Machine Vision mit Single-Pixel-Kamera und Deep-Learning-basierter Signalverarbeitung

Maschinen mithilfe optischer Messverfahren Orientierung in ihrer Umgebung zu ermöglichen – Machine Vision – ist ein bedeutendes Ziel aktueller Forschung, getrieben vom Bedarf an effektiv assistierenden oder vollständig autonom agierenden technischen Systemen.

Im Rahmen des Forschungsprojekts wurde ein neuartiger Ansatz für Machine Vision entwickelt, dessen herausragende Eigenschaften der Verzicht auf flächige Bildsensoren, die Datenauswertung mithilfe Neuronaler Netzwerke sowie die unmittelbare Extraktion von Features wie Größe und Position von Objekten im beobachteten Raum sind. Vorteile, die sich daraus ergeben, sind zum Beispiel ein einfacherer Sensor und eine vereinfachte Datenverarbeitung. Letzteres wird insbesondere dadurch erreicht, dass der Ansatz ohne eine explizite Bildrekonstruktion auskommt, womit er dem noch wenig erforschten Bereich der bildfreien Machine-Vision-Verfahren zuzurechnen ist.

Vergleich zwischen dem klassischen und bildfreien maschinellen Sehen (Machine Vision)

Realisiert wird dieses Konzept auf Basis einer Single-Pixel-Kamera, bei der die zu charakterisierende Szene mit Hell-Dunkel-Masken strukturiert beleuchtet wird. Das reflektierte Licht wird in einer Photodiode gesammelt, womit sich ein einzelner Intensitätswert ergibt. Diese Intensität hängt ab von der Struktur der Maske und der Objekte in der Szene, weswegen man durch sequenzielle Anwendung verschiedener Masken codierte Informationen über die Objekte sammelt. Mithilfe geeigneter Datenauswertung, in diesem Fall realisiert durch ein Neuronales Netz, können gesuchte Parameter anschließend direkt in Software rekonstruiert werden.

Prinzip der Single-Pixel-Kamera.

Gefördert durch:

GSaME

Verantwortlicher

Dieses Bild zeigt Alexander  Birk

Alexander Birk

M.Sc.

Wissenschaftlicher Mitarbeiter

Zum Seitenanfang