Tecniche di Visione Artificiale e Pattern Recognition per l’analisi

Tessiture su superfici ceramiche

R. Cucchiara, S. Calderara

Imagelab- Dipartimento di Ingegneria dell’Informazione

Università di Modena e Reggio Emilia

1. Introduzione Da più di vent’anni, l’analisi di immagini al calcolatore è uno strumento prezioso durante il processo

produttivo ceramico, specialmente nella fase di ispezione visiva.

Inspection (AVI) sono state sviluppate nell’ambito di due dis

quali la Visione Artificiale e la Patter

La prima, si occupa di modelli e tecniche per emular

biologico, e quindi studia tutte le tecniche al calcol

contorni e forme poi impiegate in processi per la comprensione e il riconoscimento. La seconda si avvale di

strumenti, soprattutto statistici, per analizz

grandi quantità di dati misurati, come le

Molteplici problemi che influiscono la qualità del prodotto ceramico possono essere risolti grazie alla

Visione Artificiale: l’analisi dimensionale, per la identificazione delle difettosità geometriche (ad es. bordi e

spigoli); l’analisi di difettosità locali ( quali crepe o gocce o porosità), l’analisi di tonalità e di colore e l’analisi

delle tessiture.

Le tecniche di analisi automatica di immagini per l’integrità geometrica sono ben consolidate fin dagli anni

‘80 tanto che l’industria modenese e’ leader mondiale per la produzione di sistemi di controllo; ugualmente

l’analisi di difetti locali su superfici di colore uniforme e’ un problema

sono risultati di studi scientifici iniziati negli anni ’70 , [1], e sviluppati negli anni ’80 e ‘90, come ad esempio

tecniche per l’analisi di crepe [2] generalizzate su diverse superfici. Anche l’analisi tonale dell

uniformità del colore di superfici ceramiche e’ un problema affrontato in dettaglio attraverso l’analisi con

strumenti specifici quali spettrometri e interferometri e con algoritmi immagini digitali soprattutto basati su

istogrammi [3].

L’analisi del colore è un campo molto interessante che interseca

restituzione visiva (ad esempio per la stampa fedele su carta e su ceramica di ser

calcolatore), Image Processing e la

Visione Artificiale e Pattern Recognition per l’analisi

essiture su superfici ceramiche

Dipartimento di Ingegneria dell’Informazione

Università di Modena e Reggio Emilia

l’analisi di immagini al calcolatore è uno strumento prezioso durante il processo

produttivo ceramico, specialmente nella fase di ispezione visiva. Queste tecniche di Automated Visual

Inspection (AVI) sono state sviluppate nell’ambito di due discipline ormai affermate nel mondo informatico

Pattern Recognition.

La prima, si occupa di modelli e tecniche per emulare il comportamento visivo proprio di un sistema

biologico, e quindi studia tutte le tecniche al calcolatore per estrarre primitive visuali

in processi per la comprensione e il riconoscimento. La seconda si avvale di

statistici, per analizzare, classificare ed individuare patter

grandi quantità di dati misurati, come le suddette primitive visuali estratte dalle immagini.

Molteplici problemi che influiscono la qualità del prodotto ceramico possono essere risolti grazie alla

ensionale, per la identificazione delle difettosità geometriche (ad es. bordi e

spigoli); l’analisi di difettosità locali ( quali crepe o gocce o porosità), l’analisi di tonalità e di colore e l’analisi

i immagini per l’integrità geometrica sono ben consolidate fin dagli anni

‘80 tanto che l’industria modenese e’ leader mondiale per la produzione di sistemi di controllo; ugualmente

l’analisi di difetti locali su superfici di colore uniforme e’ un problema stabilmente risolto. Queste soluzioni

sono risultati di studi scientifici iniziati negli anni ’70 , [1], e sviluppati negli anni ’80 e ‘90, come ad esempio

tecniche per l’analisi di crepe [2] generalizzate su diverse superfici. Anche l’analisi tonale dell

uniformità del colore di superfici ceramiche e’ un problema affrontato in dettaglio attraverso l’analisi con

strumenti specifici quali spettrometri e interferometri e con algoritmi immagini digitali soprattutto basati su

un campo molto interessante che interseca diverse discipline come

restituzione visiva (ad esempio per la stampa fedele su carta e su ceramica di ser

la Visione Artificiale per il controllo e la scelta del colore. In questo caso si

Visione Artificiale e Pattern Recognition per l’analisi di

l’analisi di immagini al calcolatore è uno strumento prezioso durante il processo

tecniche di Automated Visual

cipline ormai affermate nel mondo informatico

visivo proprio di un sistema

re per estrarre primitive visuali, quali colori, tessiture,

in processi per la comprensione e il riconoscimento. La seconda si avvale di

are, classificare ed individuare pattern e modelli definiti in

primitive visuali estratte dalle immagini.

Molteplici problemi che influiscono la qualità del prodotto ceramico possono essere risolti grazie alla

ensionale, per la identificazione delle difettosità geometriche (ad es. bordi e

spigoli); l’analisi di difettosità locali ( quali crepe o gocce o porosità), l’analisi di tonalità e di colore e l’analisi

i immagini per l’integrità geometrica sono ben consolidate fin dagli anni

‘80 tanto che l’industria modenese e’ leader mondiale per la produzione di sistemi di controllo; ugualmente

stabilmente risolto. Queste soluzioni

sono risultati di studi scientifici iniziati negli anni ’70 , [1], e sviluppati negli anni ’80 e ‘90, come ad esempio

tecniche per l’analisi di crepe [2] generalizzate su diverse superfici. Anche l’analisi tonale della qualità ed

uniformità del colore di superfici ceramiche e’ un problema affrontato in dettaglio attraverso l’analisi con

strumenti specifici quali spettrometri e interferometri e con algoritmi immagini digitali soprattutto basati su

diverse discipline come l’Imaging per la

restituzione visiva (ad esempio per la stampa fedele su carta e su ceramica di serigrafie definite al

per il controllo e la scelta del colore. In questo caso si

deve prestare attenzione all’immenso panorama di spazi colore nati per descrivere la natura fisica del

colore ( es. CIE LAB) , la restituzione a monitor (es

(es. YCbCr) o l’ emulazione della percezione umana (es

Lo studio dell’ispezione superficiale

significativi progressi; negli ultimi anni gli sforzi si sono concentrati sulle analisi di tessiture non uniformi

periodiche che casuali, decisamente

In questo lavoro vogliamo soffermarci sulle nuove tecniche di visione dedicate alle tessiture, valutando

tipo di problema b) le metodologie di estrazioni di primitive visuali

associate. Per quel che riguarda il primo punto

1. deviazioni locali della tessitura

disegno e riportate sulla superficie, visibili sull’immagini digitale. A questa categoria

le difettosità standard che devono essere valutate sulle superfici ceram

dalle trame e tessiture più o meno complesse.

2. deviazioni di carattere globale

anomalie di carattere locale. Tale

tonalità.

A seconda del problema devono essere estratte primitive visuali diverse come descritto nei paragrafi

successivi. Per quel che riguarda il terzo punto invece

1. classificazione (supervisionata) i campioni vengono divisi in modelli o in classi e dato un nuovo

campione deve essere riconosciuto a quale modello o classe appartiene. Questi classici problemi di

classificazione possono essere impiegati sia per applicazioni di smistamento, packaging o

dei prodotti sia per la definizione delle scelte durante il processo produttivo

2. analisi di anomalie: in questo caso i dati di training in genere in numero limitati vengono elaborati al

fine di definire uno o più modelli di riferimento, anche co

clustering. Il problema consiste nell’individuare se il campione ispezionato

o si tratta di un’anomalia ( sia essa deviazione locale o globale)

deve prestare attenzione all’immenso panorama di spazi colore nati per descrivere la natura fisica del

LAB) , la restituzione a monitor (es. CIE XYZ, RGB, s-RGB), la trasmission

emulazione della percezione umana (es. HSV; HLS).

Fig. 1 Esempi di spazi colore.

Lo studio dell’ispezione superficiale di difettosità e colore dagli anni ottanta ad ora ha

; negli ultimi anni gli sforzi si sono concentrati sulle analisi di tessiture non uniformi

, decisamente più complesse da essere elaborate al calcolatore in modo automatico

arci sulle nuove tecniche di visione dedicate alle tessiture, valutando

le metodologie di estrazioni di primitive visuali c) le tecniche di pattern recognition

primo punto, l’analisi di tessiture si può dividere in due categorie:

deviazioni locali della tessitura quali irregolarità nella trama o brusche rotture e imperfezioni nel

gno e riportate sulla superficie, visibili sull’immagini digitale. A questa categoria

standard che devono essere valutate sulle superfici ceramiche, cercando di differenziarle

dalle trame e tessiture più o meno complesse.

globale sia di colore che di tessitura senza che siano presenti particolari

tere locale. Tale difettosità viene definite anche ombreggiatura

A seconda del problema devono essere estratte primitive visuali diverse come descritto nei paragrafi

. Per quel che riguarda il terzo punto invece bisogna distinguere tra

) i campioni vengono divisi in modelli o in classi e dato un nuovo

campione deve essere riconosciuto a quale modello o classe appartiene. Questi classici problemi di

classificazione possono essere impiegati sia per applicazioni di smistamento, packaging o

la definizione delle scelte durante il processo produttivo

questo caso i dati di training in genere in numero limitati vengono elaborati al

modelli di riferimento, anche con classificazione non supervisionata o

clustering. Il problema consiste nell’individuare se il campione ispezionato sia compatibile col modello

o si tratta di un’anomalia ( sia essa deviazione locale o globale)

deve prestare attenzione all’immenso panorama di spazi colore nati per descrivere la natura fisica del

RGB), la trasmissione e la compressione

di difettosità e colore dagli anni ottanta ad ora ha conseguito

; negli ultimi anni gli sforzi si sono concentrati sulle analisi di tessiture non uniformi sia

complesse da essere elaborate al calcolatore in modo automatico.

arci sulle nuove tecniche di visione dedicate alle tessiture, valutando a) il

le tecniche di pattern recognition

in due categorie:

quali irregolarità nella trama o brusche rotture e imperfezioni nel

gno e riportate sulla superficie, visibili sull’immagini digitale. A questa categoria fanno riferimento

iche, cercando di differenziarle

sia di colore che di tessitura senza che siano presenti particolari

ombreggiatura o variazione di

A seconda del problema devono essere estratte primitive visuali diverse come descritto nei paragrafi

) i campioni vengono divisi in modelli o in classi e dato un nuovo

campione deve essere riconosciuto a quale modello o classe appartiene. Questi classici problemi di

classificazione possono essere impiegati sia per applicazioni di smistamento, packaging o ordinamento

questo caso i dati di training in genere in numero limitati vengono elaborati al

n classificazione non supervisionata o

compatibile col modello

Questo problema verrà brevemente discusso

sull’argomento e sulle tecniche correlate,

3. Analisi di tessitura: operatori per deviazioni locali

Le tecniche per rilevare i difetti locali della tessitura, che comprendono crepe, imperfezioni qua

gocce oppure irregolarità della trama come mostrato in Fig. 2

quattro categorie: tecniche statistiche, tecniche strutturali, approcci basati su filt

modello.

Fig. 2 Esempi di difetti locali: Immagine a sinistra: bolla

Fig. 3 Possibili approcci per l'individuazione di difetti di trama di tipo locale

2.1 Metodi statistici

Gli approcci statistici analizzano con metodi matematici la distribuzione dei pixel all’interno dell’immagine

rilevando variazioni rispetto a un campione di riferimento o anomalie rispetto

statistica dell’intensità all’interno dell’immagine. Tali metodi nella maggior parte operano in scala di grigi e

possono sfruttare statistiche del primo ordine quali media

probabilità o statistiche di ordine superiore quali la varianza,

occorrenza …

brevemente discusso nell’ultima parte, ma esiste una vasta letteratura

o e sulle tecniche correlate, ad es. [5].

Analisi di tessitura: operatori per deviazioni locali

Le tecniche per rilevare i difetti locali della tessitura, che comprendono crepe, imperfezioni qua

la trama come mostrato in Fig. 2, sono convenzionalmente raggruppate in

statistiche, tecniche strutturali, approcci basati su filt

Esempi di difetti locali: Immagine a sinistra: bolla; immagine centrale crepa in scala di grigi; Immagine a destra: Crepa e

variazione di tonalità.

Possibili approcci per l'individuazione di difetti di trama di tipo locale

Gli approcci statistici analizzano con metodi matematici la distribuzione dei pixel all’interno dell’immagine

rilevando variazioni rispetto a un campione di riferimento o anomalie rispetto la normale distribuzione

nsità all’interno dell’immagine. Tali metodi nella maggior parte operano in scala di grigi e

possono sfruttare statistiche del primo ordine quali media, moda e mediana di una distribuzione di

probabilità o statistiche di ordine superiore quali la varianza, la deviazione standard le matrici di co

l’ultima parte, ma esiste una vasta letteratura

Le tecniche per rilevare i difetti locali della tessitura, che comprendono crepe, imperfezioni quali bolle o

, sono convenzionalmente raggruppate in

statistiche, tecniche strutturali, approcci basati su filtri e approcci basati su

; immagine centrale crepa in scala di grigi; Immagine a destra: Crepa e

Possibili approcci per l'individuazione di difetti di trama di tipo locale

Gli approcci statistici analizzano con metodi matematici la distribuzione dei pixel all’interno dell’immagine

la normale distribuzione

nsità all’interno dell’immagine. Tali metodi nella maggior parte operano in scala di grigi e

moda e mediana di una distribuzione di

la deviazione standard le matrici di co-

La più semplice descrizione discreta della distribuzione dell’intensità luminosa dei pixel all’interno di una

immagine è l’istogramma. Esso viene utilizzato per ottenere una distribuzione discreta che descrive

l’andamento dell’intera immagine. Tramite gli istogrammi è possibile analizzare eventuali variazioni di

intensità dovute a crepe o macchie, utilizzando la statistica del primo ordine, oppure confrontare due

istogrammi per rilevare difetti di carattere globale come le variazioni tonali [7].

Fig. 4: a) immagine originale. b) istogramma dell'immagine. c) evidenziazione della difettosità

Un importate elemento per la classificazione della tessitura e ampiamente utilizzato per l’analisi di

materiale ceramico sono le matrici di co-occorrenza (GrayLevel Co-occurence Matrices). Tali matrici sono

ottenute valutando le dipendenze spaziali di due livelli di grigio differenti in una immagine data una

direzione di riferimento, come mostrato in Fig.6. Una volta calcolata la matrice di co-occorrenza, data una

specifica direzione, statistiche del secondo ordine e di ordini superiori quali l’entropia, l’energia e la

correlazione possono essere utilizzate per evidenziare eventuali difetti [9]. Pur essendo largamente

utilizzate le matrici di co-occorrenza hanno il significativo problema di dipendere da direzioni specifiche che

devono essere fornite a priori. Non esiste una direzione ottima in grado di rilevare ogni tipo di difettosità

pertanto devono essere calcolate diverse matrici per ogni immagine analizzata.

livarinen in [10] ha mostrato come sia possibile ottenere risultati comparabili in termini di rilevazioni dei

difetti per materiale ceramico utilizzando come elemento discriminante il Local Binary Pattern (LBP)

estremamente più semplice da calcolare e meno oneroso computazionalmente. Tale descrittore consiste in

una matrice ottenuta facendo scorrere una finestra di dimensioni fisse sull’immagine ed utilizzando il

livello di grigio del pixel centrale come soglia all’interno della finestra. Ad ogni centro viene quindi sostituito

il numero di elementi della finestra risultanti dall’operazione di sogliatura. Un esempio e’ mostrato in Fig. 5.

Fig. 5 Differenti pattern di tessitura di piastrelle evidenziati applicando l'operatore LBP

Fig. 6 A sinistra: immagini di riferimento con tessitura simile e relative matrici di co-occorrenza. A destra: immagine da

confrontare con relativa matrice di co-occorrenza. Sotto: risultato del confronto dove si evidenzia come l’immagine avente

tessitura di tipo b risulta distinta dal cluster formato dalle immagini aventi tessitura di tipo a.

2.2 Metodi strutturali

Negli approcci strutturali la tessitura viene analizzata utilizzando gli elementi primitivi che la compongono

quali punti o linee e sfruttando le relazioni spaziali tra essi. Tali approcci per la loro semplicità sono stati i

più utilizzati negli anni ’80, ma l’estrazione degli elementi primitivi risulta fortemente influenzata dal

rumore di acquisizione e non particolarmente discriminante per l’analisi delle tessiture più complesse.

2.3 Metodi basati su filtri

La totalità delle tecniche di analisi della tessitura presenti in questa categoria sono basate sull’applicazione

di uno o più filtri all’immagine della piastrella per evidenziare particolari aree di interesse. Tali tecniche a

seconda del tipo di filtro applicato possono operare nel dominio delle frequenze, dello spazio o in

entrambi.

Tra i possibili filtri nel dominio dello spazio sono degni di nota i filtri per il calcolo del gradiente, degli edge

di una immagine o di punti isolati come Canny, Sobel, Laplace e Deriche. Filtri basati su autovettori

(eigenfilters) sono stati recentemente applicati all’analisi della tessitura di materiale ceramico [11], tali

filtraggi, essendo basati sull’autospazio indotto dagli autovettori di una immagine hanno l’importante

proprietà di fornire come immagini risultanti del filtraggio una serie di immagini ortogonali tra loro.

Per quanto concerne i filtri nel dominio delle frequenze sicuramente la trasformazione più utilizzata

nell’analisi della tessitura è la trasformata di Fourier [12]. L’immagine della superficie da analizzare viene

trasformata nel dominio delle frequenze e successivamente opportuni filtraggi sono applicati per

evidenziare irregolarità nella tessitura. Tali tecniche basate sulla trasformata di Fourier sono efficaci

soltanto nel caso di tessiture che godono di un certo grado di periodicità ma non sono efficaci nel caso di

tessiture casuali.

Fig. 7 Risposta Reale e Immaginaria ai filtri di Gabor di due piastrelle aventi tessiture differenti

Per quanto concerne le trasformate nel dominio congiunto dello spazio e delle frequenze le più utilizzate

sono la trasformata di Gabor Fig. 7, che consiste nell’applicare la trasformata di Fourier su finestre spaziali

dell’immagine di tipo Gaussiano, e la trasformata wavelet[14]. Applicate tali trasformazioni un approccio

consueto consiste nell’analizzare l’energia dell’immagine e in particolare individuare zone aventi energia

differente rispetto a quella dell’immagine nel suo complesso come mostrato in Fig. 8.

Fig. 8 Analisi dell'energia di una immagine per l'individuazione di una crepa utilizzando la trasformata wavelet. I picchi nel

grafico tridimensionale dell'energia evidenziano la presenza di un difetto che interrompe una tessitura uniforme.

2.4 Metodi basati su modelli

I metodi basati su modelli consistono nell’utilizzo di modelli matematici parametrici per l’analisi della

tessitura quali i frattali, i modelli autoregressivi[16], random fields[17] e più recentemente su modelli

basati su elementi di tessitura definiti texem(texture exemplars)[21].

Tali approcci particolarmente complessi sono molto interessanti anche se computazionalmente molto

onerosi da adottare per un controllo in linea ma potranno essere di interesse per i sistemi con processori

avanzati delle prossime generazioni.

2.5 Studi comparativi per l’analisi di difetti locali su materiale ceramico

Per l’analisi di materiale ceramico la scelta dell’approccio più conveniente è subordinata a numerosi fattori

quali il tipo di superficie da analizzare, la potenza di calcolo e il tempo a disposizione per compiere le

analisi, il sistema di acquisizione e la risoluzione delle immagini stesse. Numerosi studi comparativi sono

stati proposti per individuare comunque, a parità di questi fattori, le tecniche più opportune per la

rilevazione di anomalie locali nella tessitura. In particolare in [18] viene presentato un interessante

confronto tra tre differenti metodi statistici per l’analisi della tessitura (LBP, istogrammi e matrici di co-

occorrenza) e cinque differenti filtraggi tra cui Gabor e le wavelet con la conclusione che, per

l’evidenziazione di difetti locali, la tecnica più efficace risulta il filtraggio di Gabor che fornisce una buona

accuratezza anche su superfici significativamente differenti tra loro. Recentemente molti sforzi sono stati

profusi per sfruttare le relazioni di vicinanza di pixel dell’immagine anche nell’individuazione delle

difettosità. In particolare metodi come i modelli texem e i Markov Random Fields(comunemente usati per

la segmentazione di immagini) sono stati applicati con successo anche alla rilevazione di difetti nella

tessitura.

3. Deviazioni Globali

Durante il processo ceramico l’analisi delle proprietà cromatiche della tessitura sono importanti per

mantenere la tonalità il più uniforme possibile e ridurre le imperfezioni del prodotto finito. Il controllo della

tonalità consiste nel verificare la consistenza cromatica tra i prodotti in modo che non si percepiscano

significative variazioni tra una superficie e un'altra. Ogni immagine a colori consiste di più canali a seconda

dello spazio colore impiegato. Tali canali possono essere analizzati separatamente con le stesse tecniche

utilizzate per l’individuazione di difetti in scala di grigio oppure analizzati nel complesso per valutare

globalmente la tonalità della piastrella.

In [19] per l’analisi tonale viene utilizzata la trasformata wavelet nello spazio RGB e comuni tecniche di

clustering come il K-means vengono utilizzate per raggruppare elementi aventi energia simile ottenendo

così gruppi cromaticamente omogenei.

Un altro approccio diffuso consiste nell’utilizzo di istogrammi multidimensionali. Tali approcci variano a

seconda dello spazio colore utilizzato. Nel caso dello spazio RGB tali istogrammi sono quattro-dimensionali

e possono essere ottenuti direttamente dalle immagini, come nel caso di immagini a scala di grigio e

confrontati utilizzando metriche quali la distanza di Mahalanobis o l’intersezione tra istogrammi. Il

confronto diretto tra istogrammi seppur semplice si è rivelato efficace per individuare variazioni di tonalità

significative rispetto a un campione di riferimento [7].

L’utilizzo di istogrammi in opportuni spazi colore, ad esempio lo spazio YCbCr, può essere adottato anche

per rilevare difetti cromatici di tipo locale utilizzando gli istogrammi su ciascun canale per clusterizzare le

zone aventi proprietà cromatiche comuni e sfruttare tale suddivisione per classificare elementi difettati

come mostrato in Fig. 9.

Fig. 9 Esempio di rilevazione di difetti cromatici locali nello spazio YCbCr mediante clustering e classificazione

La scelta dello spazio colore è importante per l’individuazione delle variazioni tonali. Spazi colore opponenti

sono preferibili a spazi colore con canali correlati come l’RGB. In [20] numerosi spazi colore sono stati

confrontati per l’analisi della tessitura di diversi materiali tra cui materiali ceramici. Nel caso di materiali

ceramici i migliori risultati sono stati ottenuti con lo spazio CIELab.

4. Tecniche di pattern recognition

Come detto le tecniche di classificazione e clustering che possono essere impiegate sono molteplici e

dipendono dallo spazio delle feature visuali impiegate, dalla dimensionalità dello spazio e dalla linearità di

divisione dello spazio. Quando la classificazione ha lo scopo di riconoscere oggetti di modelli diversi e ben

riconoscibili classificatori Bayesiani o a Maximum Likelihood(ML) possono essere efficacemente impiegati

anche se spesso si cerca di impiegare classificatori non lineari. Un possibile esempio sono le Support Vector

Machine (SVM) o le reti neurali[1].

In caso di analisi di anomalie invece si impiegano tecniche di classificazione non supervisionata o clustering,

La tecnica più diffusa è il K-means e la sua variante fuzzy (Fuzzy K-means) o tecniche derivate per dividere

lo spazio delle feature in gruppi a omogenea similarità. Ad esempio in Fig. 9 una piastrella texturata

contiene in forma casuale due tonalità di colori predominanti che vengono clusterizzati in due gruppi sulla

base dell’istogramma bidimensionale nello spazio YCbCr (considerando solo le componenti Cb Cr di

crominanza) di cui si vede il modello in basso. Un altro campione dello stesso tipo dovrebbe prevedere un

andamento simile dell’istogramma sebbene localmente il colore dei singoli pixel risulti differente. Nel caso

presentato in Fig. 9 la presenza di gruppi di pixel di colore dissimile ad ogni cluster ottenuto dal campione di

riferimento è utilizzata per rilevare una possibile anomalia della tessitura.

Numerose tecniche di pattern recognition possono essere utilizzate per l’analisi delle tessiture di materiale

ceramico, molte delle quali possono essere ottimizzate per un’elaborazione in tempo reale e quindi

applicate in modo proficuo in contesti produttivi.

5. Conclusioni: Quest’articolo ha come obiettivo soltanto porre l’accento su un vasto panorama di tecniche di pattern

recognition e di operatori di visione artificiale che sono potenzialmente molto efficaci nell’ambito

dell’ispezione visiva ceramica. Ovviamente queste tecniche prima di poter essere stabilmente impiegati in

sistemi in linea devono essere valutate e testate su numerosi casi di studio reali. Fortunatamente si stanno

sviluppando diverse librerie statistiche e di visione artificiale che possono essere impiegate in fase di

valutazione, tra esse ricordiamo numerose librerie per l’ambiente Matlab estremamente utili in fase di

valutazione del progetto non essendo computazionalmente ottimizzate. Altre librerie software invece come

le open source Computer Vision library (openCv) o librerie commerciali come le IPP dell’Intel, scritte in C o

C++ possono essere direttamente impiegate per lo sviluppo di sistemi di visione automatizzate. Per questo

il laboratorio ImageLab del Dipartimento di Ingegneria dell’Informazione dell’Università degli studi di

Modena e Reggio Emilia da più di dieci anni sta sviluppando librerie ed esperienze sia nell’ambito

dell’ispezione visiva 2D e 3D che di molte altre applicazioni di visione artificiale quali la videosorveglianza e

l’analisi di dati multimediali. I ricercatori dell’ImageLab fanno parte dell’associazione italiana per la pattern

recognition GIRPR, capitolo italiano del raggruppamento internazionale IAPR.

Bibliografia: [1] R.Haralick, K. Shanmugam, L.Dinstein Textural features for image classification, IEEE Trans on System

Man and Cybernetics Vol. 3 1973

[2] R.Cucchiara, F.Filicori The vector gradient Hough transform, IEEE Trans. On Pattern analysis and

Machine Intelligence No. 7, July 1998

[3] C. Boukovales, J.Kittler, M.Petrou Color grading of randomly textured ceramic tiles using color

histograms, IEEE Trans on Industrial Electronics Vol. 46-1 1999.

[4] Raghu, P.P.; Yegnanarayana, B. Supervised texture classification using a probabilistic neural network and

constraint satisfaction model, IEEE Trans. On Neural Networks Vol. 9, No. 3, 1998

[5] Richard O. Duda, Peter E. Hart and David G. Stork Pattern Classification, Wiley-Interscience Ed.

[7] C. Boukouvalas, J. Kittler, R. Marik, and M. Petrou. Color grading of randomly textured ceramic tiles

using color histograms. IEEE Transactions on Industry Electronics, 46(1):219–226, 1999.

[9] L. Siew, R. Hodgson, and E. Wood. Texture measures for carpet wear assessment. IEEE Transactions

on Pattern Analysis and Machine Intelligence, 10:92–105, 1988.

[10] J. Iivarinen. Surface defect detection with histogram-based texture features. In SPIE Intelligent Robots

and Computer Vision XIX: Algorithms, Techniques, and Active Vision, volume 4197, pages 140–145,

2000.

[11] A. Monadjemi, M. Mirmehdi, and B. Thomas. Restructured eigenfilter matching for novelty detection

in random textures. In British Machine Vision Conference, pages 637–646, 2004.

[12] D. Tsai and T. Huang. Automated surface inspection for statistical textures. Image and Vision

Computing, 21:307–323, 2003.

[14] F. Truchetet and O. Laligant. A review on industrial applications of wavelet and multiresolution based

signal-image processing. Journal Electronic Imaging, 2008.

[16] J. Mao and A. Jain. Texture classification and segmentation using multiresolution simultaneous

autoregressive models. Pattern Recognition, 25(2):173–188, 1992.

[17] N. Jojic, B. Frey, and A. Kannan. Epitomic analysis of appearance and shape. In IEEE International

Conference on Computer Vision, pages 34–42, 2003

[18] A. Monadjemi. Towards Efficient Texture Classification and Abnormality Detection. PhD thesis,

University of Bristol, UK, 2004.

[19] F. Lumbreras, J. Serrat, R. Baldrich, M. Vanrell, and J. Villanueva. Color texture recognition through

multiresolution features. In International Conference on Quality Control by Artificial Vision, volume 1,

pages 114–121, 2001.

[20] Maneesha Singh, Markos Markou, Sameer Singh, "Colour Image Texture Analysis: Dependence on

Colour Spaces," icpr , p. 10672, 2002.

[21] X. Xie and M. Mirmehdi. TEXEM: Texture exemplars for defect detection on random textured surfaces.

IEEE Transactions on Pattern Analysis and Machine Intelligence, 29(8):1454–1464, 2007.