Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân loại giấy theo kết cấu sử dụng đào tạo dựa trên hình ảnh
Tóm tắt
Trong bài báo này, một kỹ thuật không giám sát cho việc phân loại giấy trực tuyến được trình bày. Phương pháp này sử dụng bản đồ tự tổ chức (SOM) và phân tích kết cấu để phân cụm các loại giấy khác nhau theo các thuộc tính của chúng. Kỹ thuật ánh sáng xuyên được sử dụng để lấy hình ảnh của giấy. Sau đó, các đặc trưng kết cấu hiệu quả được trích xuất từ hình ảnh xám và độ phân giải của dữ liệu đặc trưng được giảm với SOM, cho phép phân tích hình ảnh của các phép đo. Phương pháp này cho phép trích xuất ngầm các thông tin quan trọng về quá trình hình thành giấy. Cách tiếp cận này cung cấp kết quả xuất sắc. Một lỗi phân loại dưới 1% đã được đạt được cho bốn loại chất lượng khi sử dụng các đặc trưng kết cấu local binary pattern (LBP). Sự cải thiện đối với các đặc trưng kết cấu đã được sử dụng trước đó trong việc kiểm tra giấy là rất lớn: lỗi phân loại đã giảm hơn 40 lần. Ngoài độ chính xác phân loại xuất sắc, phương pháp này còn cung cấp một giao diện người dùng tự trực quan và một cái nhìn tổng hợp về dữ liệu được kiểm tra.
Từ khóa
#phân loại giấy #bản đồ tự tổ chức #phân tích kết cấu #tính chính xác phân loạiTài liệu tham khảo
Norman B, Wahren D (1974) The measurement of mass distribution in paper sheet using a beta radiographic method. Svensk Papperstidning 77(11):397–406
Cresson T, Luner P (1990) Characterization of paper formation. Part 2: the texture analysis of paper formation. Tappi J 73(12):175–184
Bernie JP, Douglas WJM (1996) Local grammage distribution and formation of paper by light transmission image analysis. Tappi J 79(1):193–202
Bouyndain M, Colom JF, Navarro R, Pladellorens J (2001) Determination of paper formation by Fourier analysis of light transmission images. Appita J 54(2):103–105, 115
Keller DS, Lewalle, Luner P (1999) Wavelet analysis of simulated paper formation. Pap Puu 81(7):499–505
Boyndain M, Colom JF, Pladellorens J (1999) Using wavelets to determine paper formation by light transmission image analysis. Tappi J 82(7):153–158
Jordan BD, Nguyen NG (1986) Specific perimeter – a graininess parameter for formation and print-mottle textures. Pap Puu 6(7):476–482
Niskanen M, Silvén O, Kauppinen H (2001) Color and texture based wood inspection with non-supervised clustering. In: SCIA 2001 – 12th Scandinavian conference of image analysis, Bergen, Norway, pp 336–342
Ojala T, Pietikäinen M, Harwood D (1996) A comparative study of texture measures with classification based on feature distributions. Pattern Recognition 29(1):51–59
Ojala T, Pietikäinen M, Mäenpää T (2002) Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans Pattern Anal Mach Intell 24(7):971–987
Ojala T, Valkealahti K, Oja E, Pietikäinen M (2001) Texture discrimination with multidimensional distributions of signed gray level differences. Pattern Recognition 34:727–739
Harwood D, Ojala T, Pietikäinen M, Kelman S, Davis LS (1995) Texture classification by center-symmetric auto-correlation, using kullback discrimination of distributions. Pattern Recognition Lett 16:1–10
Laws KL (1980) Textured image segmentation. PhD thesis, University of Southern California, Los Angeles, USA
Vincent L, Soille P (1991) Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Trans Pattern Anal Mach Intell 13(6):583–598
Kohonen T (1997) Self-organizing maps. Springer, Berlin Heidelberg New York
Niskanen M, Kauppinen H, Silvén O (2002) Real-time aspects of SOM-based visual surface inspection. Proc SPIE 4664:123–134