[논문 리뷰] A New Benchmark Dataset for Texture Image Analysis and Surface Defect Detection

Shervan Fekri Ershad|arXiv (Cornell University)|2019. 01. 01.

Industrial Vision Systems and Defect Detection참고 문헌 12인용 수 3

한 줄 요약

이 논문은 4개의 클래스에 걸쳐 총 60개의 돌 무늬 이미지를 포함한 이중 목적의 벤치마크인 스톤 텍스처 이미지(STI) 데이터셋을 소개한다. 이 데이터셋은 회전, 확대/축소, 무늬 크기, 결함 유형 등 실제와 유사한 변형을 반영하고 있다. 최신 기술 기반의 기술자표현을 사용해 평가한 결과, STI는 기존 데이터셋보다 더 높은 도전성과 현실성을 입증하였으며, MLBP16,2를 사용해 무늬 분류 작업에서 최대 98.06%의 정확도를 달성하였다.

ABSTRACT

Texture analysis plays an important role in many image processing applications to describe the image content or objects. On the other hand, visual surface defect detection is a highly research field in the computer vision. Surface defect refers to abnormalities in the texture of the surface. So, in this paper a dual purpose benchmark dataset is proposed for texture image analysis and surface defect detection titled stone texture image (STI dataset). The proposed benchmark dataset consist of 4 different class of stone texture images. The proposed benchmark dataset have some unique properties to make it very near to real applications. Local rotation, different zoom rates, unbalanced classes, variation of textures in size are some properties of the proposed dataset. In the result part, some descriptors are applied on this dataset to evaluate the proposed STI dataset in comparison with other state-of-the-art datasets.

연구 동기 및 목표

• 무늬 이미지 분석 및 표면 결함 탐지 분야에서 현실적이고 응용 중심의 벤치마크 데이터셋이 부족한 문제를 해결하기 위해.
• 현장에서의 산업 검사 과제를 반영한 데이터셋을 구축하기 위해, 국소적 회전, 다양한 확대 수준, 다양한 결함 유형을 포함하기 위해.
• 무늬 분류 및 결함 탐지 작업을 동시에 지원할 수 있는 통합된 벤치마크를 제공하기 위해.

제안 방법

• STI 데이터셋은 제어된 환경에서 실제 돌 샘플을 사용해 촬영하여 산업 검사 환경을 모의한 것이다.
• 데이터셋은 총 60장의 이미지로 구성되며, 무늬 분석용 20장(4종류의 돌 각각 5개 샘플)과 결함 탐지용 40장(각 클래스별로 결함 없음 5장, 결함 있음 10장)이다.
• 이미지 촬영 시 다양한 회전 각도(0°에서 90°까지), 다른 확대 비율, 자연스러운 무늬 반복을 적용하여 실제 세계의 변동성을 반영하였다.
• 저크기 및 고크기의 무늬와 결함을 포함하며, 색상, 형태, 무늬의 손상 정도에 변화가 있다.
• 1DLBP, MLBP16,2, NrCLBP, MBP와 같은 표준 무늬 기술자표현을 사용해 STI 데이터셋에서의 성능을 평가하였다.
• 무늬 분류 및 결함 탐지에 대한 실험을 통해 정량적 결과로 정확도와 강인성을 보고하였다.

실험 결과

연구 질문

• RQ1 STI 데이터셋은 기존의 기준 데이터셋과 비교해 무늬 분석 분야에서 현실성과 도전성 측면에서 어떻게 다른가?
• RQ2 최신 기술 기반의 무늬 기술자표현은 STI 데이터셋에서 얼마나 높은 성능을 달성할 수 있는가?
• RQ3 회전, 확대/축소 및 결함 특성의 변형은 STI 데이터셋에서 결함 탐지 시스템의 성능에 어떤 영향을 미치는가?
• RQ4 STI 데이터셋은 통합된 프레임워크에서 무늬 분류 및 표면 결함 탐지 작업을 효과적으로 지원할 수 있는가?

주요 결과

• 1DLBP + SSR 기술자표현을 사용한 STI 데이터셋은 평균 분류 정확도 97.07%를 달성하여 무늬 분류 작업에서 뛰어난 성능을 보였다.
• NrCLBP 기술자표현은 크림리 계열에서 97.33%의 정확도, 트라베르틴에서 98.06%의 정확도, 평균 96.47%의 정확도를 기록하여 매우 강인한 성능을 입증하였다.
• MBP 기술자표현은 평균 정확도 91.26%로 가장 낮은 성능을 보였으며, 이는 덜 강인한 방법에 대해 데이터셋이 높은 도전성을 지닌다는 것을 시사한다.
• 국소적 회전, 다양한 확대 수준, 현실적인 결함 변형을 포함함으로써, 기존의 기준 데이터셋보다 실제 산업 응용에 더 부합하는 표현력을 지녔다.
• 실험 결과는 STI 데이터셋이 브로다츠, 아웃렉스, 비스타익스와 같은 전통적 데이터셋보다 실제 이미지 변형이 풍부하여 더 높은 도전성을 지닌다는 것을 확인하였다.
• STI 데이터셋은 무늬 분류 및 표면 결함 탐지 작업을 효과적으로 평가할 수 있으며, 이는 이중 목적의 유용성을 검증한다.