DD298158A5 - Verfahren zur schnellen automatischen erkennung von fehlern in unifarbenen, ungemusterten oder schwach gemusterten warenbahnen - Google Patents

Abstract

Das Verfahren wird vorzugsweise zur Automatisierung der Roh- und Fertigwarenschau in der Textil- bzw. Bekleidungsfertigung eingesetzt. Dabei werden in einer Lernphase ueber einer fehlerfreien Region Bildfenster positioniert, aus denen ueber Grauwerthistogramme die Sollwerte der Texturmerkmale und deren Streuungen ermittelt werden. Diese Streuungsparameter dienen zur Einstellung der Toleranzschwellen eines sequentiellen zweistufigen Klassifikators, in der Detektionsphase werden die Istwerte ermittelt und die Anzahl der UEberschreitungen der jeweiligen Toleranzschwellen des Klassifikators als Masz fuer die Toleranzauspraegung aufsummiert. Die schnelle Verarbeitung wird dadurch erreicht, dasz die sequentielle Klassifikation in einer speziellen zweistufigen Form angewendet wird. In der ersten Stufe erfolgt eine Grobklassifikation in fehlerfreie und fehlerverdaechtige Bildfragmente mit schnell berechenbaren Merkmalen. Nur bei Vorliegen fehlerverdaechtiger Bildfragmente schlieszt sich als zweite, rechenzeitaufwendige Stufe, die Feinklassifikation in fehlerfreie und fehlerhafte Bildfragmente an.

Description

Hierzu 6 Seiten Zeichnungen

Anwendungsgebiet der Erfindung

Die Erfindung betrifft ein Verfahren zur schnellen, d. h. mit dem technologischen Prozeß schritthaltenden automatischen Erkennung und Charakterisierung von Fehlern in unifarbenen, ungemusterten Warenbahnen. Es wird vorzugsweise zur Automatisierung der Roh- und Fertigwarenschau in der Textil- bzw. Bekleidungsfertigung aber auch in gleichartigen technologischen Fließprozessen benötigt, bei denen die visuelle Inspektion zur Erkennung von Fabrikationsfehlern automatisiert werden soll. Erforderlich ist ein solches Verfahren, um die Qualitätsprüfung von flächigen Materialien unter ständiger objektiver Kontrolle automatisch ablaufen zu lassen, womit eine wesentliche Voraussetzung für eine mängelarme Produktion erfüllbar ist.

-2- 298 158 Charakteristik des bekannten Standes der Technik

Vielen gefundenen Lösungen zur Prüfung von Warenbahnen, insbesondere Textilien ist gemeinsam, daß ein auf den zu untersuchenden Stoff auftreffender Lichtstrahl remitiert und transmitiert wird und daß dieses Licht auf Lichtsensoren fällt, dort in ein analoges elektrisches Signal gewandelt und einer Auswertungsschaltung mit Summen-, Differenzbildung u.a. zugeführt wird. Die Auswertung besteht in einer analogen Diskriminierung bei festen oder empirisch veränderbaren bzw. aus anderen Signalen erzeugbaren Schwellen. Weiterhin wird in DE-OS 3426065 mit einer Kamera (vornehmlich Videokamera) das 512 χ 512-BiId eines textlien Flächengebildes im Durchlicht abgetastet, verbessert, digitalisiert und gespeichert. Aus diesem werden die geometrischen Daten berechnet und unter dem Gesichtspunkt einer Statistik mit Modelldaten bei tolerierbaren Fehlern verglichen bzw. klassifiziert. Bildverbesserungstechniken, wie Bildaddition, Histogramm-Modifikation, Bildglättung und -Verschärfung sowie Kantendetektion werden vorgeschlagen. Gesteuert wird der Bildverarbeitungs- und -analyseprozeß durch einen Mikrorechner, der gegebenenfalls eine Fehlermarkierung veranlaßt. Mit dem Verfahren sollen unter vielen anderen Fehlern Maßabweichungen, Gewebefehler, Farbabweichungen, Flecken, Falten und Risse detektierbar sein. Aus dieser Patentschrift geht aber nicht hervor, wie die Fehlerdetektion konkret realisiert werden soll und welche evtl. schon bekannten Verfahren angewendet werden sollen.

Nach; -ilig bei diesen bekannten Verfahren zur Fehlerdetektion in Flächengebilden ist, daß sich die Auswertung des aus Remiss, on bzw. Transmission erhaltenen Lichtstroms nur auf elektrisch-elektronische Signale bezieht. Damit gelangen allein die plötzlichen Änderungen der Signalparameter bezüglich eines statistisch erfaßbaren Normalzustandes längs der Zeilen zur Auswertung und die strukturellen Bezüge zwischen den nächsten (und übernächsten usw.) Zeilen müssen unberücksichtigt bleiben. Damit wird die wesentliche Eigenschaft eines 2dimensionalen Bildes, Struktur und Textur auf Grund von Nachbarschaftsbeziehungen zwischen beliebigen Bildelementen zu besitzen, durch Schnitte in Form von Bildzeilen zerstört. Diese Verfahren zerlegen ursprünglich 2dimensionale Bilder in 1 dimensionale Signale, womit ihre Schwächen, z. B. textile Fehler in Schlußrichtung zu erkennen, aber solche in Kettrichtung nicht detektieren zu können, grundsätzlich erklärbar sind. Die Überwindung dieser Mängel setzt die Berücksichtigung allgemeiner Nachbarschaftsbeziehungen in zweidimensionalen Bildern voraus. Dazu ist jedoch ein wesentlich höherer Berechnungsaufwand sowie das Ablegen mehrerer Bildzeilen (je nach Reichweite der Nachbarschaftsbeziehungen) in zusätzlichen schnellen Pufferspeichern erforderlich.

In „Bekleidung und Maschenware" (Band 28 [1989] Heft 2, S. 58-61) wurde nun ein Verfahren vorgeschlagen, das wohl auf der angesprochenen Nutzung der zweidimensionalen Nachbarschaftsbeziehungen beruht, aber durch den höheren rechentechnischen Aufwand den industriellen Echtzeitforderungen nicht genügen kann.

Ziel der Erfindung

Das Ziel der Erfindung besteht daher darin, unifarbene, ungemusterte oder schwach gemusterte textile und andere Warenbahnen auf Fabrikationsfehler mit einem schnellen, d.h. mit dem technologischen Prozeß schritthaltenden Verfahren der digitalen Bildverarbeitung automatisch zu prüfen.

Darlegung des Wesens der Erfindung

Der Erfindung liegt die Aufgabe zugrunde, ein automatisches Verfahren zur schnellen, mit dem technologischen Prozeß schritthaltenden Erkennung von Fehlern in unifarbenen, ungemusterten oder schwach gemusterten Warenbahnen unter Verwendung an sich bekannter Verfahren der digitalen Bildverarbeitung zu schaffen, welches auf den densitometrischen und strukturellen Bezügen im Bild der Warenoberfläche aufbaut und auf feinem Vergleich der Werte der die fehlerfreien bzw. fehlerhaften Oberflächenregionen beschreibenden statistischen Texturmerkmale beruht.

Erfindungsgemäß wird die Aufgabe, ausgehend von der Erzeugung und Speicherung eines zweidimensionalen Rasterbildes der Warenbahnoberfläche und anschließenden Erzeugung von Grauwerthistogrammen verschieden hoher Ordnung zur Ermittlung der Intensitäts- und Strukturbeziehungen, wobei die Erzeugung eines eindimensionalen Histogramms für die Intensitätsbeziehungen und eines zweidimensionalen Histogramms bzw. eines weiteren eindimensionalen Histogramms, aber von dem kantendetektierten oder durch andere Nachbarschaftsoperatoren bearbeiteten, digitalen Bilde als gleichwertige Ausführung für die Strukturbeziehungen angesehen wird, dadurch gelöst, daß in einer Lernphase, auch als Einstell- oder Trainingsphase bezeichnet, über einer als fehlerfrei ausgewiesenen Region des Rasterbildes der Warenbahnoberfläche möglichst viele Bildfragmente positioniert werden, aus denen jeweils die Grauwerthistogramme und davon die Soll-Werte der Texturmerkmale ermittelt werden. Die Streuungen dieser Merkmale werden dann zur Einstellung der Toleranzschwellen zweier Parallelepipede im Merkmalsraum verwendet.

In der anschließenden Detektionsphase werden die Grauwerthistogramme aus Bildfragmenten über der ganzen Warenbahn bei gleichen optischen Aufnahmebedingungen und jeweils die Ist-Werte der Texturmarkmale berechnet und die Anzahl der Überschreitungen der jeweiligen Toleranzschwellen des betrachteten Parallelepipeds aufsummiert, die ein Maß für die Ausprägung des Fehlers in einer Fragmentposition und alle Ausprägungen zusammengefaßt ein Bild der in der Stoffbahn detektieren Fehler darstellen. Zur Fehlercharakterisierung wird ein Epiped während der Detektionsphase wie folgt benutzt: Befindet sich ein momentan gewonnenes Merkmalstupel vollständig im Innern des Epipeds, dann erfaßt das zugehörige Bildfragment eine fehlerfreie Bildregion. Liegt jedoch das Merkmalstupel teilweise oder vollständig außerhalb der Toleranzschwellen, dann ist das Fragment einer fehlerhaften Bildregion zugehörig in einem Grad, der von der Anzahl der aktiven Merkmale abhängt, die ihre Toleranzschwellen überschritten haben. Die Anzahl der in vorteilhafter Weise mit dem Abstand von der jeweiligen Schwelle gewichteten Überschreitungen wird als Maß für die Ausprägung des Fehlers an der Position des Bildfragmentes betrachtet.

Die weitere Verarbeitung kann auf zweierlei Arten erfolgen: 1. Die Ausprägung des Fehlers im aktuellen Bildfragment wird unmittelbar zur Fehlercharakterisierung verwendet.

2. Die Ausprägung des Fehlers im aktuellen Bildfragment wird mittels zweier Schwellen den Klassen fehlerfrei, fehlerverdächtig und fehlerhaft zugeordnet. Die erfindungsgemäße Lösung bezieht sich auf den zweiten Fall.

Die schnelle prozeßschritthaltende Verarbeitung wird dadurch erreicht, daß das an sich bekannte Prinzip einer sequentiellen Klassifikation in einer speziellen zweistufigen Form angewendet wird. Dazu werden in der ersten Einstellphase von den benutzten Texturmerkmalen in Abhängigkeit von Material- und Fehlerarten ein oder mehrere relevante, jedoch schnell berechenbare Merkmale ausgewählt und aus deren Streuungen ein erstes Parallelepiped gebildet. Die Streuungen der übrigen Merkmale bilden ein zweites Parallelepiped. In einer zweiten Einstellphase werden die genannten zwei Schwellen festgelegt. In der ersten Stufe des sequentiellen Klassifikators wird eine Grobklassifikation in der Weise durchgeführt, daß mit dem ersten Parallelepiped die schnell berechenbaren Merkmale entsprechend der oben beschriebenen Vorgehensweise gewichtet werden und anschließend mit der ersten Schwelle klassifiziert wird, cb es sich um ein fehlerfreies oder ein fehlerverdächtiges Bildfragment handelt.

Liegt ein fehlerfreies Bildfragment vor, so wird die Verarbeitung mit dem nächsten Bildfragment forty*., „tzt. Liegt ein fehlerverdächtiges Bildfragment vor, so wird in der zweiten Stufe des sequentiellen Klassifikators eine Feinklassifikation in der Weise durchgeführt, daß mit dem zweiten Parallelepiped alle übrigen Merkmale entsprechend der oben beschriebenen Vorgehensweise gewichtet werden und anschließend mit der zweiten Schwello klassifiziert wird, ob es sich um ein fehlerfreies oder ein fehlerhaftes Bildfragment handelt.

Bezüglich der Verarbeitungsgeschwindigkeit kann man voraussehen, daß die Zeit für eine Grobklassifikation sehr klein gegenüber der Zeit für eine Feinklassifikation ist, d. h. die Verarbeitungszeit fü' eine gegebene Bildregion wird entscheidend durch die Anzahl der Feinklassifikation bestimmt.

Aufgrund der Tatsache, daß die Fehlergebiete normalerweise nur eine sehr geringe Ausdehnung gegenüber der gesamten Warenbahnoberfläche aufweisen, ist auch die Anzahl der fehlerverdächtigen Bildfragmente, also der Fragmente, die anschließend der zeitkritischen Feinanalyse entworfen werden müssen, sehr klein gegenübsr der Gesamtzahl aller Bildfragmente.

Daraus folgt, daß das beschriebene zweistufige Klassifikationsprinzip die Voraussetzung für eine wesentliche Steigerung der Verarbeitungsgeschwindigkeit bietet. Mit der Schwelle T1 kann die Anzahl der fehlerverdächtigen Bildfragmente gesteuert und damit die Verarbeitungsgeschwindigkeit in einem weiten Bereich variiert v/erden.

Bei der Festlegung der Schwellen in der Einstellphase verfährt man zweckmäßigerweise nach folgenden Regeln: Schwelle TI: Diese wird zweckmäßigerweise so gewählt, daß in weiteren, als fehlerfrei ausgewiesenen Bildregionen der Anteil der in der Grobanalyse als fehlerverdächtig klassifizierten Bildfragmente an der Gesamtheit aller Bildfragmente so klein ist, daß eine vorgegebene Steigerung der Verarbeitungsgeschwindigkeit erreicht wird. Schwelle T2: Diese wird zweckmäßigerweise so gewählt, daß sie dem ersten Minimum der Häufigkeitsverteilung der lokalen Fehlerausprägungen nahekommt, womit falscher Alarm weitestgehend vermieden wird.

Die Detektionsphase wird über einem zusammenhängenden Stoffgebiet (z. B. einon vollständigen textlien Warenballen) bei sich in vorteilhafter Weise überlappenden Bildfragmenten durchgeführt und liefert vermittels der berechneten Fehlerausprägungen als Resultat ein (diskontinuierliches) Fehlerbild des gegebenen Stoffgebietes mit hoher Datenreduktion. Aus diesem lassen sich die Orte der Fehler, ihre Ausdehnungen in Schuß- und Kettrichtung, ihre Formen u.a. anhand morphometrischer Merkmale bestimmen. Hierzu wird das Fehlerbild mit an sich bekannten Verfahren der digitalen Bildverarbeitung einer Segmentierung und morphometrisrhen Analyse unterzogen. In einer vorteilhaften Ausführung hierzu wird das Fehlerbild mit dem direktionalen Medianfilter geglättet und restauriert sowie mit dem Zeilenkoinzidenzverfahren bei gleichzeitiger Berechnung der Größen- und Formmerkmale segmentiert. Damit können in einer ersten Ausführungsstufe zur Fehlertypklassifizierung mindestens punktförmige und flächige Felder voneinander unterschieden und somit Dickstellen, Nester, Flecke, Löcher und Noppen als Fehler klassifiziert werden.

In einer zweiten Ausführungsstufe zur Typklassifizierung können die Häufigkeiten der aktiven Merkmale bezüglich jeweils eines in der ersten Ausführungsstufe segmentierten Fehlers analysiert werden. Zusammengefaßt ergeben sie ein Merkmalshistogramm, das sich von den Merkmalshistogrammen anderer Fehler unterscheidet. Die Unterschiede sind durch Merkmale beschreibbar, die zusammen mit den Ergebnissen der morphometrischen Analyse zur Klassifikation nach Fehlertyp nutzbar sind.

Mit dieser Klassifizierung auf der Basis des Fehlerbildes und der Merkmalshäufigkeiten der einzelnen Fehler muß eine andere Klasseneinteilung als nach dem bisher benutzten Fehlerstandard erwartet werden. Hier gehen objektive Maße ein, die allein am optischen Erscheinungsbild orientiert sind und das spezielle Vor- und Fachwissen eines Warenschauers nicht enthalten. Der Lösung der Aufgabe lagen folgende Prämissen zugrunde: Das optische Erscheinungsbild einer Materialoberfläche läßt sich als eine quasiperiodische Anordnung von nicht scharf definierbaren und miteinander vernetzten Strukturelementen charakterisieren, die zufällig oder schwach strukturiert angeordnet sind.

Diesem Bild kommt die Eigenschaft einer Textur zu. Ein Fehler in einem Stoff bewirkt eine Texturstörung oder -änderung, die vom menschlichen Betrachter als lokale Auffälligkeit signalisiert wird. Damit sollen nicht Texturen an sich unterschieden werden. Vielmehr sind Abweichungen von einer durch Material- und Fabrikationsart bedingten Textur zu erkennen und diese quantitativ und möglichst auch qualitativ zu bewerten.

Zur objektiven Beurteilung von Fehlern wurde unter Beachtung von Materialeigenschaften und der enormen Fehlervielfalt der statistische Zugang gewählt. Er beruht auf der Berechnung von Merkmalen (vornehmlich gewichteten Flächenmomenten und deren Modifikation) aus Häufigkeitsverteilungen (Histogrammen) verschieden hoher Ordnung über Grauwerten von Bildeleme. iten, die während der Analyse der optoelektronisch abgebildeten Materialoberfläche aus systematisch verschiebbaren Bildfragmenten entnommen werden. Die erhaltenen Merkmalswerte hängen von der Textur bzw. ihrer Störung, der Beleuchtungsart und von der geometrischen und teilweise auch von der densitometrischen Auflösung ab. Sobald ein Fehler von dem positionierten Bildfragment erfaßt wird, zeigen die Merkmalswerte keine, eine geringe bzw. eine wesentliche Abweichung, die von der Stoff-, besonders aber von der Fehlerart abhängig ist. Dabei stützt sich die Fehlererkennung auf die Erkennung der Abweichungen von textureilen Merkmalswerten gegenüber solchen prototypischen Werten, die aus fehlerfreien Bildregionen des gleichen Materials unter gleichen Aufnahmebedingungen gewonnen werden. Die Verteilungen der Merkmalswerte aus einer Folge von Bildfragmenten über einem fehlerfreien Gebiet unterliegen

texturbedingten Streuungen, die sich durch Streuparameter kennzeichnen lassen, und aus welchen in einer Lernphase die zwei Parallelepipede mit Toleranzschwellen für den sequentiellen Klassifikator konstruiert werden.

Ausführungsbaisplele

Die Erfindung soll nachstehend an dem Ausführungsbeispiel „Detektion von Fabrikationsfehlern in unifarbenen, ungemusterten Stoffen" erläutert werden. Die zugehörigen Zeichnungen zeigen in

Fig. 1: die prinzipiellen Verarbeitungsstufen des Verfahrens

Fig. 2: die nachgezeichnete Silhouette eines für das Beispiel ausgewählten Webfehlers (Dickstelle [links] mit Nest [rechts]) Fig.3: das Prinzip der Erzeugung von 1- und 2dimensionalen Histogrammen aus Häufigkeitszählungen von Grauwerten (links

unten) bzw. Grauwertpaaren (rechts unten), die jus einem Bildfragment (oben) entnommen werden Fig. 4: das in der Lernphase aus den Extremwerten konstruierte Parallelepiped (hier für 2 Dimensionen als Rechtecke gezeichnet) zur Unterscheidung der aktiven von den passiven Texturmerkmalen und zur Berechnung der Fehlerausprägung in der Detektionsphase bei einer gegebenen Position des Bildfragments. Die Zahlen geben die Gewichte für die Aufsummierung nach Formel (unten) zur Fehlerausprägung an

Fig. 5: Beispiel für die zweistufige Klassifikation mit Einteilung in fehlerfreie, fehlerverdächtige und fehlerhafte Bildfragmente Fig. 6: das Fehlerbild (oben) des Webfehlers nach Fig. 2 als Gesamtheit der Fehlerausprägungen nach der Wichtung der Merkmale durch das Parallelepiped PE2, das mediangeglättete und mit der Schwelle T2 in fehlerfreie und fehlerhafte Bildfragment klassifizierte Rehlerbild (Mitte) und die fehlerbeschreibenden, morphometrischen Merfcmalswerte (unten) als Protokoll des detektieren Fehlers.

Das erfindungsgemäße Verfahren ist nach Fig. 1 durch einen schrittweisen Ablauf einer Fehlerdetektion gekennzeichnet. Im einzelnen sind die Bildverarbeitungsschritte:

1. Zunächst wird ein digitales Bild durch zeilenweises Abtasten eines gleichmäßig bewegten, textlien Stoffes durch eine (CCD)-Festkörper-Zeilenkamera mit Beleuchtungseinrichtung und Analog/Digital-Wandler von der Stoffoberfläche in Remission nach Fig. 2 erzeugt und z. B. als 128 χ 128 χ 4-bit-Bild im Speicher eines Biidverarbeitungssystems abgelegt.

2. Das gespeicherte Bild wird entweder als unbearbeitetes Rohbild zur weitoren Verarbeitung bereitgehalten oder einer Bildverbesserung (z. B. Kontrastverstärkung) durch Histogramm-Modifikation und gegebenenfalls einer Kantenverstärkung (z.B. approximierte Differentialoperation) durch lokale Operationen unterworfen.

3. Zur Realisierung der Lernphase werden im Bild einer vom Fachmann als fehlerfrei ausgewiesenen Stoffregion möglichst viele 16x16-Bildfragmente wahlweise positioniert, aus ihnen die Häufigkeiten der Grauwerte und Grauwertpaare durch Aufsummierung bestimmt und zu 1-bzw. 2dimensionalen Histogrammen zusammengefaßt (s. Fig.3). Aus dem Idimensionalen Histogramm HIS(I), I = 0,1,..., R-1, mit R Graustufen lassen sich die Werte der Merkmale: Spannweiten WE und WZ aus den 1%igen bzw. 10%igen oberen und unteren Quantilen

Maximale Häufigkeit HM

II*HIS(I)/MO

Z(I-M1)²*HIS(I)/MO

VA/M1

Σ I * HIS(I)/MO

Z(l-M1)³«HIS(l)/M07(VA)

Σ HIS(IUMO

Σ ABS (HIS(I) - MO/R)/SQRT(HIS(I)(1 - HIS(I)/MO) + (1 - 1/R ♦ MO)

berechnen, wobei MO = HIS(I) die Summe der Häufigkeit oder die Anzahl aller, hier 256, Bildelemente des Fragmentes ist. Das 2dimensionale Histogramm (auch Co-occrrence-Matrix genannt) CM(I, J), I, J = 0,1,..., R-I, liefert die Werte der Merkmale:

Mittelwert	M1
Varianz	VA
Variationskoeffizient	VK
Kontrast	M2
Schiefe	SK
Energie	EN
Modul	Mo

Mittelwert bez.	IM10 = ΣΣΙ*	CM/MOO
Mittelwert bez.	JM01= ΣΣJ	► CM/MOO
und mit	M11 = ΣΣΙ»	J « CM/MOO
und	M20 = ΣΣΙ»	CM/MOO
und	MO2 = ΣΣJ	► CM/MOO
Varianz bez.	IVAX = M20	-M10*
Varianz bez.	JVAY = MO2	- M01*
Kovarianz	COV = M11·	-M10*MO1
Energie	ASM = ΣΣΰΜ/ΜΟΟ
Kontrast	SDM = ΣΣ (I
Homogenität	IDM = ΣΣα
- J) « CM/MOO
Λ/(1 +(I-J))/MOO

wobei MOO = CM(I, J) die Summe der Paarhäufigkeiten, hier 784, ist. Aus den Merkmalswerten der verschiedenen Fragmentpositionen ergeben sich für je Jes Merkmal die Streuparameter z. B. in Form ihrer Extremwerte MIN(Fn) und MAX(Fn), die als Toleranzschwellen für die Konstruktion der zwei Parallelepipede PE 1 und PE 2 im entsprechend dimensionierten Merkmalsraum dienen.

Schnell berechenbare Merkmale sind beispielsweise die 1%- und 10%igen oberen und unteren Quantile, die zugehörigen Spannweiten WE bzw. WZ und die Summen SE bzw. SZ oder die maximale Häufigkeit HM. Diese Merkmale bilden das Parallelepiped PE 1, die übrigen Merkmale das Parallelepiped PE 2.

Weiterhin werden in der Lern- bzw. Einstellphase die zwei Schwellen T1 und T2 festgelegt. Mit der Schwelle T1 erfolgt in der ' 'Men Stufe des sequentiellen Klassifikators eine Unterscheidung der Fehlerausprägung dos aktuellen Bildfragmentes in fehlerfrei und fehlerverdächtig. Mit der Schwelle T2 erfolgt in der zweiten Stufe eine Unterscheidung in fehlerfrei und fehlerhaft.

4. In der Detektionsphase wird das Bildfragment über dem Bild der zu inspizierenden Stoffregion (praktisch über den ganzen Stoffballen) lückenlos und gegenseitig halb überlappend positioniert, die Histogramme in jeder Position erstellt, die Merkmalswerte errechnet und diese durch das in der Lernphase unter gleichen Bedingungen konstruierte Epiped PE 1 daraufhin bewertet, welche und wieviel aktive Merkmale ihre eigenen Toleranzschwellen überschreiten. Die Anzahl der Überschreitungen, die vorteilhaft mit dem Abstand von den Schwellen gewichtet sind, ist die lokale Fehlerausprägung an der momentanen Position des Bildfragments.

Die lokale Fehlerausprägung wird mittels der Schwelle T1 in „fehlerfreies Bildfragment" oder „fehlerverdächtiges Bildfragment" klassifiziert. Liegt ein fehlerfreies Bildfragment vor, wird die Verarbeitung mit der nächsten Fensterposition fortgesetzt. Im anderen Fall werden analog zum Vorgehen mit dem Satz schnell berechenbarer Merkmale die übrigen Merkmale mit dem Parallelepiped PE 2 auf gleiche Weise gewichtet. Mit der Schwelle T2 wird in „fehlerfreies Bildfragment" oder „fehlerhaftes Bildfragment" klassifiziert.

Das sog. Fehlerbild (Fig. 5) enthält da: Ergebnis der Detektionsphase. Die schwachen Punkte zeigen fehlerfreie Bildfragmente, die stärker ausgeprägten Punkte fehlerverdächtige und das Plus zeigt fehlerhafte Bildfragmente an. Ein Beispiel für den zweiten Klassifikationsschritt gibt Fig. 6. Die Nullen im Fehlerbild zeigen die fehlerfreien und die Zahlen größer als Null die fehlerverdächtigen Gebiete nach dem Maß der Fehlerausprägung an. Nach der Klassifikation mit der Schwelle T2 entsteht das binäre Fehlerbild (Fig.6, Mitte). Vor dieser Klassifikation ist es möglich, das Fehlerbild (Fig.6, oben) mittels direktorialen Medianfilter zu glätten und zu restaurieren.

5. Das binäre Fehlerbild kann jetzt einer Segmentierung durch das Zeilenkoinzidenzverfahren mit einer Größen- und Formanalyse durch gleichzeitige Berechnung der morphometrischen Merkmale

Ausdehnung in Schußrichtung DX = MAX (X)-MIN (X)+ 1

Ausdehnung in Kettrichtung DY = MAX(Y)-MIN (Y) + 1

Fläche des umschreibenden Rechtecks REG =DX*DY

Fläche der Fehlersilhouette ARE = Summe der 1-Pixel

Formfaktor FOR = 10*DX/DYbzw.- 10»DY/DX

Füllfaktor FUL =100 «ARE/REG

für die einzelnen Fehler unterworfen werden. Damit ist eine Beschreibung und Protokollierung der Fehler (wie in Fig. 5 und Fig. 6, unten, für die Beispiele gezeigt) möglich. Die detektieren Fehler lassen sich nach ihren Orten (XCO, YCO), Ausdehnungen in Schuß- und Kettrichtung (DX, DY), nach ihren Flächen (REG bzw. ARE), ihren geometrischen Formen (FOR) und der Füllung (FUL) des umschreibenden Rechtecks unterscheiden. Im Beispielsfall (Fig. 6) handelt es sich um einen Fehler der äußeren Abmessung von 14 χ 7 Längeneinheiten (4 28mm χ 14mm), der Silhouettenfläche von 52 Flächeneinheiten (A 208mm²), die 63% der Fläche des Fehlerumschreibenden Rechteckes von 98 Flächeneinheiten (A 392 mm¹] ausfüllt; der Fehler ist in Schußrichtung um den Faktor 2 (FOR = 20) ausgedehnt.'

Claims (1)

1. Verfahren zur schnellen automatischen Erkennung von Fehlern in unifarbenen, ungemusterten oder schwach gemusterten Warenbahnen, bei dem von der Warenoberfläche ein zweidimensionales digitales Rasterbild erzeugt, gespeichert und wahlweise mit an sich bekannten Nachbarschaftsoperationen verarbeitet wird und anschließend mittels verschiebbarer Bildfragmente Grauwerthistogranime verschieden hoher Ordnung zur Ermittlung der Intensitäts- und Strukturbeziehungen erzeugt und in einer vorgelagerten Lernphase von einer fehlerfreien Region des Raste/ bildes der Warenoberfläche Bildfragmente entnommen werden, aus denen Grauwerthistogramme und mitdiesendieToleranzschwellenvorgegebenei Texturmerkmale ermittelt werden, die im Merkmalsraum ein Parallelepiped definieren, und in einer nachfolgenden Detektionsphase über dem gesamten Rasterbild der vollständigen WarenoberflS: We bildfragmente für die Erzeugung der Grauwerthistogramme und für die Berechnung der gleichen Merkmale benutzt

   werden, um die Anzahl der Überschreitungen oder der mit dem Abstand von den jeweiligen

   Toleranzschwellen gewichteten Überschreitungen dieser Schwellen zu bestimmen, die die lokale Fehlerausprägung anzeigen und ^;n ihrer Gesamtheit das Fehlerbild der Warenbahn beschreiben, dadurch gekennzeichnet,

   daß in der Lernphase über einer als fehlerfreies Gebiet ausgewiesenen Region des Rasterbildes der Warenbahnoberfläche möglichst viele Bildfragmente positioniert werden, aus denen jeweils die Grauwerthistogramme und daraus die Sollwerte der Texturmerkmale ermittelt werden, daß die Streuungen der Merkmale zur Einstellung der Toleranzschwellen zweier Parallelepipede im Merkmalsraum verwendet werden, wobei für die Einstellung des ersten Parallelepipeds einige schnell berechenbare Merkmale und für das zweite Parallelepiped alle übrigen Merkmale zugrunde gelegt werden,

   daß ferner zwei Schwellen, mit denen die mittels der Parallelepipede gewichteten Merkmalssätze klassifiziert werden können, festgelegt werden, wobei die erste Schwelle so gewählt wird, daß in fehlerfreien, nicht zum Lernen benutzten Bildregionen der Anteil der in der Grobanalyse als fehlerverdächtig klassifizierten Bildfragmente an der Gesamtheit aller Bildfragmente so klein ist, daß eine vorgegebene Steigerung der Verarbeitungsgeschwindigkeit erreicht wird und die zweite Schwelle automatisch aus dem Häufigkeitsverlauf der Fehlerausprägungen von fehlerfreien, nicht zum Lernen benutzten Bildregionen ermittelt wird, daß in der anschließenden Detektionsphase über dem unter gleichen Aufnahmebedingungen erzeugten Rasterbild Bildfragmente erzeugt werden, aus denen mittels der Grauwerthistogramme in einer ersten Stufe die Istwerte der schnell berechenbaren Merkmale ermittelt und mittels des ersten Parallelepipeds gewichtet werden,

   wobei die Anzahl der Toleranzschwellenüberschreitungen eine lokale Fehlerausprägung darstellt und mittels der ersten Schwelle entschieden wird, ob es sich um ein fehlerfreies oder ein fehlerverdächtiges Bildfragment handelt,

   wobei im Falle eines fehlerfreien Bildfragmentes zur Verarbeitung des nächsten Bildfragmentes übergegangen wird und im Falle eines fohlerverdächtigen Bildfragmentes in einer zweiten Stufe die Istwerte aller übrigen Merkmale ermittelt und mittels des zweiten Parallelepipeds gewichtet werden, wobei die Anzahl der Toleranzüberschreitungen wiederum eine lokale Fehlerausprägung darstellt und mittels der zweiten Schwelle entschieden wird, ob es sich um ein fehlerfreies oder ein fehlerhaftes Bildfragment handelt,

   und daß die Fehlerausprägungen aller Fragmentpositionen zu einem Fehlerbild zusammengefaßt werden, welches dann mit an sich bekannten Verfahren der digitalen Bildverarbeitung einer Segmentierung und einer morphometrischen Analyse zur Charakterisierung der Fehler unterzogen