Methods for Region Based Paper Surface Roughness Measurement

Paperin pinnan karheus on yksi paperin laatukriteereistä. Sitä mitataan fyysisestipaperin pintaa mittaavien laitteiden ja optisten laitteiden avulla. Mittaukset vaativat laboratorioolosuhteita, mutta nopeammille, suoraan linjalla tapahtuville mittauksilla olisi tarvetta paperiteollisuudessa. Paperin pinnan karheus voidaan ilmaista yhtenä näytteelle kohdistuvana karheusarvona. Tässä työssä näyte on jaettu merkitseviin alueisiin, ja jokaiselle alueelle on laskettu erillinen karheusarvo. Karheuden mittaukseen on käytetty useita menetelmiä. Yleisesti hyväksyttyä tilastollista menetelmää on käytetty tässä työssä etäisyysmuunnoksen lisäksi. Paperin pinnan karheudenmittauksessa on ollut tarvetta jakaa analysoitava näyte karheuden perusteella alueisiin. Aluejaon avulla voidaan rajata näytteestä selvästi karheampana esiintyvät alueet. Etäisyysmuunnos tuottaa alueita, joita on analysoitu. Näistä alueista on muodostettu yhtenäisiä alueita erilaisilla segmentointimenetelmillä. PNN -menetelmään (Pairwise Nearest Neighbor) ja naapurialueiden yhdistämiseen perustuvia algoritmeja on käytetty.Alueiden jakamiseen ja yhdistämiseen perustuvaa lähestymistapaa on myös tarkasteltu. Segmentoitujen kuvien validointi on yleensä tapahtunut ihmisen tarkastelemana. Tämän työn lähestymistapa on verrata yleisesti hyväksyttyä tilastollista menetelmää segmentoinnin tuloksiin. Korkea korrelaatio näiden tulosten välillä osoittaa onnistunutta segmentointia. Eri kokeiden tuloksia on verrattu keskenään hypoteesin testauksella. Työssä on analysoitu kahta näytesarjaa, joidenmittaukset on suoritettu OptiTopolla ja profilometrillä. Etäisyysmuunnoksen aloitusparametrit, joita muutettiin kokeiden aikana, olivat aloituspisteiden määrä ja sijainti. Samat parametrimuutokset tehtiin kaikille algoritmeille, joita käytettiin alueiden yhdistämiseen. Etäisyysmuunnoksen jälkeen korrelaatio oli voimakkaampaa profilometrillä mitatuille näytteille kuin OptiTopolla mitatuille näytteille. Segmentoiduilla OptiTopo -näytteillä korrelaatio parantui voimakkaammin kuin profilometrinäytteillä. PNN -menetelmän tuottamilla tuloksilla korrelaatio oli paras.

Paper surface roughness is one of the paper quality measures. It is measured with devices that measure a paper surface physically and with optical measuring devices. Measurements require laboratory conditions, but there is a need for faster on-line measurements in the paper industry. Paper surface roughness can be expressed as one roughness value per sample. In this work, a processed image is divided into meaningful regions and a separate roughness value is calculated for each of the regions. There are several methods used for roughness measurements. Generally accepted statistical methods are applied in this work, as well as a recent distance transformation method. In the paper surface roughness measurement, there has been a need to divide an analyzed sample into regions that are based on their roughness. Based on the division, rough areas can be extracted from a sample. The distance transformation produces regions that are further analyzed. These regions are used to form homogeneous regions with different segmentation techniques. Pairwise Nearest Neighbor based methods and the method based on merging neighboring regions are used for the segmentation. The split and merge approach of the regions is also studied. Validation of the segmented image is generally done visually. The approach of this work isto compare a generally accepted statistical method with the segmentation results. High correlation between the results of these two methods indicates successful segmentation. The results of different experiments are further compared using hypothesis testing. Two sets of images of cardboard surfaces, which were measured with a profilometer and OptiTopo measuringdevices, were analyzed in this work. The changed starting parameters for the distance transform were the amount and location of the starting points. The same starting parameter changes were applied on all region merging algorithms. The correlation for the profilometer samples was generally stronger than for the OptiTopo samples after the distance transform. Thesegmentation results of the OptiTopo images had higher improvement in correlation than the profilometer images. The Pairwise Nearest Neighbortransform based algorithm produced results with the strongest correlation.