ZPR - Gruppe Faigle/Schrader: Projekte/Mustererkennung/Bilderkennung


ZPR - Gruppe Faigle/Schrader: Forschungstransfer/Projekte/Bilderkennung/Schrifterkennung

Bilderkennung

Die optische Kontrolle von Lebensmitteln stellt wegen der besonders hohen Variabilität des Aussehens der Waren ein spezielles Problem in der Nahrungsmittelindustrie dar. Die Bedeutung anpassungsfähiger Algorithmen in der industriellen Qualitätskontrolle läßt sich am Beispiel der Bestückung von Aluminiummenupackungen mit Maultaschen dokumentieren, da durch schnellen Produktwechsel ein auch von Laien handhabbares System notwendig ist. Hierzu ist bei der Einführung eines neuen Produktes immer eine Einlernphase mit dem Programm zu durchlaufen. Näheres dazu bietet der Beitrag im Jahresbericht unseres Instituts .
Bei einem bereits gelernten Menü verläuft das Klassifizierungsverfahren in drei Schritten. Im ersten Schritt werden durch das Split-and-Merge-Verfahren zusammenhängende Regionen ähnlicher Farbe gesucht. Diese werden dann mit den Farbprototypen der einzelnen Lebensmittel verglichen. Im letzten Schritt werden die Flächeninhalte und Positionen bewertet. Das Verfahren ist hochoptimiert und benötigt zur Verarbeitung eines einzelnen Bildes mit bis zu 1 MByte Daten auf einem Standard-PC lediglich eine Sekunde.
Da die Produktion jedoch oft umgestellt wird, ist ein einfach zu bedienendes Einlern-Programm in der Praxis von großer Bedeutung. Dieses sollte in Echtzeit Bilder verarbeiten und die notwendigen Benutzereingaben auf einfache ,,gut`` oder ,,schlecht`` Antworten beschränken. Dazu wurde ein mehrstufiges Verfahren entwickelt, das sich folgendermaßen zusammenfassen läßt:
Clusterung im Ortsraum: Genau wie in der Klassifizierung wird dazu ein Split-and-Merge-Verfahren eingesetzt, das die wesentlichen Bildinhalte der Bildfolge durch wenige Cluster beschreibt.
Clusterung im Farbraum: Mit Hilfe des k-Means-Verfahrens werden die Hauptfarben der Bildfolge bestimmt.
Generierung des Merkmalsraumes: Basierend auf den Nachbarschaftseigenschaften werden Merkmalsvektoren generiert und zusammen mit der durch den Benutzer erfolgten Klassifizierung abgespeichert.
Überprüfung der Konvergenz: Sind bereits einige Bilder klassifiziert, so werden weitere durch ein einfaches Nächste-Nachbar-Verfahren beurteilt. Stimmt die automatische Beurteilung mit den Benutzereingaben hinreichend oft überein, so ist das neue Menü erfolgreich eingelernt.
Das beschriebene Verfahren kann nach der Einlernphase sowohl Farb- als auch Anordnungsfehler selbständig erkennen. Zusammen mit dem Klassifizierungsmodul ist es auf einem Standard-PC unter Windows implementiert und leistet alle Berechnungen in Echtzeit. Somit sind auch Laien in der Lage, das System nach einem Produktwechsel vor Ort neu zu konfigurieren.

Anwendungsbericht
Bericht

Kontakt:
Barthel Steckemetz
Tel.: 0221/470-6039
Fax: 0221/470-5160
bs@zpr.uni-koeln.de

Bilderkennung	Die optische Kontrolle von Lebensmitteln stellt wegen der besonders hohen Variabilität des Aussehens der Waren ein spezielles Problem in der Nahrungsmittelindustrie dar. Die Bedeutung anpassungsfähiger Algorithmen in der industriellen Qualitätskontrolle läßt sich am Beispiel der Bestückung von Aluminiummenupackungen mit Maultaschen dokumentieren, da durch schnellen Produktwechsel ein auch von Laien handhabbares System notwendig ist. Hierzu ist bei der Einführung eines neuen Produktes immer eine Einlernphase mit dem Programm zu durchlaufen. Näheres dazu bietet der Beitrag im Jahresbericht unseres Instituts . Bei einem bereits gelernten Menü verläuft das Klassifizierungsverfahren in drei Schritten. Im ersten Schritt werden durch das Split-and-Merge-Verfahren zusammenhängende Regionen ähnlicher Farbe gesucht. Diese werden dann mit den Farbprototypen der einzelnen Lebensmittel verglichen. Im letzten Schritt werden die Flächeninhalte und Positionen bewertet. Das Verfahren ist hochoptimiert und benötigt zur Verarbeitung eines einzelnen Bildes mit bis zu 1 MByte Daten auf einem Standard-PC lediglich eine Sekunde. Da die Produktion jedoch oft umgestellt wird, ist ein einfach zu bedienendes Einlern-Programm in der Praxis von großer Bedeutung. Dieses sollte in Echtzeit Bilder verarbeiten und die notwendigen Benutzereingaben auf einfache ,,gut`` oder ,,schlecht`` Antworten beschränken. Dazu wurde ein mehrstufiges Verfahren entwickelt, das sich folgendermaßen zusammenfassen läßt: Clusterung im Ortsraum: Genau wie in der Klassifizierung wird dazu ein Split-and-Merge-Verfahren eingesetzt, das die wesentlichen Bildinhalte der Bildfolge durch wenige Cluster beschreibt. Clusterung im Farbraum: Mit Hilfe des k-Means-Verfahrens werden die Hauptfarben der Bildfolge bestimmt. Generierung des Merkmalsraumes: Basierend auf den Nachbarschaftseigenschaften werden Merkmalsvektoren generiert und zusammen mit der durch den Benutzer erfolgten Klassifizierung abgespeichert. Überprüfung der Konvergenz: Sind bereits einige Bilder klassifiziert, so werden weitere durch ein einfaches Nächste-Nachbar-Verfahren beurteilt. Stimmt die automatische Beurteilung mit den Benutzereingaben hinreichend oft überein, so ist das neue Menü erfolgreich eingelernt. Das beschriebene Verfahren kann nach der Einlernphase sowohl Farb- als auch Anordnungsfehler selbständig erkennen. Zusammen mit dem Klassifizierungsmodul ist es auf einem Standard-PC unter Windows implementiert und leistet alle Berechnungen in Echtzeit. Somit sind auch Laien in der Lage, das System nach einem Produktwechsel vor Ort neu zu konfigurieren.
Anwendungsbericht	Bericht
Kontakt:	Barthel Steckemetz Tel.: 0221/470-6039 Fax: 0221/470-5160 bs@zpr.uni-koeln.de