Tracking di prodotto di colata basato su immagini [Presentazione]

of 47/47
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 Architettura Corso di Laurea in Ingegneria dell’Informazione Anno accademico 2014-2015
  • date post

    11-Jan-2017
  • Category

    Engineering

  • view

    144
  • download

    0

Embed Size (px)

Transcript of Tracking di prodotto di colata basato su immagini [Presentazione]

  • TRACKING DI PRODOTTO DI COLATA BASATO SU IMMAGINI

    Laureando:

    Denis RONCHESE

    Relatore:

    Felice Andrea PELLEGRINO

    Co-Relatore:

    Gianfranco FENU

    Universit degli Studi di Trieste Dipartimento di Ingegneria e ArchitetturaCorso di Laurea in Ingegneria dellInformazione

    Anno accademico 2014-2015

  • Principi della colata continua

  • Marche di oscillazione

  • Tracking di identificazioneEtichette metalliche/cartacee;

    Informazioni sul semilavorato;

    Problemi:

    durabilit a operazioni di magazzino e lavaggio;

    durabilit a successive elaborazioni industriali;

    impossibilit di applicazione su particolari semilavorati;

  • Problema ed obiettivo

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

    Obiettivo: Studio di fattibilit 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 unimmagine 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 dinterpolazione;

    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 y

    2

    2y2

    2y

    @

    2G(x,

    x

    )

    @x

    2=

    x

    2 x

    2

    x

    4G(x,

    x

    )

    @

    2G(x,

    x

    )

    @x

    2G(y,

    y

    ) =x

    2 x

    2

    x

    4 e x2

    2x

    2e

    y2

    2y

    2

    42x

    y

  • Ridge detection con kernel anisotropico

    1. Doppio filtro denoiser propedeutico allanalisi;

    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 dellevoluzione della frequenza;

    Algoritmo per selezione automatica di punti di interpolazione;

    Miglioramento algoritmo di estrazione dei minimi;

  • Grazie per lattenzione!

  • 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

    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

    (ik)2+(jl)2

    2d2 r(i, j, k, l) = e

    kf(i,j)f(k,l)k2

    2r2

    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 intensit 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