Mithilfe der samplebasierte Identifikation (SBI) können Objekte nur durch Betrachten erkannt werden – etwa anhand von Merkmalen wie der Textur. Aufdrucke wie Barcodes sind nicht nötig. Halcon, die Softwarebibliothek für die industrielle Bildverarbeitung von MVTec, bietet ihren Nutzern nun auch diese Möglichkeit. Version 11 unterstützt jetzt die SBI-Technologie.
In der Bildverarbeitung gilt das Identifizieren nur über Objekteigenschaften – also nur durch das Betrachten – als Königslösung. Halcon 11 bietet dazu jetzt die neue samplebasierte Identifikation. Durch Vorzeigen und Lernen kann SBI Objekte nur anhand ihrer Merkmale wie Textur oder Farbe erkennen. SBI identifiziert auch aus unterschiedlichen Blickwinkeln sicher. Dieses Verfahren ist selbst bei der Unterscheidung tausender Objekte sehr robust und schnell. Ein großer Vorteil ist vor allem das unkomplizierte Trainieren der Objekte.
Mit SBI können also vortrainierte Objekte nur auf Sicht erkannt werden. Spezielle Aufdrucke wie Barcodes oder Datacodes werden zur Identifikation nicht benötigt. Für viele Applikationen ist dies eine wichtige Eigenschaft. Entweder verfügen dort die Objekte nicht über Barcodes oder Datacodes, weil es nicht möglich ist, sie anzubringen – wie bei losem Obst oder Gemüse. Oder es kann nicht garantiert werden, dass die vorhandenen Aufdrucke sichtbar angebracht sind. Ein Beispiel sind Objekte auf einem Fließband, bei denen sich der Aufdruck auf der Unterseite befindet.
Bislang war die automatische Erkennung solcher Objekte durch Bildverarbeitung kaum oder nur mit einem sehr aufwändigen Verfahren möglich. MVTec hat von Beginn an bestimmte Ansprüche an die neu zu entwickelnde Technologie gehabt: SBI sollte nicht eingeschränkt in Bezug auf den Typ des Objekts sein; SBI sollte sich in hohem Maß robust zeigen; SBI musste auch bei Tausenden zu unterscheidenden Objekten sehr schnell sein und für Nicht–Experten eine hohe Benutzerfreundlichkeit bieten. Diese Bedingungen wurden erfüllt.
Zwei Beispielbilder reichen
Wie arbeitet SBI? Es gibt eine Offline– und eine Online-Phase. Der Benutzer benötigt in der Regel nur höchstens zwei Beispielbilder von jedem Objekt, das identifiziert werden soll. Er kann entscheiden, ob nur Grauwert-Texturmerkmale oder ob Farbe als zusätzliches Unterscheidungskriterium für die Identifikation verwendet werden sollen.
Basierend auf den Beispielbildern der Objekte wird ein so genannter Sample Identifier vorbereitet und sukzessive trainiert. SBI extrahiert dazu automatisch aus jedem Bild vorgegebene Merkmale. Für jedes Merkmal werden intern Attribute errechnet. Dadurch können Textur und Farbe des Objekts beschrieben werden.
Ein solcher Sample Identifier kann als virtuelles Warenlager gesehen werden. Zwar können der Speicherbedarf und die Laufzeit der Vorbereitungsphase – also der Anpassung des Warenlagers an die zu identifizierenden Objekte – hoch sein. Aber für eine typische Applikation muss diese Vorbereitung nur einmal erfolgen. Danach wird der einmal vorbereitete Sample Identifier mit den Objekten trainiert. Das virtuelle Warenlager wird also aufgefüllt. Dieses Training erfolgt für jedes Objekt in Millisekunden.
In der Online–Phase wird das Bild eines Objekts mit den trainierten Bildern im virtuellen Warenlager verglichen und das erkannte Objekt zurückgegeben. Und das alles in hoher Geschwindigkeit. Auch bei tausenden vorgehaltenen Objekten erhöht sich die Laufzeit nur marginal. Die Laufzeit eines SBI–Vergleichs beträgt stabil je nach Objekt zwischen einigen zehntel bis einigen hundertstel Sekunden.
Multicore-Chips machen Tempo
Aufgrund der Tatsache, dass Halcon über die automatische Parallelisierung (AOP) verfügt, kann die Leistungsfähigkeit moderner Multicore–Prozessoren ausgenutzt werden. Das macht SBI auch für zeitkritische Applikationen interessant.
Auch unter widrigen Bedingungen läuft SBI sehr robust. Wenn also Objekte in der Betriebsphase zum Beispiel aus einem anderen Winkel, bei anderen Lichtverhältnissen, oder in unterschiedlicher Orientierung fgenommen werden, erkennt SBI trotzdem zuverlässig das trainierte Vergleichsobjekt im virtuellen Warenlager.
Viele Objekte präsentieren je nach Blickrichtung eine andere Ansicht. Bei solchen 3D-Objekten müssen entsprechend mehrere Trainingsbilder aufgenommen werden, um die Trefferquote der Identifikation zu erhöhen. Es reicht in der Regel, Bilder mit einer Rotationsschrittweite von 45 Grad zu erfassen.
Andere Objekte wie Tüten, Säcke oder Steine können perspektivisch deformiert oder geknittert sein. Auch in einem solchen Fall reichen in der Regel wenige Trainingsbilder aus, um die notwendige Robustheit zu erreichen.
Solche Applikationen mit planaren oder auch verformten 3D–Objekten sind anspruchsvoll. Entsprechende – Objekte findet man zum Beispiel in einem Supermarkt – . etwa Taschen, Süßigkeiten oder Zeitungen. Ihr Erscheinungsbild ändert sich ständig, abhängig von der Deformation.
MVTec Software, München www.mvtec.com
Messe Vision, Halle 1, Stand D 74
Teilen:
