Geometrische Objekterkennung vereinfacht die Teilelokalisierung

Bei der Identifikation und Analyse von Gegenständen ist die industrielle Bildverarbeitung nicht mehr wegzudenken. Das neue Zauberwort heißt geometrische Objekterkennung, die einen weiteren...

Anbieter zum Thema

Klinkhammer Intralogistics GmbH

Beckhoff Automation GmbH & Co. KG

Bei der Identifikation und Analyse von Gegenständen ist die industrielle Bildverarbeitung nicht mehr wegzudenken. Das neue Zauberwort heißt geometrische Objekterkennung, die einen weiteren Meilenstein bei der Entwicklung von Bildverarbeitungssystemen darstellt. Damit können Teile unabhängig von ihrer Orientierung identifiziert und lokalisiert werden. Anfang der 80er Jahre begann die industrielle Bildverarbeitung salonfähig zu werden. Während dieser Zeit wurden viele wissenschaftliche Ansätze und Algorithmen entwickelt, um die Leistungsfähigkeit von Bildverarbeitungssystemen im Hinblick auf zuverlässige Objekterkennung von maschinell gefertigten Teilen zu steigern. Die Entwickler generierten verschiedene Ansätze, die zu höherer Robustheit, Zuverlässigkeit und Geschwindigkeit führten. Damit waren sie ihrer Zeit voraus, denn noch fehlte es an geeigneten Computern. Man konzentrierte sich demnach auf einfach zu realisierende Erkennungstechniken wie Blob-Analyse und Grauwert-Korrelation, musste jedoch Einschränkungen in Kauf nehmen. Die rasante Entwicklung bei der Rechenleistung hat die Bildverarbeitungsindustrie revolutioniert. Dank des Intel Pentium II in Verbindung mit dessen MMX-Technologie ist es heute möglich, Algorithmen zu implementieren, die Objekte aufgrund ihrer geometrischen Merkmale erkennen. Verglichen mit herkömmlichen Methoden bietet diese geometrische Objekterkennung wichtige Vorteile. Dazu zählen die Robustheit, die Unabhängigkeit von nichtlinearen Lichtverhältnissen und variierenden Schattenbildungen, die Erkennung von Objektüberlappungen, Variationen im Hintergrund der Bildszene sowie die Unempfindlichkeit bei niedrigen Kontrasten und verschwommenen Kanten. Die Blob-Analyse basiert auf der Klassifizierung von Bildpixeln als Objekt- oder Hintergrundpixel auf Basis von Schwellwerten und Vereinigung der klassifizierten Pixel zu Objekten unter Zuhilfenahme von Informationen aus der Nachbarschaft. Zuletzt werden verschiedene Momente der erkannten Objekte ermittelt, um daraus Position, Größe und Orientierung errechnen zu können. Diese Methode ist schnell und liefert Ergebnisse im Subpixelbereich, solange die Bildqualität gut ist. Sie toleriert in gewissem Maße Variationen der Objektgröße und Orientierung, funktioniert jedoch nicht, wenn sich Objekte berühren oder überlappen. Schlechte Ergebnisse werden auch bei unzureichender Bildqualität erzielt. Ebenso versagt sie bei einigen Objektformen. Die normalisierte Grauwert-Korrelation (Normalized Grayscale Correlation, NGC) hat den Vorteil, dass keine Schwellwertbildung notwendig ist und die gesamte Grauwertinformation des Bildes genutzt wird. Diese Methode basiert auf einem mathematischen Ansatz, der eine Region in der Bildszene mit einer gewissen Wahrscheinlichkeit einem zuvor abgelegten Referenzmodell zuordnet. Das Referenzmodell wird an vielen verschiedenen Positionen über das zu analysierende Bild gelegt. Für jede Position wird ein Übereinstimmungskoeffizient ermittelt. Die Position mit dem höchsten Wert wird als Objektposition angesehen. Traditionelle Bildverarbeitungsalgorithmen erfordern, dass das Objekt mehr oder weniger vorpositioniert bereitgestellt wird. Trotz dieser Vorpositionierung ist es notwendig, eine optische Bestätigung der Position zu haben, bevor weitere Inspektionen ausgeführt werden können. Die NGC-Methode hat die Einschränkung, dass Teile innerhalb von ±7Å in Bezug auf das Referenzmodell vorpositioniert werden müssen. Die Konfiguration der Werkzeuge ist für jedes Teil spezifisch, das heißt, beim Einlehren neuer Teile muß eine komplett neue Konfiguration erstellt werden, was zu Mehraufwand und Kosten führt. Ebenso wird bei dieser Methode nur ein kleiner Ausschnitt des Teils zur Objekterkennung herangezogen, wertvolle Informationen zur Positionsermittlung gehen verloren. Dies macht die Anwendung empfindlich gegenüber äußeren Einflüssen. Auch überlappende Teile werden lokalisiertEine Bildverarbeitungssoftware, entwickelt von Hexavision Technologies, ist ein Beispiel für die Implementierung von Algorithmen zur geometrischen Objekterkennung (Geometric Object Location, GOL). Basierend auf offenen PC-Standards tritt diese Software an, lang gehegte Erwartungen an die geometrische Objekterkennung zu erfüllen. Mittels GOL können Teile unabhängig von ihrer Orientierung identifiziert und lokalisiert werden. Bezüglich der Orientierung lassen sich Genauigkeiten von 0,01° erzielen. Variationen in der Skalierung des Modells werden im Bereich von 10 bis 1000% erkannt und genau vermessen. Sich berührende und überlappende Teile werden lokalisiert. Zusätzlich ist eine gleichzeitige Erkennung von mehreren, auch verschiedenen Teilen mittels GOL möglich. Diese Eigenschaft ist insbesondere für Sortier- und Zuführanwendungen interessant, bei denen ein gemischter, chaotischer Teilefluss existiert. Die unzweideutige Erkennung von nahezu identischen Teilen ergibt sich aus der Möglichkeit, bestimmte Merkmale der jeweiligen Modelle zu spezifizieren. Ähnlich wie bei traditionellen Softwarepaketen, bietet GOL die Möglichkeit, Modelle automatisch aus nur einer Bildaufnahme zu generieren und dann optional manuell zu verbessern. Die Algorithmen sind unempfindlich gegenüber nichtlinearen Beleuchtungsbedingungen, zum Beispiel spiegelnden Reflexionen auf der Objektoberfläche. Gleichzeitig sind sie Basis für eine Reihe von modellbasierenden Inspektionswerkzeugen, die mit Subpixelgenauigkeit (von 0,1 bis 0,025 Pixeln) arbeiten. Die Hexavision GOL-Algorithmen stehen Anwendern auch im neuen AVI-Vision-Produkt von Adept unter dem Synonym Object-Finder 2000 zur Verfügung.Die geometrische Objekterkennung vereinfacht die Integration von Bildverarbeitungssystemen erheblich. Im ersten Schritt nimmt die Kamera ein Grauwertbild auf. Auf dieses Bild werden Kantendetektionsverfahren angewendet, um eine Konturbeschreibung zu erhalten. Als Nächstes wird aus den Merkmalen der Kontur, die das Objekt am besten beschreiben, ein Modell generiert. Es können mehrere Modelle für verschiedene Objekte hinterlegt werden. Das Erkennen der Teile erfolgt, indem nach diesen Modellkonturen innerhalb der Bildszene gesucht wird. Abhängig von der Zielsetzung können nun weitere Inspektions- und Messwerkzeuge auf dem Bild aufgesetzt werden. Der Programmierer muss sich nicht um die Positionierung der Werkzeuge kümmern, weil diese mit dem durch GOL gefundenen Objekt verankert werden. Die Software sorgt für den Rest. Zu guter Letzt muss noch der Code erstellt werden, um die Ergebnisse aufzubereiten und sie dem Bediener oder einer Mensch-Maschine-Schnittstellen zur Verfügung zu stellen. Voraussetzung für eine präzise geometrische Objekterkennung ist die Kalibrierprozedur. Dies ist ein einfacher Schritt, der Flexibilität und Genauigkeit in die Bildverarbeitung bringt. Die Kalibrierung ermöglicht die Korrektur von Abbildungsfehlern und die Portierbarkeit von Anwendungen. Optische Komponenten weisen in der Regel drei signifikante Abbildungsfehler auf. Der erste entsteht dadurch, dass meistens Kamerapixel nicht quadratisch sind. Daraus resultiert eine Skalierung der X-Achse, die unterschiedlich zu der der Y-Achse ist. Dieser Effekt macht sich bemerkbar, wenn ein Objekt im Kamerablickfeld gedreht wird. Obwohl mit dem menschlichen Auge kaum wahrnehmbar, ist er groß genug, die Genauigkeit der Erkennung zu verschlechtern. Der zweite Effekt tritt auf, wenn die Kamera nicht 100% senkrecht auf dem Blickfeld steht. Dies führt zu perspektivischer Verzeichnung. Der dritte Abbildungsfehler ist durch das Objektiv bedingt. Hier ist die radiale Verzeichnung am signifikantesten. Sie ist umso größer, je kleiner die Brennweite des Objektivs ist. Abbildungsfehler müssen korrigiert werenDiese drei Abbildungsfehler müssen korrigiert werden, um eine robuste und genaue Objekterkennung zu gewährleisten. Heutige Kalibriertechniken korrigieren diese Fehler und dauern nur wenige Minuten. Typischerweise wird ein Kalibriermaßstab aus gleichmäßig verteilten Punkten in das Kamerablickfeld eingebracht. Der Benutzer gibt die nominale Distanz zwischen diesen Punkten ein und drückt eine Schaltfläche im Kalibriermenü, die den Kalibrierprozess startet. Diese Prozedur erlaubt eine sichere Erkennung und genaue Ergebnisse. Um der Flexibilität Genüge zu leisten, werden für Fälle, in denen mit mehreren Kameras oder mit Robotern gearbeitet wird, mehrere Kamerakalibrierungen unterstützt. Die Nutzung von Algorithmen zur geometrischen Objekterkennung vereinfacht die Implementierung von Bildverarbeitungsapplikationen erheblich. Dem höheren Anschaffungspreis für die GOL-Algorithmen stehen Einsparungen bei der Programmentwicklung und Wartung der Bildverarbeitung gegenüber.