Approaches for content-based retrieval of surface defect images
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Doctoral thesis (article-based)
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2006-10-20
Major/Subject
Mcode
Degree programme
Language
en
Pages
70, [56]
Series
Dissertations in computer and information science. Report D, 15
Abstract
There are two properties which all industrial manufacturing processes try to optimize: speed and quality. Speed can also be called throughput and tells how much products can be created in a specified time. The higher speeds you have the better. Quality means the perceived goodness of the finished product. Broken or defective products simply don't sell, so they must be eliminated. These are contradicting goals. The larger the manufacturing volumes, the less time there is to inspect a single product, or the more inspectors are required. A good example is paper manufacturing. A single paper machine can produce a sheet of paper several meters wide and several hundred kilometers long in just a few hours. It is impossible to inspect these kinds of volumes by hand. In this thesis the indexing and retrieval of defect images taken by an automated inspection machine is examined. Some of the images taken contain serious defects such as holes, while others are less grave. The goal is to try to develop automated methods to find the serious fault images from large databases using only the information in the images. This means that there are no annotations. This is called content-based image retrieval, or CBIR. This problem is examined in two different ways. First the PicSOM CBIR tool's suitability for this task is evaluated. PicSOM is a platform for content-based image retrieval developed at the Laboratory of Computer and Information Science, Helsinki University of Technology. PicSOM has earlier been succesfully applied to various different CBIR tasks. The other part involves developing new algorithms for efficient indexing of large, high-dimensional databases. The Evolving Tree (ETree), a novel hierarchical, tree-shaped, self-organizing neural network is presented and analyzed. It is noticeably faster than classical methods, while still obtaining good results. The suitability and performance of both CBIR and ETree on this problem is evaluated using several different experiments. The results show that both approaches are applicable for this real world quality inspection problem with good results.Kaikki teolliset tuotantolaitokset pyrkivat optimoimaan kahta ominaisuutta: nopeutta ja laatua. Nopeus kertoo kuinka nopeasti tuotteet pystytään valmistamaan. Mitä suurempi valmistunopeus on, sitä parempi. Laatu taas mittaa lopullisen tuotteen subjektiivista hyvyyttä. Koska viallisia tuotteita ei yleensä saa kaupaksi, ne on poistettava. Nämä ovat vastakkaisia tavoitteita. Mitä enemmän tuotetta valmistetaan, sitä vähemmän aikaa yksittäisen kappaleen tarkastamiseen jää. Hyvänä esimerkkinä käy paperin valmistaminen. Normaali paperikone tuottaa muutamassa tunnissa monta sataa kilometriä paperia. Näin suurien tuotantomäärien tarkastaminen käsin on mahdotonta. Tässä väitöskirjassa tutkitaan automaattisen tarkastuskoneen ottamien kuvien indeksointia ja hakua. Jotkut näistä kuvista sisältävät vakavia virhetilanteita, kuten reikiä. Toiset ovat vähemmän vakavia. Tavoitteena on kehittää automaattisia menetelmiä, jotka löytävät vakavat viat suurista tietokannoista käyttäen hyväksi vain kuvissa olevaa tietoa. Kuvia ei siis ole etukäteen luokiteltu. Tätä kutsutaan sisältöpohjaiseksi hauksi. Tätä ongelmaa tutkitaan kahdella eri tavalla. Ensiksi selvitetään PicSOM-työkalun soveltuvuus tähän ongelmaan. PicSOM on Teknillisen korkeakoulun Informaatiotekniikan laboratoriossa kehitetty sisältöpohjaisen kuva-analyysin tutkimusalusta. PicSOM:ia on aiemmin käytetty menestyksekkäästi moniin sisältöpohjaisen haun ongelmiin. Tämän lisäksi kehitetään uusia algoritmeja suurten ja korkeaulottuvuuksisten tietokantojen indeksointiin. Tuloksena on Evolving Tree (ETree), uusi hierarkkinen ja puumainen itseorganisoiva neuroverkko. Se on huomattavasti nopeampi kuin klassiset menetelmät mutta saavuttaa silti hyviä tuloksia. Sisältöpohjaisen haun ja ETree:n soveltuvuutta tähän ongelmaan tutkitaan monin erilaisin kokein. Tulokset osoittavat, että molemmat lähestymistavat tuottavat hyviä tuloksia sovellettuna tähän tosielämän laaduntarkastusongelmaan.Description
Keywords
surface inspection, content-based image retrieval, tree-structured self-organizing neural networks, self-organizing maps, Evolving Tree, pinnantarkistus, sisältöpohjainen kuvahaku, puumaiset neuroverkot, itseorganisoivat kartat, Evolving Tree
Other note
Parts
- Jukka Iivarinen, Jussi Pakkanen, and Juhani Rauhamaa, Content-Based Image Retrieval in Surface Inspection. In Proceedings of the 7th International Conference on Control, Automation, Robotics, and Vision, pages 24-28, Singapore, December 3-6 2002.
- Jussi Pakkanen, Antti Ilvesmäki, and Jukka Iivarinen, Defect Image Classification and Retrieval with MPEG-7 Descriptors. In J. Bigun, T. Gustafsson (Eds.), Proceedings of the 13th Scandinavian Conference on Image Analysis, Lecture Notes in Computer Science 2749, pages 349-355, Göteborg, Sweden, June 29 - July 2 2003. [article2.pdf] © 2003 by authors and © 2003 Springer Science+Business Media. By permission.
- Jussi Pakkanen, The Evolving Tree: a New Kind of Self-Organizing Neural Network. In Proceedings of the 4th Workshop on Self-Organizing Maps, pages 311-316, Kitakyushu, Japan, September 11-14 2003.
- Jussi Pakkanen and Jukka Iivarinen, A Novel Self-Organizing Neural Network for Defect Image Classification. In Proceedings of the International Joint Conference on Neural Networks, pages 2553-2558, Budapest, Hungary, July 25-29 2004. [article4.pdf] © 2004 IEEE. By permission.
- Jukka Iivarinen, Rami Rautkorpi, Jussi Pakkanen, and Juhani Rauhamaa, Content-Based Retrieval of Surface Defect Images with PicSOM. International Journal of Fuzzy Systems, vol. 6, number 3, pages 160-167, September 2004.
- Jussi Pakkanen, Jukka Iivarinen, and Erkki Oja, The Evolving Tree – a Novel Self-Organizing Network for Data Analysis. Neural Processing Letters, vol. 20, number 3, pages 199-211, November 2004.
- Jussi Pakkanen, Jukka Iivarinen, and Erkki Oja, The Evolving Tree – Analysis and Applications. IEEE Transactions on Neural Networks, vol. 17, number 3, pages 591-603, May 2006. [article7.pdf] © 2006 IEEE. By permission.