Computational Imaging
Computational Imaging ermöglicht eine gute Bildqualität ohne eine komplizierte konventionelle Beleuchtung oder bestimmte optische Bedingungen. Bei der Verarbeitung mit Computational Imaging-Techniken kann eine Sequenz von Bildern, die unter verschiedenen Beleuchtungs- oder optischen Bedingungen aufgenommen wurden, eine verbesserte Qualität und eine Extraktion von Bildmerkmalen liefern, die Ihr Bildverarbeitungsalgorithmus in Echtzeit benötigt. Dies führt zu robusteren Bildverarbeitungsanwendungen bei weniger Entwicklungszeit und -kosten.
Solche Computational Imaging-Funktionen sind auch in der HALCON Toolbox enthalten, z. B. hyperspektrale Bildverarbeitung, High-Dynamic-Range-Bildgebung und photometrisches Stereo-Verfahren.
Hyperspektrale Bildverarbeitung
Hyperspektrale Bildverarbeitung ermöglicht die Analyse von Materialien anhand ihrer spektralen Signaturen. Im Gegensatz zu klassischen Bildverarbeitungssystemen mit RGB- oder Grauwertkameras liefert eine Hyperspektralkamera für jedes einzelne Pixel ein vollständiges Spektrum über Dutzende bis Hunderte eng benachbarter Wellenlängen. Dadurch werden Unterschiede sichtbar, die mit dem bloßen Auge nicht zu erkennen sind – etwa zwischen chemisch verschiedenen, aber optisch identischen Objekten.
Hyperspektrale Bildverarbeitung mit MVTec HALCON
Mit HALCON können Sie Hyperspektraldaten für anspruchsvolle Aufgaben wie Klassifikation, Materialidentifikation und Qualitätskontrolle in der industriellen Bildverarbeitung einsetzen.
HALCON bietet eine Vielzahl von direkt anwendbaren Beispielprogrammen. Das Beispielprogramm "Classify different pills based on hyperspectral images" zeigt eine vollständige Pipeline für spektrale Klassifikation für die Unterscheidung von optisch identisch, aber chemisch verschiedenen Pillen:
- Import von Hyperspektraldaten im weit verbreiteten ENVI-Dateiformat oder von GigE Vision-kompatiblen Hyperspektralkameras.
- Neuordnung der Datenstruktur: von BIL – Band Interleaved by Line – in ein bildbasiertes Format.
- Reflexionstransformation, um die tatsächlichen Intensitätswerte zu erhalten. Dazu müssen neben den eigentlichen Daten auch dunkle und weiße Referenzdaten zur Verfügung stehen.
- Klassifikation in HALCON auf Basis der emittierten Spektren.
Das Beispielprogramm "Classify different pills based on hyperspectral images" in HALCON zeigt, wie man effizient Hyperspektraldaten verarbeiten kann:
Unterstützte Hardware: GigE Vision-kompatible Hyperspektralkameras
Das Beispiel basiert auf Daten, die mit GigE Vision-kompatiblen Hyperspektralkameras wie der FX-Serie unseres Technologiepartners Specim aufgenommen wurden. Alternativ können offline gespeicherte ENVI-Datensätze verwendet werden.
Anwendungsbeispiel: Klassifikation visuell identischer Objekte
Ein typisches Einsatzszenario ist die Unterscheidung visuell identischer Pharmazeutika z. B. zur Erkennung von Produktfälschungen, für die Sortierung unterschiedlicher Medikamente in Produktionslinien oder zur Differenzierung von Markenpräparaten und Generika. Obwohl Tabletten die gleiche Form und sichtbare Farbe aufweisen, können sie anhand ihrer Infrarotspektren zuverlässig klassifiziert werden – etwa nach Wirkstoff oder Zusammensetzung. HALCON ermöglicht die nahtlose Integration solcher Verfahren in industrielle Anwendungen.
High-Dynamic-Range-Bildgebung (HDR)
Mit High-Dynamic-Range-Bildgebung (HDR) können extreme Kontraste aus Bildern entfernt werden, die mit unterschiedlichen Beleuchtungsstärken aufgenommen wurden. Zum Beispiel wurde diese Bohrung bei kurzen und langen Lichtimpulsen aufgenommen. HDR kombiniert diese Quellbilder zu einem gleichmäßig beleuchteten Bild, das sowohl Details an der hellsten als auch an der dunkelsten Stelle enthält. Typischerweise profitieren Anwendungsfälle wie die Fehlerprüfung und allgemeine Qualitätskontrolle von dieser Technik.
Photometrisches Stereo-Verfahren (PMS)
Photometrisches Stereo (PMS) ist eine Technik, die verwendet wird, um Kanten und Textur eines Objekts aus seiner 2D-Textur oder Oberflächenfärbung zu generieren. Dafür müssen vier Bilder aufgenommen werden, bei denen das Objekt jeweils aus einer anderen Richtung beleuchtet wird, wie bei der Pharmaverpackung unten. Anschließend kann mit Hilfe von photometrischen Stereo-Algorithmen ein berechnetes Formbild mit vollständigen und klaren Braille-Zeichen erzeugt werden. Dieses Formbild kann für andere Machine-Vision-Anwendungen wie OCR und Objektsegmentierung weiterverarbeitet werden. Typische Anwendungen des photometrischen Stereosystems sind die Erkennung kleiner Unstimmigkeiten in einer Oberfläche, die z. B. Defekte darstellen, oder die Eliminierung des Einflusses der Lichtrichtung auf die Bilder, die z. B. für die Druckinspektion von nicht-flachen Zeichen verwendet werden.
