TRACKING DI PRODOTTO DI COLATA BASATO SU IMMAGINI

Laureando: Denis RONCHESE

Relatore: Felice Andrea PELLEGRINO

Co-Relatore: Gianfranco FENU

Università degli Studi di Trieste Dipartimento di Ingegneria e ArchitetturaCorso di Laurea in Ingegneria dell’Informazione

Anno accademico 2014-2015

Principi della colata continua

Marche di oscillazione

Tracking di identificazioneEtichette metalliche/cartacee;

Informazioni sul semilavorato;

Problemi:

durabilità a operazioni di magazzino e lavaggio;

durabilità a successive elaborazioni industriali;

impossibilità di applicazione su particolari semilavorati;

Problema ed obiettivo

Problema: Sfruttare le marche di oscillazione Implementare un sistema di tracking

Obiettivo: Studio di fattibilità Feature extraction

Premessa: immagini elaborate

Premessa: immagini elaborate

Selezione e correzione prospettica Correzione della distorsione obiettivo

Strategie di feature extraction

• Estrazione della frequenza

• Ricostruzione sintetica via interpolazione

• Ridge detection con kernel anisotropico

Estrazione della frequenza

1. Riconoscimento dei contorni: algoritmo di Sobel;

2. Saturazione edge: produzione di un’immagine binaria;

3. Operazioni morfologiche;

4. Somma in verticale: produzione di un vettore di picchi;

5. Autocorrelazione del segnale;

6. Trasformata di Fourier: analisi spettrale;

Estrazione della frequenza

Strategie di feature extraction

• Estrazione della frequenza

• Ricostruzione sintetica via interpolazione

• Ridge detection con kernel anisotropico

Ricostruzione via interpolazione

1. Selezione manuale dei punti d’interpolazione;

2. Calcolo polinomio interpolante per ogni marca di oscillazione;

• Polinomio di grado 5;

• Polinomio di grado 1;

3. Produzione delle immagini binarie con andamenti dei polinomi;

4. Calcolo vettore coefficienti angolari dei polinomi lineari interpolanti;

Ricostruzione via interpolazione

Strategie di feature extraction

• Estrazione della frequenza

• Ricostruzione sintetica via interpolazione

• Ridge detection con kernel anisotropico

Ridge detection con kernel anisotropico

G(y,�y) =e� y2

2�y2

2⇡�y

@

2G(x,�

x

)

@x

2=

x

2 � �

x

2

�

x

4·G(x,�

x

)

@

2G(x,�

x

)

@x

2·G(y,�

y

) =x

2 � �

x

2

�

x

4· e

� x

2

2�x

2e

� y

2

2�y

2

4⇡2�

x

�

y

Ridge detection con kernel anisotropico

1. Doppio filtro denoiser propedeutico all’analisi;

2. Convoluzione con il kernel anisotropico studiato;

3. Estrazione dei minimi: produzione immagine binaria;

Ridge detection con kernel anisotropico

Algoritmo di estrazione dei minimi:

1. Maschera di scorrimento: intorno di ogni pixel;

2. Calcolo del minimo ad ogni posizionamento della maschera;

3. Saturazione del pixel di minimo se la sua posizione coincide con il centro della maschera;

4. Pulizia immagine binaria;

Ridge detection con kernel anisotropico

Conclusioni• Estrazione della frequenza

‣ Robusto al rumore, efficace;

‣ Parametro non distintivo per il tracking;

• Ricostruzione sintetica via interpolazione ‣ Output binario promettente;

‣ Buona ricostruzione delle marche;

‣ Strategia difficilmente percorribile: selezione punti problematica;

• Ridge detection con kernel anisotropico ‣ Molto valida in alcune zone (poco rumorose)

‣ Problema dei falsi positivi;

‣ Strategia percorribile e migliorabile;

Conclusioni• Estrazione della frequenza

‣ Robusto al rumore, efficace;

‣ Parametro non distintivo per il tracking;

• Ricostruzione sintetica via interpolazione ‣ Output binario promettente;

‣ Buona ricostruzione delle marche;

‣ Strategia difficilmente percorribile: selezione punti problematica;

• Ridge detection con kernel anisotropico ‣ Molto valida in alcune zone (poco rumorose)

‣ Problema dei falsi positivi;

‣ Strategia percorribile e migliorabile;

Conclusioni• Estrazione della frequenza

‣ Robusto al rumore, efficace;

‣ Parametro non distintivo per il tracking;

• Ricostruzione sintetica via interpolazione ‣ Output binario promettente;

‣ Buona ricostruzione delle marche;

‣ Strategia difficilmente percorribile: selezione punti problematica;

• Ridge detection con kernel anisotropico ‣ Molto valida in alcune zone (poco rumorose)

‣ Problema dei falsi positivi;

‣ Strategia percorribile e migliorabile;

Sviluppi futuri

Vettore dell’evoluzione della frequenza;

Algoritmo per selezione automatica di punti di interpolazione;

Miglioramento algoritmo di estrazione dei minimi;

Grazie per l’attenzione!

La colata continua

Marche di oscillazione: come si formano?

A. Overflow; B. Overflow con rifusione; C. Ripiegamento del menisco;

Filtraggio lineare

Combinazione lineare valori intorno;

Correlazione

Convoluzione

è detto kernel o matrice di convoluzione;

g(i, j) = f ⌦ h =X

k,l

f(i+ k, j + l)h(k, l)

g(i, j) = f ⇤ h =X

k,l

f(i� k, j � l)h(k, l) =X

k,l

f(k, l)h(i� k, j � l)

h(k, l)

Filtraggio non lineare

Filtro mediano;

Filtro bilaterale

• doppio kernel: domain kernel e range kernel;d(i, j, k, l) = e

� (i�k)2+(j�l)2

2�d2 r(i, j, k, l) = e

� kf(i,j)�f(k,l)k2

2�r2

w(i, j, k, l) = d(i, j, k, l) · r(i, j, k, l)

g(i, j) =

Pk,l f(k, l)w(i, j, k, l)P

k,l w(i, j, k, l)

Filtraggio non lineare

Operatori morfologici

Operatori non lineari, applicabili ad immagini binarie;

Elemento strutturante

Operatori morfologici

Erosione Dilatazione

Apertura Chiusura

Edge detector: Sobel

Operatore differenziale discreto

Doppio kernel, uno per direzione

Edge detector: Sobel

Combinazione delle due immagini: matrici di intensità e direzione del gradiente

Estrazione della frequenza: ORIGINALI

1)

2)

Estrazione della frequenza: SOBEL

1)

2)

Estrazione della frequenza: SATURAZIONE

1)

2)

Estrazione della frequenza: OPERAZIONI MORFOLOGICHE

1)

2)

Estrazione della frequenza: VETTORE DEI PICCHI

1)

2)

Estrazione della frequenza: AUTOCORRELAZIONE

1)

2)

Estrazione della frequenza

Ricostruzione via interpolazione

Ricostruzione via interpolazione

Ricostruzione via interpolazione

Ridge detection con kernel anisotropico

Ridge detection con kernel anisotropico

Ridge detection con kernel anisotropico

Kernel anisotropico: scelta di sss �y

�y = 6 �y = 30 �y = 100