See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/316476930

CLASSIFICATION OF FABRICS DEFECTS USING IMAGE ANALYSIS AND FUZZY

C‐MEANS METHOD

Conference Paper · November 2014

CITATIONS READS

3 908

3 authors:

Jmali Mohamed Baghdadi Zitouni

Institut Supérieur des Etudes Technologiques de Ksar Hellal Higher Institute of Technological Studies Sousse
12 PUBLICATIONS   7 CITATIONS    12 PUBLICATIONS   38 CITATIONS   

SEE PROFILE SEE PROFILE

Sakli Faouzi
Institut Supérieur des Etudes Technologiques de Ksar Hellal, Tunisia
427 PUBLICATIONS   1,367 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Optimization of technical characteristics and construction factors of Tunisian handmade carpets View project

modilisation en textile View project

All content following this page was uploaded by Sakli Faouzi on 26 April 2017.

The user has requested enhancement of the downloaded file.

 INTERNATIONAL CONFERENCE OF APPLIED RESEARCH ON TEXTILE, CITRAT‐6 
November 13 – 15, 2014 Hammamet, Tunisia 
ISSN 2286‐5659 

CLASSIFICATION OF FABRICS DEFECTS USING IMAGE ANALYSIS AND FUZZY C‐MEANS METHOD 
JMALI Mohamed, ZITOUNI Baghdadi and SAKLI Faouzi 
Textile Engineering Laboratory ‐ University of Monastir, ISET Ksar Hellal, Tunisia. 
 
ABSTRACT:  Typically,  the  fabric  inspection  is  performed  by  a  human  controller  that  uses  a  display  system  and 
relies  on  personal  knowledge.  The  objective  of  our  work  is  to  develop  a  system  for  the  detection  and 
classification  of  defects  in  a  simple  and  efficient  way  using  techniques  of  image  processing.  Therefore,  we 
propose  to  provide  an  inspection  process  that  aims  to  detect  and  classify  defects  in  warp  and  weft  using  a 
computer program developed in Matlab that analyzes images of fabrics samples acquired using a flat scanner. 
KEYWORDS: Fabric defects, image analysis, fuzzy C‐means, classification techniques 
 
1. INTRODUCTION 
In  (Xie,  2008),  Xianghua  Xie  has  shown  that  the 
The  textile  industry  is  very  concerned  with  surface  defects  are  loosely  separated  into  two 
quality.  It  is  increasingly  imperative  to  produce  types.  One  is local textural irregularities which is 
goods of the highest quality in  the shortest time  the  main  concern  for  most  visual  surface 
possible (Chen et al, 1998).  inspection  applications.  The  other  is  global 
deviation  of  color  and/or  texture,  where  local 
Among the new methods used to reduce the cost 
pattern or texture does not exhibit abnormalities. 
of  poor  quality,  we  find  digital  image  processing 
of  fabrics  (Chen  et  al.,  2000).  To  recognize  a  In  this  paper,  we  begin  by  presenting  the 
sequence  of  forms,  it  is  often  necessary  to  different fabric defects treated (missing thread in 
automatically  segment  the  sequence  before  weft  or  warp,  presence  of  an  oil  stain  and 
proceeding  to  the  examination  of  each  form  presence  of  a  hole  in  the  fabric).  After  that,  we 
separately (Dorrity et al., 1994).  deduce  a  discriminant  character  for  each  defect 
(existence of straight lines of the same intensity, 
Fabric defects are responsible for the majority of 
uniformity of the processed image intensities and 
problems  found  in  the  garment  industry.  It  is 
the  existence  of  voids).  Finally,  we  use  the  fuzzy 
therefore  imperative  to  detect  and  identify 
C‐means method to classify defects. 
defects to prevent them from reproducing (Japer 
et  al.,  1995).  Currently,  much  of  the  fabric  2. THE FABRICS DEFECTS  
inspection is performed manually. With the most 
In the manufacture of fabrics, many problems can 
qualified  inspectors,  only  some  defects  are 
affect  the  textile.  Among  these  anomalies,  we 
detected.  In  this  context,  there  is  a  need  for 
find  missing  warp  or  weft  threads,  oil  stains  and 
making  an  automatic  inspection  of  fabrics  in  the 
holes.  
textile  industry  that  can  detect  and  identify  the 
characteristics  of  the  fabric  in  real  time.  In  this  To detect and identify numerically these defects, 
case,  the  system  will  alert  maintenance  they  should  be  treated  case  by  case.  To  do  this, 
personnel  once  the  machine  needs  an  we tried to find the characteristics that permit us 
intervention to prevent the production of defects  to  assign  each  type  of  defect  to  its  appropriate 
or  when  it  is  necessary  to  modify  the  process  category.  The  work  aims  to  extract  measurable 
parameters  to  improve  the  quality  of  products  parameters  that  can  give  us  an  idea  of  the 
(Goswami et al., 2000).  texture  of  the  processed  image  in  each  case  of 
A  new  method  of  classifying  fabrics  defects  has  defect. 
been  designed  and  implemented  to  meet  the  2.1. Missing thread in weft or warp 
needs  of  manufacturers.  To  identify  the  most 
harmful and expensive defects in fabrics, a survey  The  "missing  thread  in  weft  or  warp"  default  is 
was  conducted  in  the  industrial  environment.  very  common  in  the  weaving  industry.  In  that 
This  survey  showed  that  the  most  frequently  case, the character of the texture is not respected 
detected  defects  are  missing  weft  or  warp  in some parts of the fabric. Figure 1 shows some 
threads, oil stains and holes (Jeong et al., 2001).   examples of this defect. 

    1 
 © CIRAT‐6, 2014 

percentage  of  black  pixels  in  the  entire  image. 

The area that contains a very high relative density 
than the average density probably contains an oil 
stain. 
To  calculate  the  rate  of  uniformity  between 
 
shades  in  a  fabric,  we  compute  the  average 
Figure 1: Examples of the defect "missing thread in 
density of black pixels in the binary image. Then, 
weft or warp" 
we divide the image into several sections and we 
To  calculate  the  rate  of  straight  lines  having  the  determine  the  density  of  black  pixels  in  each 
same  intensity  in  the  horizontal  direction,  we  section.  Finally,  we  sort  the  sections  by  density 
compute  the  difference  between  the  number  of  level and select the section having the maximum 
black  pixels  and  the  number  of  white  pixels  in  density value. 
each row in the binary image. Then, we compute 
By  applying  this  procedure  to  the  database  of 
the  mean  difference  in  intensity  of  adjacent 
samples  having  defects,  we  obtained  the 
straight  lines  and  the  image  lines.  Finally,  we 
densities shown in figure 4. 
calculate the ratio between the two means.  
By  applying  this  procedure  to  the  database  of 
samples  having  defects  (45  samples),  we 
obtained  the  rate  of  contiguous  lines  shown  in 
figure  2.  We  notice  that  all  samples  having  a 
missing  thread  present  a  high  value  for  this 
parameter. 

 
Figure 4: Distribution of samples according to the 
presence of oil stains. 
2.3. Presence of a hole in the fabric 
During  its  displacement,  the  roll  of  fabric  may 
undergo some frictions which can cause more or 
less large holes. Figure 5 shows some examples of 
 
this defect. 
Figure 2: Distribution of samples according to the 
presence of straight lines. 
2.2. Presence of an oil stain 
During  the  operation  of  weaving,  we  have  to 
lubricate  mechanical  parts  of  the  machine. 
Therefore, the fabric may undergo some oil stains   
accidentally.  Figure  3  shows  some  examples  of  Figure 5: Examples of the defect "hole in the fabric." 
this defect. 
To calculate the rate of presence of void areas in 
a  fabric,  we  compute  the  percentage  of  white 
pixels  in  the  binary  image.  Then,  we  divide  the 
image into several sections and we determine the 
percentage  of  white  pixels  in  each  section. 
Finally, we sort the sections by the rate of white 
  pixels.   
Figure 3: Examples of the defect "oil stain". 
By  applying  this  procedure  to  the  database  of 
The main idea to detect oil stains is the division of  samples  having  defects,  we  obtained  the 
the processed image into sections and calculating  densities  shown  in  figure  6.  We  notice  that  all 
the  percentage  of  black  pixels  in  each  section.  samples  having  a  hole  present  a  high  value  for 
This  percentage  is  then  compared  to  the  this parameter. 

2 
  

the iteration number 11 the objective function is 
equal to 0.797099 while for the iteration number 
12, the objective function is equal to 0.797094. 

 
Figure 6: Distribution of samples according to the 
presence of voids. 
3. CLASSIFICATION BY FUZZY C‐MEANS METHOD  
 
Fuzzy  C‐Means  (FCM)  is  a  fuzzy  clustering 
algorithm.  It  introduces  the  concept  of  fuzzy  set  Figure 8: The progression of the classification. 
in the class definition: each point in the data set  3.3. The cluster centers  
for  each  group  with  a  certain  degree  of 
The  knowledge  of cluster  centers allows  us  to 
membership.  In  fuzzy  clustering,  every  point  has 
determine the characteristics  of  each  class  in 
a degree of belonging to clusters, as in fuzzy logic, 
each default.  
rather  than  belonging  completely  to  just  one 
cluster. Thus, points on the edge of a cluster, may  We  refer in  Table 1 the  classes  and  the 
be in the cluster to a lesser degree than points in  parameters as follows:  
the center of cluster.  Class 1: default "missing wire" 
3.1. Classification of samples  
Class 2: default "hole"  
Since  all  the  data  belong  to  three  classes  that 
Class 3: default "oil stain"  
correspond to the three defaults studied: missing 
thread,  oil  stain  and  hole  in  the  fabric,  we  PLC:  percentage which  indicates  the  presence of 
presented  the  distribution  of  all  samples  into  continuous lines. 
three  classes.  Figure  7  shows  the  distribution  of  PZV: percentage  that  indicates the  presence 
fabrics  in  3  classes  whose  centers  are  marked  in  of voids. 
bold. 
PZS: percentage  that  indicates the  presence 
1
of dark areas. 
0.9
Table 1 : The cluster centres. 
0.8

  PLC  PZV  PZS 

0.7
Class 1  0,8686  0,5074  0,4686 
0.6
Class 2  0,4961  0,7720  0,5573 
0.5
Class 3  0,5356  0,4893  0,8036 
0.4
From  this  table,  it  is  clear  that  class  1  is 
0.4 0.5 0.6 0.7 0.8 0.9 1 characterized  by  a  high  value  of  PLC,  Class  2  is 
  characterized by a high value PZV whereas class 3 
Figure 7: Classification into 3 classes.  is characterized by a high value of PZS.  
  3.4. The degree of membership of the samples 
3.2. The objective function   We  present  in  Table  2  a  matrix  of  samples  from 
The  representation  of  the  objective  function  in  all three classes of defects. 
figure  8  shows  the  progress  of  the  classification.   
In  our  case,  the  classification  process  is  stopped 
when the improvement of the objective function   
between two successive iterations is less than the   
specified  improvement  value  (10‐5).  Indeed,  for 

3 
 © CIRAT‐6, 2014 

Table 1 : The degree of membership of the samples   which  is  very  high  compared  to  the  degrees  of 
REF  DEGREES OF MEMBERSHIP   belonging to other classes. 
TISSU  CLASSE1  CLASSE2  CLASSE3  4. CONCLUSION 
T1  0,9119  0,0380  0,0501 
Quality  is  a  very  important  factor  in  textile 
T2  0,7717  0,0879  0,1403  industry.  In  our  work,  we  tried  to  implement  a 
T3  0,9007  0,0513  0,0479  system  based  on  image  processing  and  Fuzzy  C‐
T4  0,5888  0,1708  0,2405  means to detect and classify three fabric defects 
T5  0,9846  0,0076  0,0078  (missing threads, oil stains and holes).  
T6  0,5935  0,2798  0,1267 
T7  0,9968  0,0016  0,0015  Our  system  works  according  to  four  steps.  We 
T8  0,8921  0,0556  0,0524  begin  by  capturing  the  image  and  then  we 
eliminate  parasite  information  and  increase  the 
T9  0,7308  0,1224  0,1468 
sharpness  of  the  image  by  applying  appropriate 
T10  0,9347  0,0336  0,0318 
preprocessing  operations.  After  that,  we 
T11  0,7010  0,1530  0,1460 
determine  three  parameters  witch  characterize 
T12  0,7301  0,1145  0,1553 
the mentioned defects (the rate of straight lines, 
T13  0,8734  0,0753  0,0513 
the  rate  of  dark  areas  and  the  rate  of  voids). 
T14  0,9480  0,0282  0,0238  Finally  we  use  a  Fuzzy  C‐means  method  to 
T15  0,9370  0,0360  0,0270  recognize  and  classify  the  category  of  defect 
T16  0,0797  0,8158  0,1045  present on the fabric.   
T17  0,0518  0,8566  0,0916 
T18  0,1040  0,7482  0,1479  Our  system  can  be  improved  to  recognize  other 
T19  0,0807  0,8322  0,0871  types  of  defects  in  real  time  and  treat  fabrics 
T20  0,0471  0,8054  0,1475  which contain more than one defect.   
T21  0,0456  0,8542  0,1002   REFERENCES 
T22  0,0971  0,7909  0,1120  Chen.  P.  W,  Liang.  T.  C.,  ,  and  Yau.  H.  F  (1998): 
T23  0,0462  0,8305  0,1233  “Classifying  Textile  Faults  with  a  Back‐Propagation 
T24  0,1070  0,6834  0,2095  Neural  Network  Using  Power  Spectra”,  Textile 
T25  0,1427  0,7590  0,0983  Research Journal, 68 (2), pp. 121‐126. 
T26  0,0622  0,8749  0,0629  Dorrity.  J,  Vachtsevanos.  G  and  Jasper.  W  (1994): 
T27  0,0532  0,8844  0,0623  “Real‐time fabric  defect  detection  and  control  in 
T28  0,0798  0,6827  0,2375  weaving  process” ;  Nat  Textil  Center  Annu  Rep  1994, 
T29  0,0819  0,7539  0,1642  20, pp. 193–202. 
T30  0,0879  0,8094  0,1027  Goswami.  B  and  Datta.  A.  k.  (2000):  “Detecting 
T31  0,0643  0,1248  0,8109  Defects  in  Fabric  with  Laser‐Based  Morphological  
T32  0,1910  0,1713  0,6377  Image  Processing”,  Textile  Research  Journal,  70(9),  
T33  0,0106  0,0133  0,9761  pp. 758‐762. 
T34  0,0240  0,0344  0,9417  Jasper.  W  et  Potlapalli.  H  (1995):  “Image  Analysis  of 
T35  0,0273  0,0565  0,9162  Mispicks  in  Woven  Fabric”,  Textile  Research  Journal, 
T36  0,0475  0,0455  0,9070  65(11), pp. 683‐692. 
T37  0,0386  0,0775  0,8839  Jeong.  S,  Choi.  H,  Kim.  S,  Jaung.  J.Y  and  Kim.  S.  H 
T38  0,0775  0,0986  0,8239  (2001):  “Detecting  Fabric  Defects  with  Computer 
T39  0,0457  0,1346  0,8198  Vision  and  Fuzzy  Rule  Generation.  Part  I:  Defect 
T40  0,0105  0,0169  0,9726  Classification  by  Image  Processing”,  Textile  Research 
T41  0,1737  0,1131  0,7131  Journal, 71(6), pp. 518‐526. 
T42  0,1418  0,1595  0,6987  Xie.  X  (2008):  “A  Review  of  Recent  Advances  in 
T43  0,2367  0,5105  0,2528  Surface  Defect  Detection  using  texture  analysis 
T44  0,1232  0,1873  0,6896  Techniques”,  Electronic  Letters  on  Computer  Vision 
T45  0,1125  0,2887  0,5988  and Image Analysis, 7(3), pp. 1‐22. 

From  this  table,  we  note  that  the  majority  of 

samples  exhibit  a  degree  of  belonging  to  a  class 

4 

View publication stats