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

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;

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;

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


1. Doppio filtro denoiser propedeutico all’analisi;

2. Convoluzione con il kernel anisotropico studiato;

3. Estrazione dei minimi: produzione immagine binaria;


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;

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)

Kernel anisotropico: scelta di sss �y

�y = 6 �y = 30 �y = 100

Tracking di prodotto di colata basato su immagini [Presentazione]

Engineering

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