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.
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
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.
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.
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)
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.
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.
Jaworowska, Piątek