DOPASOWANIE WZORCA (PATTERN MATCHING)

Jest to metoda identyfikacji polegająca na porównywaniu obrazu obiektu ze wzorcem. Pozwala odszukać w obrazie obiektu jego punkty charakterystyczne – np. otwory, które wykorzystywane będą w dalszych pomiarach. Proces testowania jest dwufazowy.

W pierwszym etapie, tzw. fazie uczenia się (learning phase), przetwarzany jest wzorzec (np. określane jego krawędzie), co ma na celu określenie jego cech, które wykorzystane zostaną podczas drugiego etapu, czyli porównywania z obrazami obiektów badanych.

Faza uczenia jest dosyć skomplikowana, a odpowiednie obliczenia zająć mogą kilka sekund przy dużych lub złożonych obiektach. Jest ona przeprowadzana jednorazowo dla każdego wzorca, a dane są zapisywane i wykorzystywane wielokrotnie. Tradycyjne metody analizy obrazów nie przewidują tego etapu – w większości przypadków wzorzec jest bezpośrednio porównywany z całym obrazem obiektu, fragment po fragmencie. Wybór odpowiedniego wzorca ma bardzo duży wpływ na prędkość oraz dokładność analizy i warto tutaj kierować się kilkoma zasadami.

Wzorzec powinien być wystarczająco asymetryczny, aby możliwe było zidentyfikowanie go w określonym położeniu. Przykładowo okrągły otwór nie będzie ze sobą niósł informacji o tym, czy obiekt nie został obrócony. Istotny jest również sam charakter wzorca. Jeżeli jako wzorzec zostanie wybrany skomplikowany element, jego odnalezienie w obrazie obiektu zajmie więcej czasu.

Jeżeli natomiast wzorzec będzie zbyt prosty – w efekcie może dojść do zafałszowania wyników porównywania. Jeżeli za wzorzec przyjęto prosty element, należy pamiętać, że powinien on mieć odpowiednio duży rozmiar. Jeżeli jest to np. zwykły otwór, to jako wzorzec warto wybrać fragment obrazu obejmujący wystarczająco duży fragment otoczenia otworu. Informacje o otoczeniu pozwolą odróżnić konkretny obiekt od podobnych elementów.

Miniaturowa inspekcja DataMan 100 firmy Cognex to miniaturowy czujnik wizyjny pozwalający na odczyt kodów paskowych, nadruków, ale też inspekcję niewielkich powierzchni. Urządzenie jest w istocie inteligentną kamerą, która integruje przetwornik, oświetlenie, układ mikroprocesorowy przetwarzający dane oraz zapewniający komunikację. Pozwala ono na odczyt do około 50 kodów na sekundę. W Polsce dostępny jest m.in. w Firma Inżynierska Tadeusz Wędzony, HDF oraz SKK – Systemy Kodów Kreskowych.

DETEKCJA KRAWĘDZI (EDGE DETECTION)

Termin ten odnosi się do procesu identyfikacji i lokalizacji konturów w obrazie obiektu. Krawędzie określić można na podstawie dużej wartości zmiany jasności pikseli. Klasyczne metody detekcji polegają na ustaleniu progu tej zmiany dla sąsiadujących ze sobą pikseli. Jeżeli próg jest za niski, wówczas nawet niewielka zmiana jasności w obrazie zostanie zidentyfikowana jako krawędź. Z kolei za wysoki próg będzie utrudniał detekcję niewielkich zmian jasności, które mogą odpowiadać np. niewielkim otworom.

W związku z tym istnieje ogromna liczba stosowanych wartości progowych wykorzystywanych filtrów, które odpowiadają rozmaitym typom krawędzi. Wybór algorytmu detekcji krawędzi zależy też w dużym stopniu od samej aplikacji. Można przykładowo zdefiniować go dla momentu pierwszego przekroczenia wartości progowej albo przy kolejnej zmianie jasności obrazu. Dotyczy to także sposobów detekcji orientacji krawędzi. Filtry optymalizowane są pod kątem wyszukiwania krawędzi w poziomie, pionie i po przekątnej.

Wojciech Komosiński Vision Jak ocenia Pan rozwój rynku systemów wizyjnych w Polsce? Jak będzie się zmieniać w najbliższej przyszłości? Rynek systemów wizyjnych w Polsce jest dużo mniejszy niż w krajach Europy Zachodniej, mimo to rejestrujemy stopniowy wzrost zainteresowania takimi metodami kontroli. Obserwacja rosnącej liczby zapytań ze strony naszych klientów pozwala zaryzykować stwierdzenie, że przyszłość kontroli produkcji należy właśnie do systemów wizyjnych. Widzimy dużą szansę na pojawienie się tej technologii w miejscach, do których dzisiaj jeszcze nie dociera. Dzięki swoim zaletom wynikającym z dużej wydajności i uniwersalności oraz malejącym cenom, systemy wizyjne w wielu zastosowaniach wyprą dotychczasowe – często zawodne lub zbyt rozbudowane – metody kontroli. Które urządzenia tego rynku podlegają największym zmianom? Z czym jest to związane? Rozwój sprzętu i oprogramowania w branży systemów wizyjnych wymuszany jest przez coraz wyższe wymagania odbiorców końcowych. Należy do nich duża dokładność (w przypadku aplikacji pomiarowych), prędkość przetwarzania obrazu (liczba klatek na sekundę) oraz możliwość swobodnej i szybkiej transmisji danych. Producenci, stawiając czoła tym wymaganiom, poszerzają wachlarz swoich produktów o kamery z przetwornikami o dużych rozdzielczościach, często wyposażonych we własne procesory i dowolny, szybki protokół komunikacyjny. W parze z rozwojem sprzętu idą zmiany w oprogramowaniu, które dzięki stosowaniu coraz nowszych algorytmów, pozwalają znacznie lepiej wykorzystać zasoby tkwiące w dostępnych urządzeniach. Która branża jest największym odbiorcą urządzeń systemów wizyjnych? Rynek systemów wizyjnych zdecydowanie napędzany jest przez przedsiębiorstwa produkcyjne z branży motoryzacyjnej. To tam nacisk na dokładność wykonania produktów jest największy, ponieważ przekłada się to na bezpieczeństwo końcowego użytkownika. Większość systemów, które wykonujemy dla naszych klientów z tego sektora, opiera się na aplikacjach dotyczących pomiaru, oceny kompletności montażu oraz wykrywanie defektów. Ważną cechą tych klientów jest większe zrozumienie specyfiki oraz możliwości systemów wizyjnych.

OPTYCZNE ROZPOZNAWANIE ZNAKÓW (OPTICAL CHARACTER RECOGNITION)

Rys.4 Przekształcanie znaków z kursywy do normalnych

Algorytm OCR jest metodą rozpoznawania znaków powszechnie wykorzystywaną w przemyśle – służy np. do odczytywania numerów seryjnych produktów. Z OCR wiążą się dwa zagadnienia: rozróżniania i rozpoznawania znaków. Pierwszy termin odnosi się do lokalizacji pojedynczych znaków, określenia ich kolejności w odniesieniu do innych łańcuchów oraz identyfikacji pozycji danego znaku w łańcuchu.

Rys.5 Problem rozpoznawania znaków pisanych kursywą

Drugim zagadnieniem i etapem procesu jest rozpoznawanie znaków. Tutaj algorytm oparty jest na klasyfikacji, przy czym niezbędny jest dostęp do znaków wzorcowych. Metody stosowane w tym zakresie zależą w dużej mierze od czcionki użytej w tekście.

Przykładem są znaki zapisane kursywą, które nie zostaną rozpoznane z wykorzystaniem standardowego zestawu znaków pisanych czcionką prostą. Kłopot sprawia lokalizacja poszczególnych znaków, ponieważ w tym przypadku sąsiednie litery zachodzą na siebie (patrz rysunek). Jednym ze sposobów na pokonanie tego problemu jest wyznaczanie granic poszczególnych znaków i ich oddzielna analiza. Jest to jednak metoda bardzo czasochłonna.

Innym sposobem jest przekształcenie tekstu zapisanego kursywą do standardowej postaci zapisu zwykłą czcionką. W tym celu należy na wstępie zdefiniować cztery punkty, po dwa w pierwszej i ostatniej literze słowa oraz punkty im odpowiadające w przypadku liter bez kursywy (również na rysunku). Na tej podstawie tekst zostaje przetworzony w odpowiedni sposób, tak by ułatwić rozpoznanie poszczególnych znaków.

Systemy wizyjne w kontroli nadruków na opakowaniach artykułów spożywczych Systemy oparte o algorytmy optycznej weryfikacji znaków OCV (Optical Character Verification) stanowią istotny element linii produkcyjnych w przemyśle spożywczym. Kwestia poprawności i czytelności naniesionej daty ważności czy innych oznaczeń wyrobów jest dla ich producentów sprawą kluczową. Dotyczy to zwłaszcza towarów ulegających szybkiemu psuciu się. Obecnie metody nanoszenia oznakowania na towary są ciągle niedoskonałe. Rozmazany, niewyraźny nadruk jest częstym zjawiskiem i na jego powstanie wpływać może m.in. temperatura powierzchni, na którą nanoszona jest farba, konsystencja farby oraz warunki pakowania produktów, w tym wilgotność powietrza. W większości zakładów spożywczych w celu weryfikacji poprawności nadruków wykorzystuje się wielokrotną, ręczną kontrolę jakości przeprowadzaną okresowo na różnych etapach produkcji. Czynnik ludzki ma w tym przypadku decydujący i negatywny wpływ na wydajność oraz obiektywność takiej kontroli. Stąd coraz częściej w systemach weryfikacji tego rodzaju stosowane są automatyczne systemy wizyjne. Przykładem jest system zaprojektowany przez firmę A&RT, który realizuje weryfikację numerów seryjnych. System może zostać włączony bezpośrednio w istniejącą linię produkcyjną i kontrolować 600 nadruków na minutę. Zasadniczym jego elementem jest czujnik wizyjny Cognex Insight 5603, który ma możliwość realizacji algorytmu OCV. Inne elementy obejmują platformę Vision Server HMI firmy Control Vision i sterownik firmy CompactLogix. Projektanci systemu przewidzieli możliwość jego rozbudowania o dodatkowe czujniki wizyjne, których zadaniem może być np. weryfikacja etykiet czy kontrola szczelności opakowania produktów.

Jaworowska, Piątek