Keraamisten laattojen luokittelu väripiirteiden avulla

Vaikka keraamisten laattojen valmistusprosessi onkin täysin automatisoitu, viimeinen vaihe eli laaduntarkistus ja luokittelu tehdään yleensä ihmisvoimin. Automaattinen laaduntarkastus laattojen valmistuksessa voidaan perustella taloudellisuus- ja turvallisuusnäkökohtien avulla. Tämän työn tarkoituksena on kuvata tutkimusprojektia keraamisten laattojen luokittelusta erilaisten väripiirteiden avulla. Oleellisena osana tutkittiin RGB- ja spektrikuvien välistä eroa. Työn teoreettinen osuus käy läpi aiemmin aiheesta tehdyn tutkimuksen sekä antaa taustatietoa konenäöstä, hahmontunnistuksesta, luokittelijoista sekä väriteoriasta. Käytännön osan aineistona oli 25 keraamista laattaa, jotka olivat viidestä eri luokasta. Luokittelussa käytettiin apuna k:n lähimmän naapurin (k-NN) luokittelijaa sekä itseorganisoituvaa karttaa (SOM). Saatuja tuloksia verrattiin myös ihmisten tekemään luokitteluun. Neuraalilaskenta huomattiin tärkeäksi työkaluksi spektrianalyysissä. SOM:n ja spektraalisten piirteiden avulla saadut tulokset olivat lupaavia ja ainoastaan kromatisoidut RGB-piirteet olivat luokittelussa parempia kuin nämä.

Although the ceramic tile manufacturing process itself has been highly automated, the final stage, quality control and classification is usually done by human vision. Automated quality control in tile production can be justified by commercial and safety benefits to the industry. The purpose of this Master's Thesis is to describe a research project in which classification of ceramic tiles on the basis of different color features was studied. An essential part of the project was study of the difference between RGB and spectral images. The theoretical part of the study considers prior research done in this subject, and background information about machine vision, pattern recognition, classifiers, and color theory. The data in the empirical part consisted of 25 ceramic tiles from five different classes. The methods, k Nearest Neighbor (k-NN) and Self-Organizing Map (SOM) were used in the classification task. The results obtained were compared with classification performed by humans. It was noticed that a neural computing approach is an important tool in spectral analysis. The results with the SOM and spectral features were promising, and the only features to compete with the spectral neural network approach were the chromaticity values of RGB features.