UN CADRE D'INSPECTION DU TISSU DES COUSSINS GONFLABLES
DOI :
https://doi.org/10.59277/RRST-EE.2025.2.19Mots-clés :
Détection de défauts, Texture, Airbag, Coussin gonflable, Filtre GaborRésumé
Le processus de production des coussins gonflables exige un taux de défauts quasi nul, de la matière première à l'assemblage final. Afin de minimiser les défauts de tissu, nous avons mené une étude sur le programme de maintenance des métiers à tisser à l'aide d'un système de vision sur mesure chez un fabricant mondial de premier plan. Nous avons identifié et classé tous les défauts observables dans le tissu obtenu grâce au cadre proposé, qui utilise la transformée en ondelettes et prend en charge le traitement à grande vitesse. Les résultats ont été corrélés avec la maintenance des métiers et suivis sur une période de deux ans afin de réduire les erreurs imprévues. L'entreprise a ainsi pu reprogrammer les réparations, réduire les défauts et minimiser les pertes de matière.
Références
(1) J.L. Bouchot, G. Stübl, B. Moser, A template matching approach based on the discrepancy norm for defect detection on regularly textured surfaces, Proc. SPIE, 8000 (2011).
(2) R. Nayak, R. Padhye, Automation in Garment Manufacturing, The Textile Institute Book Series, Woodhead Publishing (2017).
(3) A. Conci, C.B. Proença, A fractal image analysis system for fabric inspection based on box-counting method, Computer Networks and ISDN Systems, 30, pp. 1887–1895 (1998).
(4) A. Kumar, G. Pang, Fabric defect segmentation using multichannel blob detectors, Opt. Eng., 39, 12, pp. 3176–3190 (2000).
(5) A. Kumar, Computer vision-based fabric defect detection: a survey, IEEE Trans. Industrial Electronics, 55, 1, pp. 348-363 (2008).
(6) S.P. Dhanalakshmi, R.R.S. Kumari, A survey of fabric defect detection techniques, Int. J. Appl. Eng. Res. (2018).
(7) K.-L. Mak, P. Peng, Fabric defect detection using multi-level tuned-matched Gabor filters, J. Ind. Manag. Optim., 8, 2 (2012).
(8) J.L. Raheja, S. Kumar, A. Chaudhary, Fabric defect detection based on GLCM and Gabor filter: A comparison, Optik, 124, 23, pp. 6469–6474 (2013).
(9) Y. Li, W. Zhao, J. Pan, Deformable patterned fabric defect detection with Fisher criterion-based deep learning, IEEE Trans. Autom. Sci. Eng., 14, 2, pp. 1256–1264 (2017).
(10) N.T. Deotale, T.K. Sarode, Fabric defect detection adopting combined GLCM, Gabor wavelet features and random decision forest, 3D Res., 10, 1, 5 (2019).
(11) G. Vladimir, I. Evgen, N.L. Aung, Automatic detection and classification of weaving fabric defects based on digital image processing, 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), pp. 2218–2221 (2019).
(12) A. Şeker, Evaluation of fabric defect detection based on transfer learning with pre-trained AlexNet, 2018 International Conference on Artificial Intelligence and Data Processing (IDAP), pp. 1–4 (2018).
(13) B. Wei, K. Hao, X.-S. Tang, L. Ren, Fabric defect detection based on Faster RCNN, Int. Conf. Artif. Intell. Textile Apparel, pp. 45–51 (2018).
(14) Y. Guo, X. Kang, J. Li, Y. Yang, Automatic fabric defect detection method using AC-YOLOv5, Electronics, 12, 13, 2950 (2023).
(15) K.S. Kumar, M.R. Bai, LSTM-based texture classification and defect detection in a fabric, Measurement: Sensors, 26, 100603 (2023).
(16) M. Wang, Z. Chen, P. Wang, H. Zhu, L. Fan, Aerostat airbag damage detection based on VMD decomposition and GenSVM, J. Phys.: Conf. Ser., 2173, 012056 (2022).
(17) A. Rasheed, B. Zafar, A. Rasheed, N. Ali, M. Sajid et al., Fabric defect detection using computer vision techniques: A comprehensive review, Math. Probl. Eng., 2020, 8189403 (2020).
(18) L. Li, Q. Li, Z. Liu, L. Xue, Effective fabric defect detection model for high-resolution images, Appl. Sci., 13, 18, 10500 (2023).
(19) T. Meeradevi, S. Sasikala, Automatic fabric defect detection in textile images using a LabVIEW-based multiclass classification approach, Multimed. Tools Appl., 83, pp. 65753–65772 (2024).
(20) L. Luo, C. Deng, Z. Wu, S. Wang, T. Ye, Automobile airbag defect detection algorithm based on improved Faster RCNN, 2021 Int. Conf. Comput. Eng. Artif. Intell. (ICCEAI), pp. 281-285 (2021).
(21) M. Priya, C. Ramakrishnan, S. Karthik, Fetal 3D-echo classification and segmentation using color and textural features for TR detection, Rev. Roum. Sci. Tech. – Électrotechn. et Énerg., 69, 1, pp. 109–114 (2024).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2025
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
