A U T O M A T I Z A C E • R O Č N Í K 4 8 • Č Í S L O 1 2 • P R O S I N E C 2 0 0 5
DISKUSNÍ KLUB
756
Počítačové vidění
v průmyslu a dopravě
Diskuse o praktickÈm nasazov·nÌ poËÌtaËo- vÈho vidÏnÌ v pr˘myslu a dopravÏ, jejÌû prv- nÌ Ë·st byla uve¯ejnÏna v Ëasopisu Automa- tizace Ë. 11/2005, str. 680, pokraËuje v tomto vyd·nÌ a jejÌ ˙ËastnÌci se vyjad¯ujÌ k tomu, jak· komunikaËnÌ rozhranÌ jsou pro systÈmy poËÌtaËovÈho vidÏnÌ nejvhod- nÏjöÌ a s jak˝mi problÈmy se ve svÈ praxi setk·vajÌ p¯i ¯eöenÌ n·roËn˝ch aplikacÌ.
⁄ËastnÌky tohoto diskusnÌho byli prof. Ing.
V·clav Hlav·Ë, CSc., vedoucÌ Centra stro- jovÈho vnÌm·nÌ na kated¯e kybernetiky FEL »VUT v Praze, Ing. Petr Palatka,
¯editel firmy Neovision, Ing. Radim ätefan, aplikaËnÌ inûen˝r ze spoleËnosti National Instruments, a Ing. Milan VaöÌËek ze spo- leËnosti Consymea. KorespondenËnÏ se k diskusi p¯ipojili jeötÏ Ing. Ilona Kalov·
z ⁄stavu automatizace a mϯicÌ techniky na VUT v BrnÏ, Ing. Tom·ö PodivÌnsk˝, z·stupce firmy Panasonic, a Ing. Petr Honec, z·stupce firmy Camea a ⁄stavu automatizace a mϯicÌ techniky na VUT v BrnÏ.
Pro v˝stup obrazov˝ch sign·l˘ z digit·lnÌ kamery se nabÌzÌ nÏkolik r˘zn˝ch rozhranÌ, nap¯Ìklad Camera Link, FireWire (IEEE 1394a, 1394b), USB 2.0 nebo gigabitov˝
Ethernet. JakÈ jsou podle vaöeho mÌnÏnÌ p¯ednosti a nedostatky jednotliv˝ch rozhranÌ a kterÈ rozhranÌ se podle v·s na trhu nejspÌ- öe prosadÌ?
HLAV¡»:
Dnes je nejpouûÌva- nÏjöÌ rychl· sÈriov·
linka FireWire (IEEE 1394a, 1394b) vymyö- len· p˘vodnÏ firmou Apple, pro jejÌû pouûi- tÌ je t¯eba licence.
USB 2.0 je principi·l- nÏ podobnÈ ¯eöenÌ. M·
menöÌ problÈmy
s licencov·nÌm, ale p¯esto se u kamer pouûÌ- v· mÈnÏ. Camera Link je rychlÈ sÈriovÏ para- lelnÌ rozhranÌ, kterÈ se pouûÌv· jen pro nejn·- roËnÏjöÌ aplikace. MyslÌm, ûe jeho
budoucnost nenÌ r˘ûov·. P¯edpokl·d·m, ûe z·hy zvÌtÏzÌ gigabitov˝ Ethernet. UmoûÚuje dlouhÈ kabelovÈ rozvody a je masovÏ nasa- zovanou technologiÌ. Komponenty jsou proto levnÈ. Vûdyù p¯echod ze sbÏrnice FireWire na kabel se sklenÏn˝mi vl·kny a zpÏt dnes stojÌ tisÌce dolar˘. U gigabitovÈho rozhranÌ Ethernet to budou stovky nebo spÌöe desÌtky dolar˘. DalöÌ budoucÌ cestou pro p¯enos obrazu jsou bezdr·tovÈ LAN.
KALOV¡:
DomnÌv·m se, ûe lze oËek·vat hlavnÏ roz- ö̯enÌ rozhranÌ Came- ra Link, protoûe je to jedno˙ËelovÈ rozhra- nÌ vyvinutÈ p¯Ìmo pro aplikace strojovÈho vidÏnÌ s vysokou p¯e- nosovou rychlostÌ a relativnÏ snadnou
integracÌ do systÈmu. Bude pravdÏpodobnÏ r˘st i poËet aplikacÌ s rozhranÌm FireWire, ale spÌöe jen u mÈnÏ v˝konn˝ch systÈm˘
s menöÌmi poûadavky na rychlost p¯enosu dat. RozhranÌ zaloûenÈ na USB je snadno dostupnÈ, ale hodÌ se spÌöe jen pro dom·cÌ pouûitÌ (webovÈ kamery, videokonference).
PouûitÌ rozhranÌ Ethernet na ˙rovni senzor˘
v oblastech pr˘myslu nenÌ vzhledem k jeho sloûitosti (nap¯. velk· reûie pro sestavov·nÌ paket˘) p¯Ìliö ËastÈ. Ethernet se objevuje aû na vyööÌ ˙rovni ¯ÌzenÌ v˝roby. P¯ipojenÌ kamer s tÌmto rozhranÌm je vöak relativnÏ levnÈ hlavnÏ v p¯Ìpadech, kdy jiû existuje ethernetov· podnikov· sÌù.
HONEC:
USB je pro pr˘myslo- vÈ nasazenÌ digit·l- nÌch kamer nevyhovu- jÌcÌ, podle m˝ch zkuöenostÌ je takovÈ datovÈ spojenÌ velmi labilnÌ. NavÌc vÏtöina hardwaru USB ve spolupr·ci s ovladaËi p¯en·öÌ data p¯es pro-
cesor, ËÌmû roste vytÌûenost poËÌtaËe. JeötÏ k tomu m· standard USB velkÈ omezenÌ vzd·lenosti, na kterou lze p¯en·öet data.
Gigabitov˝ Ethernet nenÌ moc vhodn˝ pro velkÈ vytÌûenÌ ñ opÏt m· velkou reûii nad TCP/IP. VlastnÌ fyzick· vrstva je velmi dobr· ñ existujÌ levnÈ budiËe i optickÈ p¯e- vodnÌky. P¯enos je moûn˝ na velkÈ vzd·le- nosti. Ale û·dn˝ v˝robce pravdÏpodobnÏ nepostavÌ standard pro digit·lnÌ kamery pouze na tÈto fyzickÈ vrstvÏ, pokud je nor- malizov·n takto rozvinut˝ protokol. USB i Ethernet jsou univerz·lnÌ rozhranÌ. Pro p¯enos obrazov˝ch dat je asi nejlepöÌ Came- ra Link nebo FireWire, kterÈ byly navrûeny pr·vÏ pro tyto ˙lohy, majÌ ovöem omezenÌ ve vzd·lenosti p¯enosu dat (jednotky met- r˘). PevnÏ vϯÌm, ûe mezi digit·lnÌmi roz- hranÌmi se prosadÌ FireWire (paralelnÌ p¯e- nos) nebo CameraLink (sÈrio-paralelnÌ p¯enos).
PODIVÕNSK›: Za kandid·ty na budoucÌ Ñstandardì pro systÈmy pr˘my- slovÈho pracov·nÌ obrazu povaûujeme z uveden˝ch rozhranÌ CameraLink a gigabi- tov˝ Ethernet (GigE).
AËkoliv proces stan- dardizace gigabitovÈ-
ho rozhranÌ Ethernet jeötÏ nenÌ ukonËen, d·
se p¯edpokl·dat, ûe obrovsk˝ poËÌtaËov˝ trh p¯ijme toto rozhranÌ jako standard velmi rychle. To m˘ûe v˝znamnÏ p¯ispÏt k prosa- zenÌ GigE. Ale buÔme s p¯edpovÌd·nÌm budoucnosti radÏji opatrnÌ.
PALATKA:
V p¯ehledu zve¯ejnÏnÈm v Ëasopise Vision Systems Design v z·¯Ì 2004 bylo zastoupeno 111 v˝robc˘ kamer s celkem asi 850 typy kamer. Z toho 25 % kamer mÏlo analogov˝
v˝stup, 35 % kamer rozhranÌ CameraLink, 23 % kamer mÏlo FireWire, 10 % kamer bylo vybaveno USB a 17 % mÏlo Ethernet.
V ¯adÏ p¯Ìpad˘ mÏly kamery vÌce v˝stup˘.
Diskuse o systémech počítačového vidění (zleva: Ing. Radim Štefan,
Ing. Milan Vašíček, Ing. Karel Kabeš, prof. Václav Hlaváč a Ing. Petr Palatka)
DISKUSNÍ KLUB
757
A U T O M A T I Z A C E • R O Č N Í K 4 8 • Č Í S L O 1 2 • P R O S I N E C 2 0 0 5
Z p¯ehledu jsem vynechal dnes jiû mÈnÏ pouûÌvan· rozhranÌ, kter· nejsou v centru naöeho z·jmu. Je vidÏt, ûe v souËasnÈ dobÏ je nejËastÏji nabÌzen˝m rozhranÌm Camera- Link. Ovöem mezi prodan˝mi digit·lnÌmi kamerami jednoznaËnÏ p¯evl·dajÌ kamery s rozhranÌm FireWire, coû potvrzujÌ i zkuöe- nosti naöÌ firmy. V nabÌdce lze oËek·vat v˝raznÏjöÌ odklon smÏrem k rozhranÌm Fire- Wire a Ethernet. Objem trhu kamer s rozhra- nÌm FireWire pravdÏpodobnÏ jeötÏ nÏjakou dobu poroste s tÌm, ûe v dlouhodobÈm hori- zontu m˘ûeme oËek·vat masivnÏjöÌ nasazenÌ rozhranÌ Ethernet.
äTEFAN:
Vöechny v˝öe jmeno- vanÈ sbÏrnice majÌ dostateËnou kapacitu pro p¯enos obrazu.
K vÏtöÌmu rozö̯enÌ ale dojde pouze v p¯Ì- padÏ, pokud vznikne i standardnÌ form·t p¯enosu obrazu, aby mohly s kamerou
komunikovat i systÈmy a programy od jinÈ- ho v˝robce.
P¯i kontrole v pr˘myslov˝ch provozech exis- tujÌ v z·sadÏ dvÏ ˙lohy pro poËÌtaËovÈ vidÏ- nÌ: buÔ jsou zjiöùov·ny vady v˝robk˘ nebo je t¯eba v˝robky p¯esnÏ p¯emϯit. S jak˝mi pro- blÈmy se p¯i ¯eöenÌ tÏchto ˙loh setk·v·te?
PALATKA:
Z·kaznÌk, kter˝ chce pomocÌ kamerovÈho systÈmu t¯Ìdit v˝rob- ky na dobrÈ a vadnÈ, musÌ ¯eöitelskÈ firmÏ dodat svÈ v˝robky se vöemi vadami, kterÈ se majÌ hledat. Teprve podle vzornÌku vad je moûnÈ kvalifikovanÏ
posoudit, zda je ˙loha ¯eöiteln·. U ˙loh, kdy m· kamerov˝ systÈm mϯit s urËitou p¯es- nostÌ, je zase d˘leûitÈ, aby byla v po¯·dku v˝kresov· dokumentace. MÏlo by b˝t moû- nÈ z nÌ zjistit, s jakou p¯esnostÌ m· kamero- v˝ systÈm mϯit. U mϯicÌch ˙loh, kterÈ byly dosud ¯eöeny dotykov˝m strojem, ale z d˘vodu zrychlenÌ se nynÌ volÌ kamerov˝
systÈm, jsou zadavatelÈ vÏtöinou lÈpe p¯i- praveni na implementaci strojovÈho vidÏnÌ neû u rozliöov·nÌ vad v˝robk˘.
VAäÕ»EK:
Se vzornÌky vad m·me takovÈ zkuöenosti, ûe zadavatel p¯ijde ze zaË·tku jen se z·kladnÌmi vadami a aû bÏhem ¯eöenÌ, kdy uû se pracuje na softwaru, se najednou zaËnou kupit i vady jinÈ, kterÈ nebyly tak ËastÈ. V tÈto f·zi stojÌ rozezn·v·nÌ dalöÌch vad spoustu penÏz. Pro-
jekt je tÈmϯ hotov˝ a musÌ se to dÏlat vöech- no Ëasto ˙plnÏ od zaË·tku.
äTEFAN:
P¯i rozezn·v·nÌ vadn˝ch v˝robk˘ se takÈ st·v·, ûe kdyû zadavatel p¯inese na uk·zku nÏjak˝ v˝robek, tak zapomene ¯Ìct, ûe ho p¯edtÌm hezky ut¯el od oleje a smetl z nÏj ty piliny. K n·vrhu metody kontroly je t¯eba zn·t vöechny moûnÈ vady, ale hodnÏ z·kaz- nÌk˘ si to p¯edstavuje tak, ûe vezme dobr˝
v˝robek ñ vyfotÌ si ho, vezme öpatn˝ v˝ro- bek ñ vyfotÌ si ho a tÌm je vöe vy¯eöeno. Je vöak t¯eba se zamyslet nad p¯ÌËinou vad, ËÌm se mohou liöit; ûe mohou b˝t ökr·bance v r˘zn˝ch poloh·ch. Metoda prostÈho porovn·nÌ öpatnÈho a dobrÈho v˝robku nefunguje skoro nikdy.
VAäÕ»EK:
ProblÈmy vznikajÌ i tÌm, ûe se r˘znÈ öar- ûe v˝robk˘ liöÌ v bar- vÏ, jasu a podobnÏ.
To se ¯eöÌ moûnostÌ nastavenÌ systÈmu strojnÌho vidÏnÌ. My jsme se setkali p¯i kontrole osazov·nÌ spoj˘ s tÌm, ûe spoje
mÏl dod·vat jedin˝ dodavatel, ale ten zkola- boval a druh˝ mÏl jinou svÏtlezelenou barvu, a to p¯ineslo nutnost zmÏnit softwarovÈ nastavenÌ.
HLAV¡»:
DalöÌ skupinou jsou vady, kterÈ se popisujÌ statisticky. Pro stanovenÌ statistickÈho klasi- fik·toru je ale t¯eba mÌt statisticky v˝znam- n˝ soubor. P¯edstavte si, ûe p¯ijde z·kaznÌk, kter˝ bude chtÌt, abyste poËÌtaËov˝m vidÏ- nÌm rozliöili dvÏ horniny. Kdyû se ho zept·- te, jestli m· nÏjakÈ statistickÈ p¯Ìklady, vyt·hne z batohu dvÏ horniny ñ kaûdou jinou ñ od kaûdÈho p¯Ìkladu jeden k·men. Na n·mitku, ûe nep¯inesl statisticky v˝znamn˝
soubor, vyt·hne geologickÈ kladÌvko, a kameny rozbije na spoustu mal˝ch kamÌnk˘.
To ale samoz¯ejmÏ û·dnou statistickou informaci nep¯inese, protoûe vlastnosti kamene jsou stejnÈ. Takûe po¯Ìdit statisticky v˝znamn˝ soubor, to je drah· z·leûitost, coû si mnohdy z·kaznÌci v˘bec neuvÏdomujÌ. Ke statistickÈmu klasifik·toru je t¯eba s·hnout, kdyû je vztah mezi tÌm, jak to vypad· a co to znamen·, tak sloûit˝, ûe se to prostÏ ned·
explicitnÏ dost dob¯e popsat. TakovÈ p¯Ìpa- dy ale neb˝vajÌ ËastÈ v pr˘myslovÈ automa- tizaci. PouûÌvajÌ se nap¯Ìklad v lÈka¯stvÌ p¯i klasifikaci snÌmk˘.
KALOV¡:
Setk·v·me se takÈ s p¯ehnan˝mi poûadavky na p¯esnost. Zadavatel naddimenzuje sv˘j problÈm, poûaduje Ñpro jistotuì vyööÌ p¯es-
nost, coû n·s vede k n·roËnÏjöÌmu a draûöÌ- mu v˝voji a pouûitÌ draûöÌho za¯ÌzenÌ. Kdyû pak navrûen˝ systÈm nasadÌme, z·kaznÌk vÏtöinou zjistÌ, ûe nov˝ kontrolnÌ systÈm mu vy¯adÌ tolik Ñzmetk˘ì, ûe by musel vyhodit nap¯Ìklad Ëtvrtinu svÈ produkce. A tak sv·
kritÈria zmÌrnÌ. Pro n·s je to jiû jen jednodu- ch· ˙prava, nap¯Ìklad zmÏna nastavenÌ nÏkolika parametr˘ v programu, ale cena systÈmu se jiû snÌûit nem˘ûe. Z·kaznÌk by se mÏl na zaË·tku opravdu realisticky zamyslet nad tÌm, co a s jakou p¯esnostÌ chce mϯit, co je, a co nenÌ vada.
HLAV¡»:
Ano, zadavatelÈ majÌ mnohdy pocit, ûe kdyû poûadovanou p¯esnost zvÏtöÌ pÏtkr·t nebo desetkr·t, budou v bezpeËÌ. MnozÌ si neuvÏ- domujÌ, ûe zv˝öenÌm p¯esnosti se cena zvy- öuje takÈ, ale ne line·rnÏ, n˝brû mnohem progresivnÏji. A kdyû se dos·hne urËitÈho limitu p¯esnosti, uû to d·l nejde. Zase na dru- hou stranu by bylo dobrÈ ¯Ìci, ûe existuje mϯenÌ s p¯esnostÌ vÏtöÌ neû jeden pixel. To je tehdy, kdyû nenÌ splnÏna Shannonova vÏta o vzorkov·nÌ, kter· ¯Ìk·, ûe vzorkovacÌ frek- vence by mÏla b˝t dvakr·t vÏtöÌ neû nejvÏtöÌ frekvence, kter· je zajÌmav·. Analogicky vzorkovan˝ rozmÏr v obrazu by mÏl b˝t alespoÚ poloviËnÌ ve srovn·nÌ rozmÏrem, kter˝ je pro ˙lohu zajÌmav˝. V okamûiku, kdy je p¯edem zn·mo, jak˝ je tvar objektu, se tvar d· popsat a lze pouûÌt urËitou aproxi- maci ñ tak je moûnÈ dos·hnout i desetkr·t vÏtöÌ p¯esnosti. Tomuto postupu se ¯Ìk· sub- pixelov· p¯esnost.
PALATKA:
Ano, tyto metody, jak dos·hnout vyööÌ p¯es- nosti, fungujÌ a my je dod·v·me sv˝m z·kaznÌk˘m.
SystÈmy poËÌtaËovÈho vidÏnÌ sest·vajÌ z vlastnÌho snÌm·nÌ a vyhodnocenÌ. Kter·
z tÏchto dvou Ë·stÌ se nejvÌce odrazÌ na v˝sledku?
KALOV¡:
Ned· se ¯Ìci, co je d˘leûitÏjöÌ. Pokud budeme pracovat jiû se öpatn˝mi snÌmky, bude zpra- cov·nÌ zbyteËnÏ n·roËnÈ a nÏkdy se z tako- v˝ch obr·zk˘ ani ned· jiû nic zachr·nit. Jin- dy je vöak samotn· ˙loha p¯Ìpravy scÈny a snÌm·nÌ jednoduch· a j·dro problÈmu spo- ËÌv· ve zpracov·nÌ.
HLAV¡»:
V okamûiku, kdy je ¯eöen· ˙loha sloûit·, je realizov·na kask·dou komponent. Je-li jed- na komponenta öpatn·, potom je i cel˝
v˝sledek chybn˝. V okamûiku, kdy nejsou dobr· namϯen· data, existuje jedin· cesta, kterou se d· dos·hnout pouûitelnÈho v˝sled- ku, a to vyuûitÌ apriornÌ znalosti, tedy toho, co by ve scÈnÏ mÏlo b˝t. Ta apriornÌ znalost
A U T O M A T I Z A C E • R O Č N Í K 4 8 • Č Í S L O 1 2 • P R O S I N E C 2 0 0 5
DISKUSNÍ KLUB
758
m˘ûe b˝t statistick· nebo se p¯edem vÌ, co na obrazu je. OËek·van˝ objekt v obrazu m˘ûe mÌt vlastnosti, kterÈ lze vyj·d¯it aû na vyööÌ
˙rovni znalosti, a ta se musÌ nÏjak˝m zp˘so- bem reprezentovat. U lÈka¯sk˝ch obr·zk˘ je to obvyklÈ ñ kdyû budete hledat na z·kladÏ rentgenovÈho snÌmku stenÛzy v cÈv·ch, tak p¯edem vÌte, ûe ta stenÛza bude k¯iv· Ë·ra, nebudou to rovnobÏûky, ale Ë·ry, kterÈ budou nÏco sledovat.
PALATKA:
ÿekl bych, ûe v pr˘myslovÈ automatizaci je vÏtöinou klÌËovÈ sejmout dob¯e nasvÌcen˝
obr·zek a pouûÌt samoz¯ejmÏ dobr˝ softwa- re ke zpracov·nÌ ñ pak je v˝sledek zaruËen˝.
StandardnÏ se podmÌnky dajÌ p¯izp˘sobit tomu, aby ËlovÏk dostal dobr˝ obr·zek.
VAäÕ»EK:
Ne vöude to jde, nap¯Ìklad u dopravnÌch systÈm˘ p¯i rozpozn·v·nÌ vozidel a jejich registraËnÌch znaËek je t¯eba se spokojit s venkovnÌmi podmÌnkami osvÏtlenÌ, kterÈ se p¯es den mÏnÌ, navÌc v noci se p¯isvÏcujÌ jin˝m druhem svÏtla. To je jin· situace, neû v umÏl˝ch podmÌnk·ch, kdy je moûnÈ navo- dit vhodnÈ svÏtelnÈ podmÌnky, pro kterÈ pak zvolÌme p¯imϯen˝ snÌmaË. Ve venkovnÌch podmÌnk·ch je kvalita rozpozn·v·nÌ d·na kvalitou snÌmaËe a p¯edevöÌm svÏteln˝ch podmÌnek.
HONEC:
Kvalita v˝slednÈho vizu·lnÌho systÈmu by se moûn· dala vyËÌslit souËinem kvality vöech funkËnÌch blok˘, z nichû systÈm sest·- v·. Z toho tedy plyne, ûe jak·koliv odbyt·
Ë·st degraduje funkËnost celku. Za z·klad dobrÈho vyhodnocenÌ vöak povaûuji kvalitnÌ vstupnÌ data. Proto vÏnujeme velkou Ë·st
˙silÌ uû samotnÈmu po¯ÌzenÌ obrazu ñ snaûÌ- me se dan˝ problÈm Ñnaaranûovatì tak, aby v obrazu byly d˘leûitÈ informace co nejvÌce vyzdviûeny na ˙kor ned˘leûit˝ch informacÌ.
To mnohdy vyûaduje bolestnÏ zavzpomÌnat na pokroËilejöÌ znalosti fyziky, optiky a mechaniky. Ale tato bolest se vÏtöinou vyplatÌ a satisfakcÌ mohou b˝t po¯Ìzen· data, kter· usnadnÌ vyhodnocenÌ nebo kter· obsa- hujÌ informace v obrazu d¯Ìve tÏûko klasifi- kovatelnÈ.
JistÏ jste ve svÈ praxi setkali s r˘znorod˝m nasazenÌm anal˝zy obrazu. M˘ûete uvÈst nÏkterÈ zvl·öù obtÌûnÈ ˙lohy, u kter˝ch se zprvu zd·lo, ûe je nebude moûnÈ ¯eöit, ale nakonec se to poda¯ilo?
PALATKA:
NÏkdy v letech 1996 nebo 1997 se na n·s obr·til ËlovÏk, kter˝ spolupracuje s nevido- m˝mi, zda bychom mu nebyli schopni ËÌst Braillovo pÌsmo. Zaujalo n·s to, i kdyû to zpoË·tku vypadalo jako neskuteËnÏ tÏûk·
vÏc. Provedli jsme experimenty, pak jsme tento systÈm p¯es rok vyvÌjeli. Nakonec se n·m poda¯ilo vytvo¯it systÈm, kter˝ pomocÌ standardnÌho plochÈho skeneru umÌ p¯eËÌst oboustrann˝ tisk, to znamen· taktilnÌ pÌsmo, kterÈ Ëtou nevidomÌ sv˝mi prsty. Dodnes jsme jedin· firma na svÏtÏ, kter· toto dod·v·
jako krabicov˝ software. To znamen·, ûe naöi z·kaznÌci jsou ze vöech kout˘ svÏta od Spojen˝ch st·t˘ americk˝ch aû t¯eba po Bh˙t·n a jinÈ exotickÈ zemÏ. V˝hodou je, ûe vöude mohou pouûÌt skenery, kterÈ jsou standardnÏ na trhu. To byla pÏkn· ˙loha, kter· ze zaË·tku vypadala tÈmϯ ne¯eöitelnÏ, ale nakonec se uk·zalo, ûe je to re·lnÈ a v podstatÏ dodneöka jsme se nesetkali s fir- mou, kter· by toto dod·vala. ProdejnÌ cena toho naöeho produktu je 895 EUR pro kon- covÈho uûivatele.
äTEFAN:
Jednou jsem byl na LÈka¯skÈ fakultÏ v Hrad- ci Kr·lovÈ, kde pr·vÏ probÌhalo mϯenÌ pruûnosti stent˘1. V n·dobÏ s vodou, kde byla umÏl· cÈva, se zvyöoval tlak vody a byl mϯen tlak vnÏ cÈvy a uvnit¯ nÌ. CÌlem bylo zjistit, do jakÈ mÌry se cÈva prohne. MϯenÌ p¯Ìliö nefungovalo, byly nap¯Ìklad problÈmy s p¯esnostÌ. Zeptal jsem, proË k mϯenÌ nevy- uûijÌ kameru. Byla to pro nÏ novinka ñ tahle moûnost je ani nenapadla. DÌky kame¯e a jednoduchÈmu softwaru, kterÈ si koupili, to bylo za t˝den vy¯eöenÈ.
PALATKA:
SlibnÏ se rozvÌjÌ pouûÌv·nÌ kamerov˝ch systÈm˘ pro navigaci robot˘. Ned·vno jsme dodali systÈm, kter˝ z·kaznÌkovi dohled·v·
polohu v˝robku v prostoru, respektive poË·- tek laserovÈho svaru s p¯esnostÌ setiny mili- metru. Tato p¯esnost je mnohem vÏtöÌ, neû jsou p¯ÌpustnÈ tolerance polohov·nÌ v˝robku a v˝robnÌ tolerance jednotliv˝ch dÌl˘, kterÈ se sva¯ujÌ. N·m se poda¯ilo vyvinout metodu kalibrace, p¯i kterÈ je robot zkalibrov·n spo- leËnÏ s kamerou p¯Ìmo ve v˝robnÌ lince.
V okamûiku, kdy se v˝robek dopravÌ do pozice, je jeho poloha automaticky dohled·- na a urËÌ se, odkud m· laserovÈ sva¯ov·nÌ zaËÌt.
KALOV¡:
Je to ˙smÏvnÈ, ale setkala jsem se spÌöe s opaËn˝m p¯Ìpadem u svÈ prvnÌ ˙lohy, kte- r· ¯eöila inspekci svar˘ automobilov˝ch dis- k˘. Hned od zaË·tku bylo celkem jasnÈ, jakou metodu pouûijeme, jak budeme snÌ- mat, jak asi bude probÌhat zpracov·nÌ. Prob-
lÈmy nastaly aû p¯i nasazenÌ systÈmu do pr˘- myslu. Museli jsme ¯eöit zaËlenÏnÌ systÈmu do linky, mechanickÈ dorazy, aby n·m stro- je nezniËily kamery, prach a mastnotu na svarech atd. P·novÈ to jistÏ znajÌ a dovedou si jiû p¯edem p¯edstavit moûnÈ problÈmy, ale mÏ tehdy propastn˝ rozdÌl mezi teoriÌ a pra- xÌ dost p¯ekvapil.
HONEC:
NevÌm, jestli je toto ˙smÏvnÈ, rozhodnÏ ale ze ûivota pr˘myslu. »asto u n·s popt·vajÌ firmy z pr˘myslovÈ v˝roby touûÌcÌ po 100%
vizu·lnÌ kontrole. Uvnit¯ tÏchto firem probÌ- h· odvÏk˝ boj mezi Ñkvalit·¯iì a Ñv˝rob·¯iì.
ÑKvalit·¯iì hl·sajÌ stoprocentnÌ kvalitu klid- nÏ i na ˙kor kvantity, u Ñv˝rob·¯˘ì je to nao- pak. Po sloûitÈ specifikaci problÈmu je na svÏtÏ n·ö vizu·lnÌ systÈm mϯÌcÌ s p¯edepsa- nou p¯esnostÌ (kterou diktuje kvalit·¯). Proto se st·v·, ûe po zkuöebnÌm provozu je nutnÈ systÈm vizu·lnÌ kontroly nastavit nÏkdy i na
¯·dovÏ menöÌ p¯esnost, a tudÌû vÏtöÌ toleran- ci vad, protoûe kvantita v˝roby poklesla na nep¯Ìpustnou hodnotu. Takûe mnohdy otevÌ- r·me oËi z·kaznÌk˘m a odhalujeme jejich skuteËnÈ poûadavky ñ dokonce kv˘li p¯esnÈ kontrole vizu·lnÌm systÈmem radöi zmÏnÌ toleranci v˝robku, neû aby zv˝öili poËet vy¯azen˝ch v˝robk˘.
HLAV¡»:
U mϯicÌch systÈm˘ je velmi d˘leûit· rela- tivnÌ p¯esnost, vztaûen· k velikosti snÌma- nÈho v˝robku. Dnes je rozliöenÌ kamero- v˝ch systÈm˘ typicky 1 000 pixel˘. Podle Shannonovy vÏty o vzorkov·nÌ lze ale teo- reticky mϯit s relativnÌ p¯esnostÌ 1 : 500.
Pokud se o tvaru mϯenÈho v˝robku nÏco vÌ a lze vyuûÌt podpixelov· p¯esnost, tak by relativnÌ p¯esnost mohla b˝t 1 : 2 000 nebo i ke 3 000. V praxi jsem se setkal s ˙lohou u v˝robce letadel, kter˝ chtÏl mϯit defor- mace draku letadla pro zalÈt·v·nÌ. U letadla dlouhÈho zhruba 10 metr˘ mÏlo mÌt mϯenÌ p¯esnost desetiny milimetru. RelativnÌ p¯es- nost tedy mÏla b˝t 1 : 10 000. I tato ˙loha se nakonec uk·zala ¯eöiteln· kamerov˝m systÈmem s vyuûitÌm subpixelovÈ p¯esnos- ti. Na prvnÌ pohled se zd·, ûe mϯit s p¯es- nostÌ 1 : 10 000 optick˝mi metodami nelze.
A u tÈto tÏûkÈ, ale zajÌmavÈ ˙lohy se to povedlo.
PALATKA:
MÏli jsme ned·vno docela zajÌmavou popt·v- ku, kde mÏl z·kaznÌk sloûit˝ obrobek, skl·da- jÌcÌ se z v·lcov˝ch a obecn˝ch tvar˘, a poûa- doval po n·s zpracov·nÌ nabÌdky na za¯ÌzenÌ, kterÈ by mu bylo schopno obrobek zmϯit. To pro n·s znamenalo vzÌt v ˙vahu nejen naöe znalosti z poËÌtaËovÈho vidÏnÌ, ale navrhnout i celou mechaniku za¯ÌzenÌ tak, aby se mini- malizovaly veökerÈ chyby mϯenÌ a z·kaznÌk dostal za¯ÌzenÌ, kterÈ pot¯ebuje.
1 Mechanick· v˝ztuha tepny ve formÏ trubiË- ky, vyroben· nejËastÏji ze speci·lnÌch kov˘
s tvarovou pamÏtÌ, ale i z novÏjöÌch materi-
·l˘, nap¯. z tantalu nebo dokonce z biolo- gickÈho materi·lu.
DISKUSNÍ KLUB
759
A U T O M A T I Z A C E • R O Č N Í K 4 8 • Č Í S L O 1 2 • P R O S I N E C 2 0 0 5
Museli jste v tomto p¯ÌpadÏ s·hnout po systÈmu s vÌce kamerami?
PALATKA:
Ne, v tomto p¯ÌpadÏ to nakonec byla jedna kamera, kter· byla vhodn˝m zp˘sobem opti- malizovan·, bylo u nÌ vy¯eöeno un·öenÌ a dalöÌ z·leûitosti.
V˝znamnou aplikacÌ anal˝zy obrazu je roze- zn·v·nÌ registraËnÌch znaËek automobil˘
JakÈ jsou s nimi zkuöenosti?
VAäÕ»EK:
S rozezn·v·nÌm registraËnÌch znaËek aut m·me dobrÈ i öpatnÈ zkuöenosti. ⁄spÏönos- ti 98 aû 99 % jsme dos·hli u vjezdovÈho systÈmu jednÈ firmy, jejÌû ¯idiËi dost·vajÌ penÌze na to, aby si auta jednou t˝dnÏ um˝vali. Jde o podzemnÌ vjezd, takûe jsou tam st·le podmÌnky nasvÌcenÌ. Ve vÏtöinÏ p¯Ìpad˘ se ˙spÏönost pohybuje mezi 94 % a 95 %. Na druhÈ stranÏ jsme mÏli aplikaci, kde se snÌmaly znaËky n·kladnÌch aut, kte- r· jezdila na skl·dky. Jejich znaËky byly zdeformov·ny, ûe se to ani okem nedalo p¯eËÌst ñ tam ta ˙spÏönost rozpozn·nÌ pod- statnÏ klesla. Z·leûÌ samoz¯ejmÏ na tom, jestli se snÌm· ve dne nebo v noci, jestli je moûnÈ znaËku p¯isvÌtit aù uû klasick˝m, nebo infraËerven˝m reflektorem. Podle tÏchto podmÌnek je t¯eba volit vûdy jinÈ objektivy, vûdy jin˝ hardware; p¯es den se svÌtÌ na jinÈ vlnovÈ dÈlce neû v noci. Pokud jsou nav·z·ny dva systÈmy za sebou, t¯eba u mϯenÌ rychlosti, tak samoz¯ejmÏ platÌ souËin pravdÏpodobnostÌ rozpozn·nÌ a ˙spÏönost kles·. PlatÌ ale, ûe ËÌm je lepöÌ vstupnÌ snÌmaË a vyhodnocenÌ, tÌm lepöÌ je i ˙spÏönost.
HONEC:
My m·me s rozpozn·v·nÌm registraËnÌch znaËek obdobnÈ zkuöenosti. V z·sadÏ platÌ to, co ¯ekl pan VaöÌËek ñ pokud je znaËka poökozen· nebo öpatnÏ nasvÌcen·, je jejÌ rozpozn·nÌ obtÌûnÈ. Za poslednÌ dva roky jsme v dopravÏ p¯eöli na pouûitÌ kamer HDTV s vysok˝m rozliöenÌm, kterÈ si sami vyr·bÌme. Ty majÌ Ëty¯ikr·t lepöÌ rozliöenÌ neû klasickÈ televiznÌ kamery. Kvalita po¯Ì- zenÈho obrazu a velikost znaËky potom nahr·vajÌ vÏtöÌ ˙spÏönosti detekce a rozpo- zn·nÌ registraËnÌch znaËek. PouûÌv·me stej- n˝ hardware na mϯenÌ pr˘mÏrnÈ rychlosti, detekci p¯ejezd˘ k¯iûovatky na Ëervenou, vjezdovÈ a monitorovacÌ systÈmy, m˝tnÈ, takûe v dopravnÌch systÈmech je software
¯eöen modul·rnÏ, coû umoûÚuje vÏtöÌ pruû- nost.
ZajÌmavÈ je takÈ snÌm·nÌ a porovn·v·nÌ bio- metrick˝ch znak˘, jako jsou otisky prst˘
nebo oËnÌ duhovky. M·te nÏjakÈ zkuöenosti v tÈto oblasti?
äTEFAN:
Velk˝mi z·kaznÌky naöÌ firmy jsou dodava- telÈ rentgenov˝ch za¯ÌzenÌ na letiötÌch pro kontrolu kufr˘ nebo pro detekËnÌ r·my, kte- r˝mi se proch·zÌ p¯ed vstupem do letadla.
PomocÌ analogovÈho sign·lu a indukËnÌho snÌmaËe tento systÈm najde, zda nem· cestu- jÌcÌ u sebe nÏjak˝ kovov˝ p¯edmÏt. Z·roveÚ toho ËlovÏka vyfotÌ, uk·ûe, kde ten p¯edmÏt je, a fotku umÌstÌ do datab·ze. Tam vstupuje do hry pr·vÏ to rozpozn·nÌ podle obliËeje, otisk˘ prst˘ apod.
PALATKA:
Dnes si m˘ûete koupit notebook nebo kl·- vesnici od IBM, kde je jiû technologie roz- pozn·nÌ podle otisk˘ prst˘ nasazen·.
HONEC:
Rozpozn·v·nÌ biometrick˝ch znak˘ ËlovÏka dnes pat¯Ì mezi zajÌmavÈ obory poËÌtaËovÈho vidÏnÌ. Rozezn·v·nÌm nezamÏnitelnÈ struk- tury oËnÌ rohovky nebo otisku prstu se zab˝- v· mnoho spoleËnostÌ na celÈm svÏtÏ. HoröÌ co do sloûitosti je jiû rozpozn·v·nÌ ËlovÏka podle fotografie obliËeje. Jsou zn·mÈ systÈ- my, kterÈ zvl·dnou za¯adit danou osobu do omezenÈ datab·ze (nap¯Ìklad 1 000) obliËej˘.
Toho mohou velkÈ firmy vyuûÌt pro identifi- kaci zamÏstnanc˘. Lidsk˝ obliËej je vöak natolik sloûit˝, r˘znorod˝ a mÏnÌcÌ se (nap¯.
r·no po probuzenÌ je to vûdy horöÌ), ûe je vel- mi obtÌûnÈ jej analyzovat. Dokonce velik˝
problÈm je rozliöit podle obliËeje pohlavÌ Ëlo- vÏka. Jist˝ z·kaznÌk mÏl vizi automatickÈho rozpozn·v·nÌ pohlavÌ pr·vÏ podle obrazu po¯ÌzenÈho kamerou. Jeho poûadavek na p¯esnost byl nekompromisnÌch 100 %. Bohu- ûel z tÈto zak·zky nakonec seölo po tÈ, co jsme z·kaznÌka upozornili, ûe 100% p¯esnost jsme schopni dodrûet pouze za p¯edpokladu fotografie po¯ÌzenÈ bez obleËenÌ.
Bylo by moûnÈ nasadit kamerov˝ systÈm p¯i obr·bÏnÌ, kde by bylo pot¯eba podle jednoho kusu vyrobit dalöÌ, zcela identick˝?
äTEFAN:
V t¯ÌrozmÏrnÈm prostoru je to obecnÏ tÏûko
¯eöiteln˝ problÈm. Bylo by t¯eba mÌt p¯edem znalosti o typu v˝robku. Ale pokud by to byl profil, tak to urËitÏ nenÌ problÈm. Bylo by to urËitÏ v˝hodnÈ v tÏch oblastech, kde to nelze promϯit kontaktnÏ ñ u gumov˝ch nebo pÏnov˝ch v˝robk˘ nebo u povrch˘
s nanesen˝m lepidlem, kter˝ch se nelze dotknout.
PALATKA:
Takov˝ systÈm by bylo moûnÈ realizovat.
Bylo by t¯eba zn·t optickÈ vlastnosti povr- chu, vy¯eöit odlesky a podobnÏ. Nezane- dbatelnou ot·zkou je p¯esnost, protoûe z·kaznÌci majÌ pomÏrnÏ nerealistickÈ poûa- davky na p¯esnost takov˝ch rekonstrukcÌ.
Jak daleko jsou systÈmy poËÌtaËovÈho vidÏnÌ v trojrozmÏrnÈm prostoru?
PALATKA:
ÿada ˙loh prostorovÈho vidÏnÌ je jiû vy¯eöe- na. Jiû zmÌnÏn˝ robot pro sva¯ov·nÌ je vlast- nÏ kalibrovan˝ v trojrozmÏrnÈm prostoru.
M· sv˘j sou¯adn˝ systÈm a pohybuje se v trojrozmÏrnÈm systÈmu. Obecn· navigace mobilnÌch robot˘ ve t¯ech rozmÏrech se dnes
¯eöÌ bÏûnÏ na akademickÈ p˘dÏ, kde jiû to je do urËitÈ mÌry to zvl·dnutÈ. Navigace auto- mobil˘ v prostoru je zatÌm ve f·zi v˝zkumu.
VAäÕ»EK:
V trojrozmÏrn˝ch bezpeËnostnÌch aplikacÌch jsou nasazeny kamerovÈ systÈmy s urËit˝m rozliöenÌm, kterÈ majÌ motorov˝ pohon a motorov˝m zoom. Jde o to, aby bylo nejen vidÏt, ûe do chr·nÏnÈho prostoru nÏkdo jde, ale aby bylo moûnÈ zaznamenat jeho obliËej.
SystÈmy jsou schopny vyhledat pohyb, najÌt obliËej, udÏlat snÌmky, rozpoznat obliËej a za¯adit vöe do datab·ze. Takûe aktivnÌ bez- peËnostÌ systÈmy nejen, ûe sledujÌ a zazna- men·vajÌ snÌmky, a pak se k nim vracejÌ, ale dok·ûou takÈ podle rozpoznanÈho obliËeje urËit, kter· osoba tam nem· co dÏlat. Zde ale jde pouze o rozpozn·v·nÌ objekt˘ ve trojroz- mÏrnÈm prostoru, kde se nic nemϯÌ. Jde o vyhled·vacÌ a porovn·vacÌ systÈm.
KALOV¡:
Existuje mnoho technik trojrozmÏrnÈho vidÏnÌ. My si v naöem ˙stavu Ñhrajemeì s ¯adou takov˝ch ˙loh, jako jsou stereovidÏ- nÌ, nasvÌcenÌ vzorem, interferometrie, mϯe- nÌ doby letu a dalöÌch. Pro pr˘mysl je vÏtöi- nou nejlepöÌ pouûÌt nejjednoduööÌ a osvÏdËenÈ ¯eöenÌ ñ mϯenÌ doby letu nebo oznaËenÌ mϯenÈho objektu svÏteln˝m vzo- rem a souËasn˝m snÌm·nÌm pod ˙hlem kamerou. Na velkou vÏdu dojde, aû kdyû toto nestaËÌ. Z·leûÌ vûdy na poûadovanÈ p¯esnosti, rychlosti mϯenÌ, vzd·lenosti atd.
Diskuse poodkryla nÏkterÈ str·nky poËÌtaËo- vÈho vidÏnÌ, ale jistÏ z˘stalo i mnoho opo- menuto. Byli bychom r·di, kdyby dalöÌ deba- ta probÌhala formou ohlas˘ Ëten·¯˘ na stanoviska uve¯ejnÏn· v dvoudÌlnÈ diskusi v listopadovÈm i v tomto, prosincovÈm vyd·- nÌ Ëasopisu Automatizace.
rozmlouvali Karel Kabeö a Eva VaculÌkov·
redakËnÏ upravila Eva VaculÌkov·