Sistem strojnega vida za rotacijsko pozicioniranje in ...ev.fe.uni-lj.si/1-2001/lahajnar.pdf ·...

Elektrotehniski vestnik 68(1): 1–6, 2001Electrotechnical Review, Ljubljana, Slovenija

Sistem strojnega vida za rotacijsko pozicioniranje inrazpoznavanje oljnih filtrov

Franci Lahajnar, Stanislav KovacicUniverza v Ljubljani, Fakulteta za elektrotehniko, Trzaska 25, 1001 Ljubljana, SlovenijaE-posta: {franci.lahajnar, stanek}@fe.uni-lj.si

Povzetek. V clanku je opisan sistem strojnega vida za natancno rotacijsko pozicioniranje in zanesljivorazpoznavanje oljnih filtrov. Sistem je bil vgrajen v avtomatsko sestavljalno linijo za proizvodnjo razlicnih tipovfiltrov, ki se med seboj locijo po videzu pokrova. Da bi bil sistem cim bolj prilagodljiv, smo za pozicioniranje inrazpoznavanje filtrov uporabili metodo, ki temelji na videzu predmeta in Karhunen-Loevejevi transformaciji.Sistem deluje v zaprti zanki, zato je omogoceno vrednotenje predhodno izvedene operacije in ponovnopozicioniranje, ce je to potrebno. Rezultati potrjujejo, da sistem deluje zanesljivo in dosega zahteve po hitrostidelovanja in natancnosti. Glavni prispevek clanka ni v razvoju novih razpoznavalnih metod, ampak v uporabi inovrednotenju znanih ter integraciji izbranih resitev v delujoc sistem.

Kljucne besede: strojni vid, dolocanje lege objektov, razpoznavanja objektov, lastne slike

A Machine Vision System for Rotational Positioning and TypeVerification of oil filters

Extended Abstract. The paper describes a PC-based machinevision system (MVS) designed for precise positioning and re-liable verification of industrial parts. The developed system isan integral part of an automated production line for assemblingvarious types of automobile oil filters (Figure 1), each one hav-ing its own visual appearance (Figure 2). For each filter type,the assembly line performs a sequence of specific operations.Therefore, the filter type has to be known and the filter set at aproper position. The required precision for rotational position-ing is ±0.5 degrees, whereas the precision of object positioningin front of the vision system is ±3 mm. The positioning timeis limited by the assembling cycle, which is about one filter pertwo seconds.

Our primary goal was to design a flexible, easily adapt-able system for assembling various filter types. Our approachwas appearance based, employing the Karhunen-Loeve expan-sion. This enabled the most significant visual information tobe automatically extracted from a set of rotated filter images,i.e. templates, and described by a small number of eigenim-ages constituting the eigenspace. The templates were then pro-jected to the eigenspace. Given a captured image of the filterin an unknown position the system projects the image into theeigenspace and the distances between the projected templatesand the projected filter image are computed. Based on the mini-mum distance, the filter position is determined, its type verified,and the filter rotated. In order to achieve sufficient sensitivity atrotational changes, an imaging system with (Figure 3) ring il-lumination placed around the camera lens and camera mountedperpendicularly to the filter cover are employed. The object isthus homogeneously illuminated and parts attached above thecover base do not cast shadows that could be detected by thecamera. Therefore, a 3D object appears as a planar one.

The MVS (Figure 4) consists of a standard B/W Camera,PC equipped with a frame grabber and I/O card, running underWindows NT 4.0. Rotation settings are guided through a stepper

Prejet 15. september, 2000Odobren 11. januar, 2001

motor controller. The system operates in a closed loop allowinga new position to be evaluated and corrected, if required.

The accuracy and speed of the system depend on the numberof eigenimages involved. The computation time increases withthe number of eigenimages. Since distances between parame-ters at different rotations get larger, the reliability of the systemimproves, too. This motivated us to analyze the performanceof the system in terms of the number of eigenimages used. Forthe shown example at least two eigenimages were required touniquely determine the rotation (Figure 5(b)), whereas a suf-ficiently reliable operation in the industrial environment wasachieved by using 16 eigenimages.

To further validate the system, several filter positioning andtype verification tests were performed. The presented results arebased on a sample of about 1000 filters. For each filter, the ini-tial orientation was determined and the filter was rotated intoa predefined orientation. The angle between such position andthe attained position of the filter was defined as an error. Whensuch error was more than±0.1◦, the filter was rotated again anda new error was calculated (Figure 6). The greatest filter posi-tioning error after the first positioning was smaller than±1.25◦,while the maximum remaining error after the second positioningwas not more than±0.25◦. In most cases, the required position-ing accuracy was achieved after the first positioning.

The filter type verification test was conducted in the follow-ing way. The system was set to a particular filter type and testedwith respect to five different filter types, including the selectedone. Figure 7 shows the distances for the sample of about 1000filters as calculated by the system. Filters of the correct filtertype produced smaller distances, while distances to all othertypes were 2 to 6 times higher. Thus, by selecting an adequatethreshold, all filters can be correctly verified.

The main contribution of this paper is in selection and evalu-ation of the existing methods and their integration into a workingsystem, which was integrated into an assembly line and installedin a production hall. The results obtained during operation ofthe system confirm that appearance based methods are suitablefor implementation in MVS. The main advantages of these ap-

2 Lahajnar, Kovacic

proaches are in their flexibility and simplicity. New objects hav-ing different appearances can be easily learned from exampleswith only a minor human assistance. The system is easy to op-erate even by an inexperienced user.

Key words: machine vision, pose determination, object recog-nition, eigenimages

1 Uvod

Pozicioniranje in preverjanje izdelkov ali njihovih ses-tavnih delov sta pogosto zahtevani operaciji v sis-temih za avtomatizirano sestavljanje izdelkov. Natancnopozicioniranje sestavnih delov poenostavlja resitvenacrtovanja avtomatskih linij, medtem ko preverjanjeomogoca izlocanje defektnih sestavnih delov iz procesovizdelave in tako varuje pred proizvajanjem nekakovostnihizdelkov.

Tradicionalno so sistemi robotskega vida temeljili namodelih oblike [2]. V takih sistemih se doloci lego ob-jektov s pomocjo znacilk v sliki. Za znacilke se na-jveckrat vzamejo osnovne geometrijske tvorbe, kot sotocke, robovi, premice, oglisca in krogi [2, 3, 5, 9].Vecina teh metod zahteva predhodno kalibracijo notranjihparametrov senzorja (npr. goriscne razdalje) in njegovihzunanjih parametrov, t.j. premik in zasuk glede na manip-ulator.

V zadnjih nekaj letih so pridobile na pomenu metode,ki delujejo na podlagi videza. K videzu objekta ne pripo-more le oblika, temvec tudi druge njegove lastnosti (odbo-jnost, barva, lega ipd.), kot tudi okolje, v katerem seobjekt nahaja, na primer osvetlitev. Bistvo teh metodje v tem, da se v procesu razpoznavanja ali dolocanjalege objekta primerja njegov videz s shranjenimi oziromanaucenimi modeli videza znanih objektov. Prednost sis-temov, ki temeljijo na predstavitvi objektov z njihovimvidezom, pa je predvem sposobnost vizualnega ucenja,kar pomeni, da je mogoce pridobiti ustrezno predstavitevobjektov avtomaticno na podlagi zadostnega stevila slikucnih primerov. Poleg tega je kalibracija sistema im-plicitna. V tej fazi se namrec doloci preslikava medpomembnimi sestavinami slike in koordinatami manipu-latorja. Ta preslikava se nato uporabi v fazi pozicioni-ranja. Ti postopki torej ne zahtevajo vnaprejsnjega znanjao geometriji objektov ali manipulatorjevih kinematicnihparametrov [1, 8, 11, 10, 4, 6].

V nadaljevanju bomo predstavili sistem strojnega vida(SSV), ki je bil razvit za potrebe rotacijskega pozicioni-ranja in preverjanja tipov oljnih filtrov. Nas glavni cilj jebil nacrtati prilagodljiv sistem, ki bi bil sposoben pozi-cionirati in razpoznavati razlicne tipe oljnih filtrov. Pro-blem smo resili z metodami strojnega vida, ki so opisane v3. poglavju. Za ta namen je bil uporabljen ustrezen sistemza zajem slik, razviti so bili algoritmi in izbrana primerna

strojna oprema. Rezultati prikazani v 4. poglavju dokazu-jejo, da sistem deluje zanesljivo in natancno.

2 Opis problema

Oljni filter je predmet valjaste oblike z dolzino priblizno120 mm in premerom 85 mm (Slika 1). Uporablja se vvozilih z dizelskimi motorji.

Slika 1. Videz oljnega filtraFigure 1. An arbitrary view of an oil filter

Nedavno je bila razvita avtomatska linija za sestavl-janje vec razlicnih tipov oljnih filtrov. Tipi se med se-boj locijo glede na pokrov (slika 2). Pokrovi se locijo po

Slika 2. Razlicni tipi oljnih filtrovFigure 2. Various types of oil filters

prisotnosti vhodno/izhodnih luknjic, razlicno namescenihvhodno/izhodnih cevkah, barvi itd.

Izdelava filtra zahteva zaporedje operacij, ki soodvisne od tipa filtra. Zaporedje operacij, ki jih za-hteva dolocen tip filtra, je mogoce opraviti, ce je tip fil-tra poznan in ce je filter postavljen v zahtevano lego.Zato je zahtevano pozicioniranje izdelkov in njihovorazpoznavanje, in sicer pred operacijami a) namescanjatesnilnih obrockov okrog vhodno/izhodnih luknjic, b)preverjanja zracnosti izdelkov, c) zatesnitve cevk in d)tiskanja oznak na ohisje. Zaradi konstrukcije sestavljalnelinije mora biti razpoznavanje tipov filtrov zanesljivo,saj bi v nasprotnem primeru prisotnost napacnega tipana liniji lahko povzrocila okvaro orodja ali nepravilnooznacevanje izdelka.

Glede na lastnosti sestavljalne linije so nacrtovalci lin-ije podali naslednje zahteve:

• Sistem mora biti prilagodljiv in sposoben pozicioni-rati ter razpoznavati razlicne tipe filtrov brez ome-jitev glede na njihov videz.

Sistem strojnega vida za rotacijsko pozicioniranje in razpoznavanje oljnih filtrov 3

• Sistem naj deluje avtonomno, z moznostjo nadzoranjegovega delovanja prek krmilnika sestavljalne lin-ije.

• Napake pozicioniranja mora biti mogoce zaznatiin jih odpraviti, zato morata biti pozicioniranje inrazpoznavanje izvedena na istem mestu.

• Natancnost nastavljanja filtrov pred sistemrobotskega vida je ±3 mm, napaka rotacijskegapozicioniranja pa mora biti manjsa od ±0.5 ◦. Casoperacije naj bo krajsi od 2 sekund.

Glede na predhodno opisane zahteve smo razvili si-stem, ki je opisan v nadaljevanju.

3 Opis sistema

Nas cilj je bil razviti sistem strojnega vida, ki bi ga bilomogoce preprosto prilagoditi na vsakrsen tip oljnega fil-tra. To je zahtevalo nactovanje primernega podsistema zazajem slike, razvoj in vrednotenje algoritmov za analizoslike ter izbiro ustrezne strojne opreme.

3.1 Zajem slike

Sistem za zajem slik opredeljuje medsebojna postavitevsvetila in senzorja (kamere). Ce zelimo dolociti zasukin razpoznati objekt, mora biti ta osvetljen tako, da sonjegove najpomembnejse znacilnosti v sliki jasno razpoz-navne, poleg tega pa mora biti kamera namescena tako,da zagotavlja zadostno obcutljivost pri vseh zasukih.

Ce zelimo doseci obcutljivost na zasuk enakovrednoglede na vse elemente na pokrovu filtra, moramo zago-toviti osvetlitev, ki ne povzroca senc dvignjenih elemen-tov na osnovni ploskvi. To je mogoce doseci (slika 3) znamestitvijo obrocastega svetila okrog objektiva kamerein postavitvijo kamere pravokotno nad pokrov filtra. Z

� � � � � � �

� � � � �

� � � �

Slika 3. Izbran sistem za zajem slikFigure 3. Selected imaging system setup

opisano postavitvijo dosezemo, da dejansko tridimen-zionalen objekt deluje, kot bi bil planaren, kar poenostaviproblem.

3.2 Metode

Na sliki 2 vidimo, da so pokrovi filtrov krozni objekti zozkim rotacijsko neodvisnim pasom na robu in notran-jim diskom, ki vsebuje zadostno informacijo o tipu fil-tra ter o zasuku. Zato je v nasem primeru analizo slikesmiselno opraviti v dveh korakih. V prvem koraku napodlagi zunanjega pasu dolocimo potrebni premik in koje le-ta znan, na podlagi notranjega diska dolocimo sepotrebni zasuk ter tip filtra.

3.2.1 Dolocitev premika

Premik dolocimo po metodi primerjanje s predlogo. V tanamen na sliki v fazi ucenja dolocimo zunanji pas filtra,ki ga uporabimo kot predlogo. V fazi dolocanja premikato predlogo translatorno premikamo po sliki in poiscemopolozaj, kjer se predloga in slika najbolje ujemata. Op-eracijo pohitrimo s hierarhicnim postopkom, in sicer tako,da po celotni sliki najprej premikamo samo manjsi delpredloge, nato pa na mestih, kjer je ujemanje dovolj ve-liko, dolocimo premik se bolj natancno s pomocjo celepredloge.

3.2.2 Dolocitev zasuka in tipa filtra

Ker smo zeleli razviti prilagodljiv sistem, ki bi ga bilomogoce preprosto prilagoditi na razlicne tipe filtrov, smoza dolocitev zasuka uporabili algoritem, ki temelji navidezu in analizi glavnih komponent (ang. PrincipalComponent Analysis - PCA), znani tudi kot Karhunen-Loevejeva transformacija. Metodo so za razpoznavanjein dolocanje lege predmetov na podrocju racunalniskegavida predlagali Murase in Nayar [8] ter Yoshimura inKanade [11]. V grobem sestavljata metode na podlagivideza dve fazi. Prva je faza vizualnega ucenja. V tejfazi se zajame mnozica slik (predlog). Ker se predlogemed seboj le malo razlikujejo, so mocno korelirane in zatoprimerne za analizo z metodo PCA [10]. Take predloge jemogoce ucinkovito nadomestiti z manjsim stevilom slik,tako imenovanih “lastnih slik”. Te slike sestavljajo t.i.lastni prostor, v katerega projiciramo predloge. Drugaje faza razpoznavanja. V tej fazi se vhodna slika proji-cira v lastni prostor. Z racunanjem razdalje med projek-cijo vhodne slike in projekcijami predlog pa je mogocedolociti, kateremu razredu objektov dani objekt pripada,kaksna je njegova lega, kako je osvetljen, kaksne barve je,itd.

Faza ucenjaV nasem primeru zahtevamo, da je mogoce SSV kadark-oli prilagoditi na nov tip filtra. Zato ucenje na nov tip fil-tra ne sme vplivati na ze naucene primere filtrov. Ucenjetorej poteka loceno za vsak nov tip filtra. To je racunskozahteven postopek, ki sicer poteka avtomaticno, vendarne v realnem casu. Ucenje na nov tip filtra je redka op-

4 Lahajnar, Kovacic

eracija, ki se opravi samo enkrat pred zacetkom sestavl-janja novega tipa filtra (ali izjemoma ponovno v primerumehanskih sprememb na liniji), zato casovna zahtevnostni problematicna. Ucenje sestavlja naslednje zaporedjekorakov:

• zajem predlog pri razlicnih zasukih,

• normiranje vsake predloge, preoblikovanje v vektorin zapis v matriko predlog,

• matriki se izracuna kovariancna matrika, kateri sedoloci lastne vrednosti in lastne vektorje,

• lastni vektorji (slike), ki najbolje opisujejo zasuk seizlocijo in sestavljajo lastni prostor,

• vse vektorje predlog se preslika v lastni prostor.

Med zajemanjem predlog se filter danega tipa zavrtiza dolocen zasuk v majhnih korakih (�ϕ = 1.5◦ ), takoda se pri vsakem koraku zajame ena slika. Ker je filterna sliki lahko nekoliko translatorno premaknjen, se naj-prej doloci njegov premik. Nato se na podrocju na sliki,ki pripada notranjemu podrocju filtra, izbere krozno po-drocje (predlogo pri danem zasuku). Vsaka predloga sezapise kot vektor xi, kjer je i indeks zasuka (ϕ = i∗�ϕ).Predloge se nato normirajo na srednjo vrednost nic inabsolutno vrednost ena. S tem se doseze neobcutljivostna spremembe osvetlitve in kontrasta. Vseh N vektorjevpredlog sestavlja ucno mnozico in so zapisani v matrikoX,

X = [x1,x2, . . . ,xN]. (1)

Ko so predloge zajete za vse zasuke, izracunamo ko-variancno matriko Q matrike X

Q = XXT. (2)

Kovariancni matriki Q poiscemo lastne vektorje ei

in pripadajoce lastne vrednosti λi. Za dolocitev last-nega prostora vseh lastnih vektorjev ne potrebujemo, zatoje ta problem mogoce resiti z algoritmom za razcep nasingularne vrednosti (ang. Singular Value Decomposi-tion - SVD), kot to predlaga Yoshimura [11]. Tako seizracuna le najvecjih N-1 lastnih vrednosti. Ce bi zelelivse predloge popolnoma verno predstaviti, bi potrebovalivse lastne vektorje, ce pa zelimo o predlogah ohraniti lenajbolj bistveno informacijo, nam zadostuje ze nekaj (rec-imo k) lastnih vektorjev. Najpomembnejso informacijo zarekonstrukcijo objektov vsebujejo lastni vektorji, ki pri-padajo najvecjim lastnim vrednostim. Glede na odstotekinformacije, ki jo zelimo ohraniti o predlogah, zato izbe-remo prvih k lastnih vektorjev

T1 ≤∑ki=1 λi∑Nj=1 λj

, (3)

kjer je T1 prag, ki je blizu, a manj kot ena. Ko so lastnivektorji (ei), ki sestavljajo lastni prostor izbrani, se vsakapredloga projicira v ta prostor

gi = [e1, e2, . . . , ek]Txi. (4)

S projekcijo vseh predlog v lastni prostor v tem pros-toru pridobimo niz diskretnih tock. Ce predpostavimo,da se tocke s spreminjanjem zasuka gladko pomikajo poprostoru, je mogoce z iterpolacijo dolociti tudi tocke zavmesne zasuke.

Razpoznavanje tipa in dolocanje zasukaKo so preslikave predlog poznane, je mogoce dolociti za-suk filtra na naslednji nacin:

• doloci se premik filtra,

• izbere se notranje podrocje filtra na sliki (y),

• podrocje se normira in preslika v lastni prostor

z = [e1, e2, . . . , ek]Ty (5)

• kot zasuka (p), pri katerem je evklidska razdalja (d)med parametri predlog (g) in projicirano sliko filtrapri neznanem zasuku (z) najmanjsa je dolocen kotzasuka filtra

dp = min‖z− gp(ϕ)‖. (6)

Ce so lastni vektorji, ki sestavljajo lastni prostorizbrani tako, kot to predlagata Murase in Nayar, je razpoz-navanje tipa filtra doloceno z vrednostjo najmanjse raz-dalje med sliko in predlogami. Ce je ta razdalja manjsaod nekega praga, potem je opazovani filter danega tipa,sicer pa ne.

3.3 Strojna in programska oprema

SSV je vgrajen v sestavljalno linijo, namesceno vproizvodno halo, ki zagotavlja normalne pogoje delo-vanja glede temperature, vlage, tresljajev itd. Taksnookolje dopusca izbiro standardne, cenovno ugodne stro-jne opreme. Zato je bila v tem primeru izbranaoprema, ki jo sestavljajo osebni racunalnik z vgrajenimvzorcevalnikom slike in digitalno vhodno/izhodno karticoter CCD kamero s standardnim CCIR izhodom. Pozi-cioniranje filtra je izvedeno s koracnim motorjem. Mo-tor je krmiljen s krmilnikom, ki komunicira z osebnimracunalnikom prek vrat RS 232.

Opisana konfiguracija omogoca avtonomno pozi-cioniranje oljnih filtrov s sistemom strojnega vida inucinkovito komunikacijo sistema z okolico (krmilnikomsestavljalne linije).

Ko se filter, na katerem je treba opraviti zahtevanooperacijo, pojavi na dolocenem mestu, ga za to razvita

Sistem strojnega vida za rotacijsko pozicioniranje in razpoznavanje oljnih filtrov 5

Slika 4. SSV je vgrajen v sestavljalno linijoFigure 4. The MVS integrated into the assembly line

robotska roka zgrabi in postavi pred kamero (slika 4). Kr-milnik sestavljalne linije poslje do SSV podatke o tipufiltra in signal za zacetek operacije. Po koncani operacijiSSV poslje rezultat o uspesnosti pozicioniranja in veri-fikaciji tipa filtra, kar je signal za krmilnik sestavljalnelinije, da lahko odstrani pozicioniran filter.

Programska oprema je bila razvita za operacijski si-stem Windows NT, s programskim orodjem Borland C++Builder. Sistem lahko deluje v treh nacinih, to so rocninacin, nacin ucenja in avtomatsko delovanje. Vecino casasistem deluje v avtomatskem rezimu. V tem rezimu ko-municira s sestavljalno linijo tako, da sprejema vhodnepodatke in izvaja ukaze, medtem ko lahko operater zgoljopazuje delovanje sistema ali ga preklopi v rocni nacin.V rocnem nacinu uporabnik lahko preverja delovanje sis-tema. Nacin ucenja je namenjen nastavitvi sistema na novtip filtra.

4 Eksperimentalni rezultati

Natancnost in hitrost izvajanja operacij sta odvisna odstevila lastnih slik, ki jih uporabimo. Zato smo testi-rali delovanje sistema v odvisnosti od stevila uporabljenihlastnih slik.

V prvem poskusu smo zajeli 240 slik predlog, vsakozavrteno glede na prejsnjo za 1.5◦. Tako smo pridobilislike filtra za celoten zasuk (0 < ϕ < 360). Tem pred-logam smo izracunali lastne slike in jih projicirali v lastniprostor. Za dolocanje zasuka je zanimivo opazovati, kakose parametri predlog spreminjajo v odvisnosti od zasukapri posameznih lastnih slikah (slika 5(a)). Iz rezultatovje mogoce opaziti, da poteki parametrov ustrezajo sinu-soidam. Vpliv stevila lastnih slik na razdaljo med danopredlogo (predloga pri zasuku 180◦) in ostalimi pred-logami prikazuje slika 5(b). V danem primeru je trebaza enolicno dolocitev zasuka izbrati vsaj dve lastni sliki.Z vecanjem stevila lastnih slik se razdalje med razlicnimipredlogami povecujejo. Eksperimentalno smo ugotovili,da za dolocanje zasuka z dovolj veliko natancnostjo inzanesljivostjo zadosca 10 do 16 lastnih slik. Za nadaljnje

(a)

(b)

Slika 5. a) Vrednosti parametrov v odvisnosti od zasuka; b)Razdalje med predlogo zavrteno za 180◦ in vsemi drugimi pred-logami v odvisnosti od stevila lastnih slikFigure 5. a) Parameter values as functions of rotation angle; b)Distances between parameters associated with all templates andtemplate of filter rotated for 180◦, depending on the number ofselected eigeinmages

poskuse je sistem uporabljal 16 lastnih slik.

Da bi sistem ovrednotili, smo preskusili natancnostnjegovega pozicioniranja in zanesljivost razpoznavanja.Preskusi so bili izvedeni med rednim delovanjem na ses-tavljalni liniji na vzorcu priblizno 1000 zaporedno izde-lanih filtrov istega tipa. Preskus natancnosti pozicioni-ranja je bil za vsak primerek narejen takole: sistem jeizracunal zasuk filtra, ga zavrtel v referencno pozicijoin na novo dolocil zasuk. Ce je bila napaka po prvemposkusu vecja od±0.1◦, se je celotna operacija pozicioni-ranja ponovila. Najvecja napaka po prvem pozicioniranjuje bila manjsa od ±1.25◦ (slika 6), medtem ko najvecjakoncna napaka ni presegala ±0.25◦. V vecini primerov(priblino 80 odstotkov), je zadostna natancnost dosezenaze po prvem pozicioniranju.

Razpoznavanje tipov filtrov je bilo izvrseno na sledecinacin. Sistem je bil nastavljen na dolocen tip filtra inpreskusan na pet razlicnih tipov filtrov. Slika 7 prikazujeizracunane evklidske razdalje za preskusan vzorec. Pri fil-trih istega tipa, kot naj bi se proizvajali, so te razdalje zelomajhne, medtem ko so razdalje do vseh drugih vzorcevprecej vecje. Z izbiro primernega praga je mogoce tipe

Slika 6. Rezultati pozicioniranja za priblizno 1000 filtrovFigure 6. Positioning results obtained from a sample of about1000 filters

Slika 7. Evklidske razdalje med preverjanimi filtri in ucnomnozicoFigure 7. Distances between parameters of learning image setand images of real filters

filtrov zanesljivo razpoznavati, poleg tega pa je mogocetudi izlocati filtre s poskodovanimi pokrovi.

Cas celotne operacije je znasal na osebnemracunalniku Pentium 166MHz priblizno 1 s. To vkljucujedolocanje zasuka in vrtenje filtra. Cas dolocanja zasukaznasa priblizno 0.5 s, cas vrtenja pa do 0.5 s in je odvisenod zahtevanega kota zasuka.

5 Sklep

Glavni prispevek nasega dela je v uporabi in ovrednotenjuznanih razpoznavalnih metod na podrocju strojnega vidater integraciji izbranih resitev v delujoc sistem. V clankusmo predstavili sistem strojnega vida za razpoznavanjein rotacijsko pozicioniranje razlicnih tipov oljnih filtrov.Sistem temelji na primerjanju s predlogo in Karhunen-Loevejevi metodi. Preprosto prilagajanje na objekte ra-zlicnega videza omogoca hitro priucitev tudi nevescih op-eraterjev. Sistem je vgrajen v proizvodnjo linijo, kjerucinkovito opravlja zahtevane naloge. Opisan sistem jemogoce preprosto prilagoditi za razlicne potrebe takoglede razpoznavanja razlicnih objektov kot tudi njihovegapozicioniranja.

6 Zahvala

Sistem smo razvili v sodelovanju s podjetjem ETACerkno. Za izkazano pomoc in koristne predloge sesodelavcem podjetja in se posebej ing. Marku Hadalinuiskreno zahvaljujemo.

7 Literatura

[1] S. K. Nayar, S. A. Nene, H. Murase, “Subspace Methodsfor Robot Vision,”IEEE Trans. Robot. Automat., vol. 12,no. 5, pp. 750-758, Oct. 1996.

[2] N. Ayache, O. D. Faugeras, “HYPER: A New Approachfor the Recognition and Positioning of Two-DimensionalObjects,” IEEE Trans. Pattern Anal. Mach. Intell., vol.PAMI-8, no. 15, pp. 44-53, Jan. 1986.

[3] B. Boufama, R. Mohr, L. Morin, “Using Geometric Pro-perties for Automatic Object Positioning,” Image and Vi-sion Computing, Vol. 16, no. 1, pp. 27-33, 1998.

[4] T. F. Cootes, G. J. Page, C. J. Taylor, “Statistical Grey-Level Models for Object Location and Identification,” inProc. British Machine Vision Conf., BMVA Press., pp.533-542, 1995.

[5] G. D. Hager, “A Modular System for Robust PositioningUsing Feedback from Stereo Vision,” IEEE Trans. Robot.Automat., vol. 13, no. 4, pp. 582-595, Oct. 1997.

[6] D. P. Huttenlocher, R. H. Lilien, C. F. Olson, “Appro-ximate Hausdorff Matching Using Eigenspaces,” in Proc.of the ARPA Image Understanding Workshop, pp. 1181-1186, 1996.

[7] F. Lahajnar, S. Kovacic, “Machine Vision System for Po-sitioning and Part Verification of Gas Oil Filters Based onEigenimages,” in Machine Vision Applications in Indus-trial Inspection VIII, Proc. of SPIE Vol. 3966, pp. 220-227, 2000.

[8] H. Murase, S. K. Nayar, “Visual Learning and Recog-nition of 3-D Objects from Appearance,” InternationalJournal of Computer Vision, vol. 14, pp. 5-24, 1994.

[9] K. S. Ray, D. D. Majumder, “Recognition and position-ing of partially occluded 3-D objects,” Pattern Recogni-tion Letters, vol. 12, no. 2, pp. 93-108, 1991.

[10] M. Uenohara, T. Kanade, “Use of Fourier and Karhunen-Loeve Decomposition for Fast Pattern Matching With aLarge Set of Templates,” IEEE Trans. Pattern Anal. Mach.Intell., vol. 19, no. 8, pp. 891-897, Aug. 1997.

[11] S. Yoshimura, T. Kanade, “Fast Template Matching Basedon the Normalized Correlation by Using Multiresolu-tion Eigenimages,” in Proc. IROS ’94, Munich, Germany,1994.

Franci Lahajnar je mladi raziskovalec na Fakulteti za ele-ktrotehniko Univerze v Ljubljani. Diplomiral je leta 1996 inmagistriral leta 1999 na Fakulteti za elektrotehniko v Ljubljani.Raziskovalno se ukvarja z razvojem sistemov strojnega vida.

Stanislav Kovacic je izredni profesor na Fakulteti za elektro-tehniko Univerze v Ljubljani. Diplomiral, magistriral in dok-toriral je na Fakulteti za elektrotehniko Univerze v Ljubljani vletih 1976, 1979 in 1990. Njegovo raziskovalno delo obsegaracunalniski vid, strojni vid ter obdelavo in analizo biomedicin-skih slik.