Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4277 ~4 286   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 5 . p p4 277 - 42 86          4277       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   A  fuz zy syst em for d etect ion and  classific ation o f te xtile def ec t s  to ensur e the qu ality of f abric pr oducti on       Iman Su bhi  Moham med,  I sra a Moham med A lh am dani   Depa rtment  o f  C om pute r  Scie n ce,  Univer si t y   of   Mos ul ,  Ira q       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Des   16 , 201 8   Re vised  A pr   16 , 2 01 9   Accepte d  Apr   27 , 20 19       The   ai m   of  thi s  rese arc h  foc us es  on  construc t   a  computer ized   sy st em  for  te xtile  d efect s  det e ct ion .   Th e  s y stem  m erg es  bet wee n   image   proc essing   m et hods,  stat ist i ca l  m et hods  in   addi ti on  to  the  Inte lligen t  tech nique s  via  Neura l  Network   and  Fuzz y   Logic.   Gabor  fil t ers  were   used  to  ide nti f y   edge s   and  to  highl igh t   def ec t ive   a rea s   in  fab ric   imag es,   the n  to  t rai n   the   neur a l   net work  on  stat i stic al   and  geom et r y   f eature s  der ive d  from   fab ric   images  to   form   the   spec ial  neur al   n et wor k  disti nguish  an d  cl assif y   def e c ts  int o  the  fourte en  cate go rie s,  which   are  the   m ost  comm on  def ec ts  in   the   t ext i l e   fac tor y .   The   pro posed  work  inc lude s  two  phase s .   The   first  phase   is  to  det ect   the   def ects  in  f abr ic s.   The  sec ond  phase   is  th e  class ifi c at ion   phase   of  th e   def ect.   At  the   def ect  det e ction   stage ,   a  Discr et e  Cosine  Tr a nsfer  (DCT)   conve rts  th e  ima ges  to  the   f req ue nc y   dom ai n.   Im a ge  feature s  th en  dr awn  and   int roduc e  th em  to  the  E lman  Neura l  Ne twork  to  d et e ct   the  exi sten ce   o f   def ects.  In  the   class ifi cation  stag e,   th e  images  ar e  conve r te d  to  th e  fre que n c y   dom ai n  b y   the  Gabor  fil t er  and   the n  the   image   fea tu res  ar e  ex tra c te d  and  insert ed  int o  th e   bac k  pr opaga t i on  net work  to  cl assif y   th e  fab ri c  def ects  in  those  images.  Fuzz y   logi c   is  th en  app li ed   to  n eur al  net work   o utput s  an d   int erf ere n ce   va l ues  are   used  in  fuz z y   log ic   to   i ncr ea se  f inal  dis cri m ina t ion.   W e  eva luate  a  d i stinc ti on  r at e  of  91. 4286%  . After   appl y ing  th e  fuz z y   logi c  to   neur al ne twork   o utput ; the   discr i m ina ti on  r at e   wa s ra ised to  97 . 14 28%   Ke yw or d s :   El m an  ne ur al   ne twork   Fabri c d e fect  de te ct ion   Fu zzy  L ogic   Gabo r  filt er   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights  reserv ed .   Corres pond in g  Aut h or :   Isr aa  Mo ham med Alham dan i,    Dep a rtm ent o f C om pu te r  Scie nces,   Mosu l  U niv e rs it y,   Mosu l,  Iraq .   Em a il : esra m k6 5@ gm ail.co m       1.   INTROD U CTION     Qu al it y  con tr ol   of   industrial   pro duct s  has  be com e  increasin gly  i m po rtant.  Qu al it y  con tr ol   is  def ined   as  "k nowled ge   of   c onf or m it y  of   pro du ct s  t o  sta nd a rd   sp eci f ic at ion s  an d  know le dg e  of  the   causes  of   de viati on  and   necessa ry  procedu res".  The  te xtil e  ind us t ry   is  an  industry  that  r equ i res  qual it y  to  m eet   co ns um e r     dem and   [1 ] .  The  m ai n  iss ue  he re  is  how  fa br ic   scre enin g  i m pr ove s  producti on  qu al it y.  Unde r   wh at   ci rcu m sta nces ?   The  process  of  check i ng   the f ab rics  to  this  day  is  a  final  st ep  befo re  ha nding   the  fa br ic s to  the  store  a nd  the n  m ark et ing   th e m .  This  pr oc ess  is  sti ll   m a nu al   by  a  gro up  of  s kill ed  sta ff   with  the   utm os t   accuracy  from   60%  to  70%  only   [2 ] .   To   ac hieve  t his,  t he  m od ern   te xtil e  industry  has  de velo ped  hi gh - sp ee d   m achines to  pr oduce  high - qu al it y fabr i cs in   the s hortest  po ssible t i m e [3 ,   4].    The  propose d  wor k  f ocuses   on   so l ving  the  pr ob le m   of   te xtil e  def ec ts  detect ion   m anu al ly   by   autom at e  te xtile  def ect s  via  a  com pu te rize d  syst em .  The  com pu te rized   syst e m   is  req uire d  to  c hec k  these  def ect s  in  reli abili t y  and   flexibili ty   m ann er.  T his  syst e m   m erg es  the  im age  processi ng   m et ho ds,  sta ti sti cal   m et ho ds,  intel li gen t  te ch niqu es  via  f uzzy  lo gic  an d  ne ural   netw ork  f or  re cogniti on.  A s  well   as  to  buil d  a  li ve   te xtil e  databas e  im age  du e  t o  the   el im inate d  e xisti ng  te xt il e  database  a nd  the   dif ficul ty   to  get  t he  e xisti ng   on ce .  The  pro po s ed  work   de te rm ined  the  de fecti ve  areas  in  fabric  i m ages.  The  ge om et rical   and   sta ti sti ca l   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 2 7 7   -   4 2 8 6   4278   featur e s  we re  der i ved   t o  trai n  the  neural  ne tworks  us e d.   The  propose d  work   c onstr uct ed  with  t wo   pha ses.   The  fi rst  phase   is  to  detect   th e  def ect s  w hile  the  seco nd  cl a ssify  them .  W e   go t  91.42 86%   then  a fter  a pply ing   fu zzy   l og ic   t o  neural  netw ork   outp ut,  t he  re cogniti on  rate  was  raised   to  98.14 28%.  Re st  of  this  resea rch  i s   structu re d  as  t he  relat ed  wor k  in   this  sect io n  the   relat ed   te xtil e  def ect s   s yst e m   and   m eth od  were  pr es ented ,   m et ho ds  of  fa bri c  te st  with   va rio us   kind.   A   descr i ption  of  Ar ti fici al   I ntell igent  Tec hniq ue s  us e d  in  t his  work   al so   Ga bor  F il te r.   Anothe r   sect ion   deal  with  the  propose d  work  al gorit hm ,  database  co nfi gurati on .   Fabri c  def ect s   sta ge  we re  th e  def ect s  is  de no te d,   fa bri c  de fects  cl assifi cat ion ,  r esults  wh ic h  are  fou nd   a nd   discuss i on,  pe rfor m ance  eff i ci ency  of   the  pro po se d  w or k,   co ncl us io n,  ind ee d,   re fere nces.  T he  ne w  idea   adap te d  on  thi s  s yst em   ov er  oth e r  relat e d  work  is  the   hy per act ive   bet w een  fu zzy   l og i c  with  ne ur al   netw ork   that affe ct s the  resu lt s i n  this  work.       2.   RELATE D  W ORK   In   orde r  to  e nh ance  the  qual it y  con tr ol  of  th e  te xtil e  produ ct ion   we  co ns t ru ct   a  c om pu te rized  syst em   for  def ect s  det ect ion   a nd  cl as sific at ion .  The   co ns tr uction  of  s uch  a  powerfu l  syst em   require d  deep  stu dy  on   the  oth er s  m eth ods   bel ong  t o  the  te xtil e  det ect ion   t o  el im i nate  their   dr a wb ac k  an d  e xc eed  it   in   our  s yst e m .   Re view of   a  num ber  o f  t he rel at ed  w ork  to  te xtil e d e fects  d e te ct ion  is  dissc us se d belo w:   In  20 12,  resea rch e rs  A nand  H.   K ulk a rn i  a nd  S heetal   B.  Pati l  [2 ]   int rod uced  a  patte r n  of  detect io n  and   ide ntific at ion   of  de fects   of   ti ssu e  ba s ed  on  G ray  Level  Co - occ urren ce  Ma trix  ( GLCM)  as  we ll   as  a   pro bab il ist ic   ne ur al   netw ork.  The  overall   rat e  of  s uccess  of   ti ssu e  sel ect io n  was  96.6%  a nd  the  su cces s  rate  of  def ect   detect io n  was  91. 1%  [ 5].   Mi chael  K.  N ng  et   al .  an al yz ed  pa per  a nd  ti ssu e   patte rn s   of  t he  patte rn e d  fabrics  in  sev eral  ty pe.   Th ey   exa m ined  and   photog raphed   de fects  in  these  fa br ic s  us in g  the  conv e x  op ti m iz ation   al gorithm   their  r ecognit ion   rate  ran ge d  bet we en  (94.9%  -   99.6 % )  [6 ] .  I n  20 15,  Ali  Ra bh i  et   al .  reli ed  on  local   ho m og en ei ty   and   neural  net work   t o  judge  def ect s  in  ti ss ue  i m ages  after  ap plyi ng   DC T  and  extr act in g  e nergy  c har act erist ic s  from   i m ages[ 7 ] ,   with   a  de te ct ion   r at e  of  97.35%   [ 8 ] .  Ma le k  use   F F T  an d  cro ss   co rr el at i on  m et ho d  si m ul ta neo usl y  to  detect   14  ty pe  of  def ect s   with  acc urat e  res ults  with  100%   recog niti on   rat e [ 9].    M.  Handm and ulu   et .al.  Go t   70 %  r at e  wi th  25   te xtil e  def ect   an d  no rm al  te xtil e   i m ages  [10].    As  prese nted  by   P.Y .  K um bhar  et   al .  in  a  new   m et ho d  wa s  based   on  the  gen et ic   al gorit hm ,  the  extracti on   of   certai n  geo m et rical   cha racteri sti cs  al so   t he  use   of  SV M  as  a  cl assifi cat ion  of  ti ssu e   def e ct s.  T he  resear cher s   su ccee ded  in  cl assify ing   90.0% of  the d e fect s [ 11] .   Soo and  Tae b ased on Wavelet  transf or m at ion  w it h  GMM  they   get  acc urat e  resu lt s  [12 ] .  In  the  ye ar   2017,  resea rcher  S un il   Ba ngare  et   al .  s ugge ste d  a  m et hod  f or   detect ing  ti ssue   de fects  us in g  RGB,  HSV  te chn i qu e s  a nd  im age  proces sing  te ch niques,   an d  the   acc uracy   of   detect ion   was  96.15%  [ 13 ] .  I n  the  ye a r  20 18,  S hua ng   Me i   et .al.  us i ng   G aussian   Pyram id' s  autom atic  no ise   reducti on  netw ork. The  accu r acy  o btain ed  of the  f inal  res ul ts reache d  m or e than 8 0.0%  [14 ] .       3.   FABRI C  TE S T MET HO DS   The  featu res  extracti on  m eth ods  a re  cl as sifie d  int o  th r ee  cat egories  they   are.   The   sta ti sti cal   appr oach es  t ha t  rely   on   sta ti sti cal   beh avior   i n  areas  w it ho ut  def ect s .   Su c h  as  sta ti sti cal   m o m ent  and    cro ss - c orrelat ion   [15 - 17] .  Th e  sp ect ral  ap proach e s  that  are   us ed  w hen   sta ti sti cal   m et ho ds  are  una ble  to  detect   the  de fects  tha t  app ea r  w he n  subtl e  and  ve ry  subtl e  trans form ation s  occ ur.  F or   e xam ple,  the  Ga bor  f il te rs,   FFT  a nd  wa ve le ts  transfo rm   [15 - 17] .  Mo de ls  base d  a ppr oa ches,   this  m od el   is  s uitable   for  f ab ric  im ag es  that   con ta in  rand om   su rf ace  va riat ion s  as  well   as  rando m   or   hand - patte r ne d  fab rics .  The  Gau s s  Ma rko v  Ra ndo m   Fiel d  m od el  is  on e  of t he  m eth ods i n  t his f ie ld [1 3,   16, 1 7]       4.   AR TIF ICIAL  IN EL LIGE N T T ECH NIQUES   The  s pee d  with  wh ic h  the   c om pu te r  is  in   it s  m a the m atical   op e rati ons   co uld   be  us e d  in   m any    non - m at he m a tical   ta sk s  as  we ll .  Neu ral  netw orks   hav e  bee n  us ed  as  a n  int el li gen t  te chn i qu e  for  the  det ect ion   and cla ssific at ion o f defects .  The follo wing  N e ural   Net w ork were  u se d  i n t his work.       4.1.    Ne ural  n etwork  back p ropaga tion  (B PNN)   This  is  base d  on   t rainin g  in  the  erro r  co rr e ct ion   patte r n.   The  sig nal  f r om   the  ou t pu t  t o  the  in put  is   re - in voke d  as  an  le ar ning   sta ge,  duri ng  wh i ch  t he  netw ork   wei gh ts   are   ca lc ulate d,   t he  c ha ng e s  a re  cal c ulate d,  and   the  Me an   Sq ua re  Erro r(M SE),   w hich  resu lt s  from   t he  dif fer e nce  betwee n  the  act ual  ou tp ut  and   th e   desire d ou t pu t,  and  us es t he  e rror t o  c ha ng e  the  weig hts to  grad ually  r ed uc e the e rror   [ 18 ] .     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A fuzzy  system   for  detect ion   and cl as sif ic atio n of tex ti le  d ef ect s to  e ns ure  th e  …  ( Iman  Subhi M ohamme d )   4279   4.2.    El man  n e twork   I s  on e   of   t he  re current  ne ur al   netw orks  it   is  c on st ru ct e d  fro m   two - la ye r   wi th  a  bac k   propagati on  fe e d  that  was  re fle ct ed  in  the  fir st  la ye r  re - in put  to  the  first   la ye r  input.  This  feat ur e  gi ves  the  netw ork  the  po s sibil it y  to  r each  t he  op ti m al   so luti on   wit h  a   spe ed   in   tra ining  a nd  wei ght  c on tr ol.   O ne   of  t he  a dv a nta ges  of  the  Elm an  net work  is  t hat  it   has  a   str ong  dynam ic   m e m or y,  so   it   is   us e d  i n  dif fe ren t  fiel ds  su c h  a s   cl assifi cat ion , pre dicti on, dyn a m ic  iden ti ficat ion  syst em s,  and quali ta ti ve c on t ro l  [19].     4. 3 .    Fuz z y  ne ural ne twor k   T he  ne ural   net work   ca n  be  c om bin ed  with  the  log ic   ca us e d  by  a  num ber  of   m et ho ds ,  i nclu ding  the  processi ng  of da ta   enteri ng  th e  ne ur al   net work.  T he  us e   of  t he  ne ur al  n et w ork  t o  m od ify   t he  par am et ers  of  the   orga nic  f un ct i on s   in  t he   lo gi c,  or  the  ne ural   netw ork   outp uts  be f or e  the  c la ssific at ion  decisi on   is   m ade.   Use  the  th reshold  val ue  in  the  rati ng  deci sion   process;  this  sign i ficantl y  aff ect s  the  r at ing   rati o  f or  eac h  cat egory  an d  overall   syst em .  We  m ay   ob ta in  the  hi gh est   r at ing   of   t he  fi r st  def ect   at   a  c ertai n  th res ho l d  li m it  bu t  not  the  ap pro pr ia te   lim it  t hat  giv es  the  hi gh est   rati ng  of  the  def ect .  Th us ,  a  ne ur al   ne twork  wa s  pro po s e d  in  w hich  t he  t hr es hold  ro le   was  a bo li s hed   and  re placed  by   the  log ic   of  the  rea sone d  lo gic  cal le d  th e  FPB N .   The  outp ut  of   the  neural  ne twork  was   use d  as  i nput  to   the  rea sonin g  log ic   t hat  wa s  base d  on  s pe ci fic   la ws  [ 20] .       5.   GABO R  F ILT ER   The  Ga bor  filt ers  m i m ic   the  hum an  br ai n' s  abili ty   to  re cognize  t he  fa br ic   [21]    t he  i m ages  were   segm ented  int o  m any  scal ed   i m ages,  eac h  con ta ini ng  va r yi ng   den sit ie s  on  a  narrow  ra ng e   of  fr e qu e nc y  and   directi on.  Ga bor   filt ers  ca n  be   de fine d  as   " a  set   of  wa velet s,  with   eac h  wav el et   ca ptur ing   pow er  at   a   give n  fr e qu e ncy  an d  directi on " ,  so  Gabor ' s  two - dim ension al   eff i ci ency  in  op ti m iz ing   the  local   info rm at ion   of   the   i m age,  as  well  as its acc essibi li ty  [ 22 ,  23].       6.   THE  PROPO SED W ORK  ALGO RITH M   The  pro po se d  work  al gorith m   in  ge ner al   i nclu des  tw o  sta ges.   The   first   sta ge  is  the   di scov e ry  of   def ect s  a nd   th ei r  cl assifi cat i on   i nto   tw o   de fecti ve  an d  non - def ect ive  c at egories.  The   second  sta ge   is  th e   cl assifi cat ion   of  these  de fects  into  f ourteen  t ypes.  I n  the  fi r st  ph ase ,  the  im ages  wer e  pre - proce ssed  by   resize  the  i m age.  Then   im ages  wer e  treat e d  with  m ulti ple   Gabor   filt ers  to  highli gh t   t he  exis ti ng  def ect s .   The  res ulti ng   i m age  is  segm ented  a nd  the   good  sta ti sti cal   char act e risti cs  for  eac h  im age  are  e xtracte d  t o  f orm   the  in pu t  m at rix.   T his  m at rix  was  e ntere d  to  the  Elm an  Neural  Net work  th at   was  us e d  to  classi fy  the  te xt il e  to   non - de fecti ve   and d e fecti ve  t extil e. Figure  1  show s   the  step s of the  f ir st st age.           Figure  1 .   The  texti le  d efects  det ect ion     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 2 7 7   -   4 2 8 6   4280   At  the  sec ond  sta ge,   the  defe ct ive  te xtil e  i m ages  f r om   the  first  sta ge  a re  processe d  the n,  the  de fects  wer e   dete rm in ed.   Thei r  a ppr opriat e  sta ti sti cal   featu res  a r e  extracte d,  an d  the   in put  m a trix  is  pr e pa re d  as   an   input  to  BPN N.   T he  hy br i dizat ion   betwe en  Ba ck  Propa gation  Ne ur a l  Networ k  an d  the  f uzzy  l og ic   i s   perform ed  to  obta in  th e  propo sed  Fu zzy   Ba c k  P r op a gatio n  Neural  Netw ork  (F BP NN).  I n  FBPN N   t he  outp ut  is  m ade  fu zzy   and  re pr e sente d  as   in pu t  t o  t he   f uzzy  lo gic.  Fu zzy   lo gic  de pends   on  a   s pe ci fic  la w  to   m a ke  the   final  cl assifi cat ion   decisi on   an d  cl assify   t he  de fects  if   it   is  w it hin   the   us ed   f ourteen   cat eg ori es.  Fi gure  2  s how   these step s.           Figure . 2 .   De fe ct s classi ficat ion  sta ge   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A fuzzy  system   for  detect ion   and cl as sif ic atio n of tex ti le  d ef ect s to  e ns ure  th e  …  ( Iman  Subhi M ohamme d )   4281   The pr opose d  work de ta il s is d escri bed as  fol lows :     6 . 1.     D atabase   confi gura tion    The  fabric  im a ges  wer e  c ollec te d  li fe  by  a  di gital   ca m era  (sam su ng   N V  l ens  a nd   8  m ega  pix el )   f ro m   a  local   te xtil e  factor y.   Als o,  sam ples  of   fa bri cs  f ro m   the  local   m ark et .  I m ages  we re  ca ptured   by  t he  s cann e r   ty pe  (H P )  an d  accuracy  ( 300  dp i ).   W e  c ollec t  def ect ive  an d  non - def ect iv e  te xtil e  i m ages  to  be  us e d  f or  our   pro po se d   w ork   or   any  ot her s  work.   Fig ur e   3  sh ows   sam ples  of   data base  te xtil e  i m ages.  Five  hund red   s ixty   RGB  i m ages  wer e  c ollec te d  and   sa ve d  on  a  com pr essed  form   (P NG).  We  prefe r  this   from   on   m any  i m age   form at  in  or de r  to  keep   the  de ta il s  of   the  i m age  des pite  com pr ession.   T w enty   hundred   e igh ty   i m age  of   the m   wer e  non - de fe ct ive  i m ages  and   280  we re  of   t he  14  def e ct   ty pes.   Twe nty  i m age  per  four te e n  de fe ct s  was   colle ct ed  as a  texti le  d at abase .           Figure  3. Sam ple f r om  v isual  database       6 . 2 .    Te xti le   d efects  sta ge   At  this  sta ge,  the  56 0  im ages  are  proce sse d.   Ne ur al   net works  wer e   use d  to   disti nguish   betwee n  def ect ive  and t he non - de fecti ve fab ric. T his  process  is eval uated  a s foll ow s:      6 . 2. 1.     Initi al  processin g   The  te xtil e  i m age  is  entere d  into  the  syst em .  It  is  con ve rted  to  a  gray   scal e  in  order   to  el i m inate   com plex  cal cu la ti on s   as  well   as  to  facil it ie s   the  deal  with  the  im age  detai ls.  The n  this  i m age  is   treat ed  wit h  Gabo r  filt er t he  u se  of this  f il te r  re flect s  bett er r e su lt s a nd desc ribe su per i or f eat ur es .      6.2.2.     Im ag e   c rops   and  feat ures e xt r act i on   The  res ulti ng  im age  from   Gab or  is  segm ented  into  9  ti le s  of   e qu al   siz e  a s  show n  in  F i gure  4.   F or   eac h  ti le ,  featur es  w ere  extracte d  r epr ese nted  by  The  Ac  coe ff i ci ent  (co r ne r) ,  Me an  and   m edian  wer e  cal cu la te d.   These  val ues  wer e  norm al ized   in  a  vecto r  represe nting   i m age  char act er ist ic s  and   the  f or m at ion   of   thi s  vector  is entere d  int o t he  ne ural  n et work th rou gh the  def ect   detec ti on  sta ge.             Figure  4. Ni ne t il es o f  the   defec t   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 2 7 7   -   4 2 8 6   4282   6.2.3. F abri c  d efect detec tion st ag e   The  Elm an  Neu ral  Net wor k  is  app li ed  to  identify   an d  de te ct   wh ere  th e  te xtil e  is  de fect  or   non - def ect ive . Th is  n et wor k  co ns ist s o f   an  in put l ay er in cl ud in g 21  in pu t  neurons,  a nd   on e  hidden  la ye r  co ns i sti ng   of   a bout  10   processin g  neur on.  I n  eac h  of   t hese  la ye rs,   t he re  is  a  la ye r  of  interc onnecti on s  t hat  co nne ct   each   la ye r  to  the   ne xt  la ye r,   i n  w hi ch  the  weig hts   of  eac h  inter f ace  are  a dju ste d.   T he  wei gh t  is  li nk e d  to  ea ch  pair   of   ne uro ns .  T he  w ei ghts  re pr ese nt  a  weig ht  vect or   (w1,  w2,  wn),   Wh ere  the  weig ht   associat ed  wi th  the   connecti on  be tween  a n  in put  ne uro n  an d  a  processin g  el em ent  or  betwee n  tw o  treatm ent  el e m ents.    The  neuron  al s o  co ntains  a  t hresh old   value  ( con ti nue d  act ivati on)  that  re gu la te s  the  pro bab il it y  of   act ivati on   and  lim it s  the  outp ut  of  t he  cel l  w he re   it   m akes  th e  outp ut  with in  the  fiel d  [ 0,   1]  or   with in  the     fiel d  [ 1,   1].  Th e  weig hts  asso ci at ed  with  ne ur onal   input  de te rm ine  the  prob a bili ty   of   act ivati on   of   the  ne ur on   accor ding t o  ( 1) [1 5]:         (1)     Wh e re  Xi r e pr esents in put ne uro n  a nd  W i - ve ct or   weig hts.    The  t hr es hold  regulat es  the   r esp on se   of  t he   ne uro n  to   fall   within   a  ce rta in  ra nge  of  pre determ ined  values  as s how n  in  (2) [ 24] :       (2)     The   (2)  s hows   the  y  ou t pu t  of   t he  ne uron  as  a  f unct ion  of   f   act ivati on  of  the   su m   of  n  +   1   of  t he   balance d  in pu t ,  wh e re  n  +  1  corres ponds  to   n  of   i nco m ing  sign al s.  T he  ty pe  of   act ivati on   functi on  use d  the n  cal culat es the a ct ual outp ut  va lue, a nd h e re t he  th res ho l d functi on is  us ed   as in e quat ion ( 3) [24 ] :       (3)     The  de fect  det ect ion   phase  a lso  goes  thr ou gh   tw o  sta ges   the  first  is  the  networ k  trai ning  in  the  char act e risti cs  of   eac h  im age  and   it s  ex pecte d  outp ut.  T he  ou t pu t  us ed  t o  dev el op   the  ne twork  e ff ic ie ncy  to  te st   and   detect   the  rest  im ages  in  or der   t o  fi nd   out  w hethe r  the  te ste d  im ages  is  f or  de f ect ive  te xtil e  or  not.   The  sec ond  st age  is  t he  te st   phase  via  te s ti ng   th e  im ages  that  no t  t rained  to   detect   if  these   im age s  are   def ect ive  or no t.   The net w ork i s then  trai n ed on  t he  feat ur es  this p r ocess  le arn  t he  net wor k  to  be  able t o detec t  if  the  te xtil e  i m age  ei ther  def ect ive  te xtil e  or   no n - def ect i ve.   The  detect ion   re su lt s  sho w  that  the  ou tp ut  is  "0"   if  the  te xtil e  is   fr ee  of  de fect s  or   the  ou t pu t   is  "1"  if  the  te xtil e  i s  def ect ive.  Fig ur e  5  de scribe  this  process .     The  trai ning  m at rix  has  bee n  config ur e d  f rom   42 0  to  21 0  te xtil e  i m ages  without  de fect  and   the  oth e r  210  has   a d e fect an d  a  targ et  m at rix  co nf i gurati on tha t corres ponds t o  it .            Figure  5.   Elm a n Neural   Netw or k  for defects   detect ion     n i i i W X f y 1 n i i i W X SU M 1 0 0 0 1 1 1 n i i i n i i i W X if W X if x f Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A fuzzy  system   for  detect ion   and cl as sif ic atio n of tex ti le  d ef ect s to  e ns ure  th e  …  ( Iman  Subhi M ohamme d )   4283   6.3.     F ab ri c  de fects cl as sific ati on st age   At  this  sta ge,   on ly   210  defe ct ive  te xtil e  im ages  proce ss ed  a nd  cl assifi ed  by  the  Ba c k  P ropa gatio n  Neural  Netw ork  int o four te e n defects a s  discuss e d belo w:      6.3.1. Isol at e   t he de fect are a (re gio n  of in t erest  ROI)   Af te r   rea ding  and  scal in g  th e  de fecti ve  t e xtil e   i m age.  T his  im ag e  is  treat ed  with  G abor  filt er .   The n  the   res ultant  gray   im age  is  bin a rized   w her e   "0"  i nd ic a te s  "black"  pixe l  and  "1"   in dicat es  "wh it e"  pix e l   via   fixe d  t hr e sh ol d  [ 25 ] .  T he  de fect  are a  then  el i m inate d  and   disti nguis hed   this   process  de no te s  the     autom at ic   cutti ng   al go rithm   of   the  de fect  area.   The  ou tc om e  of   these  processes  is  a  bin ary  im age   with  a   descr i bed (R OI).      6.3.2 .  Fea tu re s  ex tra c tio n  and de fects cl a ssific at i on   The  total   siz e  of   the  def ect   a rea  is  cal culat ed  an d  co ns id ered   as  a  ge om et ric  featur e  of   the  im age.   The  pe rim et er   of   the  de fect  area  is  then  determ ined  aft er  Ca nny  O pe r at ors  are  a ppli ed  to  the  im age.   The  de fect  im age  is  segm ented  to   ni ne  ti le s,   the n  t heir  featur e s  wer e   extracte d  re pre sented   by  Me an  a nd   Sk e wn es s  is  cal culat ed  as  in   (4 )  [26].   T he   char act erist ic s   of   the  def ect   i m ages  are  arra ng e d  in  a  tw o - row  m at rix  wh ose   nu m ber   of  row s  rep re sent  the   nu m ber   of   im ages  an d  the  num ber   of   col um ns   rep resen ti ng   the  nu m ber   of  at tr ibu te s.   Th e  tot al   featu res  is  ( 2x9= 18)  a nd  one  for  Ar ea   s o  the  t otal  feat ur es   to  each   de fect   te xtil e i m age is equal 1 9. T his m a trix is e nter ed  int o  the   neural net work f or cla ssific at ion   of d e fect t ypes.         (4)     The  def ect s  a r e  then  cl assifi ed  into  14  cat egories  usi ng  the  Ba ck  P rop agati on   Ne ur al   Netw o r k  that   it   i s   trai ned an d  t he n  te ste d.     6.3.3 .   Neur al  network  t r ain ing   The  net work   is   trai ned   on  the   char act erist ic   vecto r  of   th e  de fecti ve  i m ages.  The  pu rpose   of   le arn i ng   the  net work  is  that  to  e nfor c e  the  net wor k  to  incre a se  it s  acce ssibil it y  to  cl assify   def ec ts.  Each  i nput  vecto r   consi sts  of   19  values  represe nting   t he  m ean  and   t he  s kewn ess  of  each  cel l   in  ad diti on   t o  the  siz e  of  the  def ect   area. T hese  f ea tures  a re  norm al iz ed  to t he high e st val ue of  t he nine ti le s.       6.3.4 .   Neur al  network  for  d efect  cl as sific ati on   Fo ll ow  the  sa m e  ste ps   as  the  init ia l  pr ocess  and   featu re s   e xt racti on   to  obta in  the  cha racte risti c  vecto r   of   the  in pu t  im age.  Lat er,  this  vecto r  was   entered   int o  the  ne ur al   net work   to  ide ntify  the  def ect   ty pe  an d  r et urn  to  w hi ch  cl ass  it   belongs.   Durin g  the  trai nin g  process ,  par a m et er  and   optim al  weigh ts  storing     on   trai ni ng  phase.  The n  thes e  values  we re  resto red   f or   te sti ng   phase  to   te st  the   i m ag es  wh ic h   non - trai ne d    on the  netw ork .       7.   RESU LT S  AND DI SCUS S ION   In   order   to  get  the  best  perform ance  of   our  syst e m   m any  t ries  wer e  us ed  with  m any  NN .  A  num ber  of   im ages  wer e  sel ect ed  fo r  trai ning  with  m ini m u m   err or   a nd   to  reac h  the   op ti m a l  weight .  The  sam e   i mages   al so   us e d  f or   t est ing   phase  to   check   the  po wer   of   the  ne ural   netw ork  us ed.   T he  res ults  gaine d  co rr es ponds  to   each  neural  ne twork  c onfi gure d  the   po we rful  an d  a ppr opriat e  net wor k  ch oice.  A nother  s am ple  fr om   the   i m age  databas e  that  was  no t   us ed  in  the  tr ai nin g  phase  wer e  us ed  for   the  te sti ng   ph ase.  To  m easur e  the   perform ance  of   our  syst em   t wo   qu al it y  m e asur e s  nam el y,   true  value  an d  error   value  wer e  use d  the y  are  def i ned as  (5) a nd (6) res pect ively  [ 27] .     TR_   In ord e r V =  A _V ( i)/E _V ( i)  *1 00%   (5)     ER_V =  (10 0 - TR_V)  *100%   (6)     Wh e re  A _V r e pr ese nt the  nu m ber  o f  c orrec tl y cl assifi ed  im age,  E _V r e presents  the e ntire  database im age.           3 1 3 1 N i i X X N s k e w n e s s Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 2 7 7   -   4 2 8 6   4284   7.1.     El man  ne ural ne twor k   This  netw ork  wer e   us e d  f or  de fect  de te ct ion  it  was   trai ned  on   42 0  i m ages,  incl ud i ng  21 0  non - def ect ive  te xtil e  i m age  and   anthe r  210  te xti le   def ect ive  i m age  be fore.  A  new   sam ple  of  140  i m ages  from   the  colle ct ed  visu a l  database  non - trai ne d  be fore   wer e  form ed  t o  be  trai ne d  in   the  El m an  Neu ral  Netw ork .  Thes e  140  im ages  include  70  of  non - def ect ive  t extil e  i m age  and   70  de fecti ve  te xtil e  i m a ge.   T his  sam ple  wa s   entere d  into  E LMAN  netw ork  f or   defec t  det ect ion .  T he  re s ults  of   t he  trai ned   420  im age  and   non -   trai ne d  17 0  i m ages  wer e  de scribe d  as  show n  in  T a ble  1.   T he   res ults  for  the  trai ne d  210  i m ages  are  eq ual  to  100%  f or   def ect ive  a nd  non - de fecti ve  i m age.  W hile  the  rate  f or   th e  70   def ect ive   i m age  app r ox i m at e  to  98.57 %  an d  100%  f or   t he  non - de fecti ve  70  im ages.  In  add it io n ,   t he  t otal  res ults  are   ab ou t  100%   of  the  210  im ag e  an d  99.28%  of  the  140  im ages.  These  res ults  at   al l  ref le ct   the  s up e rio r  res ults  and   the  a ppr opriat e  sel ect ion   of   the   neural  netw ork .       Table  1.   Re s ults o f  trai ned an d non - trai ne d  i m ages on  t he  E l m an  NN   70   n o t tr ain ed  I m a g e   2 1 0  tr ain ed  I m ag e     Textile  t y p e   9 8 .57 1 4 %   100%   Def ect textile   100%   100%   No n  def ect textile   9 9 .28 5 7 %   100%   Total p erce n tag e   6 3 .07 8 5   0 :0 0 :4 6   Ti m e  ellips e in sec o n d       7.2 .     BPN N   and   FBP NN   neu ral ne twork  t e sting st age   Wer e   ap plied   on  feat ur e   vect or  duri ng  the   te st  phase  t o  cl assify   the   de fe ct s  ty pe  of  t he   70  im ages.   At  the  te st  ph ase  the  BPNN   trai n  f or   fi ve  im ages  per   14  def ect s  each  th e  accuracy  of   t he  defec t  cl assifi cat ion  rati o  was  91. 4286%  with  er r or   rati o  8.5 71 4%.   In   a ddit ion ,  FBP N N  tra in  the  sam e  i m ages  as  BPNN   it s  cl assifi cat i on   r at io  was  a bout  97.14 28%  wit h  er r or   rate  4.2 857%  overall   t his  im age  set .  The  resu lt s  s ho wn  in   T able  2  co nfi gure  the  po we r  of   our  pr opos e d  ne ur al   ne twork  denote d  by  FBP NN   ov e r  BPN N  f or   bo t h  resu lt ant  pa ra m et ers.         Tables  2.  Res ul ts for test  stag e b y B P N N  a nd FBP N N   Accurac y  of  FBPN N   Accurac y  of  BPN N   Def ect T y p e   Er ror  r atio   Accurac y   Er ror  r atio   Accurac y   0%   100%   0%   100%   Def ect1 (Brok en  end s)   0%   100%   0%   100%   Def ect2  ( Bro k en  pattern )   0%   100%   0%   100%   Def ect3  ( co lo red f leck s)   20%   100%   40%   80%   Def ect4 (  Cu t  &  tea r)   0%   100%   0%   100%   Def ect5 (Dou b le end )   0%   100%   0%   100%   Def ect6 (f lo at)   0%   100%   0%   100%   Def ect7 (ho le)   0%   100%   20%   80%   Def ect8 (Kno ts)   20%   80%   40%   60%   Def ect9 (( Missin g   p ick s)   0%   100%   0%   100%   Def ect1 0 (( Reed M)   0%   100%   0%   100%   Def ect1 1 (slu b )   20%   80%   20%   80%   Def ect1 2 (stain )   0%   100%   0%   100%   Def ect1 3 (Untri m m )   0%   100%   0%   100%   Def ect1 4 (W ef t Ba r)   4 .28 5 7 %   9 7 .14 2 8 %   8 .57 1 4 %   9 1 .42 8 6 %   Percentag e  ratio       7.3.    BPN N   and   FBP NN   neu ral ne twork  t r aining  sta ge    A t t he  trai ni ng  sta ge  70 im age f eat ures v ect or w e re traine d  t heir  re su lt s is s how n  in  T a ble  3.  F ourtee n  def ect s  cl assifi cat ion   acc ur ac y  was  com pu t ed  at   BPN N   a nd   FBPN N   th ei r  res ults  are  99.52 38%  an d  100%   resp ect ively .  T his  rati o  was  a ff ect ed   by  defec t12 ,   tha t   it   is   accuracy  rati o  appr ox im at e s   to  93. 4%  for  BPN N   bu t  100%  fo r  F BPNN.        Tables  3.  Res ul ts for traini ng  sta ge by B PNN a nd FBP NN   Def ect T y p e   Accurac y /   BPNN   Accurac y  /   FBPNN   Def ect1 (Brok en  end s)   100%   100%   Def ect2   (Brok en  pattern )   100%   100%   Def ect3   (colo red f leck s)   100%   100%   Def ect4 (  Cu t & tea r)   100%   100%   Def ect5 (Dou b le end )   100%   100%   Def ect6 (f lo at)   100%   100%   Def ect7 (ho le)   100%   100%   Def ect8 ( Kn o ts)   100%   100%     Def ect T y p e   Accurac y /   BPNN   Accurac y  /   FBPNN   Def ect9 (( Missin g   p ick s)   100%   100%   Def ect1 0 ( ( Reed  M arks )   100%   100%   Def ect1 1 (slu b )   100%   100%   Def ect1 2 (stain )   9 3 .33 3 %   100%   Def ect1 3 (Untri m m ed   Loo se th reads )   100%   100%   Def ect1 4 (W ef t Ba r)   100%   100%   Percentag e  ratio   9 9 .52 3 8 %   100%     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A fuzzy  system   for  detect ion   and cl as sif ic atio n of tex ti le  d ef ect s to  e ns ure  th e  …  ( Iman  Subhi M ohamme d )   4285   8.   PERFO R MANC E E F FIC I ENC Y  O F T HE PR OPO S ED W ORK   In   or der   to  m e asur e  the  e nh a ncem ent  of   our  pro po se d  w ork .  W e  com pare  it  with  oth er  works  in  the  sam e  fiel d.   Desp it e  the  diff e r ence   in  vis ual  database  siz e  and  the  te ch ni qu e s  use d  bet ween  our   syst e m   an d  oth e r  relat ed  work.  Ta ble  4  sh ows  t he  sup erior it y  of  o ur   work   t hat  reac hed   t o  97. 1428 %  accuracy  rate  ove r   oth e rs wor k w hich  it  is  ra ng e d betwee n  m ini m u m  v al ue 80%  and a bout  96%  of m axi m u m  v al ue .       Table  4.  C om par iso n wit h rela te d  w ork   Sy ste m s     Metho d   Visu al Database   Accurac y  Rate  ov er  all  DB   An an d  H.  et  a l.  (20 1 2 )  [ 1 ]   GLCM+  Pr o b ab ilit y   Neu ral  N etwo rk   1 5 0  textile i m ag e   3 0  textile i m ag e f r ee of  def ects   1 2 0  textile i m ag e  with  4 ty p e of  def ects   9 1 .1%   Ali   Jav ed  et  al .    (20 1 3 )  [ 8 ]   Reg u lar  Ban d   7 8  textile i m ag e   3 9  textile i m ag e f r ee of  def ects   3 9  textile i m ag e  w ith   d ef ects   96%   P.Y.   Ku m b h ar  et a l.   (20 1 6 )  [ 1 1 ]    Gen etic algo rith m   +  SVM   -- - -- - --   90%   Su n il Ban g are  et.   a l  (20 1 7 )   [ 1 3 ]   I m ag e  Proces sin g   Techn iq u e   5 2  textile i m ag e   2 6  textile i m ag e f r ee of  def ects   2 6  textile i m ag e  w ith  def ects   9 6 .15 %   Sh u an g  M ei et.  a l.   (20 1 8 )  [ 1 4 ]   Encry p tio n + Gaus sian   Py ra m id s   TE L DA datab ase   80%   Prop o sed  App roach   (20 1 8 )   Gab o r  f ilter+  Fu zz y   Back  Pr o p ag atio n  +  El m an  neu ral  netw o rk   5 6 0  textile i m ag e   2 8 0  textile i m ag e f ree  o f  def ects   2 2 0  i m ag e  with  14  ty p e of  def ects   9 7 .14 2 8 %       9.   CONCL US I O N   The  pro posed   work  s how  t ha t  the  us e  of  spe ct ral  filt ers  s uc h  as   a  Gabo r  filt er  has   great ly   helpe d  to   ob ta in  good  sta ti sti cal  feature s  fo r  the  s uc cess  of   the  de te ct ion   proces s.  In   ad diti on,   El m an  and   BPN N  netw orks  pro ve d  thei r  ef fici ency  th rou gh  th ei r  res ul ta nt  r a ti os .  T hey  s how  99.28 57 %   a t  the  de fect  detect ion  sta ge  an d  91. 4286%  i n  the  de fects  cl assifi ca ti on   sta ge .  As  well   as  the  m erg e  betwee n  f uz zy   log ic   wit h  a   Ba ck  Pr opa gatio n  Neural  Net work   t hat  pro duce  the  Fu zzy   Ba ck  Pro pa gation  Ne ur al   Netw ork  F BPNN.   Th e  outc om e fr om  FBPNN in creased  the  pro portio n of   dete ct ion  si gn ific a ntly  to  97. 1428 %.       REFERE NCE S     [1]   Anand  H.  Kulka rni  and  She et a l  B. Pati l ,   "A utomate d  Ga rm ent   Id ent ifica ti on  and  Defe ct  Detect io n  Model  Based  on   Te xtur e  Fea tures   and  PN N , "  In te rnational   Jour nal  of   Latest  Tr ends  in  Engi ne e ring  and  Techn ology   ( IJLTET) ,     v ol.   1 ,   no .   2 ,   201 2 .   [2]   R.   Peng  Pai,   " Autom at ed  Def ec t  Det ection  fo r  Te xtile  Fabri c s  Us ing  Gabor  W ave le t  Ne tworks , "  Diss ert at io n,   The   HK U Schol ars,   Th e  Univ ers ity   of   Hong Kon g,   ht tp: / /hdl . h an dle . n et /10722 /51 685. [Inte rn et ] ,   2 006.   [3]   A .   P .   S .   Sawhne y ,   J.  B .   Pric e  an d  Cal amar i ,   "A   Succe ss ful  W eaving  Trial   with  a   Size - Fre e  Cot to n  W arp , "  Southe rn  Regi onal   R esra r ch  Center,   Agri cul tur al   Rese arc h  Servic e ,   New   Orlea ns,  India n  Journal  of  F ibre  &   Text il e   Re search ,  v ol .   2 9,   pp .   117 - 121 ,   2004.   [4]   Ris hav  D.,   Moni ka  A . ,   "Identificati on  Of  D efe c ts  In  Te x ti l e  B ase d  On  Stat ist ic a l  Anal y sis  Of  DC T  Coeff ic i ent s  O f  Te xtile   Im age s , "  Aarhat  Mu lt id isci pli nary   Int ernati onal Educ a ti on   Re search   Journ al  ( AMI ERJ) ,   2012.   [5]   Jian y un  Ni ,   Jing  Luo,   Za ip ing  Chen  and  Enze ng  Dong,  "A   M ult i  Resolution  Method  for  Dete cting  Defe c ts  in   Fabric   Im age s  Resea rch " ,   Jou rnal  of  Appl i e d  Sci en ce s,  En gine ering  and  Technol ogy ,  M axwe ll  Scien tifi c  Or ganizati on ,   v ol.   5 ,   no . 5,   2013.     [6]   Micha e l  K.  Ng,   Henr y   Y.  T .   Ngan,   Xiaomin g  Yuan,   and  W enxi ng  Zha ng ,   "P at te rne d  Fabr i c  Inspec t ion  an d   Visuali z at ion  b y  the   Method   of  I m age   Dec om positi on , "   I EEE  Tr ans act ion  o n  Au to mation  Scienc e  a nd  Engi ne ering ,  v ol.   1 1 ,   n o.   3 ,   pp .   943 - 947 ,   2014 .   [7]   Ali  Jave d,   Mirza  Ahs an  Ulla h,   and  Aziz - ur - Reh m an,   "Com par at ive   Anal y s is  of  Diffe ren t  Fabri c  Defe ct s  Detect io n   Te chn ique s , "  Im age,   Gr aphi cs  a nd  Signal P roc e ss ing  Journal , v ol.   1 ,   pp .   40 - 45 ,   2013.   [8]   Ali  Rebhi,  Iss a m   Benmham m e d,   Sabeur   Abid ,   and   Farha t  F nai e ch,  "F abr ic  Defe c t  De te c tion  Us ing  Local   Hom ogene ity   A naly s is a nd   Neur al   Ne twork, "   Hi ndawi  Pub li shin g  Corpor ati on,   J ournal  of Phot o nic s ,  vo l.  9,   201 5.   [9]   Male k  Abdel  Sal am,  "O nli ne  Fabric   Inspec t ion  b y   Im age   Proce ss i ng  Te chnol og y , "   Ph.D.  The sis su bm it te d  to  Haute  Alsac e  Univ ersity ,   2013 .   [10]   M Hanmandlu ,  Sujat a   Dash   And  D K Choudhur ,   "F abr ic   Im age Def ect  De te c ti on  b y   using   GLCM  and  ROS ET TA , "  HIT   Tr ansacti ons ,  v ol. 3,  n o.   9,   2 008   [11]   P.  Y.  Kum bhar ,   Te j aswini  Mathp at i ,   Rohini   Kam ara ddi  and  Nam rat a  Ks hirsaga r ,   "Te xtile  Fabri c  Defe c ts  Dete c ti o n   and  Sorting  Us i ng  Im age   Proce s sing , "  Inte rnat io nal  Journal  For  Re search  In  E merging  Scienc e   And  Techno log y,  v ol.   3 ,   no .   3 ,   201 6.   [12]   Soo  Chang  Ki m   and  Ta e  JinKang ,   "Te xture   Cl assific a ti on  and  Segm ent at ion  Us ing  W ave le t  Packe t  Fram e  a n d   Gauss ia n  Mixtur e  Model , "  Pa ttern R e c ognition ,  v ol .   40 ,   no .   4 ,   200 7.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 2 7 7   -   4 2 8 6   4286   [13]   Sunil  L .   Bang ar e,   N .   B.   Dhawa s,  V.  S.   Ta w are,  S.  K .   Digh e,   P.  S.  Bagmar e,  "Im ple m ent at ion   of  Fabri c  Fau lt  Dete c ti on  S y ste m   Us ing  Im age   Proce ss ing , "  In te rnational   Jour nal  of   Re s earc h   in  Advent   Te c hnology ,  v ol .   5 ,     n o.   6 ,   2017 .   [14]     Shuang  Mei,   Yudan  W ang,   and  Guojun  We nm ,   "A utomati c  Fabric   Defe c t  Dete c ti on  wit h  a  Multi - Scale  Convolut ional  D enoi sing Aut o en code r  N et work  Model ,"   S ensors ,   2018 .     [15]   Aja y   Kum ar  an d  Hauz   Khas,   "Com pute r  Visi on - base d  Fabr ic  Defe ct  Det ec t i on:  A   Surve y , "  Depa r tment   of  El e ct ri ca l   Engi n ee ring   Indi an  Ins ti tute  of   T ec hnol og y ,   2004 .   [16]   Maha ja n   P.   M. ,   J.   T.   Maha ja n  and  Patil  P.   M,   "A   Revi ew  of  Autom at ic   Fabr i c  Defe ct   De tection  Techni ques , "   Adv anc es  in   Co mputati onal   Re s earc h ,  v o l. 1 ,   no .   2,   pp .   18 - 29 ,   20 04 .   [17]   Pri y ank a  M.   Sh anbha g,   Manish  P.  Deshm ukh  an d  Shekhar   R.   Su ral ka ,   "O ver v iew :  Methods  Of  Autom at ic   Fabr i c  Defe ct Detection , "  Global   Journa l  Of  Engi ne ering ,   Design   &   Technol ogy ,  v ol .   1 ,   n o.   2 ,   pp .   42 - 46 ,   2012.   [18]   Tom Mitc he ll,  Mac hine Learni ng ,   publ ished  b y  McGraw Hill,   1 997.   [19]   Zhi qia ng  Zh ang,  Shangce   Gao,   Gang  Yang,   Fangji a  Li   and  Zheng  Ta ng,   "A n  A lgori the m   of  Supervised  Le arn in g   for  El m an  Neur al   Network , "   In te rnational   Journal  of  Innov at i ve   Computing ,   Information  and  Control  ICIC,   Inte rna ti ona l,  v o l.   5 ,   n o .   10(A) ,   p p.   299 7 – 3011 ,   2 009.   [20]   MathWorks   Inc . ,   "F uzzy   Logi c   T oolbox™  ",   Us er’ s Guide   R2014 a ,   2014 .   [21]   S.  Ariva zha g an,  L.   Gane san ,   a nd  S.  Bama,   "F aul t  Segm ent a ti on  in  Fabri c  Im age s   Us ing  Gabor  W ave let   Tra nsform , "   Jou rnal  of  Ma chi n e Vi sion a nd   Appli cat ions,   v ol .   16 ,   n o.   6 ,   pp .   356 – 3 63 ,   2006 .   [22]   Dengsheng  Zhang,  A y lwin  W ong,   Maria   Indr a wan,   Guojun  L u,   "Content - B ase d  Im age   Ret r ieval  Us ing  Gabo r  Te xtur e  Fe at ure s , "  Proc ee ding   of   Fi rs t  IE EE   Pacif ic - R im  Confe ren ce   on   Mul ti mead ia ,   pp .   392 - 395 ,   2000.   [23]   Om ar  Sulta n  Al - Kadi,  "A gabor   Filt er   Te x ture  Anal y s is  A  f or  Histopat holo gic a l  Bra in  Tu m our  Sub  T y p e   Discriminat ion , "  ISESCO  JST   jo urnal ,  v ol . 12,   no .   22 ,   2017 .   [24]   Aja y   Kum ar,   "N eur al   Network   Based  Dete ct io n  of  Loc al   Te xt il e  Defe ct s , "  The  Journal  Of  Pat te rn  Re cogn it io n,   The  Pattern  R ecogniti on  S ociet y ,  vol.  36,   pp.   164 5 – 1659,   2003 .   [25]   Ma y a   R.   Gupt a   ,   Nath aniel  P.  Jac obson   and  E ric   K.  G arc i a,   " OCR  Bina rization  and  Im age   P re - Proce ss ing  fo r   Sear chi ng   Histor ic a l  Docum ent s, "   The  Journal   Of   The  Pa tt ern   Rec ognit ion ,  v ol .   40 ,   pp . 389 – 397,   20 07.   [26]   David  P.  Doane   and   Lori   E.   Seward,   "M ea suring  S kewne ss:   A  Forgotte n  Stat isti c ? , "   Jour nal  of  Stat isti cs   Educ ati on ,   O akland  Univer si t y ,   v ol.   19 ,   n o.   2 ,   20 11.     [27]   S.  G.  HO GG A R,   Math emati cs   of  Digi tal   Im ages  Creati on ,   Compr ession,   Re storation ,   R e cogni ti on ,   USA :   Cambridge  Univ ersit y   Press ,   Ne w York,   2006   Evaluation Warning : The document was created with Spire.PDF for Python.