneleri üzerinde test edilmiştir. Aşağıdaki gözlemler yapılmıştır:
3-1- Kusur Tespit Doğruluğu
Sonuçlar; doğruluk (tespit edilen kusurlu bölgelerin, mevcut tüm kusurlu bölgelere oranı), duyarlılık (kusurun ROI’ye girdikten sonra tespit edildiği uzunluk) ve yanlış pozitif oranı (kusursuz bölgelerin hatalı şekilde kusurlu olarak tespit edilme yüzdesi) gibi ölçütlere göre değerlendirilmiştir. Sistem, test edilen numunelerde yatay çizgi kusurlarını (ip kaçığı) ve dikey çizgi kusurlarını (makine duruş çizgisi) %100 doğrulukla; ortalama duyarlılığı 2 cm’den düşük ve yanlış pozitif sonuçları %1’den az olacak şekilde başarıyla tespit etmiştir. Küçük parazitler ve ilgisiz desenler bağlı bileşen analizi kullanılarak etkin biçimde giderilmiştir.
3-2- Gerçek Zamanlı İşleme
Sistem gerçek zamanlı işleme hızına ulaşmış ve kumaş top açma cihazının hızına uygun şekilde kare (frame) işlemeyi yüksek hızla yönetmiştir.
3-3- Görselleştirme
Kusurlar açık biçimde işaretlenmiş ve operatörlerin kumaş kusurlarını hızlıca tanımlayıp müdahale etmesine yardımcı olmuştur. Yatay kusurlar yeşil, dikey kusurlar ise kolay ayrım için kırmızı renkle gösterilmiştir. Şekil 1’de, kumaş üzerinde tespit edilen kusurlar ve işleme adımları sunulmaktadır. Bu şekilde görüldüğü üzere sistem kusurları başarıyla tespit etmiştir (Şekil 1-d ve 1-e). Ayrıca kumaş yüzeyindeki düzensizliklere rağmen kırışıklıklar kusur olarak algılanmamış; bu durum sistemin yüzey düzensizliği ile gerçek kusurlar arasında ayrım yapmadaki yüksek doğruluğunu göstermektedir.
 |
 |
 |
 |
 |
 |
| (a) | (b) | (c) | (d) | (e) | (f) |
Şekil 1. (a) Kameradan programa giren bir kare görüntüsü, (b) Gauss filtresi uygulanmadan ikilileştirilmiş görüntü, (c) Gauss filtresi uygulandıktan sonra ikilileştirilmiş görüntü, (d) tespit edilen yatay ve dikey kusur çizgileri görüntüsü, (e) bir sonraki karede tespit edilen kusurların görüntüsü, (f) kusursuz bir kumaş karesinin görüntüsü.
3-4- Avantajlar ve Zorluklar
Otomatik tespit, manuel yöntemlere kıyasla muayene süresini önemli ölçüde azaltır. Daha önceki çalışmaların çoğu sinir ağları ve derin öğrenme teknikleri kullanırken, önerilen yöntem daha basit algoritmalar (Hough dönüşümü ve bağlı bileşen analizi) kullanarak gerçek zamanlı performansa ulaşmıştır. Önceki araştırmalarda kumaş kusuru tespiti çoğunlukla kusurlu ve kusursuz kumaş görüntülerinin sınıflandırılması şeklinde ele alınmış; gerçek zamanlı tespitin incelendiği durumlarda ise genellikle daha düşük hızdaki makineler üzerinde çalışılmıştır. Buna karşın bu çalışmada incelenen sistem, üretim hattında kumaş hareket hızının en yüksek olduğu makinelerden biri olan kumaş top açma cihazı üzerinde test edilmiştir. Sistem, tam ve kısmi ip kaçıkları bulunan farklı çözgülü örme kumaş türlerinde kabul edilebilir performans göstermiş ve en az değişiklik ihtiyacıyla farklı üretim hatlarında uygulanabilirliğini ortaya koymuştur. Ayrıca, gerçek zamanlı kumaş kusuru tespitine ilişkin önceki araştırmaların daha çok dokuma kumaşlar ve dairesel örme kumaşlar üzerinde yoğunlaştığı da belirtilmelidir. Gelişmiş donanım veya karmaşık sinir ağı işlemlerine ihtiyaç duymaması, bu sistemi ekonomik açıdan uygun bir seçenek haline getirir.
Bununla birlikte, yetersiz aydınlatma koşulları veya hızlı ışık değişimleri sistemin doğruluğunu ve duyarlılığını azaltmakta ve yanlış pozitif sonuçları artırmaktadır. Ayrıca, bu çalışmada incelenenlerden farklı özelliklere sahip kusurların tespiti için sistemin daha fazla geliştirilmesi gerekmektedir. Sistemin bazı bileşenleri hâlâ manuel ayar gerektirmekte olup değişken ortamlarda bu durum bir sınırlılık oluşturabilir.
4- Sonuç
Bu çalışma, algılama ve bilgisayarlı görü kullanarak gerçek zamanlı kumaş kusuru tespitinin kapasitesini göstermektedir. Süreci otomatikleştirerek sistem, manuel muayenenin sınırlamalarını ortadan kaldırır ve tutarlı, doğru ve verimli kusur tespiti sağlar. Gelişmiş görüntü işleme yöntemlerinin entegrasyonu, yatay çizgi kusurlarının (ip kaçığı) ve dikey çizgi kusurlarının (makine duruş çizgisi) doğru şekilde tespit edilmesini garanti eder. Gelecekte, makine öğrenmesine dayalı kusur sınıflandırması ve Nesnelerin İnterneti entegrasyonu gibi geliştirmeler sistemin yeteneklerini daha da genişletebilir. Gerçek zamanlı kusur tespiti, daha akıllı tekstil üretimine doğru önemli bir adımdır ve kalite kontrol, maliyet tasarrufu ve sürdürülebilirlik açısından çok büyük faydalar sunar.
Teşekkür
Bu çalışmanın yazarları, araştırma deneylerinin şirketin kumaş üretim hattında gerçekleştirilmesine yönelik iş birliği için Jahan Urum Ayaz şirketine teşekkür ve takdirlerini sunarlar.
Kaynakça
Kayumov, A., Sobirov, M., & Musayev, K. (2024). Methods of fabric defect detection using expert systems-a systematic literature review. In E3S Web of Conferences (Vol. 538, p. 04015). EDP Sciences.
Meeradevi, T., Sasikala, S., Gomathi, S., & Prabakaran, K. (2023). An analytical survey of textile fabric defect and shade variation detection system using image processing. Multimedia Tools and Applications, 82(4), 6167–6196.
Yousefzadeh, M., Payvandy, P., Seyyedsalehi, S. A., & Latifi, M. (2006). DEFECT DETECTION AND CLASSIFICATION IN NONWOVEN WEB IMAGES USING NEURAL NETWORK.
Saeidi, R. G., Latifi, M., Najar, S. S., & Saeidi, A. G. (2005). Computer vision-aided fabric inspection system for on-circular knitting machine. Textile Research Journal, 75(6), 492–497.
Mahmud, T., Sikder, J., Chakma, R. J., & Fardoush, J. (2021). Fabric defect detection system. In Intelligent Computing and Optimization: Proceedings of the 3rd International Conference on Intelligent Computing and Optimization 2020 (ICO 2020) (pp. 788–800). Springer International Publishing.
İngilizce Karşılıklar
[1] Computer vision
[2] Real-Time
[3] Region of Interest (ROI)
[4] Gaussian blurring
[5] Adaptive thresholding
[6] Samsung Galaxy A13
[7] OpenCV
[8] Visual Studio Code
[9] Noises
[10] Smoothens
[11] Binary
[12] Hough Transform
