WELD CLASSIFICATION BASED ON GREY LEVEL CO-OCCURRENCE AND LOCAL BINARY PATTERNS

Abstract

Visuel inspektion af svejsninger bruges til, at sikre at arbejdet er udført tilstrækkeligt. Den visuelle inspektion foretages normalt af svejseren, men i tilfælde hvor svejseprocessen er automatiseret, f.eks. ved lineær føring, skal inspektionen foretages af en person som har erfaring, hvilket kræver resurser. Denne specialeafhandling omhandler den visuelle inspektion ved brug af teksturbeskrivende vektorer, der efterfølgende klassificeres i to kategorier. Hovedformålet med afhandlingen er, at besvare om det er muligt, at klassificere en MIG svejsning ud fra et standardiseret 2D billede og derved automatisere inspektionsprocessen. Først blev udgivet litteratur indenfor området undersøgt systematisk for, at skabe et overblik over eksisterende forsøg, samt hvilke metoder andre har opnået brugbare resultater med. Grundet en specialeperiode fra februar til juni, blev der taget beslutninger der skulle begrænset omfanget af testene. Det blev besluttet at antallet af svejsefejl, der skulle kategoriseres blev begrænset til én type – gasfejl. Da det ikke var muligt, at finde eksisterende datasæt, der indeholdte både gode svejsninger og svejsninger med gasfejl, blev der fremstillet et datasæt i laboratorieværkstedet på Aalborg Universitet København. Kvalitet af billederne i datasættet er valideret af forfatteren baseret på erfaring, samt de overordnet krav til svejsningerne blev diskuteret med en ekspert i visuel inspektion. Baseret på den gennemgået litteratur blev to metoder til beskrivelse af overflade teksturen udvalgt og testet på datasættet. I forbindelse med testene blev billederne i datasættet udsat for forskellige procedurer, der baseret på relevant litteratur skulle øge kvaliteten af outputtet, som blev brugt til klassificering. Metoderne til kvalificering var ligeledes baseret på tidligere udgivet litteratur og metoder, der matchede det ønskede output. Resulter af testene viser en betydelig bedre klassificering baseret på output fra den ene metode, mens begge metoder til beskrivelse af teksturen i billedet opnår en nøjagtighed på over 90%. Højeste nøjagtighed opnået er 96% med et datasæt, hvor billederne har gennemgået færrest muligt processer. Ud fra ovenstående kan det konkluderes, at en automatisering af den visuelle inspektion af MIG svejsninger, hvor der udelukkende inspiceres for gasfejl er mulig ved brug af 2D billeder taget med et kommercielt digitalkamera.

This project seeks to find a possible solution for the visual examination of welds, where feature extraction methods are examined and tested with two different classifiers. The idea behind the project is to investigate if visual inspection based on texture describing features, processed with a machine learning algorithm, can detect flaws and defects in a weld merely by inspecting the surface of the object. Visual inspection is the primary way of evaluating weld seams, where construction is not critical and additional cost is the main risk [1]. Visual inspections entail manual interpretation and evaluation, which are time consuming, and the result often depends on the person assigned to the task [1], which makes automation interesting. The project is based on other research projects regarding the visual inspection of welds and will strive to devise a solution that can detect one type of defect that is visible to the human eye. A dataset containing images of both good and bad welds is created from weld samples produced specifically for this purpose. For preparation of the images, different image processing tools are applied in the making of the dataset. The dataset is tested on two different feature extraction methods in the search for features that best explain image textures. To test extracted features, two classification models are tested to find the most suitable, and their results are discussed. As a result of this, a machine learning algorithm is trained on data with known targets, and tests on unknown data (processed images) are performed to analyse and compare results. Several settings, both within feature extraction and classification, are trailed and results are discussed.

A master thesis from Aalborg University

WELD CLASSIFICATION BASED ON GREY LEVEL CO-OCCURRENCE AND LOCAL BINARY PATTERNS