Za namen primerjave razlik meritev pri obeh uporabljenih metodah smo po-sneli testno množico 27 slik, ki je vidna na sliki 4.13. Ugotovili smo, da je razlika med obema metodama za določanje središč med središči za vsako točko izmed vseh testnih slik v povprečju enaka 1,40 slikovnih elementov.
Izmed navedenih slik smo za podrobnejšo analizo izbrali sliko 3.bmp, ki je prikazana na sliki 4.12. Za lažjo predstavo podatkov v obeh tabelah smo na njej označili posamezne številke navojev. V tabeli 4.1 lahko vidimo ko-ordinate središč, ki smo jih določili z uporabljenima metodama zaznavanja področij in Houghove transformacije kroga ter razliko oziroma razdaljo med
Diplomska naloga 39 št. zaznavanje področij Houghova transformacija razlika
navoja x y x y ∆
1 114,2526 165,4925 117,3847 166,0054 3,1738
2 205,4029 164,3059 204,8435 163,8278 0,7359
3 296,8212 164,0883 296,5687 164,9166 0,8660
4 387,9293 163,4411 387,2273 163,8278 0,8015
5 480,3557 163,5222 480,0190 163,8278 0,4547
6 570,3827 163,3438 570,6776 163,8278 0,5668
7 114,2647 345,4174 114,1850 344,5700 0,8512
8 205,1698 344,7843 203,7770 344,5700 1,4092
9 296,9107 345,2285 295,5021 345,6588 1,4728
10 388,6965 344,6084 388,2939 343,4812 1,1970 11 480,0592 345,2525 480,0190 345,6588 0,4083 12 571,9950 344,5815 571,7442 343,4812 1,1285 Tabela 4.1: Primerjava razlik med uporabljenima metodama na sliki 3.bmp.
obema točkama. Razlike so sicer minimalne, vendar smo ugotovili, da pri enem navoju večkrat rahlo odstopajo od ostalih meritev. Sklepamo, da je do tega prišlo zato, ker se je začela deska na robnem navoju med zajemanjem slike malce ohlajati in je posledično področje na tistem navoju malenkost ve-čje kot ostala področja. To lahko za naš primer vidimo predvsem pri prvem navoju. Ostale razlike so posledica oblike posameznega področja, saj ta niso v popolni obliki kroga oziroma krožnica ni popolna krivulja. Posledično je, ker pri algoritmu za zaznavanje področij za določanje središča uporabljamo točko težišča, zaradi nepopolne oblike središče lahko malenkost netočno.
V drugem delu primerjave obeh metod smo na sliki 3.bmp ročno določili središča za vsak posamezen navoj tako, da smo poljubno izbrali tri točke na krožnici, kot je vidno na sliki 4.13. Izbrali smo si točke na slikovnih elementih na prehodu iz najtemnejšega dela v za odtenek svetlejši del slike.
To nam omogoča, da s pomočjo sistema treh enačb 4.3, iz treh poznanih točk določimo natančen polmer in koordinate središča krožnice.
Slika 4.12: Testna slika 3.bmp z označenimi številkami navojev.
(x1−a)2 + (y1−b)2 =r2 (x2−a)2 + (y2−b)2 =r2 (x3−a)2 + (y3−b)2 =r2
(4.3)
V sistemu enačb x1, x2, x3, y1, y2, y3 predstavljajo koordinate treh po-ljubnih točk, ki smo jih določili. V sistemu enačb iščemo tri neznanke, in sicer a, b, ki predstavljata koordinate središča krožnice, in r2, ki predstavlja polmer. Rezultat sistema enačb za vseh 12 navojev na sliki 3.bmp je prikazan na spodnji tabeli 4.2, kjer je prikazano tudi odstopanje med ročno izraču-nanimi koordinatami ter obema metodama. Na dnu tabele je prikazano še povprečno odstopanje posamezne metode od ročnega izračuna središč. Za izračun odstopanja smo uporabili enačbo Pitagorovega izreka za računanje razdalje med dvema točkama v koordinatnem sistemu, ki je vidna v zgornji
Diplomska naloga 41
Slika 4.13: Uporabljene slike za testiranje.
Slika 4.14: Tri poljubno določene točke na posameznem navoju.
enačbi 4.2. Na podlagi teh podatkov lahko vidimo, da je učinkovitost do-ločanja središč obeh metod podobna, saj je razlika med njima v povprečju le desetinka slikovnega elementa in od ročno izmerjenih središč v povprečju odstopata le za en slikovni element.
Na zadnji sliki 4.14 je viden prikaz glavne strani aplikacije. Na desni strani so gumbi za nalaganje slik in izvoz podatkov v bazo, na levi sta pre-gledovalnika, ki služita prikazu središč za obe metodi iskanja, na sredini je drsnik za nastavitev binarizacije, kot tudi nastavitve dovoljene površine in raztezka, gumb za prikaz vhodne slike in gumb za vklop in izklop kamere.
št. ročno zaznavanje področij HCT navoja x y odstopanje odstopanje
1 115 167 1,6826 2,5838
2 206 165 0,9156 1,6466
3 296 166 2,0807 1,2236
4 388 165 1,5605 1,4040
5 481 164 0,8021 0,9960
6 571 163 0,7066 0,8884
7 113 345 1,3319 1,2606
8 205 345 0,2745 1,2964
9 298 347 2,0796 2,8351
10 387 346 2,1942 2,8317
11 480 346 0,7498 0,3417
12 572 343 1,5816 0,5450
povprečje: 1,3300 1,4877
Tabela 4.2: Primerjava razlik med ročnim izračunom središč in uporablje-nima metodama na sliki 3.bmp.
Diplomska naloga 43
Slika4.15:Videzglavnestraniaplikacije.
Poglavje 5 Zaključek
V okviru diplomskega dela smo se spoznali z razvojnim okoljem SICK App-Studio in industrijskim računalnikom SICK SIM4000, na katerem smo razvili spletno aplikacijo za detekcijo navojev segrevane snežne deske (angl. snow-board) na slikah, posnetih s termografsko kamero FLIR A615. Razvoj v omenjenem okolju je potekal v jeziku Lua, kjer smo implementirali dva algo-ritma za detekcijo navojev, in sicer zaznavanje področij ter Houghovo trans-formacijo kroga. Izkazalo se je, da sta oba algoritma ustrezna za določanje središč, ker smo z njima dobili zelo natančne in med seboj primerljive re-zultate. Ugotovili smo, da so med obema algoritmoma minimalne razlike in imata v primerjavi z ročnimi meritvami zelo majhna odstopanja. Poleg tega smo s pomočjo Node.js, HTML, MongoDB in arhitekture REST im-plementirali še podatkovno bazo, kamor se podatki meritev shranjujejo v JSON formatu. Ob tem smo se tudi spoznali s področjem računalniškega vida, samim delovanjem termografskih kamer in njihovo uporabo v realnem okolju.
Zaradi omejenega časa z opremo nam ni uspelo izpeljati vseh zadanih ciljev. Pri prihodnjem razvoju bi lahko segrevali desko do natančno določene mejne temperaturne vrednosti, katero bi odčitali s pomočjo termografske kamere, nato pa bi središča zaznali ob natančno določeni nižji temperaturni vrednosti, kar bi nam omogočilo polno avtomatizacijo aplikacije.
45
Literatura
[1] CA certificates extracted from Mozilla. Dosegljivo: https://curl.se/
docs/caextract.html. [Dostopano: 11. 11. 2021].
[2] FLIR A315 / A615. Thermal Imaging Cameras for Machine Vision. Do-segljivo: https://flir.netx.net/file/asset/10209/original. [Do-stopano: 20. 7. 2020].
[3] Git. Dosegljivo: https://git-scm.com/. [Dostopano: 14. 9. 2021].
[4] GitHub. Dosegljivo: https://github.com/. [Dostopano: 14. 9. 2021].
[5] Lua: about. Dosegljivo: https://www.lua.org/about.html. [Dosto-pano: 14. 9. 2021].
[6] OpenCV. Hough Circle Transform. Dosegljivo: https://docs.opencv.
org/3.4.15/d4/d70/tutorial_hough_circle.html. [Dostopano: 02.
11. 2021].
[7] SICK AppSpace. Dosegljivo: https://cdn.sick.com/media/docs/6/
16/216/special_information_sick_appspace_en_im0065216.pdf.
[Dostopano: 29. 01. 2022].
[8] SICK AppStudio. Dosegljivo: https://cdn.sick.com/media/
familyoverview/2/52/652/familyOverview_SICK-AppStudio_
g387652_en.pdf. [Dostopano: 29. 01. 2022].
[9] SIM 4000 Sensor Integration Machine Operating Instructi-ons. Dosegljivo: https://cdn.sick.com/media/docs/0/10/210/
47
operating_instructions_sim4000_sensor_integration_machine_
en_im0066210.pdf. [Dostopano: 11. 11. 2021].
[10] SIM4x00. Dosegljivo: https://cdn.sick.com/media/
familyoverview/2/52/452/familyOverview_SIM4x00_g386452_
en.pdf. [Dostopano: 20. 7. 2020].
[11] ThermoWorks. Infrared Emissivity Table. Dosegljivo: https://www.
thermoworks.com/emissivity-table. [Dostopano: 15. 7. 2020].
[12] Witold Czajewski and Marcin Iwanowski. Vision-based vehicle speed measurement method. In International Conference on Computer Vision and Graphics, pages 308–315. Springer, 2010.
[13] G. Gaussorgues. Thermal Emission by Matter, pages 11–60. Springer Netherlands, Dordrecht, 1994.
[14] Sandi Krivec. Primerjava segmentacijskih algoritmov na posnetkih zdra-vih in obolelih očeh. Magistrsko delo, Univerza v Mariboru, Fakulteta za elektrotehniko, računalništvo in informatiko, 2018.
[15] Tom Nardi. Hackaday. Adding Optics To A Consumer Thermal Camera.
Dosegljivo: https://hackaday.com/2018/03/08/adding-optics-to-a-consumer-thermal-camera/. [Dostopano: 8. 7. 2020].
[16] Anuj Patil. Vantablack: The world’s darkest material.Man-Made Texti-les in India, 43(1), 2015.
[17] Simon Just Kjeldgaard Pedersen. Circular hough transform. Aalborg University, Vision, Graphics, and Interactive Systems, 123(6), 2007.
[18] Tjaž Vračko. Razpoznavanje kovancev v digitalnih slikah s pomočjo raču-nalniškega vida in strojnega učenja. Diplomska naloga, Univerza v Ma-riboru, Fakulteta za elektrotehniko, računalništvo in informatiko, 2018.
Diplomska naloga 49 [19] Tadej Žgur. Detekcija položaja kroglice na igralniški ruleti s pomočjo računalniškega vida. Diplomsko delo, Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, 2005.