Industrielle Bildverarbeitung

Die digitale Bildverarbeitung ist, wir erwähnten es schon im Vorwort, angesichts steigender Anforderungen an Produktqualität und Dokumentation derselben zu einer Schlüsseltechnologie geworden. Dennoch ist ihr Einsatz in der Industrie noch keineswegs selbstverständlich, vor allem auch, weil es an Verständnis für diese moderne Technologie mangelt. Das vorliegende Buch soll dazu beitragen, diesem Zustand abzuhelfen, den nicht zuletzt die Bildverarbeitungsindustrie selbst herbeigeführt hat. Wie in allen Bereichen, in denen zunehmend PCs eingesetzt werden, stellt man auch in der Bildverarbeitung den Trend fest, dem Endanwender immer größere Möglichkeiten zur Systementwicklung zu geben. Damit wird es jedoch natürlich auch erforderlich, ihm das entsprechende Know-How zur Verfügung zu stellen.

Vorverarbeitungsalgorithmen bilden häufig den ersten Arbeitsschritt nach der Bildaufnahme und werden auch in vielen Beispielen der nachfolgenden Kapitel benötigt. Daher gibt dieses erste Querschnittkapitel eine Einführung in die Bildvorverarbeitung. Klette u. Zamperoni, 1992, geben eine umfassende Übersicht. Um eine möglichst klare Vorstellung von der Wirkungsweise der einzelnen Operationen zu geben, verwenden wir in diesem Kapitel sehr einfache, synthetische Beispielbilder. In den Anwendungsbeispielen der übrigen Kapitel sind viele der Verfahren dann im industriellen Einsatz zu sehen.

Es mag etwas ungewöhnlich erscheinen, die ausführliche Besprechung der verschiedenen Anwendungsbereiche industrieller Bildverarbeitung gerade mit der Lageerkennung zu beginnen, statt mit der Objekterkennung, da man ja ein Objekt zunächst finden muß, um seine Lage feststellen zu können. Objekterkennung ist aber ein recht weiter Begriff und erfordert häufig eine Vielzahl von Hilfsfunktionen, um ein Objekt schließlich einer Objektklasse zuordnen zu können. Lageerkennung hingegen ist strukturell — nicht unbedingt algorithmisch — eine vergleichsweise einfache Angelegenheit, sobald das fragliche Objekt einmal gefunden ist. Die einzige notwendige Voraussetzung ist also die Segmentierung eines Referenzobjektes. Der Hauptgrund dafür, dieses Gebiet an den Anfang zu stellen, ist jedoch, daß es in der industriellen Bildverarbeitung gewissermaßen eine unerläßliche „Hilfswissenschaft” darstellt.

Der Begriff des Objektes ist zentral für das Vorgehensmodell in Abschnitt 1.5, ja in der Tat entscheidend für das Wesen der industriellen Bildverarbeitung, geht es hier doch letztlich immer darum, eine Aussage über in der realen Welt existierende und in Bildern erfaßte Objekte zu machen. Im Einführungsbeispiel in Abschnitt 1.6 und im gesamten Kapitel über Lageerkennung 3 wurde entsprechend immer wieder Gebrauch von Verfahren gemacht, die eine Segmentierung vornehmen, d. h. Objekte aus der Bildszene isolieren. Dabei wurde zunächst einmal angenommen, daß diese Verfahren verfügbar sind und die gewünschten Objekte aus der Bildszene isolieren können. Im Laufe der Zeit wurde eine Vielzahl derartiger Methoden entwickelt. Die wichtigsten und verbreitetsten werden in diesem Kapitel vorgestellt.

Die Identifikation von Werkstücken, Produkten, Materialien ist ein unverzichtbarer Bestandteil der automatisierten Fertigung, sei es zur Lagerhaltung, Fertigungssteuerung oder Qualitätskontrolle. Es gibt eine Vielzahl von Kennzeichnungsmethoden, die beileibe nicht alle auf optisch wahrnehmbaren Markierungen beruhen. Magnetische Datenträger sind ein einfaches Beispiel für eine nichtoptische Kennzeichnungstechnik, die vielfach in der Fertigungssteuerung eingesetzt wird. Diese nichtoptischen Kennzeichnungen sind für automatische Systeme sogar leichter identifizierbar als optische. Es gibt jedoch einige Aspekte, die für optische Kennzeichnungen sprechen:

Dieses Kapitel gibt eine kurze allgemeine Einführung in das Gebiet der Klassifikation, verbunden mit einer Übersicht über einige wichtige Klassifikator-typen. Es ist natürlich nicht möglich, dieses Gebiet hier auch nur annähernd erschöpfend zu behandeln, zu vielfältig und umfangreich ist die Forschung, die besonders in den letzten 30 Jahren auf diesem Gebiet von so verschiedenen Disziplinen wie der Psychologie und Biologie auf der einen, der Informatik auf der anderen Seite betrieben wurde. Ebenso können wir nicht alle Klas-sifikatortypen im Detail behandeln und ihre mathematischen Eigenschaften ausführen. Dennoch wollen wir die wichtigen Typen wenigstens erwähnen, um dem Leser eine gewisse Orientierung in diesem für Mustererkennungsaufgaben so wichtigen Bereich zu geben. Wir werden einen dieser Klassifika-tortypen, das neuronale Netz vom Multilayer-Perzeptron-Typ, ausführlicher behandeln, da dieser Klassifikator in den in Kapitel 5 beschriebenen Mustererkennungsanwendungen zum Einsatz kam.

Maßprüfung oder Vermessung gehört zu den anspruchsvollsten Aufgaben der digitalen Bildverarbeitung, sowohl in algorithmischer Hinsicht als auch bezüglich der Systemtechnik, des Anlagenbaus. Es ist durchaus möglich, Meßgenauigkeiten bis hinunter zu wenigen Lichtwellenlängen zu erreichen, aber dafür ist ein außerordentlich hoher Aufwand erforderlich. Wie in jeder technischen Disziplin ist es auch hier unmöglich, präzise Ergebnisse ohne entsprechende Sorgfalt zu erreichen. Sorgfalt vor allem bei der Peripherie, der Auswahl der Komponenten, dem mechanischen Aufbau, der Beleuchtung, der Bildaufnahme. Qualität, die in der Sensorkette verlorengeht, ist unwiederbringlich verloren. Aus diesem Grunde schließt sich auch das Querschnittkapitel über Beleuchtungs- und Aufnahmetechnik an dieses Kapitel an.

Die Bedeutung der Aufnahmetechnik für die Bildverarbeitung kann man nicht genug betonen. Die Eigenschaften aller Elemente der Sensorkette, vom Objektiv über die eigentlichen lichtempfindlichen Elemente bis hin zur Übertragung in den Rechner beeinflussen die Eigenschaften des digitalen Bildes und sind damit auch entscheidend für die Qualität der Ergebnisse, die sich damit erzielen lassen. Verluste, die hier entstehen, lassen sich softwaretechnisch kaum oder gar nicht ausgleichen. In allen Anwendungsbereichen der digitalen Bildverarbeitung ist man auf hochwertige Bilder angewiesen, am meisten aber bei der optischen Vermessung, da hier auch die höchsten Genauigkeitsanforderungen gestellt werden. Darum werden wir in diesem Abschnitt unser besonderes Augenmerk auf die Abbildungsfehler richten, die präzise Meßergebnisse unmöglich machen können.

Von der Aufgabenstellung her betrachtet, erscheint Anwesenheitskontrolle als ein klar faßbares und strukturell einfaches Gebiet, so daß es oft am Anfang einer Einführung in die Bildverarbeitung steht. Tatsächlich ist der Begriff der Anwesenheitskontrolle aber recht schwierig einzugrenzen: Geht es hier nur um einfaches Zählen von Objekten oder spielen Eigenschaften dieser Objekte eine Rolle? Sind diese Eigenschaften einfache Merkmale, oder ist das Gesamtaussehen des Objektes von Bedeutung? Beziehen sich Eigenschaften jeweils nur auf Einzelobjekte, oder müssen, wie bei Montagekontrollen, auch Bezüge zwischen Objekten berücksichtigt werden.

In den meisten Beispielen der vorangegangenen Kapitel haben wir die Gültigkeit von Objekten anhand verschiedener Merkmale überprüft. Es ist daher an der Zeit, eine Übersicht solcher Merkmale zu geben. Aus der Vielzahl in der Literatur beschriebener Merkmale haben wir eine Auswahl zusammengestellt, die sich in vielen praktischen Anwendungsfällen bewährt hat. Dabei wollen wir gleichzeitig noch einmal einen Blick auf einige der Schwierigkeiten werfen, die die Umsetzung alltäglich vertrauter Begriffe in die diskrete Welt digitaler Bilder aufwerfen kann.

Wir haben in den vorangegangenen Kapiteln eine Vielzahl von Methoden und Algorithmen der Bildverarbeitung beschrieben und eine Reihe beispielhafter Anwendungen aus der industriellen Praxis. Zum Abschluß wollen wir noch kurz einige Aspekte ansprechen, auf die man bei der Durchführung einer industriellen Bildverarbeitungsapplikation achten sollte. Manches entspricht allgemeinen Regeln industriellen Projektmanagements, aber es gibt auch einige für die Bildverarbeitung spezifische Gesichtspunkte.