Adaptive Segmentierung von Tiefenbildern für die 3-D-Objektlageerkennung auf Basis von kombinierten regelgeometrischen Elementen

Abstract

Ein großes Hemmnis für automatisierte Entnahme ungeordneter Werkstücke direkt aus Behältern eine ist die aufwändige Konfiguration der zur Lagebestimmung notwendigen Objekterkennungsverfahren. Ein Ziel dieser Arbeit ist die Entwicklung einer für die nachfolgende Lagebestimmung optimalen, selbstadaptiven Segmentierung von Tiefenbildern. Ein weiteres Ziel ist die Entwicklung von Verfahren zur Lagebestimmung von Objekten, die aus mehreren regelgeometrischen Elementen auf einer Achse aufgebaut sind.

Die in dieser Arbeit entwickelte selbstadaptive Segmentierung basiert auf einem Optimierungsverfahren. Dazu wird der Ansatz der Evolutionsstrategie erweitert, um neben den klassisch behandelten reellwertigen Parametern auch allgemeine Parameter sowie den gesamten Programmablauf optimieren zu können. Zur Fitnessbewertung wird eine neue Vorgehensweise in der Tiefenbildverarbeitung umgesetzt. Die Bewertung der von der Segmentierung gelieferten Bereiche wird dabei anhand ihrer Eignung für die Objekterkennung durchgeführt. Durch diese 3-D-Fitnessbewertung sind vom Anwender nur noch die Geometriedaten des zu erkennenden Objekts vorzugeben. Das entwickelte Verfahren zur Einpassung kombinierter regelgeometrischer Elemente vermeidet numerisch ungünstige Randbedienungen, indem anstatt der verknüpften Positionsparameter der Einzelelemente nur genau eine Position verwendet wird und die Kombination der Einzelelemente über Formparameter des kombinierten Elements beschreiben werden.

Mit dem Verfahren zur automatischen Konfiguration wurden vor allem Versuche zur Anpassungsfähigkeit an unterschiedliche Ausgangsdaten durchgeführt, wobei sich die 3-D-Fitnessbewertung als sehr gut erwies. Die Leistungsfähigkeit der Einpassverfahren für kombinierte Elemente wurde in Anlehnung an Testverfahren aus der Koordinatenmesstechnik untersucht. Das vorgeschlagene Objekterkennungssystem wurde an Demonstratoren getestet und konnte eine praxistaugliche Leistung erreichen.

The difficult configuration of the object detection system is a big restraint for practical using of automatic bin picking systems. The development of a self adaptive segmentation of range images which is optimal for succeeding object detection is one goal of the presented work. A second goal is the development of methods for pose detection of Objects consisting of several geometric primitives lying on a common axis.

The self adaptive segmentation developed in this work is based on an optimization method. Thereto the ansatz of the evolution strategy is broadened to optimize besides the classical used real parameters also generic parameters and the complete program flow. A new method for fitness estimation in range image processing is developed. The fitness estimation measured by the usability of the segmented regions for object detection. Because of that 3D fitness estimation the user has only to provide the geometry description of the object to detect. The developed method for best fitting of combined geometric primitives avoids numerical unstable restrictions by using only one single position instead of linked positions of each single element. Instead the combination of the positions of the single elements is done using form parameters.

The automatic configuration method was tested with several experiments especially to its adaptiveness to different input data where the 3D fitness estimation showed good results. The performance of the fitting method for combined elements was tested following test methods in coordinate measurement. The suggested object detection system was tested in demonstrators and showed real-world performance.