Comparison of spatial and frequency domain methods for detecting linear texture defects on yarn package surface

Dieser Artikel geht den Herausforderungen bei der Erkennung linearer Texturfehler auf Garnverpackungsoberflächen nach und konzentriert sich auf automatisierte Inspektionstechniken, um menschliche Fehler und Arbeitskosten zu reduzieren. Die Studie stellt zwei Hauptkategorien von Methoden vor: Spatial-Domain und Frequency-Domain-Ansätze. Im räumlichen Bereich werden die Shadow Scan Method (SSM) und Dominant Gradient Analysis (DMA) untersucht, die jeweils ihre eigenen Vorteile und Grenzen haben. Die SSM-Methode nutzt Schattenvariationen, um Defekte zu erkennen, während die DMA-Methode Gradientenmerkmale zur Identifizierung verwendet. Im Frequenzbereich werden die PCA mit Hough After Frequency Filtering (PHAFF) und Frequency Energy Histogram (FEH) Methoden vorgestellt, die besonders effektiv bei der Identifizierung von Defekten sind, deren Ausrichtung eng mit der normalen Texturrichtung übereinstimmt. Der Artikel behandelt auch die Vorverarbeitungsschritte bei der Bildanalyse, einschließlich Binarisierung und Kantenerkennung. Experimentelle Ergebnisse zeigen die Effektivität dieser Methoden bei der Erkennung von Defekten mit Überlauf, wobei die Frequenzdomänen-Ansätze die Beschränkungen räumlicher Methoden kompensieren. Die Studie kommt zu dem Schluss, dass diese Methoden zwar die manuelle Inspektion nicht vollständig ersetzen können, aber die Fehlererkennungsraten deutlich reduzieren und die Arbeitsbelastung verringern, da sie intelligente Hilfe bei der Fehlererkennung bieten.