Keine faulen Kompromisse
Algorithmus für 10x schnellere Verpackungsinspektion
Die hohen Erwartungen der Verbraucher an Informationen auf Nahrungsmitteln, Pharmazeutika oder Non-Food-Produkten sowie gesetzliche Auflagen führen bei Produzenten zu einem immer größeren Bedarf an Inspektionslösungen für die Überprüfung des korrekten Aufbringens dieser Informationen. Dabei wird neben Endkontrollen zunehmend auf Teilkontrollen von kritischen Punkten nach den entsprechenden Bearbeitungsschritten gesetzt.
Neue Algorithmen für bessere Ergebnisse
Seit den 1980er-Jahren gab es in jedem Jahrzehnt einen Durchbruch bei den BV-Algorithmen für die Objekterkennung. In den 1980er-Jahren erlaubte der Binary Image Based Algorithmus eine relativ schnelle Objekterkennung. Dieser war an die recht geringen Rechnerleistungen angepasst, zeigte aber eine Anfälligkeit für Rauschen, Beleuchtungsänderungen, Schattenbildung, geringe Kontraste etc. In den 1990er-Jahren erlaubte die sich rasant entwickelnde Beschleunigung der Hardware eine genauere Grauwertauswertung des Bildes und die Probleme bei geringen Kontrasten konnten reduziert werden. In den 2000er-Jahren brachten die Kanten-basierten Algorithmen eine Verbesserung bei Beleuchtungsänderungen und Schattenbildung. Diese hatten aber noch Nachteile bei Unschärfen und niedrigen Kontrasten. Der neue Sparse Edge Detection Algorithmus reduziert die verwendeten Informationen auf klar identifizierbare und representative Punkte. Dadurch werden zum einen Fehlermöglichkeiten entfernt und eine signifikante Geschwindigkeitsverbesserung erzielt. Kleinere Abweichungen der Positionen von Objekten, z.B. durch Vibrationen eines Förderbands, können aber die fehlerfreie bzw. schnelle Verarbeitung von Bildinformationen beeinflussen. Gegenmaßnahmen in der Software, um diese Fehler zu kompensieren, können die Rechenleistung und somit die Verarbeitungsgeschwindigkeit signifikant reduzieren und oftmals müssen Kompromisse zwischen Zuverlässigkeit und Geschwindigkeit gemacht werden. Die neue Variation-Absorbing-Methode (Patent eingereicht) prognostiziert mögliche Variationen der repräsentativen Punkte der verfolgten Objekte. Durch ein intelligentes Cluster-Verfahren werden diese Variationen zusammengefasst. Eine Auswertung der Cluster reduziert Detektionsfehler, während die Speicherverwendung niedrig und die Verarbeitungsgeschwindigkeit hoch bleibt. Somit kann eine Hochgeschwindigkeitsbildverarbeitung erfolgen, bei dem die Präzision (z.B. durch Vergleich des Root Mean Square Errors) um den Faktor zehn gesteigert werden kann.
