Das automatisierte Zählen von Objekten ist eine wichtige Anwendung in industriellen Wertschöpfungsketten. So muss beispielsweise im Rahmen der Qualitätssicherung verlässlich geprüft werden, ob auszuliefernde Verpackungen die erforderliche Anzahl von Produkten enthalten. Und auch beim Bestandsmanagement ist es von zentraler Bedeutung, die tatsächliche Menge bestimmter Objekte im Lager oder auf dem Shopfloor präzise zu bestimmen. Dabei erfordert der Zählvorgang eine hohe Geschwindigkeit, die sich an vorgegebene Prozesszyklen anpassen muss.
Das Zählen von Objekten gestaltet sich in der industriellen Praxis jedoch sehr anspruchsvoll. Dies gilt vor allem dann, wenn eine große Anzahl von zu zählenden Gegenständen vorliegt. Häufig sind diese sehr klein dimensioniert und nicht immer gut voneinander getrennt und vereinzelt. Oft berühren oder überlappen sie sich, was den Zählprozess zusätzlich erschwert. In vielen Industrieunternehmen wird diese Aufgabe daher noch manuell durchgeführt. Dies erweist sich jedoch insbesondere bei unübersichtlich angeordneten Objekten als enorm aufwändig und fehleranfällig.
Formbasiertes Matching stößt an Grenzen
Daher ist es sinnvoll, die Anwendung weitestgehend zu automatisieren. Im Rahmen der industriellen Bildverarbeitung wurde die Aufgabe bislang üblicherweise mittels klassischer Verfahren wie etwa dem formbasierten Matching oder einer einfachen Blob-Analyse gelöst. Diese Technologien stoßen jedoch an ihre Grenzen und führen in vielen Fällen nicht zu den gewünschten, robusten Ergebnissen, denn formbasiertes Matching wurde nicht entwickelt, um Objekte zu zählen. Seine Stärke liegt vielmehr darin, die Position der Objekte im Bild hochgenau zu bestimmen, sodass sie sich beispielsweise exakt von Robotern greifen lassen. Zum Zählen eignet sich Matching lediglich dann, wenn die Form des Objektes bekannt ist und sich kontinuierlich gleichbleibend im Bild darstellt. So funktioniert die Technologie beispielsweise bei mechanischen Teilen wie etwa flachen Unterlegscheiben sehr gut, da der Umriss hier konstant bleibt und die Objekte durch die flache Form im Bild immer in derselben Weise zu sehen sind.
Deutlich schwieriger wird es beispielsweise bei Muttern. Denn diese können in unterschiedlicher Ausrichtung wie etwa auf dem Kopf liegen und sich durch Rotation anders im Bild darstellen. Um solche Teile sicher und robust mit formbasiertem Matching zu erkennen, müssten mehrere verschiedene Modelle eintrainiert werden. Ähnliches gilt für Produkte aus der Lebensmittelindustrie wie beispielsweise Nüsse oder Heidelbeeren, die eine große Formenvielfalt aufweisen können. Sollen solche Objekte verlässlich gefunden und gezählt werden, stoßen Matching-Verfahren an ihre Grenzen.
Mit Deep Learning zu robusten Zählergebnissen
Um auch solche Anwendungen zuverlässig lösen zu können, hat MVTec eine neue Deep-Learning-basierte Technologie entwickelt, die robustere Ergebnisse beim automatisierten Zählen von Objekten liefert: Mit dem Feature Deep Counting, das ab der Halcon Version 23.05 verfügbar ist, lässt sich mit hoher Geschwindigkeit eine große Anzahl an Gegenständen lokalisieren und zählen. Dabei orientiert sich Deep Counting nicht nur an der Form der Teile, sondern bezieht über den Deep-Learning-Ansatz weitere, für das zu zählende Objekt markante Merkmale wie Farbe, Muster oder Textur in die Betrachtung mit ein.
Der entscheidende Vorteil der Technologie besteht darin, dass sie sich sehr schnell einsetzen lässt. So müssen – abhängig von der Varianz in Größe, Form und Textur – jeweils nur bis zu zehn Objekte markiert und trainiert werden, wobei sich beide Schritte problemlos innerhalb von Halcon ausführen lassen. Eine aufwendige Parametrisierung wie bei der klassischen Blob-Analyse ist nicht notwendig, was es auch dem Bandarbeiter an der Maschine ermöglicht, einfach neue Teile einzutrainieren. Dabei ermöglicht Deep Counting auch bei Gegenständen aus stark reflektierendem und amorphem Material äußerst robuste Ergebnisse. Zudem ist es möglich, eine unüberschaubare Menge von sich berührenden oder sich teilweise überlappenden Objekten verlässlich zu erfassen. Daher ist die Technologie geradezu prädestiniert für das Zählen verschiedenster Produkte in der Lebensmittelindustrie sowie für das korrekte und vollständige Abpacken von Artikeln wie beispielsweise Muttern.
www.mvtec.com
