III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

Clasificacin de residuos de construccin y demolicin mediante un kernel modificado de Laws

Albert Miyer Surez Castrilln1, Sir Alexci Surez Castrilln2, Maribel Gonzlez Rodriguez3 1Universidad de Pamplona. Colombia 2Universidad Simn Bolvar. Ext. Ccuta. Colombia 3Universidad de Len, Espaa albertmiyer@unipamplona.edu.co, sasuac@unileon.es, maribel.gonzalez@unileon.es

Resumen
En el artculo se presenta un sistema de visin que permite clasificar materiales que provienen de residuos de construccin y demolicin. En la extraccin de la informacin de las imgenes, se ha utilizado un kernel modificado de la energa de la textura de Laws, correlacionndolo con los kernels tradicionales y descriptores de textura estadsticos de primer y segundo orden. Se ha realizado una clasificacin supervisada utilizando anlisis discriminante lineal y cuadrtico. Los resultados demuestran que el kernel modificado puede ser utilizado para discriminar las imgenes generando una reduccin en la utilizacin de descriptores de textura estadsticos, obteniendo una tasa de acierto comprendida entre 94% y 98%. Palabras clave: Kernel, residuos de construccin y demolicin, matriz de coocurrencia.

Abstract
A vision system that employs texture descriptors to classify different materials used in construction and demolition waste. A developed kernel for quantifying of texture is based mask presented by energy of Laws, correlating with traditional kernels, texture descriptors in combination with statistical first and second order. The classification was carried out using linear and quadratic discriminant analysis. Results show the good performance of the Laws mask, achieving higher hit rates between 94% and 98%. Keywords: Kernel, construction and demolition waste, co-occurrence matrix.

1. Introduccin
En los ltimos aos, los desechos de residuos de construccin y demolicin (RCD), se han convertido en reas muy estudiadas debido al enorme problema que generan dichos residuos, ya sea por la contaminacin, el volumen o la oportunidad de recuperar algunos materiales para ser reciclados que permitan, finalmente, disminuir el impacto ambiental. Aunque la Unin Europea y ltimamente los Estados en vas de desarrollo han implementado polticas de gestin de los RCD [Martnez 2008, Hernndez 2008] hacia un reciclaje masivo de los mismos, todava sigue siendo constante la necesidad de mtodos concretos que permitan implantar un sistema adecuado a bajo coste. Es de resaltar que los RCD son peligrosos debido a los materiales utilizados para su fabricacin, como: fibrocementos, plomo, alquitranes, adhesivos, sellantes y ciertos plsticos. Algunos RCD pueden mezclarse con otros originando una combinacin peligrosa o simplemente el estado donde han permanecido durante aos, produciendo reacciones en el material original. Aunque los residuos generados de la construccin implican un riesgo menor que los residuos de demolicin, son considerados generalmente como un conjunto con iguales propiedades. Los RCD son residuos de naturaleza fundamentalmente inerte generados en obras de excavacin, nueva construccin, reparacin, remodelacin,
1

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

rehabilitacin y demolicin, incluidos los de obra menor y reparacin domiciliaria. Estos residuos incluyen varios materiales inertes y sustancias reactivas que resultan de la demolicin no discriminatoria de estructuras. Tambin pueden incluir desechos que se generan de la demolicin discriminatoria de las mismas estructuras. El proceso de separacin e identificacin de objetos es generalmente realizado por un operario, originando que el proceso se convierta en algo lento e inexacto. En cuanto a las tcnicas de visin artificial implementados para resolver el problema, se puede mencionar el trabajo desarrollado por [Alegre 2005], obteniendo una tasa de acierto de 87% al clasificar diferentes materiales, como: ladrillo, baldosas, cemento. Los descriptores de textura utilizados han sido los momentos de Hu, momentos de Zernike y el variograma. Recientemente, han clasificado materiales metlicos en funcin del valor de la rugosidad utilizando la matriz de coocurrencia (GLCM) y la energa textural de Laws obteniendo buenos resultados con el kernel R5R5 [Surez 2010]. La importancia en la clasificacin e identificacin del material en diferentes reas industriales queda reflejado en trabajos de inspeccin por medio de anlisis de textura en la fabricacin de textiles, alimentos, papel, cuero, madera, corcho, cermica y metales [Morala-Arguello 2009, Alegre 2011]. En lneas generales, se encuentran los trabajos implantados en el control de calidad de la industria textil. Uno de estos trabajos es el desarrollado por [Latif-Amet 2000] que aplica la matriz de coocurrencia (GLCM) para detectar defectos en tejidos, utilizando la transformada Wavelet y extrayendo los descriptores de Haralick [Haralick 1973, Haralick 1979]. Tambin [Bodnarova 2000] abordan la deteccin de defectos de textiles utilizando la GLCM para garantizar un producto final de alta calidad. Despus de aplicar las tcnicas de textura se comprob que con la GLCM lograban porcentajes de aciertos entre 88%. [Novak 2005] examina materiales cermicos, donde extraen caractersticas a partir del patrn binario local (LBP). En el anlisis de la calidad del corcho, el trabajo efectuado por [Panigua 2007] demuestran que la matriz de confusin para la caracterstica E5L5 [Laws 1980a, Laws 1980b] es la ms positiva. Tambin, se han implantado la automatizacin en procesos de degradacin de superficies tanto en azulejos, granito y madera [Lpez 2008]. En la industria alimentaria, los descriptores de textura estadsticos son los ms utilizados para detectar y clasificar la calidad del producto. Dentro de estos mtodos, se ha aplicado la GLCM para discriminar diferentes alimentos, como las patatas fritas [Pedreschi 2004] y clasificar la carne de bovino [Zheng 2006]. De acuerdo con los trabajos expuestos anteriormente, es importante contar con un sistema de visin que permita determinar cules son las tcnicas ms confiables de extraccin de caractersticas que permitan clasificar diferentes materiales de RCD, a la vez que el proceso utilice un nmero inferior de descriptores de textura al utilizar el kernel modificado R5SR5S [Alegre 2011]. El presente artculo se ha organizado de la siguiente manera. En la seccin 2, se muestra el conjunto de datos utilizados y la adquisicin de las imgenes. La seccin 3 describe los descriptores de textura utilizados. La seccin 4 muestra los experimentos y resultados correspondientes. La discusin de los experimentos se muestra en la seccin 5, y en la seccin 6, se presentan las conclusiones.

2. Adquisicin de imgenes y datos utilizados

La captura de imgenes de este tipo de residuos se realiz en diferentes localizaciones de la provincia de Len donde se haban vertido, de manera incontrolada, cantidades considerables de estos residuos. Se trataba de obtener imgenes de los siguientes materiales que forman parte de los RCD: ladrillo, teja, baldosa, yeso, etc. Las imgenes tomadas tienen una resolucin de 256x192 pxeles.

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

Se ha realizado una clasificacin supervisada utilizando anlisis discriminante (LDA) y cuadrtico (QDA). Para el entrenamiento, se utilizan las 2/3 partes de la muestra y 1/3 para las pruebas. La cantidad de imgenes y etiquetas se describen a continuacin. Se utilizaron 272 imgenes realizando dos experimentos. El primero, compuesto con 81 baldosas y 191 de ladrillos. En el segundo experimento, se subdividen en 7 subclases debido a la variabilidad de las texturas (figura 1). La cantidad y clases de estas imgenes se encuentran especificadas en la tabla 1.
Sub-clase BAL2 BAL1 BALP BALS LADD LADS LADL Nmero de imgenes 22 24 11 24 20 81 91 Etiqueta 1 2 3 4 5 6 7

BAL2 Baldosa2piedra, BAL1 Baldosadetrasclase1, BALP Baldosapiedraclara, BALS Baldosasuelo, LADD Ladrillo con dibujo, LADS Ladrilloagujeros, LADL Ladrillolateral Cuadro 1: Nmero de Imgenes por Subclase a clasificar.

BAL2

BAL1

BALP

BALS

LADD

LADS Figura 1: Prototipo de imgenes de RCD

LADL

3. Descripcin de los mtodos de extraccin y clasificacin

Los descriptores se seleccionaron en base a un estudio previo de clasificacin donde stos ofrecan los mejores resultados de reconocimiento en diferentes reas. Estas tcnicas se describen a continuacin. 3.1. Matriz de coocurrencia Este mtodo obtiene informacin sobre la probabilidad conjunta de que un par de pxeles satisfagan una cierta condicin. En la construccin de la matriz de coocurrencia los parmetros se basan en la ubicacin espacial de los pxeles, las relaciones con su vecindario y el valor de su intensidad, as que debe cumplir ciertas propiedades. Primero, debe existir una condicin para que determinado pxel sea cuantificado con relacin a un vecino. La direccin es la orientacin espacial en la cual se evala la condicin. La distancia representa el nmero de pxeles de separacin entre el par de pxeles evaluados en la condicin.

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

Para la construccin de la matriz de coocurrencia se sigue un procedimiento basado en la construccin de una matriz provisional que contiene la informacin del nmero de pares de pxeles que cumplen la condicin, de forma que el nmero de fila de cada elemento indica el nivel de gris del pxel en la direccin y la orientacin con relacin al nivel de gris del pxel indicado por el nmero de columna. La matriz de coocurrencia es utilizada debido al gran poder de discriminacin en diversas tareas de clasificacin y anlisis de imagen. A partir de la matriz de coocurrencia se obtienen los descriptores de textura. Los descriptores de la matriz de coocurrencia (ver ecuacin 1 y 2) utilizados fueron: energa (ecuacin 3), contraste (ecuacin 4), correlacin (ecuacin 5), homogeneidad (ecuacin 6). En los experimentos, se extrae informacin en las direcciones de: 0, 45, 90 y 135 grados, todos a una distancia fija de 1, 3 y 5 pxeles. Por lo tanto, se obtiene un vector con 4 caractersticas por grado y direccin. A continuacin se enumeran los descriptores de Haralick utilizados:

p x (i ) = p (i, j )
j =1

Ng

(1) (2)

p x (i ) = p (i, j )
j =1

Ng

Donde p(i, j) es la GLCM normalizada. Ng es el nmero de niveles de gris, px(i) es la probabilidad obtenida al sumar las filas, de forma similar py(j) se obtiene de las columnas de la matriz normalizada. - Segundo momento angular (energa): (3)
2

f 1 = p (i, j )
i j

- Contraste: f 2 = i j
i j

p (i, j )

(4)

- Homogeneidad: - Correlacin: (i i )( j j ) p (i, j ) f3 = (5)

i j

p (i, j ) f 4 = 2 i j 1 + (i j )

(6)

Donde x y y es la media de los valores de x e y, x y y es la desviacin estndar:

i = ic ij
i j

(7) (9)

j = jc ij
i j

(8) (10)

i = (i i )cij
3.2. Energa de la textura de Laws

j = ( j j )cij

El mtodo de Laws consiste en la convolucin de la imagen con varios kernels. Cada uno de ellos resalta una caracterstica de textura distinta: L= media ponderada, E= bordes, S= forma o mancha, W= onda, R= rizos o rugosidad, O=oscilacin. Al convolucionar la imagen original con un kernel determinado, las nuevas imgenes tendrn valores relacionados con dicha caracterstica. En este trabajo se utilizaron vecindarios de 5x5, los valores de los kernels son los siguientes: L5 = [1 4 6 4 1], E5= [-1 -2 0 2 1], S5 = [-1 0 2 0 -1], R5 = [1 -4 6 -4 1], W 5= [-1 2 0 -2 1]. A continuacin se explica el mtodo de Laws utilizando los kernels unidimensionales E5 y L5:

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

a) Al convolucionar un filtro vertical con uno horizontal, se forman kernels de dos dimensiones de tamao 5x5, por ejemplo, si fuese E5L5, se hara de la siguiente manera (ver ecuacin 11)
(11)

b) Finalmente, se obtienen un total de 25 kernels de Laws. Luego para extraer la informacin de textura de una imagen I(i, j) de tamao (NxM), se convoluciona la imagen con cada una de las mscaras anteriores. Por ejemplo, si se usa el kernel E5L5 para filtrar la imagen I (i,j), el resultado es una textura de imagen TIE5L5 tal como aparece en la ecuacin 12.
TIE5L5 = Ii,j * E5L5 (12)

c) Todos los kernels de dos dimensiones, excepto L5L5, tienen una media de cero. De acuerdo con Laws, la textura de la imagen TI L5L5 es usada para normalizar el contraste de todas las imgenes TI(i,j), logrando que los valores estn comprendidos entre 0 y 1. Este paso para normalizar el contraste de los descriptores se efecta con la ecuacin 13.

N or (TI ker nel ) =

TI ker nel TI L 5 L 5

(13)

d) Luego se calcula la energa para cada imagen. Para ello se desplaza una ventana local en cada pxel y se suman los valores absolutos de cada pxel de la vecindad. A este nuevo conjunto de imgenes se las denomina imgenes TEM, ver ecuacin 14. En nuestro caso se analizaron una ventana de 15x15 y 30x30, promediando el valor de las dos ventanas de cada pxel.

TEM

i, j

u =5

Nor (TI i +u , j +b )

(14)

e) Al combinar los 25 descriptores TEM, se obtienen texturas de rotacin invariante con medidas de energa de la textura. Por ejemplo, TRE5L5 es obtenida de la ecuacin 15.

TRE 5 L 5 =
f)

TEM E 5 L 5 + TEM L 5 E 5 2

(15)

De tal forma que, combinando ciertos pares de filtros simtricos, se reduzca el nmero de mapas de energa. g) As, en nuestro caso se utilizaron nueve mapas de textura iguales a L5E5, L5S5, E5S5, E5R5, L5R5, S5S5, R5R5 y E5E5. h) Finalmente, se extraen de cada uno de los nueve kernels de Laws los valores de seis descriptores estadsticos de primer orden: media, desviacin estndar (SD), skewness, kurtosis, rango y entropa. Por tanto, se extrae de seis caractersticas por kernel para un total de 54 caractersticas por cada imagen analizada. 3.3. Kernel modificado R5SR5S El kernel R5SR5S se origina con base en el kernel R5R5 el cual incrementa la discriminacin de materiales metlicos, clasificndolos de acuerdo al valor de la rugosidad obtenida del
5

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

parmetro Ra, en la Tabla 2 se puede observar los valores del kernel. La forma de obtener este kernel se encuentra detallada en el trabajo realizado por [Alegre 2011]. Para obtener el descriptor de caractersticas se realiza el mismo proceso de Laws (ver tem 3.2), combinndolo con seis descriptores de primer orden, los cuales son: media, SD, Skewness, kurtosis, rango y entropa. Obteniendo.
R5SR5S 1 -2 4 -2 1 -2 4 -8 4 -2 4 -8 16 -8 4 -2 4 -8 4 -2 1 -2 4 -2 1

Cuadro 2: Valores del kernel R5SR5S

Posteriormente, se determina cul descriptor estadstico ofrece mejores resultados, con la finalidad de correlacionarlos con los de la GLCM y Laws, de tal forma que permita discriminar y disminuir los descriptores de textura utilizados.

4. Experimentos y Resultados
En la realizacin de los experimentos, se extraen cuatro descriptores: contraste, correlacin, energa y homogeneidad de la GLCM, en los ngulos de 0, 45, 90 y 135 con distancias de 1,3 y 5, por lo tanto, para cada imagen se conforma un vector con 48. Del mtodo de Laws una vez realizadas las convoluciones y sus respectivos procesos obtenemos nueve medidas E5E5, S5S5, R5R5, E5L5, S5L5, R5L5, S5E5, R5E5, R5S5. Todos estos valores son utilizados para la clasificacin por lo cual la funcin discriminante se calcular con nueve valores. Y del kernel R5SR5S, se extraen los seis descriptores estadsticos de primer orden nombrados anteriormente. Tanto para el LDA y QDA, primero se obtienen los vectores de muestras o patrn de entrenamiento para cada clase de acuerdo con el descriptor elegido. Suponiendo que discriminamos entre las 7 subclases, primero obtenemos el vector o direccin de proyeccin para discriminar entre cada subclase. Luego de calcular las puntuaciones discriminantes para cada uno de los elementos se debe clasificar cada una de las muestras comparndola con el punto de corte, luego se calcula la tasa de error aparente comparando con la pertenencia real de cada observacin. Despus con estos resultados se pueden clasificar nuevas muestras. Para la obtencin de los diferentes descriptores se utiliz el software de Matlab, utilizando la Toolbox de imgenes. A continuacin se muestran los resultados y experimentos realizados. Cada experimento corresponde a una de las categoras analizadas. 4.1. Experimento 1 En este experimento se clasifican los materiales de RCD. Con un total de 272 imgenes, dividindolas en 81 y 191 imgenes, respectivamente. En la tabla 3, se puede observar los resultados.

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES
GLCM 70 96 80 100 Laws 100 100 100 100 R5SR5S 100 96 100 100

Sub-clase LDA QDA Baldosas Ladrillos Baldosas Ladrillos

Cuadro 3: Tasa de acierto con LDA y QDA

Para las dos clases de baldosa y ladrillo observamos que la mejor clasificacin se logra con Laws obteniendo tasas de acierto cercanas al 100%, mientras que el kernel R5SR5S con los seis descriptores estadsticos ofrecen resultados muy cercanos a Laws. Al clasificar con QDA se logra reconocer las dos clases en su totalidad kernel de Laws y el modificado. Finalmente, la tasa de acierto con la GLCM es de 94,00% en forma global. 4.2. Experimento 2 En la tabla 1, se puede observar la cantidad de imgenes y su respectiva subclase. En la tabla 4, se puede observar que al clasificar las subclases, el vector compuesto por Laws sigue ofreciendo los mejores resultados y el nico material que no puede reconocer es el BALD2, si analizamos los resultados de R5SR5S se deduce que al combinarlo con los nueve kernels originales se logra un reconocimiento total de los materiales.
Subclase BAL2 BAL1 BALP BALS LADD LADS LADL GLCM 60 33.33 0 60 100 100 95.45 Laws 60 100 100 100 100 100 100 R5SR5S 100 66.67 100 100 100 95.00 90.91

LDA

Cuadro 4: Tasa de acierto con LDA para las subclases

En la tabla 5, se muestran los resultados al clasificar con QDA, mejorando el porcentaje de reconocimiento para el BAL2. En este experimento con la GLCM se obtienen mejores resultados que el kernel R5SR5S al reconocer cuatro materiales, contra tres del kernel anterior. Sin embargo, en forma global, el kernel R5SR5S mantiene una buena discriminacin.
Subclase BAL2 BAL1 BALP BALS LADD LADS LADL GLCM 80 83.33 33.33 100 100 100 100 Laws 80 100 100 100 100 100 100 R5SR5S 100 83.33 100 100 100 80.00 95.45

QDA

Cuadro 5: Tasa de acierto con QDA para las subclases

5. Discusin de los Experimentos

El objetivo era emplear el kernel R5SR5S junto con la desviacin estndar, con la finalidad de utilizar menos descriptores, aunque dichos resultados son bastante aceptables, se debi anexar el resto de descriptores estadsticos de primer orden. Esto se debe a que el kernel funciona en forma eficaz con materiales metlicos o con textura semejante. Sin embargo es una buena alternativa de discriminacin. Cabe resaltar que si agregamos ms descriptores de
7

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

Haralick posiblemente aumente la discriminacin con la GLCM, sin embargo el objetivo es utilizar menos descriptores. Es de resaltar los resultados finales al utilizar la energa textural de Laws logrando tasas de acierto elevadas al compararlo con la matriz de coocurrencia. Sin embargo, el kernel R5SR5S ofrece un mejor desempeo en el procesamiento de los datos.

6. Conclusiones
Los resultados demuestran que se puede utilizar un solo kernel modificado en la clasificacin de materiales originados de RCD logrando resultados muy cercanos a los obtenidos con los kernels tradicionales. El tipo de material y la variacin del medio donde se obtiene repercuten considerablemente en el reconocimiento, demostrando que la seleccin del descriptor puede ayudar a disminuir el impacto ambiental, al lograr una buena clasificacin. En futuros trabajos se pretende utilizar un conjunto de datos ms representativos de los materiales de RCD. Agradecimientos Este proyecto est parcialmente financiado por el proyecto permanente de investigacin de la Universidad de Pamplona y Universidad Simn Bolvar - Ext. Ccuta. Gracias al grupo VARP de la Universidad de Len por el suministro de las imgenes de RCD.

Referencias
[Alegre 2005] E. Alegre, L. Snchez, V. Robles, A. Ferreras; Clasificacin de residuos de construccin y demolicin utilizando descriptores de textura. XXVI Jornadas de automtica. Universidad de Alicante. Septiembre de 2005. Espaa. [Alegre 2011] E. Alegre, J. Barreiro, S.A. Surez; A new improved Laws-based descriptor for surface roughness evaluation, Int J Adv Manuf Technol., 2011. DOI: 10.1007/s00170-0113507-z [Bodnarova 2000] A. Bodnarova, M. Bennamoun, K. Kubik; Suitability Analysis of Techniques for Flaw Detection in Textiles using Texture Analysis, Pattern Analysis and Applications, 2000, (3), pp. 254-266. [Haralick 1973] R.M. Haralick, K. Shanmugam, I. Dinstein; Textural features for image classification, IEEE Transactions on Systems, Man, and Cybernetics., 1973, SMC-3,(6), pp. 610-621. [Haralick 1979] R.M. Haralick; Statistical and Structural Approaches to Texture. Proceedings of the IEEE. 1979, 67, (5), pp. 786-804. [Hernndez 2008] J. D. Hernndez, M. A. Rodrguez, A. Macht, E. Ramos; El manejo de los residuos de la construccin en el estado de Mxico en el marco de la cooperacin tcnica alemana en Mxico. Revista Desarrollo Local Sostenible. Grupo Eumed.net y Red Acadmica Iberoamericana Local Global. 2008, 1, (3), pp. 1-11. [Latif-Amet 2000] A. Latif-Amet, A. Ertzn, A. Ereil; An efficient method for texture defect detection. Image Vision Computing. 2000,18, (5), pp. 377-387. [Laws 1980a] K. I. Laws; Rapid texture identification,.In SPIE Image Processing for Missile Guidance., 1980, (238), pp. 376-380.
8

III CONGRESO INTERNACIONAL

DE

COMPUTACIN

TELECOMUNICACIONES

[Laws 1980b] K.I. Laws; Textured Image Segmentation. Ph.D. Dissertation, University of Southern California. January, 1980 [Lpez 2008] F. Lpez, J.M. Valiente, J.M. Prats, A. Ferrer, A; Performance evaluation of soft color texture descriptors for surface grading using experimental design and logistic regression. Pattern Recognition. 2008, 41(5):1744 -1755. [Martnez 2008] C. Martinez; Gestin de residuos de construccin y demolicin (RCDS): importancia de la recogida para optimizar su posterior valorizacin. Congreso Nacional del Medio Ambiente. Cumbre del Desarrollo Sostenible. Diciembre 2008, Madrid, Espaa. [Morala-Arguello 2009] P. Morala-Argello, J. Barreiro, E. Alegre, V. Gonzlez-Castro; Application of textural descriptors for the evaluation of surface roughness class in the machining of metals. 3rd Manufacturing Engineering Society International Conference (MESIC'09), Conference Proceedings, 2009, pp. 833-839. [Novak 2005] I. Novak, Z. Hocenski; Texture feature extraction for a visual inspection of ceramic tiles. Industrial Electronics, ISIE 2005. Proc. of the IEEE International Symposium on, 2005, pp. 1279-1283. [Panigua 2007] B. Panigua-Panigua, M.A. Vega-Rodriguez, P. Bustos-Garcia, J.A GomezPulido, J. M. Sanchez-Perez; Anlisis avanzado de texturas para la deteccin automtica de la calidad del corcho. Proc. XXVIII Jornadas de automtica. Huelva, 2007, Espaa. [Pedreschi 2004] F. Pedreschi, D. Mery, F. Mendoza, J.M. Aguilera; Classification of Potato Chips using Pattern Recognition. Journal of Food Science, 2004, 69(6):E264-E270. [Suarez 2010] S.A. Suarez, E. Alegre, J. Barreiro, P. Morala-Arguello, L. Fernandez; Surface Roughness Classification in Metallic Parts Using Haralick Descriptors and Quadratic Discriminant Analysis. Annals of DAAAM for 2010 & Proceedings of the 21st International DAAAM Symposium, Editor B. Katalinic, Published by DAAAM International, Vienna, Austria, pp. 0435. [Zheng 2006] C. Zheng, D.W. Sun, L. Zheng; (2006) Recent applications of image texture for evaluation of food qualities - a review. Trends in Food Science & Technology, 2006 17(3):113 - 128.