Melden Sie sich kostenfrei an, um Artikel vollständig zu lesen...
News und Promotion-Beiträge sind ohne Registrierung kostenfrei zu lesen
Login

Passwort vergessen?
Registrieren
   

Passwort ist zu kurz (mind. 8 Zeichen).
Messen & Erkennen

0 Bewertungen

Einprägen, vergleichen, erkennen

Text: Lutz Kreutzer, MVTec Fotos: Ravensburger, MVTec
Objekte über Bildverarbeitungs-Software zu erkennen, ist nicht neu. Allerdings werden Produkte, die nicht mit Codes gekennzeichnet sind oder in einer ungünstigen Position liegen, oft nicht erkannt. Ein mit Beispielen gefüttertes, 3D-fähiges Programm soll das Problem nun lösen.

Bislang war eine automatische Erkennung von Objekten, die keine speziellen Aufdrucke haben, durch Bildverarbeitung ohne aufwändigen Aufbau nicht möglich. An die Funktionalität der Software Halcon 11 stellte MVTec daher gewisse Ansprüche: Sie sollte nicht eingeschränkt in Bezug auf den Typ des Objekts sein, auch bei Tausenden zu erkennenden Objekten schnell sein und selbst für Laien eine hohe Benutzerfreundlichkeit bieten. Diese Ansprüche löste das Unternehmen mit der sample-basierten Identifikation (SBI). Mit ihr können vortrainierte Objekte allein anhand ihrer Merkmale wie Textur oder Farbe erkannt werden, nur auf Sicht. Spezielle Aufdrucke wie Barcodes oder Datacodes sind zur Identifikation überflüssig.

Beispiel für das Warenlager

In der Offline-Phase von SBI benötigt der Benutzer in der Regel nur ein, selten zwei Beispielbilder von jedem Objekt. Dann entscheidet er, ob Texturmerkmale anhand von Grauwerten festgelegt oder ob auch Farben hinzugezogen werden sollen. Auf Grundlage der Einzelbilder wird ein Sample Identifier vorbereitet und trainiert. SBI extrahiert dazu automatisch aus jedem Bild vorgegebene Merkmale. Diese Merkmale werden dann in Beziehung zu den benachbarten Bereichen gesetzt. So wird die Textur eines Objekts beschrieben. �?hnliches gilt für Farbmerkmale, wenn sie ausgewertet werden. Ein Sample Identifier entspricht einem virtuellen Warenlager. Zwar können der Speicherbedarf und die Laufzeit der Vorbereitungsphase hoch sein, aber für eine typische Applikation bereitet man sie nur einmal vor. Danach wird der Identifier mit den Objekten einmalig trainiert; das virtuelle Warenlager wird also gefüllt. Dieses Training erfolgt für jedes Objekt in Millisekunden. In der Online-Phase wird das Bild eines Objekts mit den trainierten Bildern im Warenlager verglichen und gibt das erkannte Produkt aus. Die Laufzeit eines solchen SBI-Vergleichs beträgt je nach Objekt zwischen einigen zehntel bis hundertstel Sekunden. Auch bei tausenden vorgehaltenen Objekten erhöht sie sich nur marginal. Aufgrund der automatischen Parallelisierung kann die Leistungsfähigkeit moderner Multicore-Prozessoren herangezogen werden. Das macht SBI auch für zeitkritische Applikationen interessant.

Anderer Winkel, anderes Licht?

Selbst unter schwierigen Bedingungen funktioniert die Bilderkennung. Wenn zum Beispiel Objekte in der Betriebsphase aus einem anderen Winkel, bei anderen Lichtverhältnissen, teilweise verdeckt, in unterschiedlicher Orientierung, in einer anderen Größe oder mit verdeckenden anderen Objekten aufgenommen werden, findet SBI trotzdem das Vergleichsobjekt im seinem Warenlager. Von 3D-Objekten müssen mehrere Trainingsbilder gemacht werden, um die Trefferquote der Identifikation zu erhöhen. Für SBI reicht es in der Regel, Bilder um 45Grad zu drehen. Andere Objekte wie Tüten, Säcke, Zeitungen, Gemüse und ähnliche können perspektivisch deformiert oder geknittert sein. Auch in einem solchen Fall reichen wenige Trainingsbilder aus.

Berührungsloser Vergleich

Bereits bei der Produktion muss sichergestellt sein, dass Produkte in ihrer Form exakt mit der Vorlage übereinstimmen. Dieser Soll/Ist-Vergleich von dreidimensionalen Objekten ist in Halcon11 berührungslos möglich. Dazu muss die Vorlage des Objekts dem System bekannt sein. Die Vorlage kann zum Beispiel ein CAD-Modell sein, welches direkt eingelesen wird. Eine ideale Vorlage vermisst und erzeugt die Software aber auch selbst.Bei der Vermessung der Objekte wird mit einem Sensor eine 3D-Punktwolke erzeugt, die mit dem Modell verglichen wird. Mit nur einer Aufnahme kann man Objekte jedoch nicht komplett abbilden. Es sind mehrere Aufnahmen aus unterschiedlichen Richtungen vonnöten. Durch das anschließende Matching werden korrespondierende Punkte gefunden. Nun können die Einzelaufnahmen in ein einheitliches 3D-Modell überführt werden. Doch erst die Vermaschung der Punktwolken erlaubt es, räumliche Beziehungen von Punkten untereinander aufzustellen. Mit Halcon11 lässt diese Triangulierung eine Aussage über viele Eigenschaften eines Objekts zu. So lassen sich Merkmale wie Form und Volumen berechnen.Das Problem bei dieser Methode ist, dass auch immer ein Hintergrund mit erfasst wird. Dieser stört jedoch meistens. Halcon 11 rechnet ihn heraus, in dem es das Modell mit einer imaginären Ebene schneidet. So kann man ein Objekt auch von Nachbarobjekten isolieren. Ebenso lässt sich ein Querschnitt durch ein Objekt erzeugen. Diese Schnitte können auch mit einer Region durchgeführt werden. Hier kann also ein ganzer Bereich aus einem 3D-Objektmodell herausgetrennt werden. Bei der Oberflächeninspektion tauchen Probleme immer dann auf, wenn ungewollte Druckstellen und andere schlecht erkennbare Vertiefungen in einer Oberfläche sind. In solchen Fällen hilft nur ein dreidimensionaler Ansatz weiter, wie das photometrische Stereo. Es erkennt solche Vertiefungen durch die stärkere Beachtung von Schatten. Dazu werden mehrere Aufnahmen bei wechselnder Beleuchtungsrichtung gemacht. So findet die 3D-Oberflächeninspektion Störungen schnell und einfach.

Firmen zu diesem Artikel

Nach oben