Hohe Erkennungsraten
Softwaretool für schnelle und robuste Mustererkennung
Die Bildverarbeitungsbibliothek Common Vision Box (CVB) wird um das Tool Polimago erweitert, das mit einer hohen Ausführungsgeschwindigkeit robuste Erkennungsraten ermöglicht. Während des Anlernens erstellt es automatisch Tausende von Trainingsbildern, was den Aufwand für den Anwender erheblich reduziert.
Eine der Hauptaufgaben der industriellen Bildverarbeitung besteht in der Erkennung von Objekten in Bildern. Dies wird häufig mit dem Begriff Mustererkennung umschrieben und kommt in einer Vielzahl von Anwendungen zum Einsatz. Bevor ein Bauteil auf Abweichungen wie Verunreinigungen, Kratzer oder andere Mängel untersucht werden kann, muss dem verarbeitenden System jedoch die Information vorliegen, welches Bauteil genau inspiziert werden soll. Diese Information wird im Rahmen einer vorhergehenden Trainingsphase mit der Bildung eines Trainingsmodells präzise festgelegt. Im Anschluss erfolgt die Suche bzw. Erkennung des Bauteils, wobei Informationen bzgl. der Position, der Orientierung und gegebenenfalls weiterer Attribute ermittelt werden. Liegen in einem Szenenbild mehrere baugleiche Teile vor, so sind viele Systeme auch in der Lage, innerhalb eines Inspektionszyklus alle Teile unabhängig voneinander zu erfassen und deren Eigenschaften individuell auszuwerten. Wie gut bzw. robust die Mustererkennung der Bauteile funktioniert, hängt maßgeblich von der Variabilität des Trainingsmodells ab. Diese dient als ein Indikator, wie hoch die Erkennungsrate der antrainierten Bauteile auch bei variablen Konditionen liegt. Beispiele dafür sind geometrische Transformationen in Form von Drehungen, Größenänderungen und Verkippungen, aber auch Verdeckungen sowie Änderungen in der Beleuchtungssituation.
Steigende Anforderungen an Mustererkennungen
Aufgrund der Vielzahl unterschiedlicher Anforderungen im Bereich der Mustererkennung existiert eine große Zahl unterschiedlicher Werkzeuge am Markt. Ein Beispiel ist CVB Manto, das als eigenständiges Paket Bestandteil der Bildverarbeitungsbibliothek Common Vision Blox ist und speziell für die Erkennung von verschiedenartigen Bildmustern konzipiert wurde. Das Tool unterstützt den Anwender von der Erstellung von Trainingsmodellen bis hin zur Suche der Modelle in Szenenbildern. Mit dem fortschreitenden Einzug von Bildverarbeitungstechnologie in die verschiedenen Märkte sind auch die Anforderungen an die Werkzeuge der Bildverarbeitung gestiegen. Dieser Trend gilt speziell auch für die Mustererkennung. Stand bislang primär die 2D-Positionsbestimmung eines Bauteils im Vordergrund, so ermitteln neuartige Anwendungen zusätzliche Informationen wie z.B. die Orientierung und die Größe eines Bauteils. Auch rücken allgemein die räumliche Erfassung eines Bauteils und seine relative Lage zur Position der Kamera in den Fokus. Die Verfahren zur Lagebestimmung werden auch Posenschätzung genannt und sind Grundlage für Pick&Place-Anwendungen.
Antrainieren in variablen Lagen
Um auch die Lage eines Bauteils zuverlässig aus verschiedenen Perspektiven erkennen zu können, bedarf es neuartiger und leistungsfähigerer Algorithmen. Für die Trainingsphase bedeutet dies, dass ein vorliegendes Muster in all seinen variablen Lagen antrainiert werden muss, um es später in einem gegebenen Szenenbild zuverlässig erfassen zu können. Manto ermöglicht bereits die Erstellung eines Trainingsmodells auf Basis einer ausreichend großen Bildmenge, das eine robuste Klassifikation der variabel auftretenden Muster erlaubt. In Abhängigkeit von der zur Verfügung stehenden Bildmenge und der Variabilität der Muster müssen jedoch eventuell Abstriche in der Positionierungsgenauigkeit gemacht werden oder eine händische Anpassung erfolgen, was den Arbeitsaufwand steigert und deshalb nur in Ausnahmefällen zu empfehlen ist. Bei aufwändigeren Suchen kann zudem die Ausführungsgeschwindigkeit der Mustersuche in Echtzeit zum Problem werden. Daher wurde ein neuartiges Verfahren entwickelt, das speziell für die Anwendungen der Posenschätzung eine möglichst hohe Erkennungsrate erzielt.
