Internati o nal  Journal of Ele c trical   and Computer  Engineering  (IJE CE)  V o l.  5, N o . 1 ,  Febr u a r y   201 5,  pp . 46 ~54  I S SN : 208 8-8 7 0 8           46     Jo urn a l  h o me pa ge : h ttp ://iaesjo u r na l.com/ o n lin e/ind e x.ph p / IJECE  A Robotic Assistance Machine Vision Technique for an  Effective Inspection and Analysis        San t osh  Kum a r S a h o o*, B.   B. Ch ou dhur y**    * Depart em ent o f  El ectron i cs   Tel ecom m unicat ion Eng i n eer ing, IGIT, Sarang , U t kal  University , Odisha,  India  **Departm ent  of  M echan ic al  Eng i neer ing,  IGIT,   S a rang       Article Info    A B STRAC T Article histo r y:  Received Oct 19, 2014  Rev i sed  D ec 17 , 20 14  Accepte d Ja 4, 2015      An Inspection  is a stud y  of  methods  and  tech niques th at  can  be suitab ly   emplo y ed in pr actical  appl icatio ns. In this pap e r ,  a n e w activity   is proposed  and an al ys is  fr am ework to fa cili tat e   the  ins p ect ion of  an o b jec t  us in g   machine vision  techniqu e in which maxi m u m  effici enc y  c a n be  a c hiev ed.  B y   using LABVIEW software and  vision build er s o ftware  the qu ality  of ou tput  im ages such as im age com p re ssion, im age re storation and  m u ltim edia   streaming are achiev ed successfully So the proposed design makes use of  various image processing functions like  spe c ia l filte r s a nd cla ssifie r s to  com pute th e op t i m u m  results. U s ing sm art c a m e ra in  th e inspe c t i on s y st em   the static as well  as  the d y n a mic object is capt ured in fr action  of seconds   without an y  b l urs; as a result th e optimum i m age quality  w ithout an y   distortion is ob tain ed for better anal y s is. The proposed s y stem is v e r y   precis e , a ccur a te  and fl exibl e  wit h  reas onabl e dev e lopm ent cos t  c o m p ared t o   other model. W ith the  aid of  an Indus trial rob o tic s y s t em with simulation  software the ob ject  is re placed  immediately  when the sa me is rejected b y  th machine vision  model. Apart from  this, the proposed model can be  implemented fo r  an y   ty pe of Automation work Keyword:  I ndu str i al Robo r t   LABV IE W s o f t ware    Sm art Cam e ra   Vision  b u ild er   Copyright ©  201 5 Institut e  o f   Ad vanced  Engin eer ing and S c i e nce.  All rights re se rve d Co rresp ond i ng  Autho r San t osh Ku m a r  Saho   Depa rt em ent  of El ect r oni cs  &  Tel ecom m uni cat i on E n gi nee r i n g   Ig it, Saran g , Utk a Un iv ersity,  Odisha, India    Em a il: san t o s h.kr.sah oo@g m ail.co m       1.   INTRODUCTION   It is an   ob ligato r y step to   ev alu a te th q u a lity of ou t p u t  im ag es in m a n y  i m ag e p r o cessi n g   ap p lication s  such  as im ag e acq u i sition ,  co mp ressi on , re storatio n, transm i ssio n , etc. Since h u m an  b e ing s  are  th e u lti m a te o b serv ers o f  the p r o c essed  i m a g es and  th us th e ju dg es  o f  imag e q u a lity, it is  h i g h l y d e sired  to  d e v e l o p au t o matic ap p r o a ch es th at can   p r edict p e rcep t u al imag e qu ality c o n s isten tly with  hu m a n  sub j ectiv evaluation.   Machine visi on  is  a branch of  en gi ne eri n g t h at   us es com put er  vision in the  context  of  manufact uri n g, whe r e the im a g es analysis is done to  ex tract  d a ta for co n t ro llin g  a  p r o cesso r activ ity. Mach ine  vision process e s are targete d  at r ecogn izing th e actu a ob jects in  an im a g e an d assign i n g prop erties to  tho s ob ject s- u nde rst a ndi ng  w h at  t h ey  m ean. En gi nee r s are a d di n g  M achi n e  vi si o n  sy st em s t o  a num ber  of   industrial applications to  re duce co st s, i n cre a se t h r o u g h p u t ,  an d i m prove  cu sto m er  satisfactio n .  All  m a ch ine  vision system s  include a c o m b ination of  hardware a n soft ware t o  ac qui re an pr o cess i m ages, usu a l l y   resulting in a  response  from  a seconda ry sy stem  connecte d  to t h e ins p ec tion system . There a r e two  possible  designs for thi s  refere nce arc h itecture.  One  include a l o w - cost ru g g ed , em bedde d s o l u t i on w h i l e  t h e ot he r   m a kes use of t h e p o we r of a com put er t o  acqui re and  pr oc ess im ages at  a hi ghe r rat e  and re sol u t i o n .  Vi si o n   syste m s can  b e  u s ed  t o  precisely  measu r n u m b e r of v a riab les su ch  as len g t h, ang l e,  p o s ition ,   o r ientatio n ,   color and so  on. T h e m a in a dva ntage  of a  vision m easur in g  system  in  t h ese app lication s  is its n o n - co n t act   featu r e,  wh ich   is i m p o r tan t  in   cases wh en  it is  d i fficu lt to im p l e m en t co n t act  m easu r em e n t.  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     A Robo tic Assi sta n c e Ma ch ine Visio n  Tech niq u e  f o r An   Effective In sp ectio n and  Ana l ysis   (S an to sh  K.S . 47 Thi s  pa per p r o pos ed t h e de vi ces and m e t hod t o  devel op a n  effect i v e i n s p ect i on sy st em . The sy st em   co nsists of  Sm ar t Cam e r a  1 7 2 2 , a m o tio n   platf o r m , Lab   view   W i n dow  an d NI   v i sion   dev e lop m en mo du le.    In t h i s   pr o pose d  m odel  t h e i n vest i g at i o of t h e ci rc ul ar l i ne ari t y  by  usi n g  t h NI  Vi si o n  s y st em  whi c h c onsi s t   o f  th fo llowing  Parts su ch  as     [A]  Ill u m i natio n   [B]  Ob ject   [C]  Sm art Cam e ra   [D]  Im age  pr o cesso r   [E]  Co ntr o ller  (Ro botic)           Fi gu re  1.  Sc he m a t i c  B l ock di agram  of  O b je ct  Ins p ect i o n S y st em       A. Illu m i n a tio n :   Lig h ting  in clud es u s o f   b o t h  artificial lig h t  so u r ces  su ch   as la m p s an d   n a tural illu m i n a tio n  of in teriors  fro m  d a ylig h t . Artificial lig h tin g is m o st co mm o n l y prov id ed  t o d a y  b y  electric l i g h t s.  Wh en  t h inform ation from   the sa m p les is accu m u lated and a n alyzed, with res p ect to the specific sa m p le  and  inspection  requirem ents, we  can ac hi eve t h e prim ary goal of  NI  vision  l i ght i ng a n al y s i s  - t o  p r o v i d sam p le appropriate lightin g t h at m eets three accepta nce cri t eria consistent ly:    Maximize the cont rast on t h ose features  of i n terest     Minim i ze the cont rast elsewhere     Provi d e for a  measure  of robustness   B. Obj ect:    The  part   whi c h i s   goi ng t o   be i n s p ect e d  i n  t e rm s of ci r c ul ar l i n ea ri t y . In  t h i s   part i c ul ar  pape r t h e   cylindrical ba is placed for inve stigating its  circular li nearity.    C. Sm ar Ca m e r a   1 722  The selection  of cam era is heavily de pe nde n t on our appl ication. If sele ct an appropri ate ca m e ra, lens  and  l i g ht ni n g   set u p ,  t h e  ef f o rt s ca n t h e n   b e  f o cus e d  o n   devel opi ng   ou r s o l u t i o n,  rat h er t h a n   w r est l i n g   wi t h   po o r  i m age  dat a  a n d  sa ves  pr ocessi ng  t i m e  at   execut i on. He re  NI s m art ca m e ra1722 is selected  and  h a v i n g  r e so lu ti o n  of   12 80x 102 4 w ith 7.4x7 .4  µm  p i x e l size.      D. Im age  process o It  i s   used  f o pr ocessi ng  t h e  acq ui re d i m age  fr om   th e smart ca m e ra fo r resu lts  with actu a p r ed efi n ed  param e ters.    E.  Co n t ro ller (Rob o tic):   The R o bot i c  cont rol l e r gi ves  t h e com m a nd si gnal  t o  t h e Robot after successful analysis by  m eans of  circularity  m a tching  with pre d efi n ed param e ters;  as  a result the defective  objects can be replaced  form  t h e t e st  be nc h.  The B l oc di a g ram  of  O b ject  I n spect i o Sy s t em  present e d i n  Fi gu re  1.       2.   ALGO RITH M   The al go ri t h m  com p ri ses t h vari ous  anal y z i n g  an p r oces s i ng  f unct i o ns i l l u st rat e bel o w .       Illu m i n a tio n Sm art ca m e ra   [N I- 17 2 2 ]     Object to be  inspected    Im age process o Ro bo t   (AR I ST O- 2. 1)    Con t ro ller  Refere nce Im age    Si gnal   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    4 6  – 54   48     Fi gu re  2.  Al go ri t h m  chart  f o r   Ins p ect i o of  a n   ob ject       The im age is  c a ptured  by the NI  SMA R T CA MERA  (N I-17 22) .  V i sion  Assistant offe rs  three types  of  acq ui si t i ons :  sna p g r ab , a n d se q u ence sna p  ac qui re s a n d dis p lays a  s i ngle im age. T h gra b  ac quires and  d i sp lays im ag es in  a co n tinuou s m o d e  at m a x i m u m  r a te, w h ich  is  u s ef u l   w h en  you   n e ed to  fo cus th e ca m e r a The seque n ce  acqui res im ages according t o  settings t h at speci fy in t h e Seque n ce ta of the  Ac quisition  Interface  window and s e nds t h e im ages to the Im age Brows e r.          Figure  3. Act u al im age  captured by  Sm art Ca m e ra      The origin im age’s size is 1360 × 10 24, it is so big that it will waste  long tim e   to proc ess. So it is   necessa ry to  resize the  ori g in im age  b y  scale o f  0.2. B u t th e resu lt  m u st  m u lt ip ly  th e sam e  scale of  co rresp ond ing l y to  recov e r its real  p o s ition  i n   o r i g in  im ag e.          Fi gu re  4.  Sel e c t i ng t h e  de si re d m a rk  poi nt Actual im age to inspect   S e le c tin g  s e ar ch  ar e a s   Fi nd  m easurem ent  poi nt s   Convert pixel  value  t o   Real world  coo r di nat e  val u es Object Classifi cation  result   Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     A Robo tic Assi sta n c e Ma ch ine Visio n  Tech niq u e  f o r An   Effective In sp ectio n and  Ana l ysis   (S an to sh  K.S . 49 Classificatio n  id en tifies an   u n k nown  sam p le  b y  co m p ar ing  a set of its significant features  to a set of  feat ure s  t h at  c once p t u al l y  re prese n t  cl asses  o f   kn ow sa m p les. The object classifier  uses  feature  vectors t o   identify sam p les based  on t h eir shape .  Col o r classifier  u s es co lo features to  id en tify sa m p les b a sed   o n  th ei color. Classific a tion i n volves   two phas es: t r a i ning a n d class i fying. Trai ning   is a pha se during whic h we teach  th m ach in e v i sio n  so ftware th e typ e s o f  sam p les  wan t  to  classify duri n g the classi fying phase. It can train  any num b er of sam p les to create a  set o f   classes, wh ich, later co m p are to  un kno wn sam p les d u r i n g  t h classifying  phase and store d  in the cl asses  in a classifier file. Trai ning  might be a  one-tim e proces s, or it   might be  an increm ental proc ess re peat t o  a d d ne w sam p les to e x isting  classes or t o  c r eate se veral c l asses ,   thus broa de ning  the scope of sam p le s to classify. The  classifying  phase  cla ssifies a sam p le accordi ng t o   how  si m ilar th e samp le feat u r es are to  th sam e  features  of the  trained  sam p les.  The  nee d  t o  cl assify is common in  m a ny   m achi n vi si o n  a ppl i cat i ons . Ty pi cal  ap pl i cat i ons i n v o l vi ng  cl assi fi ca t i on i n cl ud e t h e f o l l o wi ng:   • So r t i n • I n sp ection  Here t h e g e om et ri m a t c hi ng al go ri t h m   i s  used t o  det ect  t h m a rk of ci rcl e . Geom et ri m a t c hi ng i s   an i m port a nt  t ool  f o r  m achine  vi si o n  a p pl i cat i ons;  i t  m u st  w o r k   rel i a bl y  u nde vari o u s,  som e t i m e s ha rs h,   co nd itio ns.  In   au to m a ted   m a ch in v i sion  ap p lication s  –  esp ecially th o s e in corporated in to  m a n u f actu ring  pr ocess  – t h vi sual  a ppea r a n ce  of m a t e ri al s or c o m pone nt s u n d er i n s p ect i on ca n c h a nge  beca use  of  fact o r su ch  as  v a rying   p a rt  o r ien t atio n, scale, and  l i g h ting .   Th e geo m etric  m a tc h i ng  too l  m u st main tain  its abilit y to  lo cate th e tem p late p a ttern s d e sp ite th ese ch an g e s.  The  geom et ri c m a t c hi ng p r oc ess co nsi s t s  o f   t w o st a g es:  l earni ng a n d m a t c hi n g Du ri n g  t h e l ear ni n g   stage, the  ge ometric features  from  th e te m p late image. The algorithm  orga nizes a n d stores t h ese feat ures a nd  th e sp atial relatio n s h i p s   b e tween  th ese  features in  a m a n n e r th at facilitates faster search i n g  i n  th e i n sp ectio im age. Duri ng the m a tching stage, t h ge om etric  m a t c hi ng al go ri t h m   ext r act geom etric feature from  the   in sp ection  im a g e th at co rrespo nd  to  th e feat u r es in  th e temp late i m ag e. Th en, th e alg o rith m  fin d s   m a tc h e s b y   lo catin g   reg i on s in  t h e in spectio n  im ag e wh ere featu r es alig n  th em selv es in   sp atial p a ttern s simila r to  th sp atial p a ttern s of th e feat ures in  th e tem p lat e s.  In La b vi ew  W i n d o w s/ C V I,  t h e funct i o n i m aq Det ect  C i rcl e s base d ge om et ri m a t c hing i s  use d  t o   p e rform  th e tas k . In  th e fu n c ti o n , th e th reshold  wh ich  sp eci fies th m i n i mu m  co n t rast a seed  po in t m u st  h a v e   i n  or der t o   beg i n a curve m u st  be set  careful l y .The i n spect i on re sul t  i s  l i s ted i n  Tabl e I.  The co or di nat e  ori g i n   is in  to p  left corn er of th e i n spected  i m ag e b y  d e fau lt. Th ere  ex its a little d i fferen ce correspo n d i ng  to   d i fferen resi ze scal e. T h e reas o n  l i e s i n  t h e i n t e rp ol at i on m e t hod w h e n  resi ze  t h e ori g i n  i m age usi ng R e s a m p l e   f u n c tion  in Lab   V i ew   W i ndow s. B u t it  d o e sn t  af f ect t h e i n spectio n r e su l t  if  w e  conv er t  th e coo r d i n a te to  the  benc hm ark.       Tab l e 1 .   Mark in sp ection  result   Scale 0. 0. 0. 0. 35   0. 0. X ( p ixel)  883. 33   880   882. 5   887. 14   833. 33   815   Y ( p ixel)  685   688   652. 5   652. 86   656. 67   660   T i m e  ( m s)  22. 2   16. 9   16. 8   12. 2   11. 8   9.     2. 1   C o o r d i nate Co nv ers ion  Before in sp ect io n ,  th e system  m u st b e  ab l e  to  relate reg i o n s   o f   p a rticu l ar i m ag es to  be in sp ected.  Howev e r, in  an  in lin e in sp ectio n  system , wh en an   obj ect m o v i n g  in t o  the in sp ecti o n   positio n ,  there are so m e   min o r  p o sitio nal  o r  o r ien t atio errors b ecau s e o f   t h m e ch an ical  facto r  and  th e i n terp o l ation  facto r . To  eliminate the deviation, it is necessary  to  alig n  t h e obj ect prio r t o  in sp ectio n. Th is p a p e p r esen ts an  algo rith m   to rectify t h e error  from  the above  fact or.  As s h o w n i n   F i gu re 5 ,  P a n Q are m a rks i n  dat a base  wi t h   coo r di nat e  ( X p,  Y p)  an d ( X q,  Y q) P  and  Q ’ a r e m a rks inspected from   a sam p l e  objec t  wi t h  co or di na t e  ( X p’ Y p’ ) a nd  ( X q’ Y q’ ).T h e m i dpoi nt  o f   and  is  ( X o,  Y o) , an d t h e m i dp oi nt   of  P ’ a nd  Q ’  is O’ ( X o’ Y o’). T h eir coordinate ca n be calc u lated as the   fo llowing  equ a tio n s .   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    4 6  – 54   50       2 X X X q p O       [1]       2 Y Y Y q p O  [2]      and  2 X X X / / p O / q  [3]     2 Y Y Y / q / p O /  [4]     O / O X X X P = / / p X X q q p X X  [5]     O / O Y Y Y P = / / p Y Y q q p Y Y  [6]     According to  above e q uation,  we ca n  conv ert th e coo r din a te syste m  o f  th real ob j e ct in  to  th dat a base  co or di nat e  sy st em . A  pi xel   p o i n t  i n  a n   ob ject   wi t h  c o o r di nat e  ( P ’,  Q )  ca n  co nve rt  t o  da t a base   coo r di nat e  poi nt   ( P Q )  as  fol l owi n g e q uat i o n     P= X P / P  ,  Q = Y P / Q  [7]     2. 2 P a t t ern  M a tc hi ng  a nd I n spect  the  Wr on g P a rt s   Pat t e rn m a t c hing  qui c k l y  l o cat es regi o n s o f   a gray scale image that m a tch a  kn ow n re fere nce pat t e r n ,   al so refe rre d t o  as a  m odel  or t e m p l a t e . Wh en usi n g pa ttern  m a tch i n g ,   first create a te mp late th at rep r esen ts  the objects for which you ar e searching. Pattern m a tching applicati o n  th e n  s e ar c h es  fo r  in s t an c e  of th te m p late in ea ch acquire d image, calculating a score  for each m a tch. This score  re lates how clos ely the   te m p late resem b les th e lo cated  m a tch e s. Pattern  m a tch i n g  fi n d s  tem p late  m a tch e s reg a rd less  o f  lig h t i ng  vari at i o n, bl ur ,  noi se, a n d ge om et ri c t r ansform a t i on suc h  as shi f t i n g, r o t a t i on,  or scal i n g o f  t h e t e m p lat e . N I   pat t e rn m a t c hi ng t e c hni que i n cl ude  n o rm al i zed cros s-c o r r el at i on,  py ra m i dal   m a t c hi ng, scal e-a n d r o t a t i on- i nva ri ant  m a t c hi n g , a nd i m age un de rst a n d i n g.  No rm al i zed  cross - c o r r el at i on i s  t h e m o st   com m on  m e t hod  fo r   b u ild i n g a temp late in  an  imag e.  Th e fo llowing  is th e b a sic con cep o f  co rrelatio n :  co n s i d er a su i m ag Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     A Robo tic Assi sta n c e Ma ch ine Visio n  Tech niq u e  f o r An   Effective In sp ectio n and  Ana l ysis   (S an to sh  K.S . 51 R( p , q)  of  size  ×  with i n  an  im ag f (p,q) of size  ×  m , where    and    n . T h e  correlation be twee R( p , q)  an f ( p q ) at po in ( i j )  i s  gi ven  by      1 0 1 0 ) , ( ) , ( ) , ( l p k q j q i p f q p R j i C  [8]     Whe r = 0, 1… m -1 ,   = 0,   1, …  n -1 , and  th su mm at i o n is tak e n  over th reg i on  in  th e im age  whe r a nd  o v e rlap . Basic co rrelation   is v e ry sensitiv e to  am p litu d e  ch ang e s in th e i m ag e, su ch  as  in ten s ity, and  i n  th e tem p late.    For exam ple, if the in ten s ity o f  t h e im ag is doubled. So are t h values of  C .   W e  ca n  ov er c o me   sen s itiv ity b y  co m p u tin g  t h no rm alized  co rrelatio n  co efficien t,  wh ich  is  defin e d  as      )] , ( [ ) ( ) , ( ) , ( j i f D R D j i j i S  [  9]     ) , ( ) , ( )( ) , ( ( ) , ( 1 0 1 0 j i f j q i p f R q p R j i l p k q   [1 0]     ) ) , ( ( ) ( 1 0 1 0  l p k q R q p R R D  [1 1]      1 0 1 0 2 )) , ( ) , ( ( )] , ( [ l p k q j i f j q i p f j i f D  [1 2]     whe r R   (calcu lated  on ly o n c e) is th e av erage in ten s ity v a lu e of th p i x e l s  in  th e tem p la te  R . The   vari a b l e   is  the avera g e value of f in the re gion  co in ci d e nt with  th e cu rren t  lo catio n  of  R . The val u e of  ( i j lies in  th e rang e -1  t o  1 and is in d e p e n d e nt o f  scale ch ang e s in th e in ten s ity v a lu es  of  and  R . Normalized   cross - c o r r el at i on i s  a go od t e chni que f o r fi n d i n g pat t e r n s in an im age when the pa tterns  in the image are not  scaled or rotated. Typically,  cross - c o rrelation can detect  patterns  of t h e   sam e   size  u p  to   a ro tation  of 5 °   t o   10 °.  Scal e i n v a ri ant  m a t c hi ng a d d s  a  si g n i f i cant  am ount   o f  c o m put at i on  t o  m a t c hi ng  pr ocess.  T o   resol v e t h e   pr o b l e m ,  NI i m proves t h e c o m put at i on t i m e of pat t e r n   m a t c hi ng  by  r e duci ng t h e si ze of t h e i m ag e and t h e   te m p late b y  pyramid al  m a tc h i ng In   p y ramid a m a tch i n g ,   bo th  t h e imag e an d th e tem p la te are sam p led  to   sm a ller spatial res o lutions. B ecause t h e image is  sm aller, m a tching is faster.  When matching is c o mplete,  onl y  a r eas  wi t h  hi g h  m a t c h sc ores  nee d  t o   be  co nsi d e r ed  as  m a t c hi ng a r eas  i n  t h e  o r i g i n al   im age.       3.   R E SU LTS AN D ANA LY SIS  We pe rf o r m e d t h e p r o p o sed  al go ri t h m  and m e t hod wi t h  La b Vi e w   W i n d o w s/ C V I  t o  det ect  t h q u a lity o f  an  circu l ar  o b j ect. Fig u res 6-8  are th e soft ware u s er in terface wh ich  are desig n e d  to   d e tect th d i fferen t  edg e  p o s ition .   All th e aforesai d tech n i qu es  are fo llowed  b y  u s ing  th NI v i sio n  i n  which  th in v e stig ation   of th e circu l arity o f  an obj ect  as fo llo ws      Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    4 6  – 54   52     Fi gu re  6.  Si m u l a t e d o b j ect  by   t h e s o ft wa re           Fig u re  7 .  Circular edg e   p a rameters settin g poin t   Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN 208 8-8 7 0 8     A Robo tic Assi sta n c e Ma ch ine Visio n  Tech niq u e  f o r An   Effective In sp ectio n and  Ana l ysis   (S an to sh  K.S . 53     Fig u re  8 .  Circular edg e   p a rameters settin g poin t     4.   CO NCL USI O N   The c o m put at i onal  s p ee of i m age pr ocessi ng  has  bee n  i m prove d u s i n g  M achi n Vi si on  b u i l d er new  sy st em  based  on  m achi n e vi si o n   hel p t o  cal cul a t e   the res u lts with  precise a n d ac curate  values Object   Classification  is an e ffecti v e  techni que to  classify or ins p ect the  Circ ular linearity autom a tically and  give   resu lts t o  m a tc h   with  t h p r ev iou s ly sav e te m p late. F ilte rs  h e lp to im p r o v e  th e qu ality of an  im ag e. Imag q u a lity is b a sically d e p e nd s up on  t h e illu m i n a tio n  co nd itions wh ich produ ces no ise in th i m ag e.      REFERE NC ES   [1]   Z. W a ng,  et  al . ,  “ M odern Im age Quali t y  As s e s s m ent”,  Syn t h e sis Lectures o n  Image, Video ,  and Multimed ia  Proc e ssing , vo l.  2, no .1, pp. 1-15 6, 2006   [2]   Richard P.  et  al., “A machine-vision  s y stem for ir is recognition D a vid Samoff  Research C e nter, In c”, Prin ceton, N J   08543-5300, USA ,1996, Page No: 1-8   [3]   F r anci Lha j nar ,  et al ., “ M achi n e Vis i on s y s t e m  for ins p ecting elec tri c  plat es ”,  Els e vi er co mputer in industry 47(2002), Pag e   No: 113-122.    [4]   J o ze Dergan c,  e t  al .,  “ A  m achine  vis i on s y s t em  f o r m eas uring th e e c c e ntri cit y   of  bear ings ”,   Els e vier , pag e  no.10 3- 111.   [5]   Tadhg, Brosnan ,  et al. “Improving quality  inspection  of food products b y  comp uter vision––a r e view”,  Journal of  Food Eng i neerin g , 61 , (2004) , Page No: 3–16   [6]   T. S. White ,et  al.,  : “A Mobile  Climbing Robot  for Hi gh Precision Manufactu r and Inspection o f  Aero-structur e s”,  The Internationa l Journal  of  Rob o tics  Research 2005; DOI: 10 .1 177/0278364905055701, Page N o :- 589-598,  [7]   Se-gon Roh et al. , “ Differential- Drive In-Pipe Robot for  Moving Inside Urban Gas Pipelines”,  IEEE  transactions on  robotics, vol. 21 , no. 1, Fe bruar y   2005, Page No:1 -17.  [8]   Andr´ e  Treptow,  et a l . ,  “ R ea l-tim e peopl e tr ack in g for mobile rob o ts using thermal vision”,  Elsevier: Robotics and   Autonomous Sys t ems , 54  (2006),  Page No:   729–7 39.  [9]   Marko Heikkila et al ., “A Texture-Based Meth od for Modeling  th e Backgroun d and Detecting  Moving Objects”,  IEEE transactio ns on pattern an alysis and mach ine in telligen ce vol. 28 , no . 4 ,  A p ril 2006 , Pag e   No: 657-662.  [10]   Yakov Fra y m a n ,  et a l ., “ M achi n e Vision S y ste m  for Auto m a tic Inspection of  Surface Defe cts  in Alum inum   Die  Casting”,  Journ a of Advan ced Computational  I n telligen ce and  I n telligent Inform atics , Vol.10  No.3, 2006 , Pag e  N o - 281-290.                    Evaluation Warning : The document was created with Spire.PDF for Python.
                      I S SN 2 088 -87 08  IJEC E V o l .  5, No . 1, Feb r uar y   20 1 5   :    4 6  – 54   54 BIOGRAP HI ES OF  AUTH ORS         S.K. Sahoo, obtained his M. Tech  in Electron i cs an d Instrumenta tio n Engineering.  He is currently   a Ph.D Scholar, Dept. of Electronics & Comm unication Eng i neer ing at Utkal University Bhubaneswar, Odisha, Ind i a Mr.  Sahoo  is a member of  ISTE.I E   and IEEE            B.B. Choudhur y ,  obt ained  his  Ph. D.  in T a sk  Allocation  strateg i es in  Multi –  Robot   Environment. H e  is currently   a Assistant Profe ssor at I.G.I.T, Sarang  in the  Department of  M echani cal  E ngineer ing. Hi s  current  res earch  int e res t  includ es  Ro botics ,  F M S ,   CAD/CAM/CI M, and Soft  computing. Dr . Choudhur y   is a member of ISTE, I E (I) IACSIT, I AENG.      Evaluation Warning : The document was created with Spire.PDF for Python.