Agenda. Voorstellen. Uw applicatie. Technische context. Project aanpak

Transcriptie

1

2 Agenda Voorstellen Uw applicatie Technische context Project aanpak

3 Batenburg Data Vision X-Ray UV VIS NIR SWIR MWIR LWIR X-Ray Ultra Violet Visible Near IR Short Wave Mid Wave Long Wave nm nm nm nm um um um Dr. Austin Richards

4 Batenburg Data Vision X-Ray UV VIS NIR SWIR MWIR LWIR X-Ray Ultra Violet Visible Near IR Short Wave Mid Wave Long Wave nm nm nm nm um um um Dr. Austin Richards

5 Batenburg Data Vision / IPC Beeld-bewerking Software Result Lens Camera Frame grabber... Beeld-recording Software Hole Radius mm mm mm Verlichting User interface

6

7 Maar meneer Hanekamp Ik zit in de AGRO / FOOD

8 Maar meneer Hanekamp Ik zit in de AGRO / FOOD Ik heb niet van dit soort mooie plaatjes

9 Maar meneer Hanekamp Ik zit in de AGRO / FOOD Ik zit in de natuurlijke producten met een onvoorspelbare omgeving

10 Maar meneer Hanekamp Ik zit in de AGRO / FOOD En mij plaatjes komen zeker niet uit machine vison paradijs

11 Application example: De-hazing Original Result Recovered depth

12 segment_image_mser with cluttered background

13

14

15 Separate texture with edge-preserving filters Original Image structure Texture

16 Enhance details with edge-preserving filters Original Enhanced

17 reconstruct_surface_stereo supports color mapping

18 1 e conclusie

19 1 e conclusie Uw Agro / Food applicatie is niet voor watjes

20 The Machine Vision Hierarchy Level 3 High throughput High-end computer Large number of cameras Very high speed product movement Challenging lighting and imaging Sophisticated algorithms Level 2 PC and smart camera Substantial computer resources Wide variety of algorithms Limited machine I/O Small number of cameras Level 1 Smart sensor Modest CPU resources Standard algorithms Minimum control Level 0 Vision sensors for dedicated applications, e.g., Bar Code, OCR

21 The Machine Vision Hierarchy Level 3 High throughput High-end computer Large number of cameras Very high speed product movement Challenging lighting and imaging Sophisticated algorithms Level 2 PC and smart camera Substantial computer resources Wide variety of algorithms Limited machine I/O Small number of cameras Level 1 Smart sensor Modest CPU resources Standard algorithms Minimum control Level 0 Vision sensors for dedicated applications, e.g., Bar Code, OCR

22 HALCON, MERLIC, and its Competition in the Machine Vision Hierarchy

23 Agenda Voorstellen Uw applicatie Technische context Project aanpak

24 Kenmerken Automatisering?

25 Kenmerken Sensoren Automatisering t.a.v. data 0 of 1 out 4-20 in 8 bits (256) ma out

26 Kenmerken Sensoren Vision t.a.v data De data van 1 x VGA camera van 656x494 pixels 8 bits diep = 0,32 Mpixel = drukschakelaars of = temperatuur transmitters.

27 Kenmerken Variabelen in Vision

28 Sensor maat versus aberraties Sensor Formaat H [mm] V [mm] D [mm] 1/4 inch /3 inch /2 inch /3 inch inch sensor D H V

29 Vision versus industrie automatisering -Verschil? - Significant - Risico - Complexiteit

30 Agenda Voorstellen Uw applicatie Technische context Project aanpak

31 Hardware Kip en Ei vragen Welke Meetmethode? Welke Belichting? Welk Aanzicht? Welke Camera & Lens? Welke Databus? Hoeveel geheugen? Welke Processorsnelheid?

32 Software Kip en Ei vragen Welke Preprocessing is nodig? Welke Variaties moeten meegenomen worden? Welke Segmentatie strategie is nodig? Welke Classificatiealgoritmen zijn bruikbaar? Wat Beeldkenmerken (features) te gebruiken? Welke Beslisboom is robuust? Welke (Human-Machine-Process) Interface is nodig?

33

34 Het Rode Kruis

35 Get organized!

36 Volgorde Vragen Bedrijfsmatig Applicatie Vision gerelateerde vragen

37 Bedrijfsmatige vragen Huidige situatie: (Know What) Gewenste situatie: ( Know How) Doel van de geboden oplossing/ Scoring: (Know Why) Economisch alternatief: (Know why not) Economische waarde opdrachtgever: (Know Who) Economische waardevoor eindgebruiker: (Driving Mechanisme)

38 Applicatie gerelateerde vragen Sample Variaties Gewenste Snelheid Gewenste Nauwkeurigheid Machine interface Human Interface

39 Vision gerelateerde vragen Werkafstand Field of view Scherpte diepte Kontrast Manmade of natuurlijk object Achtergrond constant of variabel Machine interface Human Interface

40 2 e Conclusie Risico groot Aanvlieg route / Project aanpak (Syst. Integrator / Leverancier / Klant) samenwerking Noodzaak voor transparantie Noodzaak van goed project management Resultaat = << Risico Resultaat = << Kosten

41 Wat betekent dat voor u? Complexiteit Steeds meer mogelijk door vooruitgang van digitale techniek Hoge ontwikkelingskosten / lagere product kosten Ter zake kundige systeem integrator Wie heeft iets dergelijks al eerder gedaan Resultaat = Efficiënte project doorloop Resultaat = Snellere ROI

42

43

44 Of je doet het zelf

45 Maar neem dan een gereedschapskist zonder plafond en reken op de uitgebreide ondersteuning van Batenburg Data Vision!

46 Wij maken techniek mogelijk