Vysoké uení technické v Brn Fakulta elektrotechniky a komunikaních technologií Ústav automatizace a micí techniky Ing. Karel Horák APLIKACE METOD ROZPOZNÁVÁNÍ OBRAZU V DEFEKTOSKOPII Applied methods for transparent materials inspection Zkrácená verze Ph.D. thesis Obor: Školitel: Elektrotechnika, elektronika, komunikaní a ídicí technika Doc. Ing. Jozef Honec, CSc. Datum odevzdání: 31.8.2007
KLÍOVÁ SLOVA Vizuální inspekní systémy, defektoskopie, transparentní materiály, rozpoznávání vzor, funkce geometrických a komplexních invariant, klasifikace reprezentantem tídy. KEYWORDS Visual inspecting systems, defectoscopy, transparent materials, pattern recognition, geometric and complex invariants functions, class representative classification. MÍSTO ULOŽENÍ DISERTANÍ PRÁCE Ústav automatizace a micí techniky, FEKT VUT v Brn PODKOVÁNÍ Na tomto míst bych chtl v první ad podkovat svému školiteli Doc. Ing. Jozefu Honecovi, CSc., který mi jako první pedstavil zajímavý svt poítaového vidní a ukázal do té doby pro m skryté možnosti techniky. Nemalý dík patí také všem mým kolegm ze skupiny poítaového vidní na Ústavu automatizace a micí techniky VUT v Brn. V neposlední ad patí velý dík také mým rodim za neskonalou trplivost po dobu celého mého studia. Bez jejich podpory by tato práce nikdy nevznikla. Podkování patí také spolenosti CAMEA spol. s r.o. Brno za poskytnutí zajímavého a praktického námtu disertaní práce stejn jako za poskytnutí obrazové galerie reálných snímk a jiných hmotných zaízení potebných k realizaci práce.
OBSAH 1 ÚVOD...1 2 CÍLE DISERTANÍ PRÁCE...1 3 SOUASNÝ STAV EŠENÉ PROBLEMATIKY...3 4 INSPEKNÍ SYSTÉM BTCAM12...4 4.1 Popis inspekního systému...5 4.2 Požadavky na inspekní systém...6 5 LOKALIZACE OBLASTÍ KONTROLY...8 5.1 Lokalizace oblasti kontroly hrdla...8 5.2 Lokalizace oblasti kontroly dna...8 5.3 Lokalizace oblasti kontroly stny...9 6 FILTRACE ZNÁMÝCH VZOR...10 6.1 Komplexní momentové invarianty...11 6.2 Funkce komplexních invariant...12 6.3 Experimentální ovení...13 7 EXTRAKCE A KLASIFIKACE PÍZNAK...15 7.1 Extrakce a klasifikace píznak ze snímku hrdla...16 7.2 Extrakce a klasifikace píznak ze snímku dna...18 7.3 Extrakce a klasifikace píznak ze snímku stny...19 8 ZÁVR...22 9 POUŽITÉ ZDROJE...23 10 CURRICULUM VITAE...24 11 PUBLIKACE...25 12 ABSTRACT...25
1 ÚVOD Z hlediska automatizaní techniky aplikované v prmyslových provozech je zcela zbytené obhajovat nutnost stálého výzkumu a technického rozvoje v této oblasti. Automatické kontrolní systémy využívající kamerových zaízení lze nalézt tém na každém kroku a to nejen pímo v prmyslových provozech, ale i v bžném život. Nedílnou souástí vizuálních inspekních systém je na jedné stran hardware poskytující platformu pro samotnou innost stroje a na stran druhé software, který celou tuto innost ídí. Vizuální inspekní systémy pak obsahují ve velké míe sofistikované algoritmy zpracování obrazu zpravidla simulující do té doby rozhodovací innost lovka v nkterých ohledech zcela jist nezastupitelnou. V oblasti poítaového vidní a zpracování obrazu se bhem jeho vývoje vytvoila ada kategorií zabývajících se konkrétní problematikou, oblastí jako nap. rekonstrukce scény, detekce události, sledování trajektorie, rozpoznávání fyzických objekt nebo dokonce lidské tváe, uení, optická navigace, rekonstrukce obrazu a mnohé další. Mimo jiné i z uvedeného výtu již ásten vyplývá, že v oblasti poítaového vidní není dodnes stanoven formalizmus pro ešení obecné úlohy a velmi tžko odhadovat, bude-li kdy vbec nalezen. Místo tohoto obecného formalizmu byla postupem asu vytvoena nepeberná škála metod ešících rzné a asto velmi specifické úlohy. Mezi ty obecnjší a v praxi alespo ásten aplikované metody patí systémy pro rozpoznávání identity lovka ze snímku oblieje nebo sekvence pohybu celého tla. Rovnž v prmyslu nebo robotické navigaci dnes již existují relativn generické systémy zpracování a vyhodnocení obrazu stejn jako OCR systémy pro rozpoznávání písma. Pravdpodobn nejrozšíenjší tídu konkrétních aplikací tvoí kamerové systémy inspekce kvality výroby. Cílová skupina prmyslových zaízení je velmi široká a lze íci, že tém neomezená. Prmyslové inspekní systémy zpravidla nahrazují dívjší kontrolní innost lovka a poskytují pedevším spolehlivost, pesnost, rychlost a neúnavnost. Mezi takové systémy patí nap. i celá ada kamerových kontrol spolenosti CAMEA spol. s r.o., s jejíž spoluprací je ešena i tato disertaní práce. Znaná ást prmyslových vizuálních systém pak spadá do oblasti defektoskopie, ili detekce vad nebo jiných poruch na zkoumaném výrobku. Systémy obvykle pracují s velmi vysokou rychlostí zpracování obrazu jednotlivých kus výrobk a proto je jejich nedílnou souástí také výkonný a asto cílen navržený hardware. Stejn tak tomu bude i u inspekního systému ešeného v této práci. Žádanou komoditou jsou inspekní systémy výrobk, které njakým zpsobem picházejí do pímého styku s lovkem. Konkrétním pípadem, kterým se zabývá tato práce, je inspekní systém pro kontrolu kvality potravináských lahví vizuální cestou. Hlavním cílem je provést detekci vad na láhvi a už jde o špínu, mechanické poškození vlastní láhve nebo nap. cizích pedmt v láhvi. Rychlost zpracování obrazu se u tohoto systému pohybuje v ádu nkolika málo desítek milisekund pro jednu kontrolovanou láhev. 2 CÍLE DISERTANÍ PRÁCE Obecným cílem této disertaní práce je nalezení hardwarových a softwarových ešení pro sestavení vizuálního inspekního systému kontroly sklenných lahví. Velká pozornost je zamena na nestandardní provozy východních zemí. Tyto provozy jsou charakteristické 1
vysokým potem nekvalitních lahví a obecn výskytem lahví s rznými znakami, znaky a logy zejména na dn láhve, které je teba filtrovat od skutených vad. Provozy s obdobn nekvalitními láhvemi se ped asem vyskytovaly také v R a jiných zemích stední Evropy, ale postupem asu byly vytlaeny modernjšími a kvalitnjšími systémy. Tím došlo k exportu velkého množství lahví na východní trhy, zejména pak do Ruska. Souasn se zde ale rozvinula i poteba kvalitních kamerových inspekních systém pro zvýšení jakosti výroby. Kontrola láhve se v potravináském oboru dlí na ti hlavní oblasti. Na kontrolu dna, hrdla a stny láhve. Nkteí výrobci poskytují také jiné kontroly jako nap. kontrolu vnitní stny, kontrolu závitu, kontrolu vnitního hrdla apod. Zpravidla se jedná o modifikaci nkteré z uvedených hlavních kontrol. Tato práce se zabývá uvedenými temi standardními kontrolami a to v nestandardních provozech. Konkrétním cílem práce je filtrace syntetických vzor z oblasti dna, jejíž absence ve vizuálním systému znemož uje expanzi na uvedené rozvíjející se východní trhy. Pro každý provoz je stanovena uzavená skupina znaek, symbol a jiných umlých vzor, které je teba z obrazu filtrovat díve, než je píslušný obraz postoupen detekci vad. Z hlediska zpracování obrazu mají tyto vzory charakter nehomogenit obdobn jako skutené vady a nejsou dosavadními systémy rozlišitelné. Pestože konkurence na trhu vizuálních inspekních systém je velká, není zejmá snaha zejména vtších výrobc tyto specifické problémy ešit. Z tohoto faktu nepímo vyplývá, že zmínné ešení inspekce potravináských lahví nebylo pro tyto specifické provozy dosud ešeno. Návrh metod pro rozpoznávání vzor je uveden v kapitole 6. Krom uvedené filtrace vzor si práce klade nkolik dalších nemén významných cíl. Jednak jde o kompaktní ešení hardwarové ásti vizuálního systému vetn popis princip poízení snímk, jednak o algoritmické ešení detekce oblastí kontroly, extrakce píznak a následné klasifikace pro rozpoznání vad. Pesné stanovení cíl práce umož ují konkrétní požadavky prmyslových subjekt. Jde zejména o stanovené velikosti detekovatelných vad, procentuální úspšnost inspekce, výet typových nehomogenit na sklenném materiálu považovaných za vady a také výet specifických vlastností lahví píslušného provozu. Velká ást práce je proto zamena na ešení problematiky inspekce v ruském Kirov, který je typickým píkladem mén vysplého provozu z hlediska kvality lahví. Zde je v souasné dob instalován standardní vizuální systém BTCAM612 provádjící kontrolu hrdla a dna láhve bez detekce syntetických vzor. Kontrola stny nebyla zadavatelem požadována. Obdobná situace je také v polské Jurajské s tím rozdílem, že zde je instalován kompletní systém vetn kontroly stny láhve. Praktickým požadavkem z hlediska realizovatelnosti celého inspekního systému na prmyslové lince je maximální doba zpracování jedné láhve. Tato doba je závislá na rychlosti konkrétní linky a pohybuje se zpravidla v rozmezí 8 tisíc zpracovaných lahví za hodinu v menších provozech (nap. pivovar Hlinsko R) až po více než 30 tisíc lahví za hodinu v provozech velkých výrobc jako nap. Jurajska (Polsko) nebo Liepãja (Lotyšsko). Z hlediska algoritm vyhodnocení vad na hrdle, dn a stn láhve je splnní asových pomr zpracování obrazu chápáno jako jeden z cíl práce. Ze známých rychlostí prmyslových linek pak vyplývá, že pro nejmén píznivý pípad (nejrychlejší linku) musí být všechny algoritmy dokoneny v ase kratším, než 100 ms. Tato doba odpovídá rychlosti linky kolem 40 tisíc lahví za hodinu. 2
Z hlediska asových pomr algoritm pro rozpoznávání vzor na dn láhve je situace o nco složitjší. Jelikož se ve své podstat jedná o pilotní projekt, nejsou zatím známa pesná specifika detekce vzor a tak je cílem práce sestavit obecný pístup pro jejich rozpoznávání. asová optimalizace a platformová implementace je pak závislá na konkrétní implementaci a požadavcích zadavatele. 3 SOUASNÝ STAV EŠENÉ PROBLEMATIKY Pestože se pedložená práce zabývá komplexním návrhem inspekního vizuálního systému, je znaná ást pozornosti vnována algoritmické ásti. Dvody jsou hned dva. Prvním z nich je relativn vysoká úrove vysplosti hardwarových prvk a obecn kamerových systém urených do prmyslu, které svou výpoetní kapacitou a rychlostí pln dostaují vtšin požadavk. Druhý dvod je komplementární a to ten, že práv softwarovému vybavení inspekních systém v potravináství není vnována dostatená pozornost. O tom svdí nap. nedostatek kontrolních systém pro specifické provozy ve východní Evrop. Na trhu inspekních systém v potravináském prmyslu dominují po hardwarové stránce zejména vtší vývojové firmy z Nmecka jako nap. Krones se systémy Linatronic, Rotocheck a Smartronic. Druhým velkým dodavatelem inspekních kamerových systém je rovnž nmecký výrobce Heuft se systém InLine využívající technologii Reflexx RTG. V eské republice se tmto systémm vnuje pouze firma CAMEA spol. s r.o., která ve spolupráci se spoleností NATE Chotbo a.s. dodávající mechanickou a ídicí ást zaízení vyvíjí a produkuje kontrolní kamerové zaízení BTCAM612. V tsné spolupráci s tmito dvma komerními subjekty a potažmo i prmyslovými zadavateli byla zpracována i tato práce. Z hlediska hardwaru obsahuje inspekní systém BTCAM612 adu prvk urených speciáln pro úely inspekce lahví. Na elektronické bázi se jedná o digitalizaní karty GX6, ídicí kartu BOTCTRL1.1 a prmyslové programovatelné kamery Modicam612. Všechny ti uvedené prvky jsou znázornné na ilustrativním obrázku 3.1. Obr. 3.1.: Digitalizaní karta GX6, ídicí karta BOTCTRL a kamera Modicam612 Z hlediska mechanických prvk je systém vybaven zejména kompletním ešením zdroj svtla pro vhodné nasvícení snímaných lahví, optického kabelu pro ízení expoziní doby snímku dna a stny, optických expozimetr, kabeláže datové a ídicí komunikace a ady dalších potebných prvk. Z hlediska výzkumu a vývoje byly hardwarové možnosti pro daný úel zcela dostaující s výjimkou kontroly stn, která byla v rámci této práce a realizace inspekních systém vyvinuta pro provoz Samson v eských Budjovicích, Jurajskou v Polsku a Liepãja v Lotyšsku. V souasné dob dochází k realizaci dalších 3
systém zejména na území R. Blíže jsou hardwarové prvky a vlastnosti systému BTCAM612 popsány v následující kapitole. Softwarové vybavení inspekního systému BTCAM612 lze z hlediska implementace rozdlit na dv ásti. První je samotný ídicí systém obsahující uživatelské rozhraní, metody archivace dat, úrovn pístup obsluhy, ízení zpracování obrazu, zobrazení galerie snímk a jiné moduly. Tato ást je specifická pro konkrétní stroj podle požadavk zadavatele a je ešena v rámci technického rozvoje systému. Druhou ást tvoí metody a algoritmy zpracování obrazu, které patí a díky zvyšujícím se nárokm na pesnost a rychlost inspekce budou i nadále patit do oblasti výzkumu a vývoje. Ob tyto ásti byly v rámci práce vyvíjeny a implementovány na stroje Samson (eské Budjovice), Hlinsko (R), Jurajská (Polsko), Liepãja (Lotyšsko) a Kirov (Rusko). Z obecného pohledu není ada metod zpracování obrazu a rozpoznávání objekt niím novým, avšak vyzkoušené postupy pro reálné aplikace nejsou tém vbec k dispozici. Lze tedy využít spolený teoretický základ zpracování obrazu pro návrh konkrétních metod spl ujících žádanou funkci. Tento fakt se týká všech ástí vyhodnocení obrazu, tedy od pedzpracování, pes segmentaci, extrakci píznak, redukci píznakového prostoru až po finální klasifikaci. 4 INSPEKNÍ SYSTÉM BTCAM12 Jak bylo zmínno v úvodní kapitole, pedložená práce pojednávající o defektoskopii transparentních materiál se bezprostedn týká vizuálního systému pro kontrolu kvality a istoty lahví BTCAM612. Tento systém je vyvíjen ve spolupráci se spoleností CAMEA spol. s r.o., která se již adu let zabývá podobnými systémy automatického zpracování obrazu. Ve spolupráci s dalšími výrobními subjekty mechanického, optického a elektrotechnického zamení byla od roku 1996 sestavena ada stroj BTCAM612 pro inspekci rzných typ lahví jak ukazuje obrázek 4.1. První dva pilotní stroje byly instalovány v severokazašském mst Semey (známjším pod ruským jménem Semipalatinsk), následovaly stroje pro Vyškov, Zábeh, Budjovice, Hlinsko (vše R), Jurajska Miszków (Polsko), Kirov (Rusko) a Liepãja (Lotyšsko). Obr. 4.1.: Variace nkterých typ lahví kontrolovaných systémem BTCAM612 4
4.1 POPIS INSPEKNÍHO SYSTÉMU Inspekní defektoskopický systém je fyzický stroj, který zaazen do stávající plnicí linky detekuje vady na lahvích podle uživatelem nastavených parametr. V souasnosti jsou k dispozici ti typy kontrol kontrola hrdla, dna a stny láhve. Kontrola hrdla je stejn jako kontrola dna zajištna jednou kamerou, kontrola stny láhve po celém jejím obvodu je zajištna tveicí kamer. Schématické znázornní stroje na plnicí lince s vyznaením umístní jednotlivých kontrol je uvedeno na obrázku 4.2. Obr. 4.2.: Prostorové uspoádání inspekního systému Láhve se na plnicí lince L pohybují ve vertikální (stojící) poloze po dopravníkových pásech ve smru šipek vyznaených na obrázku. Kontrola hrdla reprezentována blokem A a kontrola dna blokem B probíhají v okamžiku, kdy láhev nestojí na ocelovém pásu, ale je vedena za stny v pnových pásech a je možné ji vertikáln prosvítit, což je principiáln nutné hlavn u kontroly dna. Kamerová místa kontroly stn skládající se vždy ze zdroje transmisního svtla a dvou kamer jsou umístna na vstupu (blok C) a výstupu (blok D) stroje. Rozdílnou rychlostí pohybu obou pás uvnit stroje je zajištno otoení láhve o 90 podle její axiální osy a tím zajištno, že druhé micí místo stny (blok D) provádí inspekci zbylé ásti láhve, která nemohla být na prvním micím míst (blok C) kontrolována. Pokud je láhev na kterékoliv dílí kontrole vyhodnocena jako závadná, je v míst bloku E vyazena z plnicí linky na vedlejší odpadový stl. Kontrola dna a stny láhve využívá transmisního principu snímání, kdy je láhev prosvtlena skrz smrem ke kamee. Kontrola hrdla pak využívá reflexního principu, kdy kamera i zdroj zábleskového svtla jsou umístny stejn nad hrdlem láhve. Geometrické uspoádání snímací aparatury hrdla láhve je ukázáno na obrázku 4.3. vlevo, dna uprosted a stny vpravo. Obr. 4.3.: Techniky poízení snímk a) hrdla, b) dna, c) stny 5
Jak již bylo zmínno, je kontrola hrdla láhve zajištna jednou kamerou, dna také jednou kamerou a kontrola stny po celém obvodu láhve tymi kamerami, jejichž zorné úhly se symetricky kryjí a pokrývají tak celou stnu láhve. Kamery jsou umístny po dvojicích na dvou micích místech, na vstupu a výstupu stroje, v nmž je láhev otoena. Každá dvojice kamer sdílí stejný zaátek a trvání expoziní doby. Schéma poízení všech ty snímk stny láhve ilustruje obrázek 4.4. Obr. 4.4.: Technika poízení sady snímk stny láhve 4.2 POŽADAVKY NA INSPEKNÍ SYSTÉM Vtšina prmyslových linek pracuje s prmrnou rychlostí kolem 12 až 15 tisíc lahví za hodinu. Dležitjší pro návrh celého systému a hlavn algoritm je ale extrémní okamžitá rychlost, která zpravidla nepekroí hodnotu 36 tisíc lahví za hodinu, z ehož vyplývá maximální možný as zpracování jedné láhve 100 ms. Pro každou láhev je teba algoritmicky vyhodnotit jeden pohled hrdla, jeden dna a tyi pohledy stn a zpracovat režijní rutiny vizuálního systému jako nap. ukládání vybraných snímk na disk, vykreslování vadných lahví na obrazovku, ízení hardwaru apod. Na algoritmické vyhodnocení jednoho snímku pak vychází prmrná doba pibližn 15 ms, akoliv dležitjší hledisko je trvání všech algoritm dohromady, které nesmí pekroit uvedených 100 ms. Této skutenosti je v systému využito, protože nap. algoritmy nad snímkem hrdla a dna mají delší dobu trvání kvli operacím v polárních souadnicích (pesnji viz tabulka 4.1 pod odstavcem). Algoritmy dna jsou navíc zatíženy filtracemi vzor a vroubk, takže využívají procesorový as na úkor jednodušších algoritm stn, jejichž váha je navíc oproti hrdlu nebo dnu tynásobná vlivem potu snímk stn. Tabulka 4.1.: Prmrné procesorové asy algoritm Algoritmus Hrdlo Dno Stna Celkem Prmrný as algoritmu [ms] 18 ms 23 ms 8 ms 18+23+4*8= 73 ms Zatímco rychlost zpracování je binární parametr systému typu vyhovl/nevyhovl rychlosti dané linky, má hodnota citlivosti detekních algoritm obdobn jako spolehlivost systému (procentuální úspšnost správné klasifikace láhve) charakter spíše konkurenní výhody. Pesto existují obecn platné minimální hodnoty, které musí každý inspekní systém tohoto typu spl ovat. Obvykle se uvádí generická chybovost systému nepesahující 6
zpravidla 0.5 % a hodnoty citlivosti a spolehlivosti konkrétních vybraných ástí láhve jsou upraveny tabulkou. Hodnoty platné pro standardní inspekní systémy jsou uvedeny v následující tabulce 4.2. Tabulka 4.2.: Pehled standardních parametr inspekních systém Typ inspekce Povaha vady Garantovaná velikost Spolehlivost vady [ % ] Hrdlo nespojitost po obvodu 3 mm 99.9 2 x 2 mm ve stedu 99.9 tmavé fleky 3 x 3 mm ve 99.9 vroubcích Dno 3 x 3 mm ve stedu 99.9 polarizovatelná 4 x 4 mm ve fólie 99.9 vroubcích Stna tmavé fleky 6 x 6 mm 99.9 (dv micí polarizovatelná místa) fólie 10 x 10 mm 99.9 Stna tmavé fleky 4 x 4 mm 99.9 (tyi micí polarizovatelná místa) fólie 6 x 6 mm 99.9 Krom uvedených parametr bývá asto specifikován výet typových objekt, které se mohou na láhvi vyskytnout a jsou považovány za vadu. Tento výet bývá zpravidla pevný, ovšem v mén kvalitních provozech (nap. uvedené Polsko, Rusko, Lotyšsko) se obas liší podle lokálních podmínek. Nejastji jsou pro detekci specifikovány vady, které jsou uvedeny v následující tabulce 4.3. Tabulka 4.3.: Seznam typických vad v rzných ástech láhve Typ inspekce Charakteristika vady obecná nehomogenita v radiálním i tangenciálním smru výštipky Hrdlo úlomky pítomnost zátky pítomnost cizího pedmtu na tle hrdla cizí pedmt v oblasti vnitního dna cizí pedmt v oblasti vnjšího dna (vroubk) Dno vyštípnuté nebo jinak poniené dno špína nebo plíse fólie zbytky etiket špína nebo plíse Stny praskliny nebo jinak porušené sklo špatný profil daného typu láhve 7
5 LOKALIZACE OBLASTÍ KONTROLY Spouštní kamer a tedy poizování snímk se provádí na základ optických idel, konkrétn laserových optických závor. Vzhledem ke konené pesnosti celé soustavy a lahvím pohybujícím se po dopravníkovém pásu rychlostí až 1 m/s, jsou pedem nastavené oblasti kontroly na snímcích jednotlivých ástí láhve sice ve vymezené, nicmén ne v zcela pesné poloze a liší se snímek od snímku. Každá láhev bez ohledu na typ kontroly mže být navíc na pásu vlivem jeho pohybu rozkymácena. Algoritmická ást systému pracuje s pesností na hranici srovnatelné s velikostí rozmazání objektu vlivem samotného pohybu na pásu, takže i z tohoto dvodu je ze zkušenosti nevyhnuteln nutné lokalizovat pesn oblasti kontroly. 5.1 LOKALIZACE OBLASTI KONTROLY HRDLA U snímku hrdla, kdy je láhev vedena pásy za její spodní okraj, se projevuje astý náklon láhve v pásech a tím vtší skutený posun oblasti hrdla v rámci snímku oproti pednastavené smyce. Pesné urení polohy oblasti hrdla na snímku je provedeno na základ detekce svtlého reflexního proužku, který se vyskytuje u všech snímk hrdla symetricky kolem jeho stedu. Obrázek 5.1 pehledn ukazuje pracovní pásma lokalizace a nalezenou pesnou polohu hrdla. Obr. 5.1.: Detekce polohy hrdla bez závitu (vlevo) a se závitem (vpravo) Z nalezených okrajových hodnot svtlého pruhu je vypoítán geometrický sted hrdla. Hodnoty konc trasovacích ar, které se výrazným zpsobem liší od mediánu souboru, jsou pi výpotu stedu hrdla ignorovány. Podmínkou pro správnou lokalizaci hrdla výše uvedeným postupem je dostaten silné zábleskové svtlo a správn nastavené zesílení a offset kamery, aby byl svtlý pruh hrdla dostaten kontrastní. 5.2 LOKALIZACE OBLASTI KONTROLY DNA Nalezení polohy dna na snímku je možné realizovat mimo jiné i pomocí tzv. amplitudové projekce v horizontálním resp. vertikálním smru. Jedná se o prostý souet jas pixel po sloupcích resp. ádcích obrazu. Vzhledem k výskytu vad na dn, zejména velmi tmavých, jsou hodnoty vektor amplitudové projekce tmito vadami zkresleny a 8
zpsobují lokální minima v jejím prbhu a to samozejm i v okolí globálního maxima (viz obrázek 5.2 uprosted, vliv vady je vyznaen zelenou elipsou). Prbh projekce ale není zcela hladký ani v pípad dna bez vady (šum, drobné nepravidelnosti skla, nápisy apod.) jak je ukázáno na obrázku 5.2 vlevo. Navíc oblast bezprostedn kolem maxima je zpravidla plochá, ili pímá detekce indexu maxima by byla zatížena velkou systematickou chybou. Pesná lokalizace polohy dna na základ detekce jeho okraj pímo z hodnot amplitudové projekce také není možná, protože okraje dna zpsobují v jejím prbhu jen velmi slabé záznje (viz obrázek 5.2 vlevo, vyznaeno ervenou barvou), které mohou být navíc zcela potlaeny nebo naopak zcela nahrazeny potenciální vadou v jiném míst. Obr. 5.2.: Prbh amplitudové projekce snímku dna bez vady, s vadou a aproximace ešením pesné lokalizace oblasti dna je polynomiální aproximace prbh horizontální a vertikální projekce, protože polohu stedu dna lze pak hledat jako globální maximum získané aproximaní funkce, která je hladká, spojitá a hlavn je znám její analytický pedpis. Na obrázku 5.2 vpravo je prbh takové aproximaní funkce druhého ádu s vyznaeným maximem pro horizontální amplitudovou projekci (sítání v ádcích). Vyznaené maximum odpovídá vertikální poloze stedu hledané kružnice. Stejným zpsobem je nalezena druhá, ili horizontální souadnice stedu dna. 5.3 LOKALIZACE OBLASTI KONTROLY STNY Obdobn jako u lokalizace polohy stedu hrdla, je i pi lokalizaci polohy stny láhve na snímku využita detekce gradient a to na rozhraní matnice tvoící optické pozadí snímané scény a konkrétní láhve. Vzhledem k tomu, že osa kamery a normála matnice zdroje svtla spolu svírají úhel 30 (viz obrázek 4.4), je na snímcích vždy jedna hrana láhve vlivem odrazu svtla kontrastnjší, než hrana na stran opané. Z tohoto dvodu je detekována vždy jen kontrastnjší hrana a poloha osy láhve je dopoítána ze známé šíky láhve v milimetrech pro daný typ a z kalibraní konstanty pxl/mm. Na následujícím obrázku 5.3 je ukázána detekce okraje a stanovení polohy osy láhve. 9
Obr. 5.3.: Lokalizace polohy stny láhve na snímku Ve spodní polovin láhve s rovným profilem (jehož se využívá pi lokalizaci polohy láhve na snímku) je drobné profilové zúžení o velikosti nkolika málo desetin milimetru. Na obrázku 5.3 je oblast zúžení mezi modrými šipkami. Za tmito okraji pak vlivem dotyku lahví vznikají odené oblasti, ve kterých inspekce istoty neprobíhá, a proto algoritmy stn pracují ve dvou oddlených smykách ve spodní a horní ásti láhve jak ukazuje obrázek 5.4. Obr. 5.4.: Oblasti kontroly na stn láhve Lokalizace osy láhve na základ nalezení kontrastního pechodu hrany stny a matnice je ztížena pítomností okolních lahví. V nkterých pípadech dochází až k ástenému zákrytu lahví, kdy nelze pesnou polohu láhve výše uvedeným postupem stanovit. V takových pípadech se pesná poloha láhve stanoví na základ detekce hrany láhve v její horní polovin. 6 FILTRACE ZNÁMÝCH VZOR Na snímcích dna lahví se v nkterých pípadech uvnit smyek podléhajících kontrole objevují vzory, které nejsou specifikovány jako vada, ale mají z hlediska zpracování obrazu obdobné nebo dokonce stejné charakteristiky. Píkladem mohou být rzné profilové zmny skla, hrany materiálu apod., ale hlavn nápisy a rzná loga výrobce, které na obraze vytváejí nehomogenity stejn jako skutené vady. Tyto vzory je nutné na základ 10
vhodných charakteristik ze snímku filtrovat díve, než je tento postoupen dál k extrakci píznak vad, na jejichž základ je láhev hodnocena. Pro sestavení mechanizmu k vyazení vzor z oblasti dna je teba pro každou instanci vizuálního systému (jeden fyzický stroj) sestavit seznam tchto vzor ve smyslu abecedy. Takový výet vzor nap. provozu v Ruském Kirov je uveden na obrázku 6.1. Obr. 6.1.: Abeceda obrazových vzor v provozu Kirov Vzhledem k tomu, že na snímku není pedem známa poloha, orientace, velikost ani pibližné jasové rozložení úrovní hledaných vzor, je nutné pro jejich detekci použít generickou metodu hledání vzoru v obraze. K tomuto úelu je vtšinou urena metoda srovnávání se vzorem pomocí korelace, která je ale, jakožto triviální ešení, velmi výpoetn nároná. Pro danou aplikaci je tato vzhledem k velikosti snímku a požadované pesnosti nepoužitelná by jen pro jeden jediný hledaný vzor. Vady se mohou z hlediska geometrických a fotometrických (radiometrických) vlastností vyskytnout na snímku v mnoha nepedpokládatelných variacích. Pro popis segmentovaných vzor pak nelze použít klasické charakteristiky popisu jako velikost, Euler-Poincarého charakteristika, projekce, délka hranice, výstednost, podlouhlost, pravoúhlost i nekompaktnost. Pokud nelze uvažovat ani tyto charakteristiky ani zmínný asov velmi nároný výpoet korelací všech možných velikostí a natoení korelaní pedlohy, stává se nastínná filtrace vzor velmi komplikovanou obecn nevyešenou úlohou. Jednou ale nikoliv jedinou možností se jako popisných charakteristik vzor ukazuje použití momentových invariant. Momentové invarianty vycházejí z algebraických moment a popisují základní geometrické charakteristiky obrazového segmentu jako statistické veliiny. S výhodou lze využít jejich rotaní nezávislosti, na druhou stranu však neobsahují informace o prostorovém rozložení pixel. Momentové invarianty mohou být geometrické resp. komplexní podle toho, zda se odvozují od geometrických resp. komplexních moment 6.1 KOMPLEXNÍ MOMENTOVÉ INVARIANTY Komplexní momentové invarianty jsou diskriminaními popisnými charakteristikami vzor stejn jako invarianty geometrické. Ob uvedené tídy momentových invariant jsou v literatue uvádny spolen, protože sdílí matematický formalismus a formáln se shodují, pestože samy o sob pedstavují zcela odlišné charakteristiky popisovaného objektu. Bez ohledu na tento fakt jsou komplexní momentové invarianty vhodné jako reprezentativní charakteristiky pro rozpoznávání vzoru. Komplexní momentové invarianty eší nezávislost i kompletnost báze invariant a vztah pro výpoet komplexního momentu c pq ádu p+q má následující tvar. p q c ( x iy) ( x iy) s( x, y). pq Y X Absolutní hodnoty komplexních moment jsou na rotaci obrazového segmentu nezávislé pro libovolné hodnoty p a q a na rotaci obrazu je závislá pouze jejich fáze. Na 11
druhou stranu je nutné podotknout, že pomocí pouze tchto absolutních hodnot nelze vytvoit sadu komplexních momentových invariant z hlediska kompletnosti, pestože jsou v mnohé literatue jako invarianty použity práv samotné absolutní hodnoty komplexních moment a fáze jsou vynechány. Využitím invariant druhého, tetího a tvrtého ád je pro úlohu rozpoznávání k dispozici celkem 11 invariant tvoících bázi. V aplikaci rozpoznávání syntetických vzor na dn láhve se využívají první dva, jejichž tvary uvádí následující vzorce. 1 c11. 2 Re c c. 6.2 FUNKCE KOMPLEXNÍCH INVARIANT 2 Bez ohledu na to, zda se jedná o geometrické nebo komplexní momentové invarianty, je každý vzor popsán nkolika málo íselnými charakteristikami. V pípad použití pouze dvou prvních geometrických invariant 1 a 2 resp. komplexních 1 a 2 z dvodu nižší citlivosti jejich hodnot na šum (nižší energetický vliv vzdálených pixel), je každý vzor popsán pouze dvma ísly a tedy jedním bodem ve dvourozmrném píznakovém prostoru. Na základ konkrétních hodnot invariant je snadné odhadnout, že takový systém uzavený do numericky omezeného dvourozmrného prostoru nemže mít vysokou diskriminaní schopnost pro vyšší množství vzor v abeced a pro širokou tídu rozmrových a jasových variací. Tato tída je v pípad uvedené úlohy rozpoznávání vzor na sklenném materiálu tém neomezená. Alespo ástenou informaci o tvaru objektu a prostorovém rozložení jeho pixel lze získat zavedením tzv. funkcí momentových invariant f i. Jedná se o úmyslnou, pedem pesn stanovenou degradaci vzoru, která zpsobuje závislost hodnoty invariantu práv na stupni degradace. Nulová degradace pak odpovídá pvodní hodnot invariantu. Je zejmé, že chování tchto funkcí, ili jejich prbh se bude lišit i pro vzory, pro nž jsou hodnoty invariant pi nulové degradaci podobné a tžko rozlišitelné. Pokud je uvažována degradace každého vzoru taková, která nuluje všechny jeho pixely uvnit kružnice o polomru r a se stedem shodným s geometrickým stedem vzoru, jsou obrazové segmenty pro výpoet funkcí invariant takové, jak ukazuje obrázek 6.2. 20 12 Obr. 6.2.: Vstupní vzory výpotu hodnot invariant získané kruhovou degradací Hodnota polomru r udává míru degradace vzoru, piemž na prvním míst je uveden vzor bez degradace, tedy pro nulové r. Pro zvolenou kruhovou degradaci má smysl zvyšovat parametr r pouze do urité mezní hodnoty, která je dána polomrem kružnice opsané ke konkrétnímu vzoru. Dalším zvyšováním hodnoty parametru r zstává funkní hodnota invariantu konstantní, a tedy nepispívá ke zvýšení diskriminaní schopnosti u 12
daného vzoru. Mže ale zvýšit diskriminaní schopnost celého modelu a to pro podobné vzory lišící se práv až v hodnotách vzdálenjších pixel. Následným výpotem hodnoty píslušného momentového invariantu i pro každou realizaci degradovaného vzoru je získána funkce f i (r). Funkce f i (r) je pro sadu realizací z pedešlého obrázku uvedena na obrázku 6.3. Obr. 6.3.: Prbh funkce invariantu pro segmenty na pedchozím obrázku 6.3 EXPERIMENTÁLNÍ OVENÍ Pro experimentální ovení kvality píznak vytžených z obrazových vzor na dn láhve a reprezentovaných pomocí funkcí momentových invariant byly vybrány dva nejastji se vyskytující vzory v provozu v ruském Kirov a to vzory.1 a.4 z obrázku 6.1. Deset náhodn vybraných realizací prvního z nich je uvedeno na obrázku 6.4. Obr. 6.4.: Sada realizací vzoru.4 V horním ádku jsou vždy originální obrazové segmenty, ve spodním pak segmenty vstupující do modulu výpotu invariant. Každému segmentu z obrázku písluší jedna funkce invariantu 1 a jedna funkce invariantu 2. Prbhy funkcí invariantu 1 pro všechny realizace vzoru z obrázku 6.4 jsou vyneseny v grafu na obrázku 6.5. 13
Obr. 6.5.: Prbhy funkcí invariantu v závislosti na hodnot degradace Píznakový vektor je pak sestaven z hodnot funkcí invariant 1 a 2 a jejich 13 stup degradací vetn nedegradovaného originálního segmentu. Prvních 13 len píznakového prostoru odpovídá hodnotám invariantu 1 a píslušným degradacím a druhých 13 len pak invariantu 2 a jeho píslušným degradacím. Formáln je vektor píznak X k (k-té tídy) uren následujícím vztahem. X k 13 13 0 1 12 0 1 12 ; ; ;... ; ; ;.... 1 2 1 1 1 2 2 2 Vzhledem k tomu, že tetí a vyšší dimenze píznakového prostoru S 26 26 jsou funkním rozvojem prvních dvou dimenzí 1 a 2, lze alespo pibližné rozložení tíd vzoru z obrázku 6.1 interpretovat na základ píznakového prostoru S 2 2. Jeho grafické vyjádení s uvedenými tídami všech vzor z obrázku 6.2 je uvedeno na obrázku 6.6. Obr. 6.6.: Klasifikaní tídy známých vzor v prostoru S 2 14
Pro stanovení píslušnosti neznámého segmentu k nkteré z uvedených tíd vzor lze u shlukového rozložení hodnot v píznakovém prostoru podle obrázku 6.5 (ve 26 rozmrném prostoru je situace obdobná, i když konvenními metodami nezobrazitelná) využít klasifikátoru založeném na vyhodnocení absolutní vzdálenosti píznakového vektoru neznámého segmentu od píznakových vektor reprezentant všech sedmi tíd. Postup verifikace navrženého modelu rozpoznávání vzor byl v principu jednoduchý, avšak vzhledem k potu použitých snímk asov nároný a pracný. Ovovací procedura byla rozdlena na nkolik ástí kontrolujících úspšnost jednotlivých etap celého etzce zpracování obrazu dna. První ást je zamena na samotné nalezení oblasti dna, druhá na správnost segmentace nehomogenit, tetí na klasifikaci vad a konen tvrtá na klasifikaci vzor. V následující tabulce 6.1 jsou uvedeny výsledky test na snímcích vad. Tabulka 6.1.: Úspšnost algoritm zpracování segment vad nalezené segmentování klasifikováno klasifikováno vady oblasti oblastí správn špatn dna nehomogenit (ze 140) (ze 140) N [ - ] 1262 992 132 8 p [%] 100.0 % 100.0 % 94,3% 5.7 % Obdobným zpsobem jako pro snímky s vadami byly testovány i snímky se vzory a výsledky jsou uvedeny v tabulce 6.2. Tabulka 6.2.: Úspšnost algoritm zpracování segment vzor poet poet klasifikováno klasifikováno vzor segmentovaných vzory na vzor správn špatn snímcích N [ - ] 313 313 287 35 p [%] 100.0 % 100.0 % 88.8 % 11.2 % Zde bylo úspšn klasifikováno 88,8 % segment vzor. Tato nižší úspšnost klasifikace je pitom pro reálný provoz daleko mén palivá, než pedchozí by vyšší úspšnost klasifikace vad 94,3 %. Jedná se o fakt, že na vyazovací stl vadných lahví je krom skutených vad zaazeno i nkolik lahví se vzory, které ale mže obsluha vrátit zpt do produkce. Jinými slovy strategie kontroly v potravináském prmyslu ctí zásadu lépe vyadit podezení na vadu, než skutenou vadu nerozpoznat. 7 EXTRAKCE A KLASIFIKACE PÍZNAK Pro všechny ti hlavní kontroly, tedy pro kontrolu hrdla, dna a stny láhve platí, že píznaky vad jsou získávány na základ detekce nehomogenních oblastí. Je tedy využito gradientních operátor aplikovaných na oblasti kontroly. Metody extrakce píznak se pro dílí kontroly liší, a proto jsou oddlen popsány ve tech následujících kapitolách. 15
7.1 EXTRAKCE A KLASIFIKACE PÍZNAK ZE SNÍMKU HRDLA Na snímku hrdla se vlivem reflexního zábleskového osvtlení vyskytují svtlé pruhy v tangenciálním smru. Jejich jasové úrovn nejsou bohužel jednotné ani v rámci jednoho provozu, ili detekce nehomogenit je provádna pouze v tangenciálním smru a to v mezikruží urující oblast inspekce. Snímek hrdla s vadou a znaenými smykami je uveden na obrázku 7.1. Obr. 7.1.: Smyky urující oblast kontroly na snímku hrdla Práce algoritm v polárních souadnicích je z výpoetního hlediska velmi asov nároná, proto je mezikruží hrdla odpovídající kontrolované oblasti transformováno na lineární obraz tak, jak ukazuje následující obrázek 7.2. Obr. 7.2.: Lineární zpracování oblasti hrdla Rozvinutý obraz (proužek) hrdla láhve je pak v horizontálním smru procházen gradientním operátorem a do bitové mapy o velikosti odpovídající rozmrm proužku jsou uložena místa výrazných jasových zmn. Tch se v okolí potenciáln pítomné vady vyskytuje vyšší poet a na následujícím obrázku 7.3 vpravo jsou tato místa vyznaena svtle ervenými kížky a jsou oznaována jako podezení. Obr. 7.3.: Obraz hrdla s defektem a nalezené píznaky 16
Uvedená podezení zpravidla vytváejí shluky odpovídající svým rozsahem velikosti dané vady. Tato podezení jsou podrobena shlukové analýze, jejímž výstupem jsou již píznaky, které jsou na témže obrázku znázornny žlutými kížky pibližn uprosted shluk podezení. Každý píznak pedstavuje z hlediska programové implementace strukturu obsahující informace pro následnou klasifikaci nehomogenit. Struktura obsahuje informace o poloze shluku vzhledem ke stedu hrdla, informace o potu podezení tvoící píslušný shluk a nakonec informace o jasových úrovních uvnit shluku a v blízkém okolí. Typy defekt na hrdle a jejich pesná specifikace je závislá na požadavcích konkrétního provozu a v následující tabulce 7.1 jsou uvedeny nejastjší vady a jejich popis. Tabulka 7.1.: Specifikace standardních defekt na hrdle láhve Typ vady Úlomek Výštipek Bílá vada Odené hrdlo Popis Tmavá oblast zpravidla u vnjšího okraje hrdla, charakteristické perušení svtlých pruh. Nepravidelné mezikruží svtlého obvodu a tmavého vnitku, výskyt kdekoliv na hrdle. Zpravidla podpovrchové praskliny ve skle charakteristické vysokým jasem, asto v rámci svtlých pruh. Vysoký poet drobných nehomogenit v celé kontrolované oblasti hrdla tmavých i svtlých jasových hodnot. První ti uvedené defekty jsou rozdleny do tíd na základ prmrné jasové hodnoty v kombinaci s rozmrem nehomogenity daným potem podezení tvoících shluk. Píznakový prostor je tedy tí-rozmrný obsahující tyi klasifikaní tídy odpovídající Úlomku, Výštipku, Bílé vad a šumu, tedy nehomogenní oblasti o rozmrech nepesahujících nastavenou mez. Speciální tídu defekt pedstavuje vada Odené hrdlo, která odpovídá vysokému potu prostorov oddlených nehomogenních oblastí po celé ploše hrdla. Na následujícím obrázku 7.4 je ukázána klasifikace píznak na snímku hrdla s úlomkem na vnjším obvodu. Obr. 7.4.: Klasifikace snímku hrdla s úlomkem 17
7.2 EXTRAKCE A KLASIFIKACE PÍZNAK ZE SNÍMKU DNA V pípad snímku dna jsou pro kontrolu stanoveny dv smyky, z nichž jedna vymezuje oblast vnitního dna a druhá navíc i oblast vroubk. Snímek dna s vadou a vyznaenými smykami je ukázán na obrázku 7.5. Obr. 7.5.: Vymezení oblastí kontroly na snímku dna dvmi smykami Vnitní smyka vymezuje oblast vnitního dna, kde se mimo vad mohou vyskytovat také vzory zpracované podle kapitoly 6. Vnjší smyka uruje oblast dna, kde se vzory nevyskytují, zato se zde asto vyskytují nehomogenní oblasti odpovídající vroubkm na vnjší stran dna. V obou oblastech probíhá extrakce píznak stejným zpsobem a rozdíl nastává až pi jejich klasifikaci, kdy jsou pro oblast vroubk zpravidla nastaveny benevolentnjší parametry. Obdobným segmentaním zpsobem jako v pípad filtrace vzor na snímku dna pouze s jinými citlivostními parametry jsou i zde získány segmenty nehomogenit. Obrazové reprezentace nkolika vybraných vad jsou uvedeny na obrázku 7.6. Obr. 7.6.: Segmentované oblasti vad ze snímku dna Ped samotnou extrakcí píznak jsou tyto segmenty dále zpracovány pomocí sekvence Cannyho gradinetním operátorem, filtrací šumu a malých objekt, vyplnním uzavených oblastí a kopírováním píslušných pixel z originálního segmentu do výstupního obrazu. Finální vstupní obrazy extraktoru píznak pak mají podobu, jak uvádí obrázek 7.7. Obr. 7.7.: Vstupní segmenty extraktoru píznak snímk dna 18
Na základ tchto uvedených obrazových segment jsou získány popisné charakteristiky nehomogenit a uloženy do datové struktury tvoící vstupní data následné klasifikace. Získané píznaky lze rozdlit na geometrické a radiometrické. Mezi geometrické píznaky patí celkový poet pixel objektu a délka a šíka objektu vypoítána na základ hlavní a vedlejší osy objektu. Pro kruhové nebo tvercové objekty jsou ob osy pochopiteln zamnitelné. Mezi radiometrické píznaky byly po zkušenostech vybrány pouze základní dva a to prmrná jasová hodnota objektu a prmrná jasová hodnota jeho blízkého okolí. Nehomogenity jsou klasifikovány na základ uvedených píznak a pro kontrolu dna jsou klasifikovány tak, jak ukazuje tabulka 7.2. Tabulka 7.2.: Specifikace standardních defekt na dn láhve Oblast Typ vady Popis vnitní dno vnjší dno (vroubky) tmavá vada svtlá vada fólie tmavá vada cizí pedmty vhozené do láhve, špína, defekty skla, stepy skla fóliový obalový materiál, stepy skla cizí pedmty vhozené do láhve, špína, defekty skla, stepy skla Oblast klasifikace je tedy rozdlena na vnitní dno a oblast vroubk, kde jsou práv kvli jejich pítomnosti zhoršené možnosti detekce nehomogenit. Na následujícím obrázku 7.8 je uvedena klasifikace na snímku dna s plísní na vnitním dn. Obr. 7.8.: Klasifikace snímku dna s plísní na vnitním dn 7.3 EXTRAKCE A KLASIFIKACE PÍZNAK ZE SNÍMKU STNY Snímky stny láhve jsou získávány celkem pomocí tveice kamer umístných na dvou micích místech. Pro jednu každou láhev jsou tedy k dispozici tyi snímky tvoící její kompletní obrazový popis. V každém micím míst je dvojice kamer oznaovaných jako levá a pravá. Snímky z tchto kamer se liší pouze kontrastnjším pechodem matniceláhev, který je buto na horní stran snímku nebo na spodní. Od tohoto pechodu je nalezena pesná oblast výskytu láhve na snímku a stanoveny smyky jak ukazuje následující obrázek 7.9. 19
Obr. 7.9.: Lokalizace polohy stny láhve a stanovení smyek kontroly Oblast kontroly je na stn rozdlena do dvou smyek, protože ve stední ásti se asto vyskytují odené pruhy od vzájemného kontaktu lahví na dopravníkovém pásu. Z hlediska extrakce i klasifikace píznak jsou tyto dv oblasti inspekce rovnocenné a jsou tedy použity i stejné metody. Pro extrakci píznak ze snímku stny láhve jsou použity podobné postupy jako v pípad dna. Rozdíl je pouze v nižší citlivosti gradientního operátoru ve svislém smru láhve, protože se na snímcích asto vyskytují vertikální (z pohledu stojící láhve) svary sklenného materiálu. Na pedchozím obrázku je takový svar viditelný ve spodní ásti láhve pod obdélníkovou smykou. Píklady segmentovaných obrazových dat ve smyslu nehomogenit obdobn jako v pípad dna jsou pro inspekci stny láhve znázornny na obrázku 7.10. Obr. 7.10.: Segmentované oblasti vad ze snímku stny Postupem pedzpracování principiáln stejným jako v pípad snímku dna jsou získány obrazové segmenty jako vstupní obrazy extraktoru píznak a uvedeny na obrázku 7.11. Obr. 7.11.: Vstupní segmenty extraktoru píznak snímk stny Klasifikace píznak na stn láhve probíhá obdobným zpsobem jako v pípad dna. Rozdíl je pouze v ídicí ásti klasifikátoru, která seskupuje výsledky ze všech ty snímk stny jedné láhve a obou kontrolních smyek v rámci jednoho snímku. Nehomogenita klasifikovaná jako vada v libovolné smyce na kterémkoliv ze ty snímk má za následek vyazení píslušné láhve z plnicí linky na odstavný stl. Specifikace standardních vad na snímku stny láhve je uvedena v tabulce 7.3. 20
Tabulka 7.3.: Specifikace standardních defekt na stn láhve Typ vady Popis velká vada malá vada zbytky etikety, špína, defekty skla, prasklá láhev Fólie fóliový obalový materiál Rozdlení vad na malé a velké u kontroly stny má stejný význam jako v pípad dna na svtlé a tmavé, ili získání vyššího stupn volnosti pi adaptaci parametr na daný provoz pi zachování rozumné míry složitosti nastavení inspekního systému. Na následujícím obrázku 7.12 je uvedena ukázka okna micího režimu inspekního systému instalovaného v provozu Jurajska (Polsko). Obr. 7.12.: Micí režim inspekního systému s kontrolou hrdla, dna i stny láhve 21
8 ZÁVR V pedložené práci jsou diskutovány všechny dležité aspekty týkající se kamerové kontroly transparentních materiál lahví v potravináských provozech. Pozornost byla z dvod citelných požadavk z prmyslu zamena pedevším na rozvíjející se východní trhy charakteristické nižší kvalitou kontrolovaných lahví a tím ztíženou situací pi návrhu a implementaci inspekního systému. V úvodních kapitolách práce je objasnna terminologie oboru a nastínn souasný stav ešené problematiky. V kapitole 2 jsou strun stanoveny hlavní požadavky na cíl práce v souladu s požadavky vyplývajícími ze strany prmyslových subjekt. Dále je již v kapitole 4 popsán konkrétní inspekní systém BTCAM612 vyvíjený ve spolupráci s vývojovou firmou CAMEA spol. s r.o. Zmínny jsou jak základní principy innosti celého systému tak i použitého hardware a metod poízení snímk hrdla, dna a stny láhve. Od kapitoly 5 dále je již text práce vnován algoritmické ásti systému. Nejprve je pozornost zamena na samotnou lokalizaci oblastí kontroly na snímcích hrdla, dna a stny. Poté je v kapitole 6 navržen a verifikován postup filtrace umlých vzor z oblasti kontroly na snímku dna pomocí funkcí komplexních invariant. Znaná ást kapitoly je vnována praktickým zkouškám navrhovaných metod a také diskuzi použitelnosti a míry diskriminaní schopnosti získaných píznak pro rozlišení jednotlivých vzor od tídy vad. Z tohoto pohledu jsou navržené metody rozpoznávání vzoru zobecnitelné na širší tídu aplikací. Poslední kapitola 7 se vnuje extrakci píznak a jejich klasifikaci. Tato ást algoritm je již na celé ad inspekních systém implementována a pedána do provozu. Z tohoto dvodu již tyto kapitoly neobsahují tak rozsáhlé testování správnosti navržených metod, protože všechny zmínné stroje úspšn pracují v prmyslu již adu msíc (v nkterých pípadech dokonce i let) a spl ují požadavky kladené jednotlivými prmyslovými zadavateli. Stanovené cíle byly v rámci práce splnny, zejména se pak jedná o úspšn ovený návrh metod pro rozpoznávání vzoru na transparentním materiálu. Navržená metoda využití komplexních invariant na degradovaných segmentech je navíc zobecnitelná pro širší tídu aplikací a poskytuje tak podklady pro další realizace nejen inspekních systém. Další stanovené cíle jak z hlediska hardwaru tak i softwaru jako nap. návrh ešení kontroly stn, technický rozvoj systému poízení snímk vetn ízení expoziní doby u kontroly dna a stny láhve nebo návrh a realizace algoritm byly rovnž splnny a oveny pímo implementací na reálné stroje urené do provoz jak v rámci R (Samson, Hlinsko) tak i do provoz v cizin (Polsko, Rusko, Lotyšsko). Z hlediska perspektivy pokraování práce je teba íci, že zejména metodicky navržená filtrace vzor na dn láhve spadá do kategorie vývoje algoritm a pilotní implementace na zkušební stroj. Pi filtraci vzor lze také docílit nezávislosti získaných píznak na obecné afinní transformaci, což by vedlo ke znatelnému posunu inspekního systému vped. Tento plánovaný rozvoj je však otázkou spíše komerní a je závislý na konkrétních požadavcích ze strany nkterého prmyslového zaízení. Dležitým pínosem pedložené práce je sestavení metodických podklad pro vývoj a technický rozvoj vizuálních inspekních systém urených pro již díve zmi ované specifické provozy s nižší kvalitou lahví nebo/a vyšším výskytem syntetických vzor. Práce poskytuje rovnž ucelený pohled na postup ešení reálné aplikace metod poítaového vidní ovený adou funkních inspekních systém. 22
9 POUŽITÉ ZDROJE [1] DUDA, R.O., HART, P.E. Pattern Classification and Scene Analysis. John Willey & Sons New York, 1982. 482 pages. ISBN 978-0471223610. [2] DUDA, R.O., HART, P.E., STORK, D.G. Pattern Classification. John Willey & Sons New York, 2001. 654 pages. ISBN 978-0471056690. [3] FLUSSER, J. On the independente of rotation moment invariants. The Journal of Pattern Recognition Society, vol. 33. Pergamon. 1999. ISSN 1405-1410. [4] FLUSSER, J. On the inverse problem of rotation moment invariants. The Journal of Pattern Recognition Society, vol. 35. Pergamon. 2002. ISSN 3015-3017. [5] FLUSSER, J., SUK, T. Construction of Complete and Independent System of Rotation Moment Invariants. Petrov & Westenberg Editors, Springer-Verlag Berlin Heidelberg. 2003. [6] HLAVÁ, V., SEDLÁEK, M. Zpracování signál a obraz. Vydavatelství VUT Praha, 2005. 255 stran. ISBN 80-01-03110-1. [7] HLAVÁ, V., ŠONKA, M. Poítaové vidní. Grada, 1992. 272 stran. ISBN 80-85424-67-3. [8] HU, M.K. Visual pattern recognition by moment invariants. IRE Trans. Information. 1962, 179-187. [9] JÄHNE, B. Digital Image Processing. Springer. 2002. ISBN 3-540-67754-2. [10] JÄHNE, B., HAUßECKER, H. Computer Vision and Applications, A Guide for Students and Practitioners. Academic Press. 2000. ISBN 0-13-085198-1. [11] RUSS, C. The Image Processing Handbook. CRC Press, 1994. 674 pages. ISBN 0-8493- 2516-1. [12] SCHLESINGER, M.I., HLAVÁ, V. Deset pednášek z teorie statistického a strukturního rozpoznávání. Vydavatelství VUT Praha, 1999. [13] TEAGUE, M.R. Image analysis via the general theory of moments. Optical Society of America, JOSA Communications. 1980. 920-930. [14] VERNON, D. Machine Vision, Automated Visual Inspection and Robot Vision. Prentice Hall International Ltd., 1991. 259 pages. ISBN 0-13-543398-3. 23
10 CURRICULUM VITAE Jméno: Ing. Karel Horák Narozen: 1. 8. 1979 v Pardubicích E-mail: horakk@feec.vutbr.cz Adresa: ÚAMT FEKT VUT v Brn, Kolejní 2906/4, Brno 612 00 GSM: +420 604 331 528 Telefon: +420 541 143 647 Vzdlání 1995 1998 SPŠE Kounicova, Brno slaboproudá elektrotechnika, specializace na lékaskou pístrojovou techniku. 1998 2004 FEKT VUT, Brno magisterské studium oboru Kybernetika, automatizace a mení na Ústavu automatizace a micí techniky. 2004 2007 FEKT VUT, Brno postgraduální studium oboru Kybernetika, automatizace a mení na Ústavu automatizace a micí techniky. 2007 dosud FEKT VUT, Brno akademický a vdecký pracovník Ústavu automatizace a micí techniky. Praxe 2002 2006 CAMEA, spol. s r.o. technický pracovník vývoje vizuálních inspekních a dopravních systém. Další aktivity 2004 dosud len Skupiny poítaového vidní na Ústavu automatizace a micí techniky FEKT VUT Brno. 2007 dosud Výuka kurz v oblasti poítaového vidní a zpracování obrazu na Ústavu automatizace a micí techniky FEKT VUT Brno. 24
11 PUBLIKACE [15] HORÁK, K., KALOVÁ, I. Applied methods for Transparent Materials Inspection In Proceedins of the CompIMAGE Symposium. Taylor&Francis Group, Computational Modelling of Object Represented in Images. Porto. 2007. ISBN 978-0-415-43349-5. [16] HORÁK, K., KALOVÁ, I., RICHTER, M. ízení expozice kamerových systém. Automatizácia a riadenie v teórii a praxi ARTEP 2007. Technická univerzita v Košiciach, 2007, s. 27-30. ISBN 978-80-8073-758-0. [17] HORÁK, K., KALOVÁ, I., RICHTER, M. ízení expozice kamerových systém. Acta Mechanica Slovaka, Košice. 2007. ISSN 1335-2393. [18] KALOVÁ, I., HORÁK, K. Vehicles Measuring and Classification In Proceedins of the CompIMAGE Symposium. Taylor&Francis Group, Computational Modelling of Object Represented in Images. Porto. 2007. ISBN 978-0-415-43349-5. [19] HORÁK, K., KALOVÁ, I. ízení expoziní doby CCD kamery. Elektrorevue, 2006,. 2006/19, s. 1-8. ISSN 1213-1539. [20] HORÁK, K. Visual 3-D Reconstruction. In Proceedings of the 11th Conference Student EEICT. Brno, vol 2. 2005. Ing. Zdenk Novotný CSc., 2005. s. 17-21. ISBN: 80-214-2889-9. [21] HORÁK, K. Three-dimensional objects model acquiring by Metod of active triangulation. Miskolc 5th International Konference of PhD Students. 2005. ISBN 963-661-673-6. [22] KALOVÁ, I., HORÁK, K. Optické metody mení 3D objekt. Elektrorevue, 2005,. 2005/23, s. 1-12. ISSN: 1213-1539. [23] HORÁK, K., PETYOVSKÝ, P., RICHTER, M., KALOVÁ, I. Praktické programovaní v cpp. (elektronické texty) 12 ABSTRACT A lot of production lines contain camera inspection systems that increase quality of production. Therefore this presented work deals with applications of computer image processing methods in defectoscopy. Concretely the thesis is concerned with defects evaluation of glass bottles in food operations by the help of visual system BTCAM612, which is in existing configuration installed inland and in several foreign countries. The system is developed in conjunction with developer company CAMEA Ltd. from Brno and it is its sole ownership. The whole process of bottles inspection is described in sequence. First of all it is the hardware acquisition of images of three main controlled parts of bottles neck, bottom and side. Next chapters are concentrated on image processing and features classification. The features are obtained from image by methods based on detection of in-homogeneities on glass material. Essential part of work is focused on filtration of synthetic patterns from bottles bottoms using function of complex invariants. These patterns are occurred especially in many plants in eastern countries, where marketplace with inspection systems and generally with quality inspection of industrial lines is expanded lately. 25