Bu çalışma Erciyes Üniversitesi Bilgisayar Mühendisliği bölümünde, 2004 yılı Bahar döneminde; Ahmet Boyraz, Rifat Kurban ve Mesut Gürbüz tarafından Bitirme Tezi olarak sunulmuştur.

1. GİRİŞ

Günümüz küreselleşen pazar koşulları ve üretim faktörlerinin sınır tanımayan işleyişi, kalite olgusunu her zamankinden daha fazla ön plana çıkarmıştır. Yaklaşık 20 yıl önce kalite sadece ürün için telaffuz edilirken, bugün her boyutta günlük yaşantımızın bir parçası haline gelmiştir. Kalite kavramını bu denli ön plana çıkaran, yaşanan hızlı değişim sürecinde üretilen mal ve hizmetlerdeki çeşitlilik, uluslararası ticarette liberalleşme, ticari sınırların yok olması, teknolojik ilerlemeler ve bu gelişimlerin beraberinde getirdiği yeni rekabet koşullarıdır. Müşteriyi tatmin etmek için, müşteri gereksinim ve beklentilerini belirleyerek, bu gereksinim ve beklentilere uygun mal ve hizmeti, düşük maliyetle, kaliteli ve hızlı bir biçimde pazara sunmak gerekmektedir. Tüm bunların sağlanabilmesi için kalite, yenilik ve değişim boyutları bir arada değerlendirilmelidir.

Bu çalışmada, rekabet gücü açısından, küreselleşme ile ortaya çıkan rekabet koşulları içinde dünya pazarlarına açılmak ve bütünleşmek isteyen ülkemiz işletmelerine, kalite kontrolünü; ön tanımlı ürünler yada CAD/CAM yazılımları ile çizilen numunelere göre gerçekleştirebilecek otomatik kalite kontrol makinesi yapılması planlanmaktadır.

Önerilen makine ile özellikle bölümün kurulu bulunduğu şehir itibari ile ağırlıklı olarak faaliyet gösteren mobilya sanayine büyük katkı sağlanacağı düşünülmektedir. Mobilya sanayinde yarı mamullerin geometrik incelemeleri, delik derinliklerinin, çaplarının ve konumlarının ölçümü, yüzey analizi ve benzeri ayarların kontrolü, manuel yöntemlerle, operatörlerin teknik resimlere göre ürünleri kıyaslamaları ile yapılmaktadır. Bu yöntem hem zaman kaybına hem de güvenilirliği %100 olmayan işlem yapılmasına neden olmaktadır. Bu nedenlerden ötürü kaliteli üretim  yapılamadığı gibi, hatalı mamullerin fire olarak ayrılması ve tekrar kullanılmaması nedeniyle ürün maliyeti de artmaktadır.

Sunulan proje kapsamında mobilyaların delik çapı, ara mesafeler, gönye ve radüsleri 0.01 mm hassasiyetle tespit edilmesi, kontrol edebilen tezgahın prototip imalatı, prototip üzerinde gerekli testlerin ve deneylerin yapılması ve yorumlanması, elde edilen sonuçlara göre (gerekli ise) sistem üzerinde gerekli iyileştirmelerin yapılması planlanmaktadır.

Üretilen prototip üzerinde, geliştirilecek yazılım ile CAD/CAM yazılımlarından doğrudan veriyi aktarma işlemleri, çeşitli renkte yüzey kaplama malzemesi ile kaplanmış yarı mamullerin de aynı hassasiyetle kontrol edilmesi amaçlanmaktadır.

Bu bölümde projenin amaç ve kapsamları, izlenecek yöntem ve çalışmayla ilgili literatür özeti anlatılmıştır. Bölüm 2 de makine görme ile ilgili temel konular, bölüm 3  de ise endüstriyel görme sistemlerinin temel yapısı ve uygulamaları anlatılmıştır.  Bölüm 4 de temel sayısal görüntü işleme teknikleri verildikten sonra bölüm 5 de projenin uygulama kısmı anlatılmıştır. Son olarak bölüm 6 da ise sonuçlar, değerlendirmeler, karşılaşılan güçlükler ve gelecek yönelimlere değinilmiştir.

1.1.  Amaç

Panel mobilyalarda ve diğer pek çok yarı mamulde radüsler, delik çapları, pozisyon ve derinlikleri, ara mesafeler vb. geometrik bazı ölçümlerin yapılması üretimin tamamlanabilmesi ve kaliteli ürünlerin meydana gelmesi için gerekli şarttır. Bu ölçümlerin çoğu manuel olarak yapılmaktadır.  Bazı değerlerin ölçümü için aktif görme tekniklerinin (lazer vb.) bazı değerlerin ölçümü içinse pasif tekniklerin (bulanıklıktan mesafe tespiti, stereo görme) kullanılması ile ekonomik ve uygulanabilir tezgah ortaya çıkartılması mümkündür.

Dolayısıyla, geleneksel olarak sadece bir yöntemin tercih edildiği çözümler yerine her iki tekniğin de yerinde kullanıldığı  bir kalite kontrol makinesinin tasarımı Türk imalat sanayi’ne önemli katkıları sağlayacaktır

Sunulan bu proje kapsamında “Kalite Kontrol Makinesi” olarak da adlandırılacak olan bu sistemin  mekanik tasarımına yönelik olarak  gerekli analizler, tasarım ve simülasyon  işlemleri ile bilgisayar görme tekniklerine dayalı bir kalite kontrol yazılımı gerçekleştirilmesi planlanmaktadır. Geliştirilen tasarıma uygun prototip imalatı ve pilot olarak seçilen mobilya sektörüne yönelik deneysel araştırmalar ile testler yapılması planlanmaktadır.

1.2 Kapsam

 

Bu proje kapsamında ;

·      Makinenin tasarımı

·      Bilgisayar yazılımının kodlanması

·      Prototip imalatı

·      Prototip üzerinde gerekli testlerin yapılması ve yorumlanması

·      Elde edilen sonuçlara göre (gerekli ise) sistem üzerinde gerekli iyileştirmelerin yapılması planlanmaktadır.

1.3. Yöntem

Bu projede öncelikle masa tipi bir kontrol makinesi tasarımı gerçekleştirilecektir. Üzerinde otomatik olarak hareket eden bir platform mamul üzerinde hareket ederek üzerindeki sensörler vasıtasıyla elde edilen bilgileri bilgisayara aktaracaktır. Üretilen bu prototip makine ile testler yapabilmek amacıyla  Kayseri Organize Sanayi Bölgesinde yerleşik olan BOYTAŞ BELLONA Mobilya San. Tic. AŞ. firmasından örnek yarı mamuller alınarak aktif ve pasif teknikler ile panel mobilya için gerekli olan delik çapları, ara mesafeler ve gönye ölçme işlemleri ile delik derinliklerini tespit edecektir. Bu nedenle geliştirilecek Win32 tabanlı bir yazılım platformun kontrolünü ve diğer makine görme işlemlerini gerçekleştirecektir.

1.4. Yaklaşımlar ve Literatür Özeti

Mobilya kalite kontrol sistemi için önerilen yaklaşımlar iki ana sınıfa ayrılabilir:

• Bilgisayar görme ve görüntü işlemeye dayalı pasif sistemler
• Derinlik ve üç boyutlu (3D) görmeye dayalı aktif sistemler

Makine görmenin endüstriyel uygulamalarına ilişkin detaylı literatür taraması ve özeti Bölüm 3’de yapılmıştır.

Mobilya kalite kontrol ve hata tespiti kapsamında prototipi üretilecek olan geometrik ölçümleri ve diğer yüzey analizi üzerine yapılan çalışmalar;  Aktif görmeye [1,4,6] oranla, stereo görme ve bulanıklıktan yada netleştirmeden şekil eldesi daha ucuz ve daha kolay entegre edilebilmekte bu nedenle daha geniş uygulama sahası  bulmaktadır[8]. Buna rağmen delik derinliklerinin hesaplanması daha karmaşık ve zordur. Stereo imajlardan derinlik yoğunluğu haritalarının çıkarılması alışılmamış olsa ve yüksek hesaplama zorlukları gerektirse de, stereo kullanarak da 3D yapı çıkarılabilir. CAD tabanlı boyutsal ölçümler Bhanu tarafından yapılmıştır[2]. Dickinson SJ [3] range imajlardan CAD modelini tekrar oluşturmuştur. İlk defa Lowe [7] 3D modeller imgelere uydurulmuştur ve bu çalışmada en küçük kareler yöntemi köşe piksellere tasarlanan köşelerin uydurulması için kullanılmıştır. [9] çalışmasında geliştirilmiş bir yöntem geçici sabitler kullanımı ile araç takibine uygulanmıştır. Boyutların, şeklin, ve diğer parametrelerin belirli bir ölçek dahilinde tespit edilebildiği bir makine görme sistemi [5] gerçekleştirilmiştir. Buna rağmen yapılan çalışmanın  gerçek endüstri koşullarında nasıl sonuç verdiği anlatılmamıştır.

Tarabanis ve ark. sensör planlama stratejisi üzerine ilginç bir çalışmayı model tabanlı görme algoritmaları (kamera, uzaklık sensörü, aydınlatma sistemleri gibi) üzerine yapmışlardır[14]. Çalışma üç ana başlıktan oluşmaktadır: Nesnenin özniteliklerinin çıkarılması, Algılama ve yerleştirme için model tabanlı sayısallaştırma stratejileri ve yeniden yapılandırma problemleri.

Planlanan algoritmanın tanımlanması ve uygulanması ölçüm hedefleri ve mevcut araçlarla ilişkilidir. 3D ölçümün hedefi nesne özelliklerini saptama olduğu zaman [10,16-19] görevi gerçekleştirebilmek için nesnenin kesin bir modelinin bulunması gereklidir. Model çevrim dışı olarak sayısallaştırma işlemini kontrol eder. Planlanan algoritmanın tasarımı sensör tipine ve sayısına ve mekanik desteğin tipine bağlıdır. Sensörler saha sensörlerini (range sensors) [12,13,21], CCD kamera [15] , ışık kaynağı ile birleştirilmiş kamera [11,17] veya CCD kameraların bir kümesini [10,19] içerir. Mekanik destekler, robot kollar [15,21], robotize sistemler [20], çevrim tablosu [10,11,12,19], rotasyon tablosu [13,17] olarak sınıflandırılabilir.

Derinlik ölçmede kullanılan bir diğer yöntem ise odaklama metotlarıdır.  Odaklama tabanlı derinlik ölçümü yöntemleri üç gruba ayrılabilir: Otomatik odaklama metoduyla derinlik ölçümü (Depth from automatic focusing, DFAF), bulanıklıktan derinlik ölçümü (Depth from defocusing, DFD) ve otomatik bulanıklaştırma metoduyla derinlik ölçümü (Depth from Automatic Defocusing, DFAD). DFAF tekniği, derinliği hesaplamak için kamera parametrelerini değiştirerek net görüntüyü elde etmeye çalışır. Yani derinlik net görüntü bulunarak hesaplanır [22-26]. DFD tekniğinde ise derinliği hesaplamak için net görüntü gerekmemektedir. Nesne görüntüsü gerçek bir lens tarafından elde edilirse,  lensten belirli bir uzaklıkta bulunan nesne üzerindeki noktalar odaklanırken, bu uzaklıktan farklı uzaklıkta bulunan noktalar uzaklığa bağlı olarak farklı derecelerde bulanıklaşır. DFD tekniği derinliği belirlemek için bu bilgileri kullanır [27-29]. DFAD, DFD ve DFAF’nin birleşimidir. DFAD bulanıklık bilgisini kullanır, fakat bu DFD tekniği ile aynı biçimde değildir. Bu teknik DFAF tekniğiyle benzer şekilde derinliği hesaplar fakat nesnenin net görüntüsüne veya kamera parametrelerinin büyük değişimlerine ihtiyaç duymaz [30].

Yapay sinir ağları, pek çok alanda olduğu gibi görüntü işleme konusunda da uygulama bulmuştur[80]. Ön-işleme tekniklerinden görüntü yeniden oluşturmada (image reconstruction); ADALINE ağları [31], Hopfield ağları [32], ileri beslemeli ağlarda [33] kullanılmıştır. Görüntü düzeltmede (image restoration) yapay sinir ağları geniş uygulama bulmuştur[34-40], gürültü giderme, bulanıklık giderme, düşük çözünürlük nedeniyle oluşan bozulmalar bu uygulamalardan bazılarıdır. Bu sahada hücresel sinir ağları da kullanılmıştır[37-40]. Bazı hibrit ağlar da gürültü gidermede kullanılmıştır [36,41,42]. Görüntü iyileştirmenin (image enhancement)  amacı belirli özelliklerin daha fazla vurgulanmasını sağlamaktır. Bu alanlarda yapay sinir ağlarının pek çok modelinin [43-48] kullanımına karşın ağırlıklı olarak regresyon ağları kullanımı dikkat çekmektedir [45-48]. Görüntü bölümleme (image segmentation) belirli kriterlere göre resmi parçalara ayırma işlemidir. Piksel tabanlı ayırmada pek çok sinir ağı modeli kullanılmıştır: ileri beslemeli yapay sinir ağları [49-52], SOM [50,53,54], Hopfield ağları [55-57], olasılıklı sinir ağları [50,58], radyal tabanlı[50], hücresel ağlar [59] kullanılmıştır. Piksel tabanlı bölümlemede doku için [50,60-62], yerel şekil ve doku birleşimi [58,63-65] için ayrı ayrı çalışmalar gerçekleştirilmiştir. Özellik tabanlı görüntü bölümlemesinde doku için [66-69], yerel şekil ve doku birleşimi [70-72] için çalışmalar bulunmaktadır. Bazı görüntü işleme teknikleri, graf yada stereo-eşleme vb. , optimizasyon problemleri gibi formüle edilebilir. Hopfield ağları [57,73-77] bu problemlerin çözümünde sıkça olarak kullanılmıştır.

Geometrik ölçümler ve delik pozisyonları için ayrı ayrı makineler [78,79] üretilmiştir ancak üretilen bu makinelerle yüzey analizi yapılamamaktadır. Projede önerilen bütün ölçümleri tek bir makine ile yapan herhangi bir sistem literatürde bulunmamaktadır.

1.5. Önerilen metodun genel çerçevesi

Bölüm 5’de ayrıntılı bir biçimde anlatılan, mobilya kalite kontrol sistemi sayısal görüntü işleme teknikleri üzerine bina edilmiştir. Önceden sisteme tanıtılmış olan mobilya parçaları üzerinde threshold, kenar tespiti gibi görüntü işleme teknikleri ve çember uydurma (circle fitting) algoritması kullanarak boyutsal kalite ve delik kontrolü olmak üzere iki çeşit işlevi yerine getirmektedir.

Mobilya parçalarının sisteme tanıtılması sırasında, görüntü alma masasına yerleştirilen mobilya parçasının görüntüsü alınır, uygun threshold değeri seçilir ve sistem veritabanına kaydedilir. Kontrol aşamasında, kalite kontrolü yapılacak parça sabit aydınlatma altında, görüntü alma masasına yerleştirilir ve bölüm 5.2 de anlatılan tekniklerle hatalı olup olmadığı araştırılır.

 

2. MAKİNE GÖRME

2.1. Giriş

İnsan görme (HV), üretim endüstrisinde en önemli algılama yeteneği olmuştur ve halen öyledir. Görme, doğal olarak temiz, güvenli ve hijyeniktir çünkü gözlem altındaki nesne ile denetleyicinin arasındaki fiziksel ilişkiye bağlı değildir. Ayrıca, görme çok yönlüdür; insanlar şekillerin, dokuların, gölgelerin ve renklerin ince değişimlerinin farkına varabilir. Bir inceleyici karmaşık ve belirsiz görünümleri çözümleyebilir ve daha önce görünmemiş durumlarda bile uygun kararları hemen hemen verebilir. HV üretim endüstrisinde yaygın olmasına rağmen, çevrelerini optik olarak algılayabilen makineleri kullanan otomatikleştirilmiş denetleme, üretim ve diğer görevlere odaklanmış güçlü bir araştırma çabası vardır. Ayrıca, ticari firmalar bunu ön plana almakta ve otomobil, uzay, elektronik, yerli mallar, yiyecek ve ilaç gibi ürünleri içeren geniş bir endüstri alanını kapsayan ürün ve hizmetlerini sunmaktadır.

Burada, görsel algılama ile makinelerin üretim endüstrisi için çeşitli görevleri nasıl gerçekleştirdiği açıklanmıştır. Bu görevler, inceleme/denetleme, sayma, sıralama, eşleştirme, yerleştirme, rehberlik, tanıma, tanımlama / kimliklendirme, okuma, sınıflandırma, doğrulama, ölçme, kontrol etme, kalibre etme ve görüntülemedir. Makine görme sistemleri (MVs) hammaddeyi, gıda stokunu, araçları, üretim işlemlerini, kısmen makineleştirilmiş ve bitmiş ürünleri, kaplamayı, etiketlemeyi, paketlemeyi, taşıma sistemlerini, atık maddeleri ve fabrika atıklarını incelemek ve mobilya ürünlerinin kalite kontrolü ve hata tespiti için kullanılabilir.

Makine Görme (MV), doğal maddeleri, insan ve endüstriyel ürünleri ve üretim işlemlerini inceleyen mekanik-optik-elektronik-yazılım sistemlerinin mühendisliği ile ilgilenir. Amacı hataların tespit edilmesi ve kalitenin, işletmenin efektifliği ve hem ürünlerin hem de işlemlerin güvenliğinin artırılmasıdır.

Bir prototip MVs’nin blok diyagramı Şekil 2.1. (a) da verilmiştir. Burada MVs’nin disiplinler arası doğası görülmektedir. Bu MV’nin en önemli gerçeğidir. MVs sanıldığı gibi görüntü yakalama kartına sahip standart bir bilgisayar, video kamera ve uygun yazılımlardan ibaret değildir (Şekil 2.1. (b) ve Tablo 2.2.). Bilgisayar tabanlı görüntü işleme web tabanlı on-line pratik uygulamalarda kullanılmak için oldukça yavaştır. Bu durumda, adanmış elektronik sistemler daha uygundur. Dahası, uygun mekanik desteklere, ışığa ve optiğe ihtiyaç duyarız. Şekil 2.1. (b) de yetersiz bir MV model varken, Şekil 2.1. (a) daha iyidir çünkü farklı teknolojilerin çeşitliğinin bütünleştirilmesine olan ihtiyacı vurgulamaktadır.

(a)

(b)

(c)

Şekil 2.1. Makine görme sistemleri. (a) Konunun disiplinler arası doğasını vurgulayan genel sistem. (b) Basitleştirilmiş model tam olarak bir MV’yi tanımlamamaktadır. Buna rağmen, bir bilgisayar görme sisteminin yeterli bir gösterimidir. (c) Bir konveyor bandı üzerindeki hataların on-line olarak bulan Otomatikleştirilmiş Görsel İnceleme sistemi. Görüntü işleme N modül tarafından gerçekleştirilmektedir. PE₁, PE₂, … PE_N, uyumlu şekilde işlemektedir. Bu tür bir işlemci bu şekilde yüksek etkinlikteki on-line inceleme için uygunken gerçek zamanlı bir robotun kontrolü için, gecikme yapmasından dolayı uygun değildir.

Sonraki bölümlerde endüstriyel MV’nin en önemli alanlarından biri olan Otomatikleştirilmiş Görsel İnceleme/Denetleme (Automated Visual Inspection-AVI) üzerinde durulacaktır.

Makine görmenin kapsadığı diğer alanlar robot görme, görsel proses görüntüleme ve kontroldür. Şekil 2.1. (c), konveyor bandındaki nesnelerin incelenmesi için kullanılan bir AVI’nin blok diyagramını göstermektedir. Bu diyagram ayrıca bizim konumuzun disiplinler arası doğasını da vurgulamaktadır.

2.1.1. Makine görme, insan görme benzetimi değildir

MV, doğal insan yada hayvan görme sistemlerinin anlaşılması veya benzetimi ile ilgilenmez. Gerçekte, doğal ve makine görme arasındaki varolan farklar o kadar büyüktür ki aklımızda bunların tümünü ayırmalıyız. (Tablo 2.1.) Belirli olarak, MV’nin nasıl tasarlandığı hakkındaki ipuçlarını temin edilmesini insan görmeden beklememeliyiz. Endüstriyel uygulamalarda görüntü işleme algoritmalarının tasarımında dünyayı nasıl gördüğümüz ve nasıl düşündüğümüz hakkındaki fikirleri temel olarak kullanamayız. Hemen hemen istisnasız, iyi görüşe sahip olan her kimse kendine göre görmede uzmandır. Bu durum haklı olduğunu göstermez. Dikkatlice kontrol edilmiş psikolojik deneyler insanların düşündükleri dünyayı görememesi oldukça doğaldır. Sonuç olarak, kendi kendini yargılamaya dayanan insan görme sistemlerinin modelleri güvenilir değildir ve verilen görsel bir uyarıcıya nasıl bir tepki vereceği tam olarak kestirilemez.

İnsan görme alanındaki bilimsel çalışmalar, örneğin bir fabrika-zemin denetleme sisteminin tasarımındaki önemli gelişimleri elde etmemize olanak sağlayan bilgileri temin etmemiştir. Görme tamamen anlaşılması zor ve bugüne kadar bir makine tarafından benzetimi yapılamamıştır. İyi görüşe sahip olan bir insan için bu görev önemsizdir, fakat bir makine için imkansızdır. Tam olarak giyinmiş birisinin cinsiyetini güvenilir bir şekilde tanımlayabilen bir makinenin nasıl yapılacağını gerçekten bilemiyoruz !

Merkezi sinir sistemine doğru çok büyük bir oranda (yaklaşık 10¹¹ bit/saniye) akan verilerin yaklaşık 70%’i görme ile ilgilidir. İnsan görme sistemi 4.10⁹ yıl periyodundan daha fazla süren evrimsel bir  süreçte açıklanabilir ve milyarlarca sinir hücrelerini içeren sıra dışı etkin bir sistem oluşturulabilir. Öngörülen gelecekte tasarlanabilen hiçbir makine insandaki merkezi sinir sistemindeki işlemsel elemanlar (nöronlar) arasında var olan zengin bağlantıları karşılayamaz. Bu başarılana kadar,  makinelerin yeteneği insanlarınki ile eşleşemeyecektir. En güçlü, modern ve çok işlemcili bilgisayar bile bir böceğin sinir sistemini dahi simüle edecek işlem gücüne sahip değildir. John von Neumann, “insan beyninin en basit tanımı insan beyninin kendisi olabilir” diyerek bu gerçeği kabul etmiştir. Bu varsayıma meydan okunamaz. Varmamız gereken sonuç, emsali biyolojik sistemde bulunan elemanların kopyasını yapmak değil, mühendislik prensipleri üzerine sistemleri tasarlanmaktır.

Yukarda anlatılanlar ışığında, MVs tasarımcıların karşılaştığı ana problem görme ve anlama arasında bir bağ oluşturmaktır. Bu basitçe, örneğin bir fabrikada neyi inceleyeceğimizi bilmemizle ilgilidir. Aynı nominal tipteki parçaların üretildiği iyi kontrol edilmiş bir üretim hattında, kameranın aldığı görüntü ani olarak büyük miktarda değişiyorsa üründe bir hata olduğunu anlarız. Başka deyişle alınan görüntü bir öncekilerle benzerlik göstermiyorsa bir hata olduğuna karar verilebilir.

2.1.2. Problemin Kontrol Edilmesi

MV’nin ayrı bir özelliği çalışma ortamını kontrol etmek zorunda olduğumuz ve inceleme/denetleme görevini tekrardan tanımlayabilme kabiliyetidir. Burada üç nokta önemlidir:

• Mümkün olan en iyi görüntüleri elde edebilmek için aydınlatma-görüntüleme yapılandırmasını seçebiliriz. Literatürde 185 farklı aydınlatma-görüntüleme metodu bulunmaktadır. Bunlar tek başına veya kombinasyon şeklinde kullanılabilir.
• İncelenen görünüm üzerine düşen yolundan sapmış bir ışığın olmadığından emin olmalıyız. Gün ışığı üretim hattına düşerek hataya sebep olabilir. Hiçbir makine sistemi ışık seviyesindeki bu kadar büyük değişimlere başa çıkamaz. Bu zaten gerekli ve arzu edilen bir şey de değildir. Yapay aydınlatmanın yüksek miktarda değişken olduğunun farkında olmak önemlidir. Hatta bir ampulün değiştirilmesi bile ışık seviyesini 50%’ye varan oranlarda değiştirebilir. Buna ek olarak, incelenen örneğin üstüne düşen ışıkta hataya sebep olabilir çünkü lamba yüzeyindeki gürültülerde problem yaratabilir. Kontrolsüz ışıklandırma görüntü elde etme alt sistemini hayati derecede etkiler. Eğer böyle olursa, hatalı ürünler incelenmeden geçebilir veya iyi ürünler hatalı ürün olarak işaretlenir. Işıklandırmayı lokal olarak mat bir ekran ile kontrol etmek gereksiz karmaşık makineleri tasarlamayı denemekten daha kolaydır. Işıklandırma şartları ne olursa olsun görsel sistemdeki iddialar, ne  gerçekçi nede kesindir.
• Bazı durumlarda denetleme işlemini daha basitleştirmek için görme olayını değiştirebiliriz. Örneğin resim karşıtlığını yükseltmek için plastik bir kalıba renkli bir boya ekleyebiliriz (Bunu son kullanıcının hiçbir zaman görmeyeceğini varsayarız). Ayrıca sığ bir çukur, küçük bir çivi yada bir kalıp ekleyebiliriz.

2.2. Makine görmenin endüstriyel uygulamaları

MV’nin başlıca endüstriyel uygulamaları inceleme/denetleme, robot rehberliği, işlem görüntüleme ve kontrol etmedir.

2.2.1. İnceleme/Denetleme (Inspection)

Parçaların ve şerit yada ağ biçimindeki sürekli maddelerin üstündeki hataların tespit edilmesi MV sistemlerinin uygulanması için iki ana alandır. Hatalar biçimsel olarak değişik şekillerde olabilir. Örneğin tip, şekil, boyut, sıyrık, çatlak, kırık, yarık, sökük, hava baloncuklarından meydana gelen çukurluk, yanlış etiketleme, kimyasal zehirlenme, yağ, pas, oksitlenme, leke, ısı zararları, yanlış montaj, yabancı gövdelerin birleştirilmesi, eksik özellikler (delik, kablo, yay, cıvata, pul, vida somunu, perçin çivisi gibi…),  maddesel hatalar, yanlış eşleştirme (tıkanmamış delikler, eksik bükümler, son cilalamanın olmaması, vida yuvalarının olmaması gibi), eksik veya tamamlanmamış kaplama gibi olabilir. İnceleme/denetleme kelimesi iki anlamda kullanılabilir. Az önce saydığımız hataların tespiti ve sayma, sınıflandırma, sıralama, kalibre etme, yerleştirme, tanımlama ve tanıma uygulamalarını kapsayacak anlamda kullanılır.

Robot Görme ve AVI arasında belirli bir ayrım olmadığı anlaşılabilir. Çünkü pek çok inceleme görevleri parçaların işlemesini içerir. Nesne-tutma uygulamaları da kimliklendirme ve doğrulamayı içerir.

2.2.2. Robot Görme

Robot terimi, 2-D yada 3-D uzayda verilen bir noktaya bilgisayar kontrolü altında makinenin son efektörüne (örneğin bir yakalayıcı, araç yada kamera ) hareket ettirme yeteneği kazandırmak için  herhangi bir makineye uygulanabilir. Ayrıca son efektörün yönlendirilmesinin kontrolü de mümkündür. Bu tanıma bağlı olarak, şimdi söyleyeceğimiz makineler robot olarak tanımlanabilir: Sayısal kontrollü milling makinesi (3 serbestlik derecesi), korna tezgahı (2 serbestlik derecesi), matkap (2¹/₂ serbestlik derecesi), elektronik bileşenli ekleme makinesi (3¹/₂ yada 4 serbestlik derecesi), grafik çizici  (2¹/₂ serbestlik derecesi), kıvrılan robot kolu (birçok serbestlik derecesi), özerk yönlü araçlar (3 serbestlik derecesi), vinç (3 yada 4 serbestlik derecesi) gibi…

İlk endüstriyel robotlar tabiri caizse “kör köle”lerdi ve işin genel duruşunun ve formunun tahmin edilebildiği yerlerde tekrarlı işlerde faydalı olması için kullanılır. Fakat, beklenmedik ve yeni durumlarla başa çıkmak için robotların toplam yeteneği sınırlandı. Robotun pozisyonel doğruluğu çok yüksek olduğu zaman, robottan getirilmesi istenen parçalar bilinmeyen bir pozisyonda, duruşta, değişken boyutlar yada biçimlere sahip çevrelerde işlem yapması beklenir. Bir robotun önündeki bir şeyi alabilmesi için veya ona yönelebilmesi için görme gereklidir. Bir robot etrafındakileri uygun algılama yeteneğine sahip değilse, tehlikeli olabilir; kendine yada diğer donanımlara zarar verebilir, hatta personeli yaralayabilir. Görme açık sebeplerden dolayı en önemli algılama metotlarından birisidir. Görsel yönlendirilmiş bir robot önüne bakabilir ve kendisi için tehlikeli olan bir manevra olacağını belirlemeden önce oraya hareketin güvenli olup olmayacağını saptayabilir. Zeki görsel yönlendirilmiş bir robot, daha önce hiç kitap görmemiş olsa bile bir masa üzerine rasgele dağıtılmış kitapları toplayabilir. Görme olmadan bunu yapmak imkansızdır.

2.2.3. İşlem görüntüleme ve görme kontrolü

Görsel geri besleme / ileri besleme başka bir algılama teknolojisini kullanmanın mümkün olmadığı işlem kontrolü için bir fırsat sunar. Ürünün doğru üretildiğinin yada yanlış üretildiğinin kontrolü için bir kamera yerleştirmek mümkündür.

Kamera ile ürün kontrolünün yapıldığı Şekil 2.1. (c) ye tekrar bakalım. Çizgi kontrollü kabul/ret mekanizmasına ek olarak, şunları temin eden görüntü-işleme alt-sistemlerinden iki tane daha çıkış olduğuna dikkat edelim.

• Geri besleme : yukarı doğru yerleştirilmiş bir kamera üzerine kurulan bir üretim işleminin işlemsel parametrelerinin ayarlanması
• İleri besleme  :  aşağı doğru yerleştirilmiş bir kamera üzerine kurulan bir üretim işleminin işlemsel parametrelerinin ayarlanması

Bu durumda, kamera işlemin ayrık durumların arasına ürün kontrolü yapması için yerleştirilir. Ürün ayrık parçalar yada sürekli şerit formunda olabilir.

Ayrıca, üretim işlemi gerçekleşiyorken bunu görüntülemek de mümkündür. Örneğin, MV aşağıdakilerden herhangi birisini yapabilir.

• Milling, hafifçe vurma, kaynak yapma, ezme, kesme, dikme, kaplama, püskürtme gibi
• Sıvıların, emülsiyonun, süspansiyonun  toz maddelerin karıştırılması
• Serbest düşüşteki akıntının izlenmesiyle sıvının akması
• Alevler, duman, kıvılcımlar gibi
• Ham madde
• Artık maddeler, demir talaşı, delikler
• Kesmeden sonra kalan maddeler
• Delici, tapa, patlaklar gibi
• Küfler yada kalıplar
• Ezilen lastikler, aşınmış tabakalar
• Kaynakta kullanılan elektrotlar
• Taşıma mekanizması (Ürünler taşındıktan sonra onlara yapışan maddelerin aranması)
• Üretim işleminin termal görüntüleri (fırınlar, kurutma tünelleri gibi)

Fark edileceği gibi MV’ nin uygulama sahası oldukça geniştir.

2.3. Bir Görme Sisteminin Elemanları

MV’ nin şu maddeleri içerdiği Şekil 2.1. (a) da görülmektedir:

• Mekanik tutucu ( AVI için, görünüm kameradan uzağa taşınmalıdır.)
• Işıklandırma
• Optikler
• Resim duyargaları (kamera yada tarayıcı)
• Video-bilgisayar ara yüz birimi
• Bilgisayar (Yüksek hızlı uygulamalar için, adanmış elektronik görüntü-işleme donanımı bilgisayar ve yazılımdan oluşabilir.)
• Özellikle her bir uygulama için sezgisel yordamlar ve tamamlanan algoritmalarla planlanan yazılımlar
• Motorlar (AVI için, bu basit bir kabul/red mekanizması gibi düşünülebilir.)
• Bir görme mühendisinin ilk sorumluluğu olan iyi bir tarzda tüm bunların birlikte çalışmasını sağlasın diye elemanların birleştirilmesi.

2.3.1. Görüntü Elde Etme

Sayısal bir resim ayrık sekiz farklı varlığın etkileşimiyle oluşur. Bunlar:

• Işık kaynağını besleyen güç kaynağı (Bu sabit ışık çıkışlarını sağlamak için kapalı-çevrim sisteminde birleştirilmiş olabilir)
• Işık kaynağı (floransan, lamba, LEDler, lazerler gibi)
• Görünüm (herhangi kirli yüzeyler ve herhangi kaplama dahil)
• Optikler ( kameranın yüzey tabakası, çevre koruması ve kamera lensleri dahil)
• Atmosfer ( optik yolun bir parçası olan görüntü ve kamera arasındaki alan)
• Foto detektör
• Video sinyalinin analog ön işlenmesi
• Sayısallaştırma devresi

Açıkça, resimleri optimal kalitede genelleştirmemizi ve doğru şekilde sayısallaştırmamızı sağlamak amacıyla uygun bir tarzda bunların hepsini birlikte işlemeliyiz. Gürültü sisteme farklı şekillerde girebilir. Bir görme sistemi için, hava-temelli dumanlar, sigara dumanları,spreyler, toz gürültünün en temel kaynaklarıdır. Ek olarak, nesnenin yanındaki cisimlerden yansıyan ışıklar, çevredeki ışıklar, güneş ışığı vs. gürültünün başka bir formunu oluşturur. Alt sistemlerde görüntü elde etme modellemesi oldukça karmaşıktır ve yüzeydeki kirlerin, tozun, dumanın ve bozucunun diğer formlarının optik etkisini tahmin edemeyeceğimiz durumlarda kesin ve doğal zorluklara dayanamaz. Resim kalitesi üzerinde  dağınık ışıkların ve gölgelerin etkisini modellemekte sanal olarak imkansızdır. Çünkü bunları toplam olarak tahmin etmek zordur. Bu yüzden, kameranın görüş alanından bu tür ışıkların elenmesi için oldukça dikkat edilmelidir. Ayrıca, deneysel olarak görüntü elde etme için alt- sistemin tasarımı çok pahalıdır.

Mekanik destek sistemi de görüntü elde etme alt-sisteminin bir parçasıdır. Eğer satır tarayıcı kamera kullanılırsa, hareketin hızı piksel boyutlarını belirler. İkinci olarak, taşıma mekanizması hangi görüntünün görüldüğüne karşı arka plan formunu oluşturur. Değiştirme yapabilmemizin az yada hiç olmadığı durumlarda özel bir nesne taşıma mekanizması kullanmak gerekli olabilir.

2.3.2. Işıklandırma ve Optik

MV için alt-sistem görüşü ve ışıklandırmanın önemi aşırı vurgulanmamalıdır. Parlak cilalı, kabartılmış metal, kırık camlar gibi malzemeler ışıklandırma sisteminin tasarımı üzerine özel amaçlar için yerleştirilir. Tasarım durumunda, temel problem kameranın optik olarak aşırı yüklenmesine sebep olabilen parlamalardan dolayı oluşan yerel parlak noktalardan etkilenmektedir. Temiz cam da, yüzey parlamalarından dolayı da parlak noktalar üretebilir, fakat optik olarak aşırı yüklemenin temel nedeni kırılmanın ve dahili yansımanın birleşmesidir. AVI de diğer bir çok malzemenin ve şekillerin bulunduğu anlaşılmasına rağmen, bir çok çözüm bu iki tür malzeme için bulunmaktadır. En uygun ışıklandırmayı ve görüşü seçme tekniği çoğunlukla kolayda zora doğrudur. Bu MV’nin en kusurlu alanlarından birisidir ve daima MV tasarımcısı tarafından aşırı dikkat gerektirir.

Kameraya resim aktarımını geliştirmek için optik kullanmanın bir çok yolu vardır. Optik bileşenlerin çok geniş türü vardır ve bir çok uygulamada iyi performans almak için kullanılır. Örneğin, çok-renkli görünümlerde çok katmanlı filtreler, resim kontrastında büyük bir yükseltme sağlayarak bazı önemli etkiler oluşturabilir. Polarizerler transparan malzemeleri görünürlüğü vurgular ve parlak resimlerdeki parıltı bozulmalarını azaltır. Aynalar ve prizmalar tek bir kamera ile birden çok yöne aynı anda bakabilmeyi sağlar. Fiber optik cihazlar çok kısıtlı alanlarda kameranın görüntü alabilmesi sağlar. Çapı 2 mm kadar küçük kamera iğnelerin amacı mükemmel kalitede resimler üretmektir. Kalıptan oluşan plastik lensler daha ucuzdur ve cam kopyalarından daha hafiftir ve özel efektler oluşturmak için kolayca üretilebilir. Diğer optik aletlerin geniş bir sahası endüstriyel MV sistemlerde kullanılabilir. Burada dikkat edilecek olan önemli nokta, eğer resim kalitesinin oldukça düşük bir ücretle yükseltilebiliyorsa, optik alt-sistemin görme sistem tasarımcısı tarafından daha az dikkat gerektirmesidir. Ayrıca optik aletler de onların yazılım kopyalarından çok daha hızlıdır.

2.3.3. Görüntü Sensörleri

İnsan görmesi tamamen gözle alakalı olmasına rağmen, bunlar sadece “görüntü sensörleri”dir ve resmin içeriğini ve önemini anlama işlemi adına hiçbir şey yapmaz. Elbette, beyin insan görmesinde büyük rol oynar. MV sistemde insan gözüne karşılık gelen bileşen, göze kıyasla yanında çok basit kalsa bile, video kameralardır. İnsan gözü mükemmel hassasiyette, çok yönlü bir organdır. İnsan gözü yaklaşık 10¹⁴:1 değişken aralığa sahiptir. Halbuki en iyi bir kamera 10⁸:1 aralığından daha fazla olamaz. Ayrıca, insan gözü renklerin ve yoğunlukların ayrımını şu anda mevcut olan en iyi kameradan daha fazla yapar. Dahası, göz çok olağanüstü şekilde görüntüdeki uzaysal ve geçici değişiklikleri otomatik olarak yok eder. Henüz hiç bir kamera bu kapasiteye ulaşamadı.

Hayvanlarda göz çok farklı olarak evrim geçirmiştir. Balıklarda, böceklerde, yada yılanlarda bu fark edilecek derecede görülmektedir, ve yine MV bunların hiçbirisinden daha iyisini yapamaz. Ama, bunların olması bize yeni görüntü elde etme sistemi tasarımı hakkında ipuçları verir. MV sistemleri bir biyolojik kopyalama olmayan görüntü sensörlerinin bir çok değişik formunu kullanır. Bu sensörler dairesel, çizgisel, radyal, spiral ve rasgele taramalı foto detektörlerden, x ışınlarından, gama ışınlarından mikro dalgalardan, ultrasonik görüntülerden ve lazer tarayıcılardan… oluşur. UV ve IR hassasiyetli kameralarda bulunmaktadır. (Elbette bunlarda biyolojik yapılar gibidir. ) Kameralar hayvanların, radyoaktiviteden, yüksek yada düşük sıcaklıktan, toksik atmosferden ölebileceği yada mikroorganizmalar tarafından oluşacak enfeksiyonun yüksek risk taşıdığı yerlere yerleştirilebilir. İnsan gözünün göremeyeceği çok düşük ışık seviyelerinde krijonik kameralar fotonları sayabilir yada bunların resmini çekebilir. Örneğin uydudan görüntü alıcılar alçak dünya yörüngülerindeki bir araçtaki gazetenin başlıklarını okuyabilir. Burada dikkat edilmesi gereken önemli nokta ise oldukça farklı güce ve zayıflığa sahip olan video kameralar ve gözdür. Ayrıca bir kameradan dünyayı insan gözüyle gördüğümüz gibi görmesini beklememeliyiz.

Bazı kameralar seri port(RS-232) aracılığıyla bilgisayar tarafından kontrol edilebilir. Pan, tilt, zoom, video standart, AGC (otomatik kazanç kontrolü), birleştirme zamanı, birleştirme hızı, siyah seviye ve kazanç yazılım aracılığıyla kontrol edilebilen parametreler arasındadır.

Bunlar birçok dezavantaja sahip olmasına rağmen, tüp kameralar pratikte kullanılan resim sensörlerinin en popüler tipine uzak olan katı-durum sensörleri ile bazı faydalar sunar. Tüp kameralar genellikle, özel tarama desenlerine ihtiyaç duyulduğu zaman yada çok yüksek hassasiyet istendiği zaman tercih edilir. Tüp kameralar x ışınlarının yanında kızıl ötesi ve ultra viole ışınları da algılayabilir. Ayrıca bu sensörler, katı-durum sensörlerinin nötron bombardımanı ile çok hızlı bir şekilde tahrip olduğu  yüksek seviyede radyoaktivitenin bulunduğu yerlerde de kullanılabilir. (nötron zararlanmalarından dolayı bu tür  çevrelerde çalışmak için özel cam türlerine ihtiyaç duyulduğu da not edilmelidir. )

2.3.4 Video Ara yüzler

Video sinyallerini sayısallaştırmak için gereken elektronik devreler (RS / 170 ve CCIR / 320) bir çok bilgisayar için tak ve kullan şeklinde kartlar olarak bulunmaktadır. Onlar siyah-beyaz ve renkli sinyallerin ikisini de barındırabilirler. Şimdi bir çok bilgisayar standart olarak video girişlerini desteklemektedir.

Video ara yüzlerinin birçok yeni çeşidi yakın bir geçmişte ortaya çıkmıştır. USB ve IEEE 1394 ara yüzleri bir çok masaüstü bilgisayarında standarttır.

Son zamanlarda, ethernet portu aracılığıyla direk olarak internete bağlantı sağlayan bu kameraların bir diğer serisi çıkmıştır. Bunlar kendi eşsiz IP numaralarına sahiptir ve bunlardan alınan görüntüler standart bir web tarayıcısı (örn: Internet Explorer) üzerinden internetten izlenebilir. Web cam uzak bir bilgisayarda bir yazılım aracılığıyla resmi çekebilir. Kamera ve görüntü işleyici(image processor) fiziksel olarak birbirinden ayrı yerlerde olabilir, hatta ayrı kıtalarda bile olabilir. Bu bize kameraların, görüntü işleme bilgisayarlarının ve kontrolörün birbirlerine internet yada İntranet ile bağlı olduğu dağıtık görme sistemlerini tasarlamayı sağlar. Dağıtık bir sisteme yeni bir kamera eklemenin fiyatı oldukça azdır. Veri yazma anında, en makul görüntü çözünürlüğü ve internet üzerinden düşük hızlı veri transferi bu tür sistemlerin faydasını sınırlandırır. Bununla birlikte, web cam görüntü algılama örneklendirme ve düşük hızlı uygulamalar için oldukça iyidir. GRID networkün (ağın) daha hızlı olması ayrık sistemleri internet teknolojilerine bağlı olan sistemlerden daha cezbedici hale getirir.

Kablosuz iki kamera türü de dikkate almaya değer. Küçük sınırlı işlemler için(10-20 m. gibi), radyo dalgalarını kullanmak faydalıdır. Mobil robotlar, denetlemeler ve hızlı tamir uygulamaları için faydalı olabilir. Daha uzak mesafeler için, gözeli telefon teknolojileri kullanılabilir(Şekil 2.2.). Veri yazma anında, kameralarla tümleşik yeni mobil telefonlar ve yüksek miktarda işleme gücü kullanılmaktadır. Bu buluş, gelecek düşük-özellikli görme sistemleri için standart bilgisayar teknolojisini kullanmanın kapılarını açar. Bunun gerçek olması için, basit elektronik- mekanik araçları ve ışık kontrolü için bir ara yüze ihtiyaç vardır.

Şekil 2.2. Gelecekteki dağıtık görme sistemleri. Webcam’ler standart görüntü sensörünü biçimlendirir. Telsiz webcam’ler kullanılabilir. Bu, kısa saha radyo ve GSM şebekesi ile elde edilebilir. Görüntü işleme standart bilgisayarlar ile yapılabileceği gibi daha yüksek hızlar için adanmış elektronik donanım modüllerince de gerçekleştirilebilir. İnceleme işleminin performans istatistikleri ayrık veritabanı modüllerinde depolanır ve kullanıcılar (görme mühendisleri ve fabrika müdürleri) tarafından uzaktan izlenebilir.

Satır tarayıcı bir kameradan yada lazer tarayıcıdan alınan veriyi sayısallaştırmak için ticari olarak uygun ara yüz araçları da bulunmaktadır. Çok yüksek çözünürlüklü resimleri oluşturan standart olmayan kameralar yada standart olmayan tarayıcı örnekleri özel olarak tasarlanmış devrelere ihtiyaç duyabilir. Ama, günümüzde bu tür sensörlerin üreticileri standart ara yüzlere bağlı olarak donanımı destekleyen ve kullanımı kolay ürünleri satmanın ticari gerekliliğinin farkındalar.

2.3.5 Görüntünün Bilgisayarda Temsili

Bir çok amaç için, siyah-beyaz bir resim yüksek miktarda sayısal veri içeren bir dizi ile temsil edilir (Şekil 2.3.). Bu dizinin formatı bir çok kamera tarafından üretilen dizi ile benzerdir. Diğer görüntü temsilleri bundan türetilebilir  ve görüntü işlemeyi daha kolay yapmak için kullanılır. İkili bir resim (binary) siyah ve beyaz olan sadece iki değeri içeren siyah-beyaz(gri seviye) resmin özel bir türüdür. Renkli televizyonda bir görüntü karesi yada bir filmdeki resim dizileri 3 ayrı siyah-beyaz resimden oluşur. Bunlar R, G ve B kanalları olarak bilinir. Çünkü aynı renkli sahneyi “kırmızı”, “yeşil” ve “mavi” filtreler aracılığıyla foto-sensör dizilerinde saklanır. (Yüksek kalitede renkli çıktılar için magenta, sarı, cyan ve siyah olmak üzere 4 farklı renk baskılarda kullanılır.) Yine de böyle bir resmi çeken bir video kamera standart RGB çıktıları üretir.) Bir resim temsili için başka formatlarda bulunmaktadır. Bunların en göze çarpanı HSI’ dır. H renk(hue) kelimesinin kısaltmasıdır. S ise bir resmin saflığını yada çözünürlüğünü ölçer. (Kırmızı gibi canlı bir renk beyaz bir renkle karıştırıldığı zaman, onun çözünürlüğü azalır.) H,S ve I basit bir formül ile R,G ve B den türetilebilir. HSI ve RGB temsili aynı miktarda bilgi taşır, ama bir resmi işlemeden önce HSI formatına dönüştürmek faydalı olabilir.

                               

                              (a)                                                                                     (b)

(c)

Sayısal Görüntüler için Depolama Gereksinimleri Notasyon Monokrom Resim              M*N satır; W = beyaz seviye. İkili Resim                 Yukarıdaki gibi, W = 1. Renkli Resim                W, RGB kanalındaki en büyük çıkıştır. Monokrom Resim              M.N.élog2(1+W)ù bit/resim. İkili Resim                 M.N bit/resim Renkli/multi-spektral resim R.M.N.élog2(1+W)ù bit/resim. (R kanal sayısıdır.Film ve video için R=3’tür. Yazma için R=4’tür.) Ciné film (Q frame/saniye) Q.R.M.N.élog2(1+W)ù bit/saniye. Stereo (P göz/kamera)      P.R.M.N.élog2(1+W)ù bit/resim kümesi.

(d)

Şekil 2.3. Bir görüntünün bir dizide gösterimi. (a) Bir hidrolik manifoldun sayısal görüntüsü (242x225 piksel, omni-directional ışıklandırma). (b) Genişletme, beyaz karenin etrafındaki ve içindeki piksellerin gösterimi. (c) Beyaz karenin içindeki ışık yoğunluklarının gösterimi olan görüntü dizisi (Siyah=0, beyaz=255). (d) Depolama gereksinimleri. éXùX’in tamdeğer fonksiyonudur. Bu X’i kendinden bir sonraki tam sayıya yuvarlar.

Bazı ilginç resim sensörleri mikrodalgalardan katı x ışınlarına kadar olan aralıktaki dalga boylarını kapsayan çeşitli spektral bantlardaki enerji içeriklerini tanımlayan resim verilerini eş zamanlı olarak üretebilir. Çoklu-spektral resimler RGB resimlerinin tutulduğu gibi tutulur. Sinema ve televizyonun her ikisi de gri seviye yada renkli resimlerin gösterilmesine dayanır ve bu hareketli sahnelerin görme sistemlerinde nasıl temsil edildiğinin cevabıdır. İki yada daha fazla kamera kullanılarak derinlik ölçme işlemleri yapılabilir. Elbette, bu insan stereo görmelerde daha iyisini yapar. Bir MV de stereo resimleme kameraların birbirine yakın durması ve insan gözünde olduğu gibi yatay olarak yerleştirilmesi ile kısıtlı değildir.

2.3.6. Görüntü İşleme

Bir cam eşyadaki çatlakları tespit etmek tipik bir algoritmayı gerektirir.

1.      Kameradan bir resmi sayısallaştır. (Buna Q diyelim.)

2.      Q yu geçici olarak kaydet.

3.      Q ya karartma işlemi uygula. (Buna Q* diyelim.)

4.      Q resmini yeniden oku.

5.      Q dan Q* ı çıkaralım. (Buna W diyelim.)

6.      W resmine eşikleme uygulayalım. (Buna B diyelim.)

7.      B resmindeki en büyük alanı ölç ve seç

8.      Önemli bir çatlak görünüp görünmediğine bu ölçme sonucuna dayanarak karar ver.

Eğer yüksek hızlı bir işlem isteniyorsa, adım yedideki doğru ölçümleri gerçekleştirmek için, birden altıya kadar olan adımlar hızlı bir sayısal donanım tarafından gerçekleştirilebilir. Diğer şekilde daha karışık resim analiz hesaplamaları genel amaçlı bir bilgisayar kullanımını gerektirecektir. Günümüzde, daha az önemli olan bir çok uygulamalarda, bilgisayar bir tespit algoritmasındaki tüm adımları gerçekleştirecek kadar yeteri hıza sahiptir. Bir resimdeki beyaz pikselleri saymak gibi bazı iyi olmayan işlevler, adım sekizdeki gibi karar verme işlemi için uygun olabilir. Bu durumda, işin içine bir bilgisayarı karıştırmaya hiç gerek yok. Diğer durumda ise, gelişmiş “yüksek seviye”li işlemler, görüntü üzerinde şüpheli çatlakların yönünü ve uzunluğunu ilişkilendirmeyi zorunlu kılar.

“Yüksek-seviye”li görme başlığı bir resimdeki farklı nitelikteki ilişkileri anlamak için ihtiyaç duyulan resim işleme operasyonlarını kapsar. Aksi durumda, düşük-seviyeli görme tipik olarak bir resimdeki nitelikleri tespit etme ve ölçme gibi görevleri içerir. Bir çok görme uygulamalarında, dikkat edilen sahnenin yada nesne temsilinin, parametrik yada sembolik olarak,  bir resmini analiz etmek, işlemek ve yaratmak gereklidir. Yüksek-seviyeli resim analizi genelde yapay zeka tekniklerine dayanır. Düşük-seviyeli ve yüksek-seviyeli görme arasındaki farkı ayırt etmeliyiz. Çünkü, bunlar oldukça farklı kavramlara sahipler ve en iyi farklı tipteki bilgisayar dillerinde açıklanabilir.

Yüksek-seviyeli görmenin fonksiyonunu ve doğallığını anlamak için, sıradan bir masa üzerine yerleştirilmiş malzemeleri tanırken bazı şeyleri göz önünde bulundururuz (Şekil 2.4.). Türkçe’de, bir insan tipik olarak bu işlemi şunları söyleyerek yapar.

            Çorba kaşıkları tere yağ bıçağının sağ tarafındadır.

            Yemek bıçağının sağ tarafında küçük bir bıçak var.

            gibi...

“Çatal”, “Yemek kaşığı” gibi nesneleri tanımak düşük-seviyeli görüntü işleme olarak isimlendirilir. Dikkat edilen resim yukarda verilen örnekteki gibi dilin özelliklerine uyup uymadığını kontrol etmek için, “sağında”, “solunda”, “yukarısında” ve “aşağısında” gibi ilişkileri kurmaya ihtiyacımız vardır. Bu ilişkiler Prolog gibi dekleratif bir dilde çok doğal olarak yazılabilir, ama C yada Java gibi bilgisayar dillerinde daha kolay bir şekilde temsil edilebilir.

Şekil 2.4. Masa yer ayarları. Basit bir sahneyi tanımlarken uzaysal bağıntılar (sağ,sol,aşağı,yukarı) kullanılır ve yapay zeka teknikleri ve yazılımlarının ihtiyaç duyduğu sembolik nesne isimleri (çatal, bıçak, çorba vs.) kullanılır. Örneğin, Prolog için; bıçağın solunda çatal isminde bir nesne vardır.

2.3.7. Kullanıcı ve Makine Ara yüzleri

Makine Görme sistemleri nerdeyse bağımsız olarak işlem yapmak için tasarlanmıştır, fakat tam olarak insan olgusundan yada diğer makinelerden ayrı olarak çalışamaz. Kullanıcı-makine ara yüzü sistemin kabul edilebilirliğinde yada performansında çok önemli bir fark yaratabilir. Bu sebepten dolayı, MV, sadece bir görüntü işleme motoru olarak değil  multi-medya aracı olarak görülebilir. MV ile insanın etkileşimi için gerekli olan bir çok yol vardır.

(i)                  Bir görme sistemi yeni ürünleri yada yeni durumları barındırmak için üretim katında yeniden programlanabilir. “iyi” ürünün ve/veya tipik hataların doğası hakkındaki bilgi, görme sistemini kontrol etmek için bir programı taşıyabilir.

(ii)                Performans istatistikleri üretimdeki tüm kontrolü görüntülemek için önemlidir.

(iii)               Üretim katı personeli bir makineye güvenecektir. Bir tespit algoritması, bir videonun tüm adımlarda sırayla kullanıcıyı gözlemlemesini sağlayan basit işlemlerin sıralanmasıdır. MV, işlemleri gerçekleştirmek için kullanıcının istediği kadar resmi çekebilmelidir. Bu kullanıcının güvenini yükseltecek ve MV ’nin hata teşhisini bulacaktır.

(iv)              El bağımsız işlemler faydalıdır. Bundan dolayı, ses tanıma ve ses sentezi faydalı arabirim teknolojileridir. Mimik diyagramlarını yazmak ve açıklamak ve bilgisayar ekranındaki görüntü genellikle touch pad aracılığıyla alfa-nümerik veri girişi için tercih edilir. Dokunma hassasiyetli ekranlar klavye ile veri girişi yerine tercih edilebilir.

Bir MV için kullanıcı ara yüzü tasarlarken, daima kullanıcının makine görmede uzman biri olmadığı düşünülerek yapılmalıdır.

Bir görme sistemi pnömatik, hidrolik ve step motorları gibi çeşitli harici araçlar ile beraber çalışmalıdır. Ayrıca sistem vanaları, basit KABUL/RET mekanizmasını, lambaları, kameraları yada lensleri kontrol edebilmelidir. Bundan dolayı, bir MV’nin uygun ara yüze sahip olup olmadığı önemlidir. Seri (RS 232 / RS 423), SCSI, IEEE 488, Ethernet, PMCIA, 24V fabrika standartları en faydalı ara yüz standartlarıdır. Özellikle faydalı bir ara yüz her yerde bulunan PLC (Programlanabilir Lojik Kontroller) ye bağlantı sağlar. İyi bir mühendislik uygulaması, güvenliğin mümkün olduğu her yerde kullanılan ayrık ara yüzlerle benimsenebilmelidir.

2.4. Sistem Mühendisliği ve Makine Görme

MV’nin bir önemli özelliği de “görme” işleminin daha ötesiyle ilgili olmasıdır. MV sistem mühendisliğinin bir görünümüdür. MV bir bilim değildir, fakat geniş bir teknik saha ile ilgilidir. Daha önce insan görme (HV) ve makine görme (MV) arasındaki farkları vurguladığımız gibi, makine görme (MV) ve bilgisayar görmeyi (CV) de birbirinden dikkatlice ayırmalıyız (Tablo 2.2.). CV, bilgisayar bilimlerinin bir koludur ve görüntülerin analizinde ihtiyaç duyulan hesaplama teknikleriyle ilgilidir. CV’nin başlangıç noktası, bilgisayardaki sayısal görüntülerdir. MV bir metalin, plastiğin, tahtanın yada seramiğin görünümü ile işe başlar.

2.4.1. Uygulama Kısıtları

MV’ nin önemli özelliklerinden birisi de, ekonomik ve efektif bir tasarım elde etmek için uygulama tarafından kurulan çeşitli ve çok ayrık kısıtların sistem tasarımcı tarafından alınması gerekliliğidir. Bilgisayar görme bu açıdan çok kısıtlanmış değildir. Makine ve bilgisayar görme arasındaki farklılığın önemini vurgulamak için bir kamera önünden sürekli hareket eden konveyor bandı üzerinden geçen parçaların incelenmesini göz önüne alalım. Burada MV tasarımcılarının göz önünde bulundurması gereken bazı tezler bulunmaktadır.

• Bizler standart dizi kamera ve stroboskobik aydınlatma kullanabiliriz. Ayrıca, flash lambalar epileptik uygunluğa ve kullanan kişilerde migren ataklarına neden olmasına rağmen, iyi ışıklandırma çok önemlidir.
• Hızlı LCD objektif kapaklı yüksek hassasiyete sahip bir kamera kullanılmalıdır. Bu bir sağlık riski doğurmaz fakat şu an için çok pahalıdır.
• Sürekli hareket eden bir konveyor bandı üzerindeki görüntüleri yakalamak için bir satır tarayıcı kamera ideal olabilir. Konveyor bandının hızı çok dikkatli bir şekilde kontrol edilmelidir ve böylece piksel büyüklüklerinin ne kadar olacağı bilinir. Kameranın önüne bir görüntünün gelmesi, LED-fotoselli proximity sensör tarafından algılanır (Şekil 2.1. (c)). Fakat, LED’in görüntü kalitesini düşürebileceği unutulmamalıdır.
• Görüntü işleme için belirli bir mimari, konveyor bandı üzerindeki uygun konumlanmış inceleme sistemidir (Şekil 2.1. (c)). Görüntü işleme her biri için sonucu hesaplarken, parçalar konveyor bandı üzerinde efektif olarak depolanmıştır. Bu sayede, yüksek çıktı elde edilirken yüksek gecikme sağlanır. Bu yaklaşım robot görme ve yüksek gecikmeye müsamaha edemeyen diğer gerçek-zamanlı kontrol uygulamaları için uygun değildir.
• Mekanik destek sistemini tamamen baştan tasarlamak daha uygun olabilir, böylece video işareti örneklenirken bant geçici olarak durur.
• Bir flying-spot (lazer) tarayıcı, konveyor bandı inceleme/denetleme uygulamaları için uygundur.
• Bir lazer light-stripe oluşturucu ve bir dizi kamera ile bir derinlik haritası oluşturulabilir. Derinlik haritası, ışık yoğunluğunun yüzeyin yüksekliği olduğu ve 3D şekil ölçümünde kullanışlı olan bir resimdir. Belli bir açıdaki nesnenin üzerine düşürülen ışığın eğiminin gözlenmesiyle elde edilir.
• Şu ışıklandırma metotlarından herhangi birini kullanabiliriz: floransan tüpler, LED’lerin bir lineer dizisi, bir cam veya plastik rod-aydınlatma (ışık bir uçtan enjekte edilir), bir lazer line-stripe jeneratörü, küçük lambaların lineer bir dizisi, lineer çıkış açıklığına sahip fiber-optik aydınlatma.

Bu liste tamamlanmamış olmasına rağmen, uygulama kısıtlamalarının, makine görme sistemlerinin tasarımında önemli bir etkisi olduğu açıktır.

2.4.2. Mühendislik Deneyimi

Eğer bir görme sisteminden tutarlı ve güvenilir performans elde etmek istiyorsak, tüm çeşitli biçimlerdeki gürültüyü yok etmemiz gerekir. Arızaya neden olan en önemli unsur kirdir. Bu sebepten dolayı, lambaları, tüm optik yüzeyleri (ışık kaynağı, reflektörü ve diffuser’i) ve kamerayı temiz tutmak gereklidir. Şekil 2.5., kameranın ve diğer optiklerin kir, ısınmış hava, duman, buhar ve kızıl ötesi radyasyondan nasıl korunacağını göstermektedir.

Şekil 2.5. Bir kamera ve lensinin korunması. Pek çok uygulamada, bu tip ölçümlerin bir kümesi yeterli olmaktadır.

Işık kaynağını, inceleme noktasından uzak tutmak için, fiber-optikler kullanışlıdır. Uygulanan ışıklandırmadaki kızıl-ötesi ışıkların seviyesinin ısıya duyarlı malzemelerin korunması suretiyle düşürülmesi, fiber optiklerin diğer bir faydasıdır. Benzer şekilde, fiber optik görüntüleme cihazları (intrascope ve fibrescope), kameranın zarardan korunmasını sağlar. Aslında bunu yapmanın pek çok yolu vardır: aynalar ve uzun odak mesafesine sahip lensler.

Saçılmış ışıkların en kötü etkisi, kamera etrafına uygun ekran yerleştirilerek yok edilebilir. Bu teknik genellikle değişken ışıklandırmanın etkisini gidermek için görüntü işleme donanım/yazılımını güçlendirmekten daha ucuz bir alternatiftir. Fakat genelde çoğu kimse bunu tercih etmemektedir.

Işık kaynağı, sabitlenmiş, iyi regüleli bir güç kaynağı tarafından sürülmelidir. Lambaların çalışma süresinin başından sonuna kadar, kaynaklardan çıkan ışığı görüntülemek için bir foto-detektör ve ışık seviyesini belirli sabit bir seviyede tutmak için kapalı-devre kontrol sistemi kullanmak iyi olabilir (güç-ışık dönüşüm verimliliği, lambanın çalışma süresince değişebilir).

Elektrik kabloları ekranlanmalıdır ve toprak beslemeleri elektronik devreleri gürültü akışını engelleyecek nitelikte olmalıdır. Bu özellikle analog video işaretleri taşıyan hatlar için önemlidir. Eğer mümkünse, sayısal işaret taşıyan hatların optik izolasyonla güvenliği sağlanmalıdır.

2.5. Sonuç

Makine görme sistemleri, üretim endüstrisinde çok geniş bir sahada kullanılmaktadır. En büyük kullanıcı kitlesi elektronik endüstrisidir. Ancak otomobil, cam, plastik, uçak, baskı, ilaç, gıda, medikal ürünler, ofis ürünler vs. gibi alanlarda kullanımı oldukça yaygınlaşmıştır. Teknoloji, makine görmenin pek çok alanda başarıyla kullanılabileceğini ortaya koymuştur ancak pratikte halen pek çok sorun vardır. Gelişmiş tasarımların artması, bu problemlerin çözülmesi için gereklidir.

Görüntü işleme alt sistemlerinin hesaplama hızlarını artırmak için pek çok çalışmalar vardır. Alan programlanabilir kapı dizileri (FPGAs), pipe-lined görüntü işleme donanımları, özel tümleşik devreler ve algoritmik gelişmeler, MV’yi daha cazip bir teknoloji haline getirmiştir. Görme teçhizatı sağlayan firmalar, kendilerine yöneltilen isteklerin hepsine cevap vermemektedirler, çünkü karşılıklı bir güvensizlik söz konusudur. Bu açıdan MV endüstrisinde bir kıtlık söz konusudur.

Tablo 2.1. Makine Görme (MV) ve İnsan Görmenin (HV) karşılaştırılması

Özellik	Makine Görme	İnsan Görme
Tayfsal saha	Gama ışınlarından mikro dalgaya kadar (10-11 - 10-1 m)	Görülebilir ışık (4.10-7  - 7.10-7m)
Uzaysal Çözünürlük	Şu an için (2002) 4.106 pixel (çok hızlı bir biçimde artmakta), 8192 (satır tarama)	Efektif olarak yaklaşık 4000x4000 pixel
Sensör Boyutu	Küçük (yaklaşık 5x5 x15 mm3)	Çok büyük
Nicelik	Evet. Hassas ölçüm yapabilme.	Hayır
Daha önce görülmemiş durumlar için karar verebilme yeteneği	Zayıf	İyi
Tekrar eden görevlerde performans	İyi	Yorulma ve sıkılmadan dolayı zayıf
Zeka	Düşük	Yüksek
Işık seviyesi değişimi	Sabit, genellikle kontrollü	Yüksek oranda değişken
Işık seviyesi (min)	Bulutlu, aysız bir geceye eşit	Biraz ay ışığı
Strobe ışıklandırma ve lazerler	Mümkün	Güvenli değil
Tutarlılık	İyi	Zayıf
Parasal değer	Orta	Düşük
Çalışma değeri	Düşük	Yüksek
Bir birim için inceme maliyeti	Düşük	Yüksek
Değişik yerlerdeki ve zamanlardaki çoklu görüntülerle başa çıkma	Çok yönlü	Sınırlı
Zehirli ve radyoaktif alanlarda çalışabilme	Evet	Kolay değil
Standart olmayan tarama metotları	Satır tarama, dairesel tarama, rasgele tarama, spiral tarama, radyal tarama	Mümkün değil
Görüntü depolama	İyi	Fotoğraflama veya sayısal depolama olmadan çok zayıf
Optik destekler	Sayısız mümkün	Sınırlı

 Tablo 2.2. Makine görme (MV) ve Bilgisayar görme (CV)’nin karşılaştırılması

Özellik	Makine Görme	Bilgisayar Görme
Motivasyon	Pratik	Akademik
Teoritik	Genelde değil.	Evet, pek çok akademik makale derin bir matematik içerir.
Maliyet	Kritik	Genelde ikinci planda
Adanmış elektronik donanım	Yüksek hızda işlem için gerekli	Hayır (tanımdan dolayı)
Algoritmik olmayan çözümler kullanma	Evet	İspatlanmış algoritmik metotlar üzerine güçlü bir vurgu var
Çalışma anında programlanabilme	Yeni ürünlerle mümkün	Genelde değil
Veri kaynağı	İnsan eliyle yapılmış şeyler, bir metal parçası, plastik, cam, tahta gibi…	Bilgisayar dosyası.
İnsan görmeyi modeller	Genelde değil	Genelde evet
En önemli kriterler	(a) Kolay kullanım (b) Düşük maliyet (c) Tutarlı & güvenli (d) Hızlı	Performans belirli bir yolla elde edilir. (ölçümün doğruluğu, tanımanın kritik özelliklerinin olasılı vs. gibi)
Disiplinler arası	Evet	Hayır
İyi çözümler için kıstas	Memnun edici performans	Optimum performans
Konunun doğası	Sistem mühendisliği (pragmatik)	Matematik/Bilgisayar Bilimleri (genelde akademik ve teorik)
İnsan Etkileşimi	(a) Etkileşimli prototipleme sistemi için: deneyimli görme mühendisi (b) Fabrikadaki hedef sistem için:kurulumda düşük yetenek seviyesi, inceleme modunda otonom olma.	Genellikle kullanıcının sahip olduğu özel yeteneklere bağlı (tıp, uydu görüntüleme, adli bilimler vs.)
Gerekli olan kullanıcı (operatör) yeteneği	(a) Etkileşimli prototipleme sistemi için: orta/yüksek (b) Fabrikadaki hedef sistem için: düşük seviye kabiliyet ile başa çıkabilmeli	Kullanıcının sahip olduğu özel yeteneklere bağlı (tıp gibi.)
Çıktı veri	Harici cihazları kontrol edecek basit bir işaret (ör: basit kabul/ret aygıtı veya çok eksenli robot)	İnsanlar için karmaşık işaretler
İşlem zamanındaki en önemli etmen	(a) Etkileşimli prototipleme sistemi için: insan etkileşimi (b) Fabrikadaki hedef sistem için: üretim hızı	İnsan etkileşimi. Genellikle hız ikinci plandadır.

 

3. ENDÜSTRİYEL GÖRME SİSTEMLERİ, UYGULAMALARI VE ARAÇLARI

3.1 Giriş

Makine görme (MV) endüstriyel otomasyon konusunda yenilikçi çözümler sağlar [81]. Endüstriyel faaliyetlerin pek çoğu, üretim işlemlerindeki makine görme teknolojisi uygulamalarından faydalanmıştır.Bu faaliyetler  dikkat isteyen elektronik parça üretimi [82], kaliteli tekstil ürünleri [83], metal ürünler [84], cam üretimi [85], makine parçaları [86], yazma ürünleri [87] ve granit kalite incelemesi [88], bütünleşik devre (IC) üretimi [89] ve pek çoğunu içerir. Makine görme teknolojisi üretkenliği artırır ve kalite yönetimi ve bu teknolojiyi kullanan endüstrilere rekabete dayanan avantaj sağlar.

3.1.1. Endüstriyel Görme Sistemlerine genel bakış

Geleneksel olarak, görme denetleme ve kalite kontrol insanlar tarafından gerçekleştirilir [90]. Çoğu durumda insanlar bu işi makineden daha iyi yapmasına karşın, insanlar makineden daha yavaştırlar ve çabuk yorulurlar. Üstelik insan deneyimlerini bulmak veya endüstride devamlılığını sağlamak zordur ve onların yeteneklerini geliştirmek ve eğitmek uzun zaman alır. En iyi eğitilmiş uzmanlar için bile, pek ok sıkıcı ve zorlu inceleme durumları da mevcuttur. Belirli uygulamalarda, kesin bilgi olabildiğince hızlı ve yinelenebilir olarak çıkartılmalıdır (örneğin; hedef izleme ve robot rehberliği). Bazı çevrelerde (sualtı inceleme, nükleer ve kimyasal endüstri gibi) inceleme zor ve tehlikeli olabilir. Bilgisayar görme, bazı ilgi çaba gerektiren durumlarda insan incelemesiyle yer değiştirilebilir [91].

Şekil 3.1. Tipik Endüstriyel Görme Sistemi

Şekil 3.1. tipik endüstriyel görme sistemlerinin yapısını göstermektedir. İlk olarak, bilgisayar elde edilen görüntünün işlenmesi için kullanılır. Bu, özel amaçlı görüntü işleme teknikleri ve sınıflandırma yazılımları kullanılarak başarılır. Görüntüler genellikle inceleme yapılan olay yerindeki bir veya daha fazla kamerayla elde edilir. Kameraların pozisyonu genellikle sabittir. Çoğu durumda, endüstriyel otomasyon sistemleri , sadece bilinen yerdeki bilinen nesneleri incelemek için tasarlanmıştır. Olay yeri, sınıflandırma ve diğer görüntü işlemlerini kolaylaştıracak kalitede görüntü özelliklerini elde etmek üzere düzenlenmiş ve uygun aydınlatma sağlanmıştır. Bu özellikler ileri olarak bilinmektedir. İşlem, uzun zaman alan veya yoğun şekilde hesaplama yapılan ve işlemcinin işlem kapasitesini aşacak şekilde olduğu zaman,işlem hızını iyileştirmek için uygulamaya özel donanım (DSP) veya uygulamaya özel bütünleşik devre (ASICs) veya alan programlanabilir kapı dizisi (FPGAs) kullanılır. Bu işlemlerin sonuçları aşağıdaki durumlar için kullanılabilir.

• Bir üretim işlemini kontrol (yüzey boyama, baskı devre parçaları üzerinde robot kolunun izleyeceği yol tayini gibi)
• Diğer ileri işlemler (sınıflandırma gibi) için harici cihazların (Networks veya FireWire gibi diğer arabirim tipleri gibi) üretimi
• Hatalı parçaların kusurlarını tanımlamak ve raporlamak ve bunların hatalarını düzeltmek ve üretim bandından hatalı parçaları atmak veya yer değiştirmek.

Başarılı bir makine görme sisteminin tasarımı ve geliştirilmesi için gerekli olan parçalar uygulama alanına bağlı olarak değişir ve uygulamanın becerisi, çevre, hız gibi özellikleriyle ilişkilidir. Örneğin, makine görme inceleme uygulamalarında, parçada tespit edilen hataların kabul edilebilir veya kabul edilemez olanlarını ayırt edebilmedir ve diğer uygulamalarda olduğu gibi sistem çözüm için kullanıcıya yol gösterebilmeli ve düzenleme,ölçme ve bütünlük kontrolü görevlerini yapabilmelidir.

Her uygulama alanında tüm işleri yapma ve yönetme yeteneğine sahip endüstriyel görme sistemi yoktur. İlk başta belirli bir uygulama alanının gereksinimleri belirtilir, sonra uygulamanın geliştirilmesi ve tasarımı için uygun kararlar alınır. Makine görme işleminin otomatikleştirilmesini sağlamak için ilk sorun, sistemin alacağı bilginin hangi türde olacağının ve görüntülerden çıkartılan özelliklerin ve ölçümlerin nasıl çevrileceğini anlaşılmasıdır.

Sistemin güvenirliği için sistem, kaçış oranını(kabul edilemez durumlarda kabul etme), hata uyarılarını (kabul edilebilir durumlarda kabul edilemez uyarısını) mümkün olduğunca azaltmalıdır. Bu sistem güvenirliğinin devamı için işlem yapma ve sınıflandırma birimlerinin sorumluluğudur, fakat sınıflandırmanın verimliliği elde edilen görüntünün kalitesine bağlıdır. Ayrıca endüstriyel görme sistemi gürbüz olmalıdır. Böylece, sistem otomatik olarak kendi kendine uyum sağlayabilir ve aydınlatmada, işaretlemede ve arka plan koşullarında ki düzensizliğe ve açıların belirsizliğine rağmen  sürekli olarak yüksek performans elde edebilir. Gürbüz performansa ulaşmak zordur. Yüksek tanıma ve sınıflandırma oranı sadece iyi aydınlatma koşulları ve düşük gürültülü ortamlarda elde edilebilir. Sonuç olarak, endüstriyel görme sistemi hızlı ve düşük maliyetli olmalıdır.

Bu bölümde endüstriyel makine görme sistemlerinin verimlilik, esneklik, hız ve maliyet, güvenlik ve gürbüzlük gibi önemli özellikleri üzerinde durulmuştur. Bu özelliklere haiz bir sistem tasarlamak yerine gerekli giriş ve çıkışların açıkça belirlenmesi daha önemlidir. Tipik olarak, bir endüstriyel inceleme sistemi işlenmemiş görüntüden aşağıdaki adımları takip ederek bilgiler hesaplar.

• Görüntü elde edimi: Görüntüler kamera, sayısallaştırıcı gibi cihazlarla dijital formda elde edilen gerekli bilgileri içerir.
• Görüntü işleme: Görüntüler elde edildikten sonra, onları arka plan gürültüsünden veya aydınlatma sistemi tarafından oluşan istenmeyen yansımalardan kurtulmak için filtreleme yapılır. Görüntü kalitesini artırmak ve görüntü alma sistemi (örneğin kamera) tarafından oluşan geometrik değişmeleri düzeltmek için görüntü onarımı uygulanabilir
• Öznitelik Çıkartma: Üst üste  binmeyen ve birbirine benzemeyen özniteliklerin hesaplanmasıyla uygulamaya has onu tanımlayan özelliklerin elde edilmesidir, böylece daha iyi bir sınıflandırma yapılabilir. Bu özellikler, boyut, konum bilgisi, kenar belirleme ve bağlama ile kontur ölçümü ve bölgelerdeki doku ölçümleri olabilir. Bu öznitelikler istatistiksel ve diğer hesaplama teknikleri (yapay sinir ağları, bulanık sistemler) ile hesaplanır ve analiz edilir. Hesaplanan öznitelik kümesi girdi resmi tanımlar.
• Karar verme:  Öznitelik verilerini birleştirerek, değişken sayılarını azaltabiliriz. Karar vermede ilk adım, problemin esas boyutundan öznitelik uzayı boyutuna geçmektir. Azaltılmış öznitelik seti karara ulaşmak için daha ileri bir yöntemdir. Bu karar, uygulamaya bağlı olarak bir çeşit öznitelik ve ölçüm hesaplamasıdır. Örneğin, görme inceleme sistemleri üretim sırasında, üretilen parçayı standart ürün ile karşılaştırarak istenilen kalitede olup olmadığına karar verebilir. Bu karar, threshold, istatiksel veya soft sınıflandırma işlemlerini içerebilir.

Yukarıda bahsedilen model karşılaştırma ve karar verme işleminin son bölümünde, bilinen adlarıyla dekleratif  ve yordamsal olmak üzere iki tip görüntü modeli (bölge veya nesne) vardır. Dekleratif model pikselin, nesnenin veya bölgenin ve ona ait komşularının kısıtlamalarından müteşekkildir. Yordamsal model, görüntüyü tanıyan işlem şartları içinde tanımlanır. Model tiplerinin her ikisi de bulanık ve probabilistik olabilir. Modellerin özel bir kategorisi yapay sinir ağlarını temel alır.

Model tabanlı yaklaşımlar sıklıkla, bir sınıfa ait mümkün olan pek çok farklı özellikteki görüntülere gereksinimi vardır. Bu görev, model karmaşık ve model sayısı fazla ise, zor ve hesaplama yoğunluğu fazla bir iş haline gelebilir. Model karşılaştırma için kullanılan yukarı-aşağı yaklaşımda, bir model ilk kuşak tanımlamasından ziyade uygun görüntü tanımları kuşağına rehberlik eder ve sonra onu bir model ile karşılaştırmaya kalkışır. Bir başka seçenek yukarı-aşağı ve aşağı-yukarı işlemlerinin birleşimi olabilir. Bu kontrol stratejileri, endüstriyel görme sistemlerinde olduğu gibi kontrollü şartlarda iyi aydınlatma ve düşük gürültü ile alınan iki boyutlu görüntü olduğu zaman basitleşir. Görüntü tanımları ve sınıf modelleri oluşturmak bu durumda daha kolaydır ve karmaşık model karşılaştırmasından kaçınılmış olur. Görme inceleme işleri için model tabanlı yaklaşımlar [93] uygulama alanın çeşitliliği içinde uygulanmıştır.

3.1.2. Geliştirme yaklaşımları ve çevre

Makine görme sistemi geliştirmek uygulamanın ihtiyaçlarını ve sınırlamalarını ve görevleri çözmek için seçilen makine görme yazılımı ve donanımının (gerekirse) ilerlemesini anlamakla başlar. Eski makine görme sistemleri tamamen kontrol gerektiren düşük seviyeli yazılımlar etrafında kurulmuştur. Bu sistemler diğer sistem bileşenleri ile düşük seviye arabirim yeteneği  olan basit  frame grabber temelli sistemlerdi. Onlar ayrıca düşük seviyeli kullanıcı arabirimi sahip, düşük seviye görüntü analiz yeteneği olan ve sistem bütünlüğü ve bakımı zor olarak da tarif edilebilir. Sonuç olarak,sistem geliştirme ve bakım için  daha fazla soyut yeteneğe sahip  ve daha yüksek seviye gürbüzlüğe sahip makine görme inceleme sistemleri daha popüler oldu.

Bugünün uygulamaları,  kısa sürede geliştirilen ve üretim işlemindeki değişikliklere uyum gösterebilen ortamlara ihtiyaç duyar. Ek olarak, sistemi çalıştırmak ve sistemin bakımı yapmak  kolay olmalıdır. Burada anahtar, diğer programlama araçları ve grafiksel kullanıcı ara yüzü (GUI) için uygun bir geliştirme ortamı seçmektir. GUI ve görme programlama araçları sayesinde, görme uzmanlığı olmayan fakat üretim mühendisi gibi yetkili kullanıcılara uygulama, yapılan işlemlerin sıralaması, test edilen algoritmalar hakkında fikir verebilir. Seçilen algoritmanın ne yaptığı ve nasıl yaptığı bilgisine dayanan programlama kolaydır. GUI kullanılarak, makine görme inceleme sisteminin geliştirilmesinin başlangıcında programlama uzmanından üretim mühendisine uygulama geliştirme çabasını değiştirir. Bu özellik sonucunda, uygulama geliştirme sadece daha ucuz ve hızlı değil, aynı zamanda yeniden şekillendirilebilir yazılımın küçük bir parçasıyla pek çok uygulamaya yol gösterebilir.

Endüstriyel görme sistemleri , en azından uygulama ortamının gerektirdiği hız kadar hızlı olmalıdır. Hız yapılan işin becerisine bağlı olarak milisaniyeden saniye veya dakikaya kadar bir aralıkta olabilir. Artan işlem talebini karşılamak üzere özel amaçlı donanım gerekebilir. Düşük maliyetli endüstriyel görme sisteminin özelliği, herhangi bir özel amaçlı donanım kullanmadan gerekli olan hıza ulaşabilme yeteneğidir. PC’ler ve iş istasyonları bugünlerde yeterince hızlılar bu yüzden çoğu uygulama alanında özellikle düşük çalışma zamanı gerektiren alanlarda başarılı olabilirler [94, 95].

Donanım teknolojisinin ilerlemesi, standart işlem platformlarının gelişmesiyle birleşince endüstriyel otomasyon sistemlerinin üretimi ve bakımını yapmak oldukça düşük maliyetlerde mümkün olabilmektedir. Windows NT (Windows 2000, XP) veya UNIX temelli bir işletim sistemiyle Pentium PC’lerle azami taşınabilirlikte kullanmaya hazır (ticari) yazılımlar geliştirilmektedir.

Endüstriyel görme uygulamalarını sınıflandırmak için iki yol öne sürülmüştür. Birincisi, endüstriyel görme uygulamaları üretilen ürünün incelenecek özelliklerine bağlı olarak dört kategoriye ayılabiliriz. Bunlar, boyutsal kalite, yapısal kalite, yüzey kalitesi ve işlemsel kalitedir. Endüstriyel görme uygulamaları, ayrıca incelemenin bağımsızlık özelliği olan ve serbestlik derecesi (Degrees of Freedom, DoFs) olarak adlandırılan esneklik şartlarına göre sınıflandırılabilir. Bu sınıflandırma ile yapılan çalışmanın benzer endüstriyel uygulamalarda kullanımına imkan sunar.

3.2. Endüstriyel görme sistemlerinin sınıflandırılması

Modern endüstriyel görme sistemleri araştırma ve geliştirmesinde, en fazla uygulama aşağıda verilen dört tip incelemenin sonuncusuyla ilgilidir.

• Boyutsal kalite incelemesi
• Yüzey kalite incelemesi
• Yapısal kalite incelemesi
• İşlemsel kalite incelemesi

İncelemekte olan ürünlerin karakteristiklerinin araştırmasıyla yukarıdaki sınıflandırma biçimi Tablo 3.1’de ürünün incelenen en sıradan özelliklerini bir araya getirmektedir [81].

Tablo 3.1 Ürünün incelenen potansiyel özellikleri

Boyutsal	Boyutları, şekli, konum bilgisi, oryantasyon, hizası, yuvarlaklığı, köşeleri
Yapısal	Bütünlük (Delikler, yarıklar, çiviler, vida, kenetler) Yabancı nesneler (Toz, sızıntı)
Yüzey	Çukurlar, çizikler, çatlaklar, aşınmalar, engebesizlik , doku ,dikiş yeri, kıvrım, dalgalanmalar, süreklilik
İşlemsel	Tarif edilen ve standart işlemlerin uyumluluğu

Unutmayın ki, incelemenin dört sınıflandırmanın doğasındaki farklılıklara rağmen, çoğu durumda ikili (evet/hayır)  karar verme durumuna sahip memnun edici kalite standartlarının kabulü ile düşürülmüştür. Şekil 3.2. bu ilişkiyi açıkça göstermektedir.

Şekil 3.2. Endüstriyel Görme Sisteminin Ana Kategorileri

Endüstriyel görme uygulamaları , inceleme işlemini etkilemeyen ölçme özelliklerine göre de ayrılabilir. Bu gibi özellikler kümesi işlem incelemesinin serbestlik derecesini tanımlar. Endüstri dünyasında şekille ilgili, geometrik boyut, güçlülük,  yumuşaklık, duruş gibi en yaygın serbestlik derecelerinden bazıları Şekil 3.3. de gösterilmiştir. Nesnelerin serbestlik derecesi genellikle onların karakteristikleriyle uyuşmayan ve görme sisteminin esnekliğinin bir ölçüsü göz önüne alınmasıyla ilişkilidir. Serbestlik derecesinin azlığı uygulama üzerindeki inceleme sisteminin güvenirliliğinin kuvvetli oluşunu gösterir. Bu nedenle, düşük serbestlik derecesine sahip sistemler genişlemesi olasılığı az olanlardır. Yüksek değişkenlik derecesi, genişleyebilir sistem veya çok genel sistemlerin karakteristiğidir. Pek çok serbestlik derecesi ile sistem, mevcut deformasyonları ve incelenen nesneye bağımlılığı minimize eden, dikkatlice seçilmiş görüntü ve algoritma temelli sınıflandırma yaklaşımlarını çalıştırabilir. Ek görüntü işleme ve analiz fonksiyonlarını sisteme tanıtır ve daha fazla görüntü özelliği elde etmek için bir öncekinden görüntüden bağımsız olarak çalıştırırsak sistem yeni hataları tespit etmek için genişletilebilir. Yukarıda serbestlik derecesi tabanlı sınıflandırma ile ilgili ileri sürülen düşünceler gösteriyor ki inceleme sistemi tasarımında diğer sınıflandırmalarda açık olmayan  esneklik, karmaşıklık ve maliyet burada bilinmektedir. Tablo 3.2 DoFs, uygulama alanı ve kalite inceleme arasındaki ilişkiyi göstermektedir.

Şekil 3.3. Endüstriyel Görme Sistemlerinin Temel DoF ları

Bir çok uygulama tekil bir karakteristik (örneğin büyüklük) inceleme üzerine odaklanmıştır. Geri kalan karakteristikler (doku, konum) bu uygulamaların belirttiği  görme sisteminin esnekliği için DoFs olarak dikkate alınabilir. Bununla beraber, onların hepsi eşit seviyede öneme sahip değillerdir. Bundan sonraki bölümlerde sadece önemli özellikler incelenecektir.

3.2.1. Boyutsal kalite

Nesnenin boyutlarının belirtilen toleranslar içinde olup olmadığı veya nesnenin şeklinin doğruluğunun kontrolü endüstriyel görme sistemleri için sıradan bir görevdir. Bazı görevler nesnenin iki boyutlu veya üçü boyutlu karakteristik geometrisinin incelenmesini içerir ve önceki bölümde bahsedilen dört tipten birincisi olan boyutsal kalite olarak adlandırılır.

Çok sayıda endüstri boyutsal kalitenin ölçümünü otomatikleştirmek için görme sistemi geliştirmektedirler. Paketleme endüstrisinde, görevler şişelerin doluk seviyesinin ölçümü, tarihe göre satış hava yastığı kutusu (hava yastığı kutusunun çapı, yoğunluğu, yüksekliği gibi) kontrolü olabilir. Kaynak [128] de, bir görme sistemi hediyeleri kağıt ve folyo ile kaplayarak paketleme işlemini otomatik olarak

Tablo 3.2 Endüstriyel Görme sistemlerinin sınıflandırması

Kalite inceleme	Kaynak	Uygulama Alanı	DoFs
Yüzey	[104]	Mini direnç boyama	Direnç oryantasyonu
	[105]	Alüminyum tabaka dökümü	Tabaka genişliği
	[106]	Demiryolu hattı inceleme	Aydınlatma/ray-ayak-baş yerleri
	[107]	Yağ contaları	Aydınlatma
	[108]	Tavuk eti hataları	Aydınlatma ve deri
	[89]	Bisküvi yüzeyi inceleme	Çarpıklık/ölçek/oryantasyon/konum
	[109]	Yüzey yaklaşımı	Aydınlatma
	[88]	Granit yüzey incelemesi	Doku
	[110]	Doğrusal doku	Aydınlatma/yönün dönmesi
	[111]	Yüzey pürüzleri	Oryantasyon
	[112]	Yüzey hataları	Duruş
	[83]	Tekstil dikiş hataları	Çeviri/Döndürme
	[97]	Tahta hataları	Tahta yoğunluğu
	[113,114]	Tahta kaplama yüzeyi	Ölçek/Yoğunluk
	[115]	Yüzey aşınması	Şekil
Boyutsal	[116]	Makine parçası inceleme	Ölçek/çeviri/oryantasyon
	[117]	Lehim eklem incelemesi	Oryantasyon
	[118]	Lehim eklem incelemesi	Oryantasyon /konum
	[92]	Lehim eklem incelemesi	Konum/ Oryantasyon /büyüklük
	[119]	Vida yivleri	Yiv konumu
	[87]	Banknot incelemesi	Konum
	[120]	Görüntü bölümleme	Şekil/Doku
	[95]	Nesne sınıflandırma	Ölçek/Oryantasyon
	[121]	Nesne sınıflandırma	Şekil
	[122,123]	Dairesel parçalar	Çevresel kapatılma
	[124]	Paketleme	Konum/oryantasyon
	[125]	Çizgi bölüm ölçümü	Oryantasyon/ölçek
	[98,126]	Meyve hasatı	Olgunluk/aydınlatma
	[127]	Paketleme	Şekil/büyüklük
	[128]	Paketleme	Aydınlatma/şekil
	[129]	Otomotiv endüstrisi	Büyüklük/şekil/duruş
Yapısal	[130]	Nesne bütünlüğü	Oryantasyon(sınırlı)
	[131]	Demiryolu parçaları inceleme	Aydınlatma/şekil
	[132]	Demiryolu parçaları inceleme	Aydınlatma/şekil/doku
	[133]	Otomotiv endüstrisi	Aydınlatma / konum
	[134]	Otomotiv endüstrisi	Aydınlatma / konum /şekil/büyüklük
İşlevsel	[136]	Lazerle eklem kaynağı	Kaynak yolu şekli/yarık büyüklüğü/ışın/konum
	[137]	Kol saati kalitesi	El büyüklüğü/büyüklük/oryantasyon/büklüm

sağlamaktadır. Kaynak [124] bahsedilen benzer bir uygulama, paletlerin doğru konumlarını tespit etmek ve paletler üzerindeki çuvalların desen düzenlerini tanımak için kullanılmıştır. Sistem bir robot mekanizmaya çuvalları kavrama ve dönebilen kesilmiş diskler boyunca onların geçişine imkan vermektedir.

Popüler bir gerçek zamanlı uygulama PCB’ler (Printed Circuit Boards) üzerinde lehim eklem yerlerinin sınıflandırılması ve incelemesini yapmaktadır. Bu uygulama için tipik inceleme, PCB konveyor  sistemi üzerine yerleştirilmiş bir uygun aydınlatma sistemi ve bir kameradan müteşekkildir[117]. PCB görüntülerini işleme iki ana aşamadan oluşur. Birincisi, bir ön işlem olup PCB görüntüsü üzerinde sırasıyla gürültü filtreleme ve lehim eklem yerleri izlerini takip etmektir. Sonra, lehim eklem yerleri hata tipine göre sınıflandırılır. Alışılmış sınıflandırma eklem üzerindeki lehim pastasının miktarıyla ilgilidir. Dört sınıf tanımlanmıştır; iyi, aşırı lehim, yetersiz lehim ve lehim yok. Eklemlerin geometrik modelleri üzerindeki simülasyon sonuçları göstermiştir ki iyi çalışan bir sınıflandırmaya sadece optimum özellik seçimiyle ulaşılabilir, böylece sınıflar üst üste binmez [92]. Güncel araştırmalar göstermiştir ki, sistem şartları ve hesaplama karmaşıklığı açısından, histogram  tabanlı teknikler [118] iki ve üç boyutlu özellikler tabanlı tekniklerden [117] daha iyi sonuç vermektedir. Ana problem iki boyutlu özellikler tek başına doğru sınıflandırma için yetersizdir ve üst üste binmiş sınıflar için ayrıca bir sınıflandırıcı gerekir. Bir çok PCB inceleme sisteminde sınıflandırıcı tasarımı için histogram ve hataların topolojik özelliklerinin her ikisiyle de uyumlu olan yapay sinir ağlarını (NN) kullanılmıştır.

Kaynak [127] de iki boyutlu ağaç levhaları kesme işlemi problemleri için yaklaşımlar sunulmuştur. Bir makine görme sistemi düzensiz biçimlendirilen levhaların görüntüleri üzerinde çalıştırılmıştır. Sonra, bir genetik algoritma (GA) üretim kısıtlamalarını(budak kaybı minimizasyonu) gideren yapı parçaları oluşturmak üzere uygulanmıştır. Bu metot, genelde düzensiz parçaların kullanıldığı deri ve giyim endüstrisinde faydalıdır.

Normal şartlar altında ağaçtaki meyvelerin küresel yer tespiti için bir otomatik görme sistemi Kaynak [98] de sunulmuştur. Sistem uzaklığı elde etek için lazer uzaklık bulucudan (laser range finder) faydalanıyor ve meyvenin yerini tespit etmek için, şekil analiz algoritmaları meyve yüzeyinin incelenmiş verisi üzerinde çalıştırılıyor sonuç olarak ağaç üzerindeki meyvenin konumu tespit ediliyor. Deneysel sonuçlar yeşil meyvelerin %74, görünen meyvelerin %100 oranında tespit edildiğini göstermiştir. Kaynak [126] da yukarıdaki sistem AGRIBOT bütünleşik robot sistemine gömülerek otomatik meyve hasadı yapmak amaçlanmıştır.

Hat bölümlerinin ölçümü problemi kaynak [125] de sunulmuştur. Hat bölümlerinin ölçümü için deneme yanılma algoritması önerilmiştir ve uzunluk, açı ve düzgünlük gibi hat bölümü özeliklerinin doğru ölçülmesi için makine görme sistemi kullanılmıştır. Benzer bir uygulama dairesel parçaların çevresel bozuklukları veya düzensizliklerini tespit etmek hakkındadır [123]. İki aşamalı Hough dönüşümü dairesel makine parçalarını incelemek için uygulanmıştır.

Endüstriyel çevrelerde gerçek zamanlı oranında, nesnelerin duruşlarının incelenmesi için model tabanlı bilgisayar görme sistemi kaynak [95] de sunulmuştur. Dikkat gerektiren gerçek zamanlı bir uygulama yüksek kalitede basılmış ürünlerin denetimini yapar. Bu uygulama, benzerliği yüksek derecede olan ürünler ile uyumludur. Morfolojik operasyon tabanlı orijinal bir algoritma yakın piksel çözümlerinde hataların tespitini kolaylaştırır. Sistem üretilen baskının doğruluğunun gerekli olduğu ve dikkatlice hazırlanan banknotların denetlenmesi için uygulanmıştır.

Bu kategorideki ilginç bir uygulama, üretim standartlarıyla vida yivlerinin uyumunu denetleyen bir uygulamadır [119]. İstenilen bölgenin tespiti için kenar bulma algoritması uygulanmıştır. Her bir bölge bir çok yiv modeli ile karşılaştırılmış, tespit edilen yivin boyutlarının ve konumunun çeşitli olması sağlanmıştır. Sistem üretim hattında test edilmiş ve elle ölçme gibi diğer metotlardan daha iyi sonuç verdiği görülmüştür. Temel nesne araştırma tekniklerinin temeli olan aktif şekil modeli (Active Shape Model) kaynak [129] da çalıştırılmıştır. Yaklaşım görüntüde dönüm noktası (nesnenin tüm görünüşünün olduğu nokta) olan noktaların veya özelliklerin tespiti ve öğrenme örnekleri kümesinde dönüm noktalarının konumları ile ilgili istatiksel kayıtların temeline dayanır. Bu yaklaşımın faydası otomotiv fren sisteminin incelenmesini örneklerle açıklamıştır.

3.2.2 Yüzey kalitesi

Nesneleri çizik,  çatlak, aşınma için inceleme veya yüzeylerin doğru bitiş, yuvarlaklık ve dokularını kontrol etme yüzey kalite incelemenin tipik görevleridir. Önemli çalışmalar sonucunda tekstil, ahşap ve metal endüstrilerinde hata tespiti ve kalite doğrulaması için görme sistemleri kullanılabilmektedir.

Kaynak [83] de,  tekstil dikiş kalitesi için özellik sınıflandırma (kendinden organizeli yapay sinir ağları temelli) kullanılması görüşü sunulmuştur. Sistem ayrıca düşük kontrastlı resimler üzerinde  dikişlerin tespitine olanak sağlar.

CATALOG [97] kütük içlerindeki hataları bilgisayar tomografi (computer axial tomgraphy veya computer tomography, CT) tabanlı tespit etme sistemidir. CT görüntü dilimlerinin dizisi elde ediliyor ve her biri iki boyutlu bölgelere parçalanıyor. Her bölümlenmiş görüntü dilimi analiz ediliyor ve hatalı veya hatasız olarak tanımlanıyor. Hatalı bölgenin CT dizisi ile çapraz korelasyonu, kütük hatalarının üç boyutlu yeniden yapılandırmasını sağlar. Kaynak [113] de modüler NN topolojisi ile karar ağacının birleşiminin kullanımının tahta kaplama malzemesi sınıflandırması için tek başına büyük bir NN’den daha verimli olduğu gösterilmiştir. Bu topolojinin tasarımı sınıfları ayırmak için kullanılan özelliklerin normalize edilmiş inter-class varyasyonu temeline dayanır. Bu topolojinin gelişmiş bir versiyonu [114], özelliklerin intra-class varyasyonu temellidir ve NN topolojisinin karmaşıklığını azaltmaya izin verir ve sınıflandırma sonuçlarının doğruluğunu artırır. Ağaç yüzeyleri üzerinde hat arama araştırmalarının bir başkası kaynak [97] de sunulmuştur.

Makine görme ayrıca makine parçaları veya yüzeyleri üzerindeki hataların(çatlak, çukur, madde kalitesinde değişim) tespiti ve görüntülenmesi için de kullanılabilir.  Yüzey hataları (çentik, çıkıntı)  karakteristiklerinin tespiti için bazı bölümleme teknikleri kaynak [112] de önerilmiştir. Benzer teknikler doğal değerli taşların parlatılması sırasında oluşan çiziklerin tespiti içinde uygulanmıştır [111]. İlk olarak fourier dönüşümü pürüzlerin ölçümlerinin yapılması uygulanmıştır. Sonra, yapay sinir ağları pürüzlerin yüzeylere göre sınıflandırması için kullanılmıştır. Kaynak [110] da dokulu yüzeyleri olan nesnelerin hata tespit işlemi sunulmuştur. Fourier dönüşümü tabanlı global görüntü restorasyon planı uygulanmıştır. Çizgi desenlerine benzer yüksek frekanslı fourier bileşenleri hatalı bölgelere benzer düşük frekanslardan ayrılmıştır. Rasgele dokulu renkli görüntüler üzerindeki hata tespitleri için alternatif bir yaklaşım kaynak [88] de sunulmuştur. Bu metot renkli ve dokulu görüntü özelliklerini hesaba katar ve watershed dönüşümünün uygulamasına izin veren benzerlik ölçümünün ilk kısmını oluşturur. Nesnelerin yüzey yakınlığı için uzaklık bilgisini elde etme problemi kaynak [109] da açıklanmıştır. Bu stereo görüntü çiftleri kullanılarak başarılmış ve bir elektron mikroskop tarayıcısı (SEM) ve fark tahmini hesaplaması için özellik tabanlı stereo algoritması içerir.

Yüzey denetimi ayrıca alüminyum şerit döküm işlemine uygulanmıştır. Kızıl ötesi (IR) sıcaklık ölçümü(yüzey sıcaklığının dağılımının ölçülmesiyle) alüminyum levhalarının kalitesini değerlendirmek için kullanılır. Alüminyum levhalarının denetimi için iki aşamalı işlem kaynak [105] de anlatılmıştır. İlk olarak, sistem bir alüminyum parçanın iki yüzünü de inceliyor ve potansiyel hatalı alanların görüntüsünü elde ediyor. Bu görüntüler sonra hata tipine göre sınıflandırılır ve uzmanlar tarafından gözden geçirilmeleri için depolanır. Kaynak [89] da makine görme bisküvi yüzeyinin denetimi için uygulanmıştır. Bir fuzzy üyelik fonksiyonu geniş sahadaki çeşitli şekil bozukluklarıyla baş edebilmek için uygulanmıştır.

Yüzey kalite denetiminin potansiyel uygulamaları  ayrıca demiryolu rayları üzerindeki hataların, gerçek zamanlı sınıflandırması ve on-board tespitini [106] de kapsar. Kaynak [104] de sunulan metal film mini dirençlerin boyamasının eksiksiz kalite (%100) denetim sistemi, düşük kalite ürünlerin tespitini doğru boyanmış dirençlerin görüntüleri ile her bir görüntüyü karşılaştırarak yapmıştır. Kaynak [88] de sunulan makine parçalarının (dairesel yağ contaları) denetimi sistemi yüzeysel ve boyutsal kalite doğrulama işlemlerini her ikisini de yapar. Her bir dairesel contanın merkezi hesaplanır ve onun dairesel  pikselleri denetlenir.

Gıda endüstrisinde, malın kalitesinin denetimi birincil işlemdir. Kaynak [108] de, piliç etlerini paketlemeden önce hatalarını denetleyen bir akıllı sistem anlatılmıştır. Sistem piliç görüntüleri üzerindeki kromatik doygunluğu temel almaktadır ve potansiyel hatalı bölgelerin ortaya çıkarılmasında morfolojik işlemler uygulanmakta ve onların sınıflandırması önceden tanımlı hatalar listesine göre yapılmaktadır.

3.2.3. Yapısal Kalite

Tümleşik parçalar üzerinde eksik parçaların (vida, perçin çivisi gibi) kontrolü,  yabancı

veya ekstra nesnelerin varlığının kontrolü kalite denetlemenin bu sınıfının tipik işlemleri arasındadır.

Yarıiletken ve elektronik endüstrisinde, konnektör varlığından kapasitör kutuplanma kontrolü, IC pin ayarlama, IC kimliklendirme, IC düzeni ve yerleşimi,elektronik devre kartları üzerindeki hataların otomatik olarak sınıflandırması gibi bilgi elde etme görevlerine kadar değişen görevler mevcuttur. Örneğin, Kaynak [96] da konnektör deki 20-1000 pin arasında çatlak olan pinlerin hızlı bir şekilde tespit eden bir konnektör inceleme sistemi tasarlanmıştır.

Kaynak [135] deki çalışmada PCB bileşenlerinin yapısal kalitesinin incelenmesi yapılmıştır. İncelenen nesneler(elektronik nesneler) boyut ve şekil olarak küçük değişimlerin olabileceği kabul edilir. Fakat gri seviye görünümde önemli miktarda bir değişiklik hatanın olabileceğini gösterir. Nesne yapısının yoğunluğunun istatiksel modeli, öğrenme örneklerinin bir kümesini oluşturur. Daha sonra, modeli tespit etmek için giriş görüntüsü üzerinde çoklu-çözünürlük arama teknikleri kullanılır. Tahmin edilebilir istatiksel özellikleri olan uygun bir ölçüm, bu bölgenin modelin geçerli bir örneği olup olmadığını saptamakta kullanılır. Bu metot hata oranının gerçek uygulamalar için kabul edilebilir olduğunu gösterir (1000 örnekte 1 tane).

Otomobil hatlarındaki sapakların tespiti için gerçek zamanlı bir şablon eşleştirme metodu kaynak [133] de önerilmiştir. Uzman bir kişi tarafından otomobile ait seçilen bölgenin dört görüntüsü sistem tarafından şablonlara uygunluğuna bakılarak analiz edilir. Bu çalışma, komple otomobil hatlarının incelenmesi için kullanılan tümleşik bir sistemin bir parçasıdır. Aynı sistemin ikinci bir parçası olan kaynak [134] de sunulan çalışma otomobil kapılarının durumlarını incelemeyi amaçlar. Kapının açık veya kapalı olduğunu anlamak için bir çizgi uydurma (line fitting) algoritması uygulanmıştır.

Demiryolu hatlarının bileşenlerinin incelenmesi kaynak [106, 132]  sunulmuştur. Demiryolu mengenelerinin tespiti için filtreleme teknikleri ve vidaların tespiti için NN (neural network) kullanılmıştır [131]. Demiryolunun tahta bağlantılarının gerçek zamanlı tespiti kaynak [132] de incelenmiştir. Sistem, demiryolu hatları görüntüleri üzerinde bağlantıların sınırlarının tespiti sağlamaktadır. Kaynak [130] de sert nesneler üzerindeki hataların tespiti için stokastik model-tabanlı inceleme algoritması (bayesian yaklaşımı tabanlı) sunulmuştur. Görüntü modelleri, iki boyutlu monokrom görüntü içinde kompleks üç boyutlu görünümü tanımlar. Bu metot dişli üretimi ve VHS kaset üretimi hatlarında doğruluğun kontrolü için uygulanmıştır.

3.2.4. İşlevsel Kalite

İşlevsel kalitenin denetimi, incelenen ürünün üretim standartlarına göre doğru veya kesin işlemlerin sağlanması ile alakalıdır.

Lazer eklem yeri kaynaklarının incelenmesi kaynak [136] da sunulmuştur. Bir kamera bağlantı yerlerindeki kaynakların görüntüsünü almakta ve kaynağın doğru yapılıp yapılmadığına ve aralığın büyüklüğüne karar verir. Gürültü yok etme metodu öncelikler uygulanır. Sonra kaynak büyüklüğü ve yolu bölümlenmiş kaynak resimleri üzerinde hesaplanır. Bölümleme Laplacian filtre temeline göre yapılır. Yukarıdaki bilgiler lazer eklem yeri kaynaklarının incelenmesi için hesaplanır. Kol saatlerinin kalite incelemesi kaynak [137] de anlatılmıştır. Tüm incelenen kol saatleri öncelikle referans bir saatle senkronize edilir. Bir kamera ile saatin görüntüsü alınarak, saat, dakika, saniye ve 24 saat olarak sınıflara ayrılırlar. Saatin hangi zamanı gösterdiği tespit edilir ve yapay sinir ağları kullanılarak aynı zamanlı saat ile karşılaştırılır.

3.3. Endüstriyel Görme Sistemlerinin Geliştirilmesi

Günümüzde makine görme sistemleri standart platform bileşenlerinden müteşekkil gibi görülmektedir. Standart PC tabanlı platformlara ,ayrıca standardize edilmiş ağlara, yedekleme ve depolama teknolojilerine geçilmektedir. Güçlü grafik arabirim (Graphical User İnterface ,GUI) ortamları, daha güçlü yapılar için gerekli çekirdek teknolojileri sağlayan görüntü işleme hızlandırıcıları ile birlikte PC’ler üzerinde çalıştırılarak makine görme ortamlarının maliyetini daha makul düzeye düşürmektedir. Sistem geliştirme, çeşitli yazılım ve donanım gereçlerinin uygulamaya yönelik entegrasyonunu içerir. Günümüzde makine görme sistemleri, değişik yazılım ve donanım satıcılarından kaynaklana değişik bileşenlerin entegrasyonunu daha kolay hale getirmiştir. Hatta C ve C++ gibi geleneksel programlama ortamları tekil bir sisteme yazılım bileşenlerinin gömülmesini sağlamaktadır.

Sensörler, grabberlar ve bilgisayarlar için yeni donanımların üretimi, endüstriyel denetim için makine görmenin komplike problemlerin bile üstesinden gelebilmesine olanak sunmaktadır. Karmaşık algoritmalar günümüzde gerçek zamanlı görmeyi yerine getirmekte ve yeni sensörler (örneğin CMOS sensörler) yetersiz aydınlatmada bile geleneksel CCD sensörlerden daha güvenilir,ensek ve hızlı görüntü almak için  daha dinamik sahalara izin vermektedir. Aynı zamanda, görüntü işleme yazılımları daha kullanıcı dostu hale geldi ve güçlü yazılım kütüphaneleri pek çok popüler görüntü işleme ve analiz algoritmalarını da içermektedir. Bu ortamların pek çoğu görsel programlama ile esnek GUI arabirimi ve geleneksel programlamanın her ikisini de destekler. İki programlama uygulaması da uygulama geliştirmeye yardımcı olmaktadır. Görsel programlama, standart programlama teknikleri ve dileri kullanmayı optimize ederek uygulama prototiplerini hızlandırmaktadır.

Endüstriyel görmede bugünkü trend, geliştirme yerine ticari ürünleri kullanmaktır. Böylece emek ve yeni ürün geliştirmedeki riskler azalır ve yeni donanımların hazır başarısından faydalanılır. Yüksek performans gerektiğinde,  özelleşmiş DSP (dijital işaret işleyici) işlemcileri kullanılabilir. Son olarak, uygun yazılım araçlarının seçimi çok önemlidir. Bir yazılım aracı aşağıdaki istenen özelliklere sahip olmalıdır.

• Çoklu işlem seviyesini desteklemeli: Endüstriyel görme sistemlerindeki işlem tipleri düşük seviyeli işlemlerden (filtreleme,threshold vs.) orta seviye işlemlere (bölümleme, öznitelik hesaplama vs,) ve yüksek seviyeli işlemlere (nesne tanıma, görüntü sınıflandırma vs.) kadardır. Bir görüntü işleme yazılımı tüm bu seviyedeki işlemleri desteklemelidir. Ayrıca, farklı yazılım araçları sisteme adapte edilebilmeli ve bütünleşik çalışabilmedir.
• Kullanımı kolay olmalı: GUI’ler, görsel programlama ve kod üretimi uygulamaya geliştirmeyi kolaylaştıran tipik özellikleridir. Görüntü fonksiyonları tipi ve sahasına göre sınıflandırılmalı böylece uzman olmayan bir kullanıcı bile fonksiyonun neyi nasıl yaptığını bilerek uygun fonksiyonu seçebilmelidir.
• Dinamik saha ve frame oranını desteklemeli: Yeni tip sensörler (örneğin CMOS sensörler) daha dinamik bir saha ve daha hızlı görüntü( Piksel başına 8 bit yerine 16 bit) almayı sağlamaktadır. Görüntü yazılımı, değişik frame oranlarında yüksek dinamik sahaları işleyebilme özelliğinde olabilmelidir.

·        Genişleyebilir olmalı: Yazılım paketi eski algoritmadan daha iyi bir algoritma ile yer değiştirilebilir olmalıdır. Ek olarak, yazılım paketi yeni gereksinimler olduğunda ana program değişmeden ayarlanabilir olmalıdır.

• İşe uygun donanımları desteklemeli: Yazılım paketi işlem hızının önemli olduğu durumlarda işlem hızını artırmak için donanımla (örneğin DSP, ASIC, FPGA) işbirliği içinde çalışabilmelidir.

3.3.1. Yazılım Araçları

NN,bulanık mantık ve genetik algoritma tabanlı görüntü işleme ve analiz araçları kullanılmaktadır.

3.3.1.1. Görüntü işleme ve analiz araçları

Görüntü işleme genelde dikdörtgen, daire ve yalnızca çizgi ve yaylar üzerinde uygulanır. Görüntü işleme operatörleri filtreleme(keskinleştirme, yumuşatma), kenar tespiti (edge detection), eşikleme (threshold), morfolojik operasyonlar gibi işlemleri içerir. Bazı operasyonlar görüntü kalitesini artırmak (gürültü yok etme, kontrast genişletme)  ve belirli görüntü özelliklerini (kenarlar, bölgeler)  arka plandan ayırt etme veya ayırma işlemlerini yapar. Görüntü işleme operasyonları giriş olarak verilen görüntüyü istenilen özelliklerde  başka bir görüntüye dönüştürme işlemi yapar.

Görüntü analizi, görüntüyü ölçümlere dönüştürür. Özellikle görüntü analizi, belirli görüntü özelliklerinin (çizgi ve köşeler) ölçümü ve elde edilmesi ve bu özelliklerin sayılara, vektörlere ve karakter dizilerine dönüştürme ile ilişkilidir. Örneğin, çizgiler, bölgeler, karakterler, delikler, yarıklar, yırtıklar ölçülebilir veya sayılabilir. Görüntü analizi, özellik elde etme operasyonları ile ortalama aydınlık yoğunluğu, doku ve fourier tanımlayıcıları,momentler, kenar inceltme, kenar birleşimi ve bağlanması gibi şekil karakteristiklerinin birleşimini içerir. Görüntü analizinin ana amacı, nesne sınıflandırma ve tanıma için gerekli olan özelliklerin elde edimidir.

Endüstriyel inceleme için uygun bir görüntü işleme ortamı en azından , köşe ve çizgi tespiti, görüntü genişletme, aydınlatma düzeltme, geometrik dönüşüm, nesne tanıma, özellik seçimi ve sınıflandırması gibi algoritmaları içermelidir. Tablo 3.3 popüler görüntü işleme araçlarının istenilen fonksiyonları sağlayıp sağlamadığını göstermektedir. Bu araçlar endüstriyel ortamları içeren pek çok sektöre uygun özellikler ve performanslar sunmaktadır.

Tablo 3.3 Görüntü işleme ve analiz yazılım araçları.

Yazılım Paketi	Kütüphane	Görsel Programlana-bilir	Komut Satırı	Donanım Uyumlu	Kaynak Kod
Khoros	Evet	Evet	Hayır	Hayır	Evet
SCIL-Image	Evet	Evet	Hayır	Hayır	Evet
LeadTools	Evet	Evet	Hayır
IPL Lib	Evet	Evet	Hayır	Evet	Hayır
Sherlock32/MVTTools	Evet	Evet	Hayır	Evet	Evet
Image-Pro plus	Evet	Evet	Hayır	Hayır	Hayır
OPTIMAS	Evet	Evet	Hayır	Hayır	Hayır
WiT	Evet	Evet	Opsiyonel	Evet	Hayır
PC Image Flow	Evet	Evet	Hayır	Evet	Hayır
Intel Image Processing Lib.	Evet	Hayır	MMX		Hayır
HALCON	Evet	Evet	Hayır	Hayır	Hayır
VISION97	Evet		Evet (frame grabber)	Hayır	Hayır
AdOculos	Evet	Evet	Hayır		Hayır
MIL	Evet	Evet	Matrox	Evet	Hayır
Rhapsody	Evet	Hayır	Hayır	Evet	Hayır

3.3.1.2. Yapay sinir ağları (Neural Networks,NN)

Yapay sinir ağları, işyerleri, tıp, jeoloji ve fizik gibi geniş bir sahada tahmin etme, sınıflandırma ve kontrol problemlerinin çözümünde başarılı bir şekilde uygulanmıştır. NN, ağ içinde birbirine bağlanmış benzer basit işlem birimlerinden (nöronlar) oluşur [139]. Nöronlar katmanlarda sıralanmıştır, giriş verisi uygulandığında giriş katmanında işlenir. Her katmandaki işlenmiş veri  çıkış katmanına doğru ağda diğer katmalara geçer. NN, örnekler üzerinde eğitim süresince, sıklıkla kullanılan danışmanlı öğrenme ile ağırlıkları hesaplar. Yeterli öğrenmeden sonra, NN problem verisi için uygun çözümle ilişkilendirme yeteneğine sahip olur ve giriş/çıkış ilişkisini üretir, böylece yeni problem örneklerine uygulanabilir çözüm sunar [140]. Endüstriyel görme sistemlerinde,

Tablo 3.4 NN araçları.

Paket Adı	Yeni algoritma	NN tipi	Endüstriyel Uygulama	Paket veya Kütüphane	Kullanıcı Arabirimi	Kod üretim /DLL
BrainMaker		back propagation,		Yazılım Paketi	Grafiksel	C
Neuro Solutions	Kullanıcılara nöral topolojiler ve bileşenler tanımlamayı sağlar	Recurrent back propagation, back propagation	Uygulama özeti içerir	Yazılım Paketi	Grafiksel	C++/ DLL
G2 NeurOnLine		Back propagation, RBF, Rho, auto associative	Detaylı uygulamalar içerir	Yazılım Paketi	Grafiksel Nesne Tabanlı
SPRLIB ANNLIB	Aynı veri tipiyle çeşitli topolojiler oluşturulabilir	Back- propagation, pseudo-Newton, Levenberg-Marquadt, conjugate gradient descent, BFGS, Kohonen maps		C/C++ Kütüphanesi
ILIB Neural Connection		Multilayer Perceptron, RBF, Kohonen, Bayesian		C/C++ Kütüphaneleri ve Yazılım Paketi	Grafiksel
DataEngine, v.i,ADL		Multilayer Perceptron, Kohonen, Feature map, Fuzzy, Kohonen network		Yazılım Paketi	Grafiksel	C++/ DLL
Trajan 3.0	Hbirid ağ tasarımına izin verir	Tüm mimarileri kabul eder		Yazılım Paketi	Grafiksel	DLL

basit ölçümlerden hata bulma, optik karakter tanıma operasyon tahmini, motor kontrolü gibi ileri derecedeki sınıflandırma problemlerine kadar çok çeşitli işlemler için görüntü sınıflandırılmasını yapabilecek yetenektedir. Tek başına bir teknik olarak (tahta [113], dikiş yeri [83], yüzey pürüzleri tespiti [111]) kullanılabileceği gibi diğer metotlarla birleşik (lehim eklem yeri tespiti) de kullanılabilir [117]. NN, yukarda anlatılan tüm kalite inceleme sistemlerine uygulanmıştır, boyutsal kalite [116-118], yüzey kalitesi [83,111,114], yapısal kalite [131] ve işlevsel kalite [137]. Giriş ve çıkış parametreleri arasında ilişki bulunan her duruma uygulanabilir, ilişki çok karmaşık olabilir veya ilişki matematiksel olarak veya diğer modellerle ifade edilemeyebilir.

Tablo 3.4 en fazla kullanılan NN araçlarının özelliklerini özetlemektedir. Genel amaçlı ve tek başına kullanılan araçların ötesinde, SPRLIB ve ANNLIB gibi görüntü sınıflandırma ve pattern tanımaya yönelik özel uygulamalarda mevcuttur. Çoğu zaman bütün araçlar, çok bilinen mimarilerin yanında bazı az bilinen mimarileri de gereksiz yere içermektedir. Bazıları da kullanıcıya kendi topolojisini tanımlama kapasitesine sahiptir.

3.3.1.3. Fuzzy sistem (FS) ve Nöro-Fuzzy Sistem (Neuro-fuzzy system,NFS)

Yazılım paketi	Gereksinimler	Kod üretimi	Özellikler*	Donanım desteği
Mathematica	Windows/Unix, Mathematica S/W	Hayır	Yalnızca FS	Hayır
FIDE	DOS/Windows, 4MB RAM, 4MB HD, .386	ANSI C/Java/MatLab/ Assembly	Yalnızca FS	MC6805, MC68HC05, MC68HC11, MC68HC16, MC68HC33x
TILShell/FuzzyCLIPS	Windows, CLIPS (for Fuzzy CLI	C kodu	Yalnızca FS	VY86C570  Fuzzy işlemcisi
FCM	Windows	C ve Assembly	Yalnızca FS	NEC 17K/75X/78K0/78K3 ve V Panasonic MN1500, 68HC11, 8051, Inmos Transputer T805
MatLab	Windows, Unix, Linux, HP, Solaris, Matlab S/W	C kodu	FS ve NFS, ANFIS,grafiksel editör	Hayır
DataEngine, V.i lib	Windows, Labview Pentium, 64MB RAM, 50MB HD	DLL	FS,NFS, grafiksel programlama dili, işaret ve görüntü işleme algoritmaları	Hayır
FuzzyTECH ş NeuroFuzzy Module	Windows	C, Assembly, DLL	FS,NFS, fuzzy tasarım sihirbazı	Motorola 68HC12 MCU
NeuFrame v.4	Windows	C, C++, Java, MatLab	FS ve NFS	Hayır
a FS: fuzzy sistem, NFS: nöro-fuzzy system.

öğrenme hızından yüksektir. Bulanık mantık ayrıca nöral modelleri anlaşılabilir yapmakta ve bu kullanıcı esnekliğini artırmaktadır.Literatürde çok çeşitli nöro-fuzzy topolojisi mevcuttur, bunlara örnek kaynak [146] da kullanılan fuzzy artmap, kaynak [147] de ses tanıma için kullanılan MCFC, kaynak [148] de kullanılan ASAFES2 ağı olabilir. En popüler topoloji, nöro-fuzzy sistemlerinin genel yapısını takip eden [150] ANFIS’dir [149].

Son zamanlarda, GA [71] belirli uygulama alanlarında belirli işlevleri yerine getirmede kullanılmaktadır. GA’nın uygulamalarına örnek olarak, endüstriyel görme sistemlerinde kullanılan pattern tanıma uygulamasıdır. GA’nın kullanımı, nesnelerin sınıflandırması [121], dairesel nesnelerin tespiti [122], görüntü bölümleme [120] ve ağaç kütüklerinin iki boyutlu kesilmesinde budak kaybını azaltmak [127] vs. gibi projelerde de görülmüştür.

Tablo 3.6 Görüntü işleme boardları.

3.3.2. Donanım Araçları

Pek çok endüstriyel görme uygulamasında yazılım araçları gerçek zamanlı ihtiyaçları karşılamada yetersizdir. Bazı uygulamalarda görüntü işleme algoritmalarının artan hesaplama isteklerini yerine getirmede donanım kullanımı kaçınılmaz olmaktadır. ASIC, DSP, FPGA ve genel amaçlı işlemciler işlem hızı problemini çözmede olası seçeneklerdir. Hangisinin seçileceği, çip büyüklüğü, güç kaybı ve performans gibi özellikler hesap edilerek yapılır. Bununla beraber, kullanım esnekliği ve programlama ortamı gibi noktalar uygulama geliştiricileri için önemli bir hale gelmiştir. Tablo 3.6 yaygın olarak kullanılan görüntü işleme boardlarının bazı karakteristiklerini özetlemektedir.

3.3.2.1. Uygulamaya özel bütünleşik devre (ASIC)

Görüntü işlemeyi donanımla uygulamanın pek çok yolu vardır. Birincisi, ASIC kullanarak uygulamaya adanmış bir devre yapmaktır. Algoritma daha karmaşık hale gelince, ASIC tasarımında zeki nitelikli (IP) bloklar veya VHDL veya Verilog gibi donanım tanımlama dilleri kullanılabilir. Bu yolla geliştirme zamanı azalır, çünkü bu hücreler çeşitli teknolojilerde tasdik edilmiştir. Ayrıca, ASIC tasarımı IP blokların birleşmesinden ve bunların arabirimleri için bazı mantıksal yapılardan müteşekkildir.

ASIC yaklaşımının en büyük dezavantajı, devre genellikle sadece bir uygulamada çalışabilmektedir (kaynak [109] da geliştirilen sistem sadece stereo görme içindir ). Bu sınırlamanın üstesinden gelmek için, ASIC’in içerdiği işlemci çekirdeği kullanılarak programlanabilme yapılmıştır. Birkaç firma (örnek olarak ARM, I.C.COM, Clarkspur, DSP group, Argonaut) taşınabilir uygulamalara ithaf edilmiş DSP ve RISC çekirdeğini önermiştir. En çekici ürünlerden biri ARC işlemci çekirdeğini kullanan Argonaut’dan gelmiştir. Bu, peç çok esneklik sunan 32 bit genel amaçlı RISC işlemcisidir. Çekirdek boyutu çok küçük (16 kgate’den küçük, 0.35 µm teknolojisiyle 2 mm² alan) ve işlemci saat hızı 100 Mhz’den büyüktür. Bir yazılım aracı uygulamanın özelliklerine uygun konfigürasyon yapımına izin verir. Örneğin, sentez hız veya alan hedefleyebilir, komut keş büyüklüğü ve kayıt dosyası büyüklüğü ona göre ayarlanabilir. VHDL kodu sonradan üretilir ve herhangi bir teknolojiyle sentez yapılabilir.

Yeniden şekillendirilebilme, ASIC’in sınırlı uygulanabilirliliğiyle uyumlu olmanın diğer bir yoludur. Kaynak [152] de,  bu tip bir ASIC mimarisi sunulmuştur. O düşük ve orta seviye bilgisayar görme için FFT, kenar tespiti, Hough dönüşümü gibi çeşitli görüntü işleme algoritmalarının gerçekleşmesine imkan tanır. Genel amaçlı işlem birimlerinin kullanımı, aynı yapı üzerindeki birçok görüntü işleme algoritmasının yerine getirilmesini sağlar, bu ASIC’ın sınırlamalarıyla başa çıkmanın bir başka yoludur. Kaynak [153] dahil, görsel işlem öncesi için foto detektör çipleri [154] ve yüksek seviye görüntü işleme [155] gibi literatürde pek çok yaklaşım önerilmiştir.

3.3.2.2. Sayısal İşaret İşleyiciler (DSP)

İşlemci çekirdeği yerine çip kullanmakta bir alternatiftir. Pek çok farklı işlemci mimarileri önerilmiştir. her birinin kendi avantaj ve dezavantajları mevcuttur. Görüntü işleme algoritmalarının hızlı çalışması için DSP boardlarının kullanımı, gerçek zamanlı uygulamalarının gerektiği endüstriyel görme sistemlerinde geniş bir yer tutmaktadır. Bazı popüler DSP yapıları, Philips Semiconductors tarafından üretilen TriMedia Mediaprocessor [156], Imaging Technology tarafından üretilen IM-PCI,Datacube tarafından üretilen MaxPCI, Texas Instruments (TI) tarafında üretilen TMS320Cxx ailesi, Matrox tarafında üretilen TI’nin TMS320C80 DSP’sini temel alan Genesis görme işlemcileri ve Chromatic Research Inc. Tarafında üretilen Mpact Medya işlemcileridir [157].

3.3.2.3. Genel Amaçlı İşlemciler

Genel amaçlı işlemciler DSP’lerden daha hızlı üretilirler. Seleflerinden daha yüksek frekanslarda çalışırlar, bu yolla DSP’lerin performansına yaklaşırlar. Intel MMX’lerle ve SIMD Instruction Pentium’la, AMD Athlon mimarisi ve Motorola’nın Altivec’i ile görüntü işleme uygulamaları için büyük veri setleri üzerinde hesaplama yapacak yeni yaklaşımlar sunmuşlardır. Genel amaçlı işlemcilerin en büyük avantajı tabi ki programlama ortamıdır, iç mimarisi hakkında hiçbir bilgiye gerek duymadan geliştiriciler programlarını yazabilirler. Diğer taraftan, bu çiplerin güç tüketimi ve boyutu genellikle gömülü sistemler için engelleyicidir. RISC mimarisinin görüntü işleme algoritmalarına uygulanmasıyla ilgili performans değerleri kaynak [94] de bulunmaktadır.

3.3.2.4. Alan programlamalı kapı dizileri (FPGA)

FPGA’lar kapasite (örneğin bir çipin içerdiği kapı sayısı eşit) ve performans konularında ASIC ile rekabet halindedir. Bu tasarlanan devrenin prototipinin hızlıca yapılmasına ve gerçek koşullarda çalışma imkanı verir. ASIC ile karşılaştırıldığında en büyük avantajı, FPGA yeniden programlanabilmektedir. Kompleks FPGA’lar gerçek zamanlı görüntü işleme algoritmalarını verimli bir şekilde uygulayan yeniden düzenlenebilir sistem tasarımına izin verir. FPGA tabanlı PCI boardlar, DSP sistemlerine cazip bir alternatiftir. Yeni FPGA’lar PowerPC veya ARM gibi işlemci çekirdeğine, RAM ve diğer aygıtlara sahiptir. Bu özellik tasarımcıya yeniden düzenlenebilir yazılım-donanım çözümü üretmeye ve aynı bileşenlerle büyük devrelerin testlerini yapmaya izin verir ve yeniden tasarım işini büyük ölçüde kolaylaştırır. Böylece, FPGA çipleri özelliklerde oluşan değişim ve tasarım aşamasında yapılan basit hata durumlarında yeniden kullanılabilir.

3.3.2.5. Nöral, fuzzy ve nöro-fuzzy donanım sistemleri

Fuzzy, nöral veya hibrid sistemleri geliştirecek kapasitede platformlar vardır.Pek çoğu, fuzzy veya nöral sistemleri tanımlayan tümleşik programları çalıştırabilecek kadar hızlı genel amaçlı mikro kontrolör tabanlıdır.Diğer taraftan, fuzzy tabanlı uygulamaları hızlandırmak için, fuzzy kontrolörlerinin SGS-Thomson WARP ailesi gibi adanmış işlemcileri de mevcuttur. İki metodolojide de, genel amaçlı mimarilere ek olarak fuzzy operasyonları için dört komut seti öneren Motorola 68HC12 gibi işlemciler mevcuttur. Önerilen sistemlerin tümü, fuzzy ve nöral sistemleri tanımlayan düşük veya yüksek seviyedeki ve her platform için hız iyileştirmeli kod üretimi yapan yazılım paketleri tarafından desteklenmektedir. Tablo 3.7, fuzzy tabanlı donanım ürünlerinin özelliklerini özetlemektedir.

Tablo 3.7 Fuzzy tabanlı donanım sistemleri

3.4. Gelecek Yönelimler

Endüstriyel görmedeki en önemli ticari gelişme; bir görme sistemi için uygulanabilir olma, bütçe kısıtları karşısında performans kriteri talebindeki artış, son kullanıcı için memnun edici olmalıdır [158]. Bu boşluğu doldurmak için ortada üç teknolojik trend vardır: (a) çok amaçlı işletim sistemleri gelişimiyle birlikte yarı iletken teknolojisinde hızlı bir gelişim, (b) insan-bilgisayar arabirimlerindeki geliştirmeler ve (c) solid-state görüntüleme sensörlerindeki gelişimler.

3.4.1. Yazılım ve donanım teknolojisi

Görüntü işlemedeki (yazılım veya donanım) çok amaçlı hızlı ve ucuz elde etme eğilimi [159] endüstriyel çevrelerde oldukça önemlidir çünkü maliyet-efektif ve yüksek kaliteli ürünlerin çok hassas bir şekilde üretilmesi, otomatikleştirilmesi ve monitörlenmesi için yoğun bir talep vardır. Bundan başka, bu endüstri sürekli değişken ve rekabetçi bir ortamdır böylece, endüstriyel uygulamalar yeni üretim metotlarına ayak uydurabilecek şekilde olabildiğince esnek olmalıdır. Bu gereksinimler çok amaçlı donanımlar ve mainstream işletim sistemlerine ihtiyaç duyar böylece, hızlı görüntü işleme elde edilebilir. Modern görüntü sistemlerindeki endüstriyel işletim standardı, görüntü işleme için en popüler platform olan UNIX’dir. Bununla birlikte, Windows NT, geniş bir sahadaki pahalı olmayan istatistiksel analiz ve standart görüntü işleme uygulamaları UNIX sistemleri için olsa bile, bu alandaki ciddi bir rakiptir. Ağır görevli bir gerçek zamanlı uygulamada ortaya çıkan en büyük sorun onlarca Mbyte verinin bir saniye içerisinde işlenememesidir. Sistem mühendisleri bu sorunu çözmek için bu konudaki uzmanlaşmış paralel donanımların kullanılması gerektiğini söyler: frame grabber, DSP’ler veya paralel çalışan RISC temelli sistemler.

Yarı iletken teknolojisine göre, görüntü işleme ve öznitelik çıkarma algoritmaların silikona entegrasyonu ile gelişmeler ve kazanımlar elde edilir. Daha özel olarak, endüstriye görme için gerekli olan (kontur çıkartma, renk inceleme, mofoloji) gibi algoritmaların donanım uygulamalarını hayata geçirirler. Bu entegrasyonun eğilimi host tarafından denetlenen özel işlemcili ASIC sistemi olabileceği gibi, host içine gömülmüş çekirdek işlemci de olabilir (ör. PC sistemleri için geliştirilen MMX teknolojisi). İkincisin optimum çözüm olduğu açıktır [87, 105].

3.4.2. İnsan-bilgisayar arabirimleri

Endüstriyel incelemedeki state-of-the-art sistemlerinin diğer bir önemli talebi, en düşük maliyet ve mümkün olan minimum zamanda, üretim prosesindeki kurulu bir inceleme sistemine ayarlamayı gerektiren, hızlı prototiplemedir. Bunun için, çok amaçlı donanımla birlikte, özel modüller içeren esnek ve kapsamlı görüntü işleme kütüphaneleri gerekmektedir. Model tabanlı çözümlerinde endüstriye geniş bir şekilde benimsenmeyişinin temel nedeni de budur. Çünkü işlenecek görüntüler için karmaşık ve usandırıcı bir model geliştirme zorunluluğu gerektirir (özellikle yüksek düzensizlikteki şekli olan nesnelerin incelenmesini ilgilendiren işlemlerde, plastik kısımlar endüstrisi gibi). Bu problem için bir çözüm CAD tabanlı sistemlerin kullanılmasıdır [101].

Endüstriyel görme sistemini bir insan operatör ile etkileşimi, son kullanıcı açısından çok önemlidir. Bu etkileşim, operatörün, sistemin parametrelerini etkin olarak ayarlayabilmesini ve inceleme esnasından meydana gelebilecek problemleri, yazılım sağlayıcısına gerek duymadan çözebilmesine olanak tanır. PC tabanlı uygulamalar için pencere sitili araçlar (bölüm 3 de tanımlandığı gibi) modern sistemlerin yaygın bir halidir. Yazılım ara yüzlerinin basitleştirilmesiyle birlikte fare, ışık kalemi gibi donanım ara yüzlerinin kullanımı da endüstriyel alanda makine görmenin kabulüne katkıda bulunmuştur [160].

3.4.3. Görüntü Sensörleri

Endüstriyel görme sistemlerinin performansını artıran üçüncü teknolojik eğilim, görüntüleme sensörlerindeki gelişimdir. Solid-state teknoloji, düşük frame oranı, artırılmış cihaz hacmi, artırılmış gürültüden dolayı bu gibi uygulamalar için uygun olmayan resimlerin yakalanmasından thermionic teknolojinin eliminasyonunu sağlar [161]. Görüntü yakalama alanına giren solid-state teknolojisi endüstriyel görmede önemli gelişmelere neden olmuştur çünkü daha önceki teknolojini karşısında pek çok avantajı sunulmuştur. Bu avantajlardan bazıları, daha küçük hacimli cihazlar, EM gürültüye karşı gürbüzlük, daha yüksek çözünürlük, asenkron tetikleme (istenilen zaman aralığında görüntü yakalama), stop-motion teknikleri (hızlı nesneleri yakalamada) [161], chip üzerinde işaret işleme [162-164], ortam ışığının değişimine karşı gürbüzlük [165,166] gibi. Tümleşik görüntüleme sensorlerinde kullanılan en önemli teknolojiler, Şarj-kuplajlı cihaz (Charge-Coupled Device,CCD), Şarj-enjeksiyon cihaz (Charge-Injection Device, CID) ve Tamamlayıcı MOS (Complementary MOS, CMOS) dur [167].

Tablo 3.8, üç sensör ailesinin önemli özelliklerini özetlemektedir. 300K piksel çözünürlük seviyesine sahip tipik cihazları seçtik çünkü pratikte endüstriyel görme sistemlerinin çoğunluğu bu çözünürlük seviyesinde görüntü yakalama yapmaktadır [107,117,127]. Bu noktada şunu unutmamak gerekir, hız ve çözünürlük arasından trade-off bir ilişki vardır çünkü daha yüksek çözünürlük görüntü işleme sistemine büyük görüntü-veri akışına neden olur böylece görüntü işleme algoritmalarının hızı düşer. Bu trade-off ilişkiyi için bir çözüm, sadece detaylı analiz gerektiği zaman veya inceleme altındaki nesneler durağan kaldığı zaman [108] veya işlemci ana kartlarının bir ağı mümkün olduğunda [87] veya inceleme kontrolünün yüksek hızlarda olduğu durumlarda [106] yüksek çözünürlük kullanılmaktır.

Tablo 3.8 Üç solid-state görüntüleme sensör ailesinin tipik karakteristikleri

Teknoloji modeli	CCD DALSA CA-D8-0512Wa	CID CIDTEC RACID810/811b	CMOS VLSI Vision VV5500c
Çözünürlük (dizi boyutu)	512x512	512x512	648x484
ROI işlemed yeteneği	Hayır	Evet	Evet
Chip üzerinde işleme	Hayır	Evet	Evet
Tüketim	6.75 W	11/22 mW	<125 mW
Piksel boyutu (µm)	10	20	7.5
Dinamik sahae	54	57.5	57
Veri hızı (MHz)	25	10-20	20-30
Tam frame oranı(fps)f	77 (max)	30-70	30

^a Kaynak [168].

^b Kaynak [169].

^c Kaynak [170].

^d ROI: ilgilenilen bölge (region of interest).

^e Dinamik saha = 20 log (oran).

^f fps: saniyedeki frame sayısı.

Görüntüleme sensör teknolojisindeki gelecek eğilimler oldukça başarılıdır. Görüntü çözünürlüğü 16Mpiksel (4096x4096) çözünürlüğe ulaşmıştır [161]. Frame oranları 60Kfps hızlarına, CID ve CMOS kameralar için ROI işleme teknikleriyle ulaşmıştır. Veri bit çözünürlüğü artmakta ve teknoloji 8-bit döneminden 16-bit dönemine gitmektedir. Ayrıca renkli kameraların çoğu CCD sensör teknolojisini kullanarak yeteneklerini geliştirmişlerdir. Ticari olarak bululabilen kameralar, standart PAL/NTSC video kalitesi için, 1/4",1/3" hatta 1/2" boyutlarında CCD sensör kullanmıştır. Görüntüyü, Kırmızı, Yeşil ve Mavi kanallara ayrılabilen 24-bit gerçek renge sahip 3 CCD entegre kullanan sayısal kameralar oldukça ekonomik duruma gelmiştir. 680K piksel kapasiteli gelişmiş CCD görüntüleyicilerin kullanılmasıyla, yüksek DV resim kalitesine ulaşılmıştır. Sayısal renkli kameralar JPEG standartında görüntü yakalarlar. Arabağlaşım, iletişim ve video aktarımı genelde bir standart olma eğiliminde olan FireWire olarak bilinen IEEE 1394 arabirimi ile gerçekleştirilir. IEEE 1394 arabiriminin bilgisayarın işletim sistemine tanıtılması, aygıt sürücüleriyle mümkün olmaktadır. Halen megapiksel kameralar günümüz marketlerinde bulunabilirken, 24-bit gerçek renk, 640x480 frame elde etme özellikli kamera geniş olarak kullanılmaktadır.

Görüntü sensörlerinin değerlendirilmesi için pek çok kriterler kullanılmıştır, en önemlileri [171-173]: (a) Cevap verilebilirlik, optik enerjinin her birimi için işaret seviyesinin ölçülmesi. Bu açıdan CMOS sensörler, CCD sensörlerden biraz daha iyidir, çünkü kazanç elemanları entegre üzerine daha kolay bir şekilde yerleştirilebilmektedir. (b) Dinamik saha, bir pikselin doyum seviyesinin işaret eşiğine oranına denilmektedir. CCD sensörler daha iyidir çünkü entegre üzerinde daha az gürültüyü düşüren ve sensörün hassasiyetini artıran devre vardır. (c) Tek biçimlilik; devreler, hemen hemen aynı ışıklandırma koşulları altında farklı pikseller için tek biçimliliği etkiler. CMOS sensörler diğerlerine oranla daha hassastır çünkü sensör üzerinde daha çok devre vardır. Daha yeni CMOS aygıtlar bu çeşitliliğin uyumunu sağlama için güçlendiricilere geri besleme eklemişlerdir. Fakat bu, sadece iyi ışıklandırılmış ortamlarda çalışmaktadır. CCD daha iyi tek biçimliliğe sahiptir. (d) Hız; uygulamanın hızı CMOS sensörlerde hızlıdır çünkü devrenin çoğunluğu ana kart üzerindedir. Böylece işaret haberleşmesi daha kısa mesafede olur ve PCB üzerindeki diğer entegrelerle bağlı olmak zorunda değildir. CCD görüntüleyiciler, pek çok uygulama için halen yeterli hızda işlem yapmaktadır fakat umulan talep uygulamaları, CCD yerine CMOS sensörleri göz önünde bulundurur. (e) Güvenilirlik; CMOS sensörler bu açıdan CCD ye göre daha kalitelidir çünkü yonga üstünde yüksek seviyede entegrasyon içerir. Daha yüksek entegrasyon, daha az dış bağlantı demektir. Yani, korozyona ve diğer kötü çevrelerde lehim eklemleriyle ilişkili problemlere hassastır. Sonuçta, CCD en kaliteli görüntü performansı ve esnekliği sistemin bütçesi ölçüsünde sunar. CMOS görüntüleyiciler daha yüksek entegrasyon, düşük güç kaybı ve küçük sistem boyutu sunar. Yeni nesil uygulamalar için CMOS, düşük görüntü kalitesi problemini düzeltmelidir. Mikrolenslerin kullanımıyla bazı gelişimler sağlanmıştır.

Entegre üzerinde A/D dönüşüm ve işaret işleme yarı iletken teknolojisindeki ilerlemelerle birlikte mümkün hale gelmiştir. Böylece ayrık entegreler kullanma zorunluluğu ortadan kalmış, tek bir entegre ile tümleşik işlevler yerine getirilebilmiştir. Eğilim, görüntüleme sensöründen, entegre üzerinde alçak geçiren filtreleme [174], hız ölçümü [163], kenar tespit etme [153] gibi bazı algoritmaların yapılabildiği görüntü işleme sensörüne geçme yolundadır. CCD teknolojisi endüstriyel görmede sık tercih edilen ve olgun bir teknolojisi olmasına rağmen, alternatif teknolojilerin (CID ve CMOS) entegre üzerinde zeki ve otonom son-işlemeye sahip olmaları açısından potansiyeli hayli yüksektir.

Endüstriyel görmedeki pek çok uygulama, kendi başına çalışan işlemleri gerektirir. Çünkü hızlı işleme yeteneğine entegre üzerinde sahip olan zeki kameralara ihtiyaç vardır. Bu yönde en önemli karşı çıkma, ticari görüntü işleme kütüphaneleriyle son kullanıcı tarafından erişilebilen kolay programlanabilme özelliğidir. Kamera içindeki genel amaçlı bir işlemcinin veya bir DSP bu tür istekleri sunabilir. Çünkü bu tip mimariler için derleme araçları geniş olarak erişilebilirdir. Maalesef, VLIW işlemcilerinde olduğu gibi talimat-seviye paralellik kullanırken bile, yüksek çözünürlüklü ve dinamik-saha kameralardan elde edilen büyük veri ile baş edebilmek için elde edilen performans istenilen ölçüde değildir. Bir diğer bütünleyici yaklaşım, veri-seviye paralelliği kullanan ön-işlemci kullanarak aynı işlemi farklı veriler üzerinde çalışabilmesidir. İki yaklaşımın kombinasyonu (zeki kamera ve önişlemci) sayesinde esnek olarak programlanabilme özelliğine sahip, görüntü işleme algoritmaları açısından daha performanslı, çok güçlü sistemler elde edilmesini sağlar.

3.5. Sonuç

Makine görme inceleme araştırma ve teknolojideki sanatın durumu anlatılmıştır. Otomatik inceleme sistemlerinin geliştirmesini etkileyen kardinal faktör anlatıldı ve bu alanlardaki literatürle ilişkilendirildi. Endüstrideki makine görmenin modern uygulamaları da gözden geçirildi ve onların ölçüm parametreleri (boyutlar, yüzey ve işlem) ve sistemin DoFs una göre sınıflandırılmıştır. Araçlar ve teknikler hem adanmış spesifik uygulama gereksinimlerine hem de  hedeflenen geniş çeşitlilikteki benzer gereksinimleri olan uygulamalar sunulmuştur. Bu bölümde yazılım ve donanım ürünlerinin geniş bir sahası, görüntü işleme yazılım paketleri, görüntü işleme kütüphaneleri, yapay sinir ağları, fuzzy, nöro fuzzy araçları, genetik algoritma kullanan donanımlarla birlikte tanıtılmıştır. Bölüm bu sahadaki gelecek yönelimlerin kritik bir perspektiften özetlenmesi ile bitirilmiştir. Bu açıdan endüstriyel görme teknolojisindeki performans kriterinin artması ve kısıtlı son kullanıcı bütçesi göz önünde bulundurulmuştur. Teknolojik sahadaki eğilimlerin endüstriyel görme ile birlikte yarı iletken teknolojisi, insan bilgisayar etkileşimi ve görüntüleme sensörleri etkileri vurgulanmıştır.

 

4. SAYISAL GÖRÜNTÜ İŞLEME

4.1. Giriş

Sayısal görüntü işleme, bilgisayar görme ve görüntü iyileştirme alanlarında kullanılmaktadır. Bu bölümde, görüntü işlemenin tarihçesi, matematiksel gösterimi, görüntü iyileştirme, kenar bulma, resim çıkarma ve çember uydurma ile ilgili bilgiler sunulmuştur.

4.1.1.      Tarihçesi

Sayısal görüntü işleme konusundaki araştırmalar iki ana uygulama sahasında toplanabilir:

• Görüntüyü kişinin işleyeceği şekilde iyileştirme
• Otonom bir sistemin işleyip sonuç üretebileceği bir forma dönüştürme

Birinci kategorideki işlemlerin ilk kez yapılması işlemi Londra ve New York arasında  deniz altından geçen kablolarla gazetede basılmak üzere resimlerin gönderilmesi için sayısallaştırılması olmuştur. 1920’li yıllarda Bartlane hattının oluşturulmasıyla Atlantik ‘den bir resmin transfer edilmesi bir haftadan 3 saatten daha az gibi bir  zamana indirilmiştir. Bu ilk sayısal görüntülerin kalitesini artırmada karşılaşılan ilk problemler görüntüleme rutinleri ve parlaklık seviyeleri ile ilgili sorunlardı.

İlk Bartlane sisteminde 5 ayrı parlaklık seviyesi  kodlanabiliyordu. 1929 yılında bu kodlanabilen seviye sayısı 15’e yükseldi. 1964 yılında Jet Propulsion laboratuarlarında uzay roketi  Ranger 7 den gelen ay’ın görüntülerindeki üzerideki kameradan kaynaklanan çeşitli bozulmaların bilgisayar teknikleri kullanılarak düzeltilmesi işlemleri yapılmıştır. Bu teknikler Surveyor uzay aracından, Mars’a yapılan Mariner deneme uçuşlarından, aya gönderilen  Apollo’dan ve diğer uzay araçlarından alınan görüntülerin işlenmesinde kullanılan tekniklerin temelini oluşturmaktadır.

1964 yılında günümüze kadar görüntü işlemenin kullanım alanları günden güne artmıştır. Uzay araştırmalarının yanı sıra daha birçok uygulamada görüntü işleme teknikleri kullanılmaktadır. Hatta ilgisiz olduğu düşünülen birçok alanda bile insanların görüntü üzerinde yorum yapabilmesi için görüntülerin bir dizi işlemlere tabi tutulması gerekmektedir. Örneğin tıbbi alanda x-ray gibi görüntülerin daha kolay yorumlanabilmesi için bilgisayar sitemlerinde bu görüntülerin bilgisayar rutinleri yardımıyla kontrastlarının  iyileştirilmesi ve intensity seviyelerinin ayarlanması sağlanmaktadır.

Coğrafya alanında da havadan veya uydudan çekilen resimlerle çevre analizi yapmak için kullanılacak verilerde bu teknikler kullanılabilir. Arkeolojide de el yapımı özelliklerini kaybetmiş tarihi eserlerin resimlerinin çekilip gerekli işlemlerin yapılması ile bu eserlerin zarar görmemiş hallerinin görüntüsünü elde etmek mümkündür. Fizikte ve benzer alanlarda yüksek enerji plazmaları ve elektron mikroskobu gibi uygulamalarda  görüntü işleme teknikleri kullanılabilir. Benzer  teknikler astronomi,  biyoloji, nükleer tıpta, savunmada ve endüstriyel uygulamalarda kullanılabilir. Şekil 4.1. (a) de elektronik gürültüye maruz kalmış bir hücre görülmektedir. Şekil 4.1. (b) de ise bu gürültünün çeşitli teknikler kullanılarak kaldırılmış  halini görmekteyiz

Şekil 4.2 de (a) da bir x-ray’e ait bir resim ve (b) de bu resmin kontrast ve köşe işlemleri yapıldıktan sonraki hali görülmektedir.

Bu uygulamalar birinci kategoride anlatılan görüntü işlemenin uygulama alanına girmektedir. Başta bahsettiğimiz ikinci kategoride ise problemlere bilgisayarlara algılama yeteneğinin kazandırılıp resimlerin veri olarak verilip bir sonuca varılması işlemleri girmektedir. Resimler bilgisayara veri olarak verilirken bir takım işlemlerden geçirilip Fourier dönüşümleri, katsayıları  gibi şekillerde verilebilirler.

İkinci kategoride yapılan  tipik uygulamalar karakter tanıma, endüstriyel makinelerle ürün sınıflandırılması ve kontrolü, askeri uygulamalar, parmak izi tanıma, x-ray’lerin ve kan örneklerinin incelenip bilgisayar tarafından yorumlanması, havadan ve uydudan çekilmiş resimlerle hava durumu tahmini ve ürün ve mahsuller hakkında yorum  yapmak gibi uygulamalardır.

4.1.2.   Sayısal Resim Sembolleri

Monokrom görüntü veya sadece görüntü dediğimiz terimler x ve y uzaysal koordinatlara ve ‘ de görüntünün  noktasındaki gri tonla orantılı olan bir değere karşı gelmek üzere iki boyutlu ışık intensity fonksiyonu  ‘ye karşılık gelir. Bir sayısal görüntü şeklindeki uzaysal koordinatlarla ve o noktadaki parlaklıkla ifade edilir. Bir sayısal görüntü satır ve sütunları resmin bir noktasına ve o noktadaki değerde o satır ve sütundaki elemanı gösteren bir matris gibi düşünülebilir.Her bir satır ve sütunun karşılık geldiği bir elemana piksel, resim element yada pel adı verilir.

4.1.3. Görüntü İşlemenin Temel Adımları

Sayısal görüntü işleme çok geniş  donanım, yazılım, ve teorik altyapı alanını kapsar. Bu görüntü işleme adımlarını zarf üzerindeki adresleri okuma uygulaması üzeride inceleyelim. Uygulamadaki problem domain mektuplardır ve amacımız her biri üzerindeki adresleri okumaktır. Yani resimden elde edeceğimiz sonuç alfanumerik karakterler dizisi olan adrestir.

Şekil 4.3’te  görüntü işleme ile bir sonuç üretilene kadarki aşamalar görülmektedir.

Şekil 4.3. Görüntü İşlemedeki Temel Adımlar.

Görüntü işlemedeki ilk adım Image Acquisition yani sayısal görüntü elde etmektir. Bunu yapmak için bir sensör ve sensör çıkışındaki işaretinde  sayısallaştırılması gerekir. Sensör olarak bir monokrom yada renkli her 1/30 saniyede görüntü üretebilen bir TV kamerası kullanabiliriz. Görüntüleme sensörü belli bir anda tek bir resim satırı üretebilen satır tarayıcı kamerada olabilir. Eğer kamera yada görüntüleme sensörünün çıkışı dijital formda değilse bu sinyal anolog-dijital dönüştürücü vasıtasıyla sayısallaştırılabilir. Sensörün özelliği ve  oluşturduğu görüntü uygulamaya göre belirlenebilir. Örneğimize dönecek olursak adres okuma uygulamalarında genelde satır tarayıcı kamera kullanılır.

Sayısal görüntüyü elde ettikten sonra bir sonraki adım preprocessing (işlem öncesi) aşamasıdır. Preprocessing aşamasında takip eden aşamalarda daha iyi sonuç elde edebilmek  için resim üzerinde iyileştirme işlemleri gerçekleştirilir.Bu kontrast genişletme, gürültü yok etme gibi işlemler olabilir.

Üçüncü aşamada bölümleme işlemi yapılır. Bölümleme resmi kendi bünyesinde parçalara ayırmaktır. Otonom bölümleme sayısal görüntü işlemede  en zor işlemlerden biridir. Diğer bir yandan da yanlış veya düzensiz yapılan bölümleme işlemlerin başarılı sonuca gitmesinin gecikmesine veya hiç  başarılı olamamasına bile neden olabilir. Karakter tanıma konusunda bölümleme işlemi karakterleri veya kelimeleri arka plandan ayırma işlemine karşılık gelir.

Bölümleme sonrası oluşan çıktı raw (işlenmemiş) data’dır. Bu dataların bilgisayarın işleyebileceği bir hale getirilmesi gerekir. Bu noktada verilmesi gereken karar verinin resimdeki nesneye ait bir dış sınırının mı yoksa iç hattının mı alınacağıdır.

Dış sınırları veri olarak alma işlemi nesnenin kenar, köşe ve büküm noktalarının önemli olduğu ve resimdeki nesnenin  dış hatlarıyla ilgilenildiği zaman kullanılır. Veri olarak iç sınırın alınması ise resimdeki nesnenin iç hatlarıyla ilgilenildiği zaman yani nesnenin kendini tanıtan kısmının kenarlarda değil de resmin iç yapısında saklı olduğu durumlarda, nesnenin iskelet yapısı oluşturularak nesnenin iç kısımları vurgulanmış olur.

Bazı uygulamalarda hem dış sınırlar hem de iç sınırların bir arada kullanılması gerekebilir. Bu durum hem dış sınırlara hem de iskelet yapısına ve nesnenin diğer iç özelliklerine bağlı bir algoritma gerektiren  karakter tanıma uygulamalarında kullanılabilir.

Bir gösterim belirleme (representation and description) aşaması işlenmemiş datayı takip eden işlem aşamalarında değerlendirilebilecek hale getirir. Bu aşamada aynı zamanda  elde edilen verinin hangi özelliklerinin kullanılacağı belirleyen bir metot belirtilir. Description (özellik seçimi) ile resimdeki birbirinden farklı olan ve belirli özelliklerine göre birbirinden ayrılacak nesnelerin birbirinden ayrılırken hangi özelliğine bakılarak bu ayırma işleminin yapılacağı belirlenir. Karakter tanımada bu aşama karakterdeki boşluklar ve dolu olan piksellerin belirlenmesi ile bu işlem yapılabilir.

Son aşama tanıma ve yorumlama (Recognition and Interpretation) aşamasıdır. Tanıma işleminde resim içindeki her nesneye tanıma işlemi ile belirlenen özelliklerine göre bir etiket atanır. Yorumlama aşamasında  etiket atanan nesneler arasındaki benzerliğe bakılarak  objenin ne olduğu veya sonuç olarak ne gibi bir karar verilmesi isteniyorsa bu karar veriliyor. Yorumlama etiket atanmış özelliklere bir mana yükler. Örneğin 5 numaradan oluşan ve sonunda bir – (çizgi) olan  ve ardından 4 numara daha gelen bir dizi ZIP kod olarak değerlendirilir.

4.2. Sayısal Görüntü Temelleri

4.2.1 Temel Görüntü Modeli

Daha önce belirtildiği gibi görüntü x ve y uzaysal koordinatlara ve ‘ de görüntünün  noktasındaki gri tonla orantılı olan bir değere karşı gelmek üzere iki boyutlu ışık intensity fonksiyonu  ‘ye karşılık gelir.

Işık enerjinin bir hali olduğuna göre değeri sıfırdan ve sonsuzdan farklı olmalıdır.

İnsanların algıladıkları görünüm nesnelerden yansıyan ışıklardan meydana gelir. ‘nin temel olarak iki değerle ilgilidir:

• Görüntülenen nesne üzerine düşen ışığın miktarı
• Nesneden yansıyan ışık miktarı

Bunlar aydınlatma ve yansıma olarak adlandırılırlar ve gösterimleri   ve  şeklindedir.Bu iki değerin çarpımı  değerini verir

   ve     iken

  dir.

 0 değerinde ışığın tamamını emerken 1 değerinde ise gelen ışığın tümünü yansıtmaktadır.

4.2.2  Örnekleme ve Kuantalama (Sampling ve Quantization)

4.2.2.1 Tekdüze (Uniform) Örnekleme ve Kuantalama

Bilgisayarın işleyebilmesi için görüntü fonksiyonu  koordinat ve de genlik olarak sayısallaştırılmalıdır.  uzaysal koordinatlarının sayısallaştırılması görüntü örnekleme ve genliğin sayısallaştırılması  ise gri ton kuantalama olarak adlandırılır. Her bir elamanın ayrık olduğu  boyutundaki sürekli bir   resminin  örneklenerek sürekli haline yaklaşımı:

Eşitliğin sağ tarafı sayısal görüntüyü göstermektedir. Dizideki her bir eleman bir piksele karşılık gelir.

Örnekleme ve Kuantalamayı matematiksel formüllerle ifade edelim.   :tam sayılar veReel sayıları göstersin. Örnekleme işlemi,  alanını parçalara ayırarak; a ve b  ‘de birer tamsayı olmak üzere gibi sayı çiftlerinin tümünün sıralanmasıyla oluşan kartezyen çarpımı   den bir sayı çiftinin  merkez koordinatlarını oluşturduğu gridlere bölmektir. Grid sayısı ile resmin çözünürlüğü doğrudan ilişkilidir. Çünkü grid sayı örnekleme sayısını ile orantılıdır. Eğer  koordinatları  ‘nin elemanı olan tam sayılar ve, bu koordinatların her birine ayrık olarak  sayılar kümesinin bir elemanı olan bir gray-level değeri  atayan bir fonksiyon ise   sayısal görüntüdür diyebiliriz.Bu fonksiyonel olarak atama işlemi kuantalamadır. Eğer görüntünün gri ton değerleri de tam sayı  iseler Z , R’nin yerini almıştır ve sayısal görüntü koordinatları ve genliği tam sayı olan 2 boyutlu (2-D) bir dizi olur.

Bu piksel değerleri sayısallaştırılırken bazı sınırlamalar yapılmalıdır. Bunlar  değerlerinin ne olacağı ve her bir piksel için verilebilecek ayrık gray-level değerlerinin sayısıdır. Uygulamalarda bu değerlerden    ,    ve   (G gray-level sayısını göstermektedir). Bu sonuçlara göre  boyutunda ve m bit gri ton seviyesine sahip bir görüntü2ı saklamak için gerekli olan disk boyutu   ‘dir.

Örneğin 64 gri ton seviyesine sahip 128x128 ebatlarında bir resim 98,304 bitlik alan kaplar. ‘nin sürekli görüntünün örnekleyerek (sampling) sürekli haline yaklaşım yapıldığını belirtmiştik. Resmin sürekli haline çok iyi bir yaklaşım yapmak için kaç tane örnekleme yapılmalıdır ve gri ton seviyesi değeri ne olmalıdır?

Bir resmin çözünürlüğü  bu iki değerle çok yakından ilişkilidir. Bu parametrelerin değerleri büyüdükçe yani örnekleme sayısı ve gri ton seviyesi değeri arttıkça resmin çözünürlüğü artar ancak bu durumda da kapladığı alanın boyutu da büyür. Şekil 4.4. deki  şekillerde aynı resmin değişik boyutlardaki görünümleri gösterilmektedir.

Şekil 4.4. Çözünürlük

Şekil 4.5. de ise 1024x1024 ebadındaki aynı resmin değişik gri ton seviyelerindeki görünümleri gösterilmektedir.

Şekil 4.5. Değişik gri tonlarda resimler

Bu şekillerden N,M ve m’in birbirinden bağımsız olarak görüntü kalitesini nasıl etkilendiğini görebiliyoruz. Ancak bunlar resmin sürekli hale yaklaşmasını sağlamanın bir kısmıdır. Henüz bu parametreler arasındaki ilişkilerden söz edilmedi.

Şekil 4.6. (a)’da bir kadın yüzü rahatlık la görülmektedir. Resimde detay yoktur. Şekil 4.6. (b) de ise kameramanın resminde orta derecede detay vardır. Şekil 4.6. (c)’de ise bir kalabalığın resmi vardır ve diğerlerine kıyasla oldukça fazla detay vardır.

N, M ve m değerlerinin değiştirilmesiyle resmin kombinasyonları oluşturuldu ve araştırmacılar bu resimleri bağıl kalitelerine göre derecelendirdiler. Bu sonuçlar Şekil 4.7.‘de isopreference eğrileri ile Nm düzleminde gösterilmiştir. Düzlemdeki her bir nokta o noktadaki N ve m değerlerine eşit boyuttaki bir görüntüye karşılık gelmektedir. İsopreference eğrisindeki noktalar görüntünün bağıl kalitesini göstermektedir.

Şekil 4.7. deki bu eğrileri kalite artışına göre (a) dan (c) ‘ye doğru inceleyecek olursak bu şekiller bazı deneysel sonuçlar ortaya koymaktadır.

• Resmin kalitesi N(=M) ve m değerleri arttıkça artmaktadır . Bazı durumlarda N sabit tutulduğunda kalite m’nin azalmasıyla artmaktadır.Bunun nedeni m değerindeki bir azaltmanın resmin kontrast değerinde gözle görülür bir artışa neden olmasıdır.
• Resim içersindeki detay arttıkça eğri dikeyleşmektedir. Bu çok detaylı görüntülerde sadece bir kaç tane gri ton seviyesi gerektiğini gösterir. Örneğin (c) ‘de N=64 yada 128 iken görüntü kalitesi m de bir artış olsa da değişmemektedir. (b) ve (c) deki diğer iki eğride bu sonuç görülmemektedir.
•  eşitliği ile belirtilen b sabitinin eğrileri isopreference eğrilerinden ayrı olarak kesikli çizgilerle çizilmiştir.

4.2.2.2 Tekdüze olmayan (Nonuniform) Örnekleme ve Kuantalama

Sabit bir çözünürlük değeri için, resmin görünümü birçok durumda  örnekleme işleminin resmin karakteristiğine bağlı olduğu adaptif bir tasarım kullanılarak iyileştirilebilir. Genelde ilişkili smooth alanlarda kötü (coarse) örnekleme kullanılırken iyi bir örnekleme  keskin gri ton geçişlerinin komşuluğu durumunda gereklidir. Uniform bir arka plan üzerine bir yüzün yerleştirilmiş olduğu bir resim düşünelim.Background çok az bir detay içermektedir ve bu detay için kötü örnekleme yapmak bile bu detayların görülebilmesi için yeterli olacaktır.Yüz ise arka plana oranla daha fazla detay içermektedir ve bu alanda arka plana yapılan örneklemeden daha fazla örnekleme yapılırsa ayrıntılı sonuç üretilmiş olur. Örneklemelerin  gruplandırılmasında en fazla örneklemenin yapılması gereken yerler yüz ve arka plan arasındaki bölge gibi gri ton geçiş bölgelerinin olduğu yerlerdir.

Sadece ana hatlar olsa dahi bölgeleri belirlemenin zorunlu olması nonuniform örnekleme yaklaşımının bazı dezavantajlarından dolayıdır. Aynı zamanda bu metot resimde birbiriyle ilişkili küçük uniform bölgeler olduğunda kullanılmaz. Örneğin bir kalabalığın resminde nonuniform örneklemenin kullanılması oldukça güçtür.

Gri ton sayısının küçük tutulması gerektiğinde, eşit olmayan aralıklarla kuantalama işlemi yapılması istenir. Bu metot sınır belirleme ve detay içeriği hakkındaki araştırmalara bağlıdır. Gri ton gruplandırma için alternatif bir teknik olabilecek tüm gri tonların görünme frekansını hesaplamaktan ibarettir. Belli bir alanda diğer değerlerin frekansı az iken bazı gri ton değerleri sıklıkla görülüyorsa bu aralıkta kuantalama iyi bir şekilde aralıklandırılır bu alan dışında ise daha kötü bir kuantalama yapılır. Bu  metot  taperred quantization (sivrilen quantalama) olarak  adlandırılır.

4.2.3 Pikseller Arası Temel İlişkiler

4.2.3.1            Bir Pikselin Komşuları

 koordinatlarındaki p pikseli için

 yatay ve dikey olmak üzere aşağıda koordinatları verilmiş piksellerle komşudur.

Bu piksellere p pikselinin 4 komşuluğu denilir ve  ile gösterilir. Her bir piksel  ye birim uzaklıktadır ve eğer  resmin kenar (border)  piksellerinden biri ise  komşularının bazıları dışarıda kalır.

P pikselinin 4’lü diyagonal  komşuları:

4’lü diyagonal komşuluk  ile gösterilir. Bu iki komşuluğun birleşiminden 8’li komşuluk değerleri elde edilir

8’li komşuluk  ile gösterilir.  de olduğu gibi  ve  de de kenardaki pikseller için bazı komşu pikseller resim dışında  kalabilir.

4.2.3.2. Bağlılık (Connectivity)

Bir nesnenin kenarları belirlenirken veya belli alan içindeki elemanları belirlerken komşu pikseller arasındaki bağlılık önemlidir. İki pikselin bağlı olup olmadığını belirlemek için değişik mantıklarla (örneğin 4’lü komşuluklarına bakılır) bu iki pikselin bitişik olup olmadığına ve iki pikselin gri tonlarının  belirlenen bir kritere göre yeteri kadar birbirine benzerlik gösterip göstermediğine (yada eşitliğine) bakılarak bulunabilir. Örneğin yalnızca 1 ve 0 değerlerinin olduğu binary bir resimde iki piksel birbirine göre 4’lü komşulukta komşu ancak bu iki piksel aynı değere sahip  olmadıkça birbirlerine bağlı oldukları söylenemez.

V değeri bağlılık tanımlaması yapabilmek için kullanılan gri ton değerlerinden oluşan bir küme olsun.Örneğin bir binary resimde 1 değerine sahip piksellerin bağlılığı için  dir. Grayscale bir resimde 32’den  64’e kadar intensity değerlerine sahip piksellerin bağlılığı için  olur.

3 çeşit bağlılık tipi vardır:

(a) 4 bağlılık: V deki değerlere sahip iki piksel p ve q , q eğer  içinde ise 4-bağlılık vardır.

(b) 8 bağlılık: V deki değerlere sahip iki piksel p ve q , q eğer  içinde ise 8-bağlılık vardır.

(c) m-bağlılık(mixed): V deki değerlere sahip iki piksel p ve q eğer

                        (i)q  de ise

                        (ii)q    de ve  kümesi boş küme olmalıdır.

Mixed bağlılık 8 bağlılığın değiştirilmiş halidir ve 8 bağlılık ta ortaya çıkan yol bağlantılarının çoğullanmasını ortadan kaldırır. Örneğin Şekil 4.8. ‘deki piksel kombinasyonlarına bakalım.

(b) ‘deki 8’li komşuluğa göre yapılan bağlılık analizindeki sonucun belirsiz olduğu görülüyor (c) de uygulanan m bağlılık ile bu belirsizlik ortadan kalkıyor.

Eğer p pikseli q pikseline bağlı ise bu iki piksel bitişiktir. İki resim parçası S₁ ve S₂ bazı piksellerinin bitişik olması durumunda bağlıdır.  koordinatlarındaki p pikselinden   koordinatlarındaki q pikseline bir yol   ,   ,  nin   ye bitişik, n yolun uzunluğu olmak üzere   olduğu durumda  koordinatlarındaki ayrık ardışık piksellerden geçer.

4.2.3.3 Bağlı Bileşenlere Etiket Atama

Resmi soldan sağa ve yukarıdan aşağıya piksel piksel  tarayalım ve 4 bağlı bileşenleri ile ilgilenelim. p her adımda incelediğimiz  pikseli, r:üst  ve t:sol yanındaki komşusu göstersin.

Algoritma şu şekilde olacaktır.

• Eğer p’nin değeri 0 bir sonraki piksele geç
• Eğer p’nin değeri 1 ise r ve t ye bak. Her ikisi de 0 ise p yeni bir etiket ata
• r veya t den sadece bir tanesi 1 ise değeri 1 olanın etiketini  p’ye ata
• r veya t nin her ikisi de 1 ise ve aynı etikete sahiplerse bu etiketi p’ye ata
• r veya t nin her ikisi de 1 ise ve farklı etiketlere  sahiplerse bu etiketlerden birini  p’ye ata ve farklı olan etiketleri de p’ye atanan etiket  hangisi ise ikisini de o etiket yap

Tarama sonunda 1 değerine sahip tüm noktalara etiket atandı fakat etiketlerden bazıları aynı olabilir. Yapmamız gereken resmi ikinci kez tarayarak her sınıfın ayrı bir etikete sahip olmasını sağlamak.

8 ‘li bağlı komşulukta etiket atama işlemi de aynen bu şekildedir ancak bu kez r ve t nin yanında p nin üst diyagonal komşuları q ve s pikselleri de işleme katılır.

• Eğer p=0 ise bir sonraki piksele geç
• Eğer p=1 ve diğer tüm komşular 0 ise p ye yeni bir etiket ata
• Eğer p=1 ve komşulardan sadece bir tanesi 1 ise bu pikselin etiketini p’ye ata
• Eğer p=1 ve komşulardan iki veya daha fazlası 1 ise p ye bunlardan birini ata ve diğer 1 olan komşu piksellerin etiketlerini de bu etikete ata

Geçişgenlik özelliği burada geçerlidir. Eğer a, b ile ilişkili b’de c ile ilişkili ise a  c ile ilişkilidir denir.

4.3. Görüntü İyileştirme

4.3.1. Giriş

Görüntü iyileştirmenin amacı problemin çözümü için geliştirilen algoritmaların işleyebileceği daya uygun bir forma dönüştürmektir.

Bu bölümdeki yaklaşımları uzaysal domende ve frekans domeninde olarak iki ana bolüme ayırmak mümkündür. Uzaysal domenden kasıt resimdeki piksellerle doğrudan işlem yapmaktır. Frekans domeninde ise resmin Fourier dönüşümüne dayalı teknikler kullanılır. Bu iki tekniğin kombinasyonlarından oluşan çeşitli tekniklerde mevcuttur.

4.3.1.1  Uzaysal Domen Metotları

Uzaysal koordinatlarda işlenen görüntü fonksiyonları şu şekilde ifade edilirler:

: Bir Görüntü işleme tekniği ile işlenmiş çıktı görüntü

: Üzerinde işlem yapılacak olan girdi görüntü

: Girdi resim üzerinde yapılacak olan işleme karşılık gelir.

(x,y) nin komşularını belirtmek için kullanım kolaylıklarından dolayı merkezi (x,y) ‘de olan kare ve dikdörtgen matrisler kullanılır. (x,y) piksel piksel kaydırılarak tüm resmin taranması sağlanır. Bu matrisin boyutu en  az 1x1 olabilir ve bu da ilgilenilen (x,y) koordinatlarındaki piksele karşılık gelir. Örneğin şekil 4.9. ‘de girdi resimde

m değerinin altındaki değerlerin  kontrastının genişletilmesi ile gri ton değerlerinin azaltılıp daha karanlık yapılması (contrast stretching) ve m değerinin üstündeki değerlerin ise seviyelerinin parlaklığının artırılması ile daha aydınlık yapılması işlemi yapılmaktadır. Bu işlemler yapılırken bir çıktı resimdeki oluşturulan pikselin değerinin yalnızca girdi resimdeki ilgilenilen pikselden etkilendiğini görüyoruz. Bu tarz işlemlere noktasal işlemler denir. İlgilenilen pikselin komşularının da işleme katılmasıyla oluşan matrise maske denir.

4.3.1.2  Frekans Domeni Metotları

Frekans domeni tekniklerinin temeli  konvolüsyon teoremine dayanır. g(x,y) f(x,y) nin lineer, sabit pozisyonlu h(x,y) fonksiyonu ile konvolüsyonu sonucu oluşur.

ve konvolüsyon integrali sonucu aşağıdaki frekans domenindeki eşitlik oluşur

G, H ve F fonksiyonları g ve f fonksiyonlarının fourier dönüşümleridir. Lineer Sistem teorisinde H fonksiyonu transfer fonksiyonu olarak , optik de optik transfer fonksiyonu ve genliği de modülasyon transfer fonksiyonu olarak adlandırılır.

Bir görüntü işleme uygulamasında verilen f(x,y) giriş görüntü fonksiyonunun fourier dönüşümü hesaplanarak F(u,v) bulunur ve H(u,v) nin de seçilmesi ile çıktı resim olan

   olarak hesaplanır.

4.3.2    Nokta  İşlemleri

4.3.2.1 Resim Negatifleştirme

Negatif resimler biyomedikal görüntüler, monokromatik resimleri görüntüleme gibi birçok uygulamada oldukça yararlıdır. Bu işlemin transfer fonksiyonu Şekil 4.10.’deki şekildedir.

 

Şekil 4.10. İlk resmin negatifleştirme işlemi yapıldıktan sonraki hali

Burada yapılan işlem resimlerin gri ton değerlerini ters döndürmektir.Yani eğer resim 8 bitlik  ise resimde 0 değeri yerine 255, 255 değeri yerine 0 gelecek şekilde değerler ters döner.

4.3.2.2 Kontrast Genişletme

Düşük kontrastlı resimler zayıf aydınlatma,  sensörün dinamik sahasının düşük olması ve görüntü alınması esnasında lens apertur’unun yanlış ayarlanmasından dolayı oluşabilir. Kontrast genişletmenin mantığı işlenen resimdeki gri ton değerlerinin dinamik sahasını artırmaktır.

a.transform fonksiyonu	b.resmin orjinali	c.kontrast genişletmeden sonra
Şekil 4.11. Kontrast Genişletme

 

 

 

 

 

 

Şekil 4.11.(b)deki resme kontrast genişletme uygulandıktan sonra resimdeki griton değerleri 0-255 arasına dağıldılar. Bunu görmek için resmin kontrastını genişletmeden önceki şekil 4.12. de ki histogram eğrisine bakalım

Görüldüğü gibi gri ton değerleri daha çok 0-150 arasında değişmektedir. Kontrast genişletme ile bu değerleri 0-255 arasına  dağıtırsak resimdeki kullanılmayan gri ton değerlerini de kullanarak resimdeki kötü aydınlatmanın getirmiş olduğu bu dezavantajı kaldırmış oluruz .Girdi resme kontrast genişletme uygulandıktan sonraki  histogram eğrisi ise şekil 4.13. da ki gibi olmaktadır.

4.3.2.3 Threshold Tekniği

Threshold tekniği değişik gri ton  seviyelerine sahip bir resmi binary hale yani 0 siyah 1 beyaz rengi göstermek üzere resmi 0 ve 1  lerden oluşan bir matris haline getirir. Threshold yaparken bir threshold değeri belirlenir ve bu değerin  üstündeki değerler için çıktı resimdeki ilgili  piksele 1 altındaki değerler içinde 0 değeri atanır. Yani

Şekil 4.14. Threshold teknigi

 

4.3.3 Histogram İşlemleri

   gri ton, görüntüdeki bu gri ton değerine sahip piksel sayısı,  görüntüdeki toplam piksel sayısı ve  gibi değerler olmak üzere gri ton değerleri  sahasında değişen bir dijital görüntünün histogramı  ayrık fonksiyonudur. Yani histogram eşitliği bize  gri ton değerine sahip piksellerin kaç tane olduğunu verir. Örneğin şekil 4.15’te  4 farklı özellikteki resimlerin  histogramları görülmektedir.

(a) da ki histogramda gri ton değerler 0’yakın değerlerde fazlalaşmıştır. Yani karanlık bir resimdir. (b) de ise bu durumun tersine gri ton değerlerin en çok görüldüğü yer L-1 değerine yakın değerlerin bulunduğu bölgedir. Yani resmi ifade eden gri ton değerler sözgelimi hiç 0-100 arasındaki değerleri almamıştır .Bu da resmi çok fazla aydınlık bir hale getirir. (c) de ise gri ton değerler belli bir sahada sıkışmıştır. Resmin düşük kontrasta sahip olduğu anlaşılıyor. (d) de ise gri ton değerlerin  sahasında dağıldığını görmekteyiz.

4.3.3.1  Histogram Eşitleme (Histogram Equalization)

 resimdeki işlenen pikselin gri ton değerleri olsun. Piksel değerleri normalize edildikten sonra [0,1] aralığında değişen değerler alabilen sürekli niceliklerdi ve biz bu değerleri ayrık olarak işleyip bir şekilde formulize ettikten sonra piksel değerleri  arasında değişir. Değeri [0,1] arasında değişen r değerlerinin dönüşümünü şu şekilde ifade etmiştik:

Bu eşitliğin şu şartları sağladığı kabul edilir :

(a)   tek değerlidir ve r değerinin .  olarak değişmesiyle monoton olarak artar.

(b).  için  dir .

Ters transformasyonu ise  ,  fonksiyonu da s’ye bağlı  olarak (a) ve (b) şartlarını sağlar.

Resim içerisindeki gri ton değerleri [0,1] aralığında rasgele değişen değerlerdir.Eğer sürekli değişkenlerse orijinal ve dönüşüme uğramış gri ton değerleri  ve olasılık yoğunluk fonksiyonları ile karakterize edilebilirler.

Olasılık teorisinden  ve  biliniyor ve  (a) şartını sağlıyorsa dönüştürülmüş gri ton değerin olasılık yoğunluk fonksiyonu:

Aşağıdaki teknikler  dönüşüm fonksiyonu aracılığı ile olasılık yoğunluk fonksiyonunun kontrol edilmesiyle resmin görüntüsünü değiştirmeye dayanır.

                 

İntegral sonucu kümülatif dağılım fonksiyonu elde edilir. Bu fonksiyon (a) ve (b) şartlarını sağlamaktadır. Çünkü  bir olasılık fonksiyonudur ve bir olaya ilişkin tüm olasılıkların toplamı her zaman 1’dir.

Bu eşitlikten bulunur.

Bu eşitlikte  eşitliğinde yerine yazılırsa;

4.3.4.      Bölgesel İşlemler

Bölgesel işlemlerde belirlenen komşu piksellerle bir dizi işlemler yapılır ve bu piksellerle yapılan işlemler sonucu elde edilen sonuç ilgili piksele atanır.

Örnek:

Şekil 4.16. a):gürültüyü kaldırmak için biraz bulanıklaştırılmış bir görüntü b):global histogram eşitleme işlemi ile oluşan çıktı görüntü c): 7x7 lik komşuluk kullanılarak yapılan bölgesel histogram eşitleme sonucu oluşan görüntü.

Histogram kullanmak yerine resmin görüntüsüyle olan ilgilerinden dolayı gri ton değerlerinin ortalaması, varyansı (yada standart sapması) gibi başka özellikleri ile de bölgesel işlemler yapılabilir. (x,y) koordinatındaki bir piksele şu dönüşümün uygulanmasıyla f(x,y) giriş fonksiyonu g(x,y) değerine dönüşür.

              

Bu formüllerdeki   ve  ilgilenilen piksel ve bu pikselin komşu piksellerinin ortalama ve standart sapma değerleridir.M tüm görüntünün ortalama değeri k da bir sabittir.

4.3.5.      Resimleri Çıkarma

Tıbbi görüntülemede “mask mode radiography” olarak  adlandırılan alanda kullanılır. h(x,y) olarak       adlandırdığımız maske x-ray yerine, x-ray kaynağının karşısına yerleştirilmiş bir yoğunlaştırıcı ve TV kamerası tarafından çekilen resim olmak üzere hasta vücudunun röntgen görüntüsüdür. f(x,y) ise aynı anatomik bölgenin damar içerisine enjeksiyon yapıldıktan sonraki çekilen TV görüntülerinin bir örneğidir .Bu iki resmin birbirinden çıkarılmasıyla enjekte edilen maddenin damar içinde nasıl yayıldığı  gözlemlenebilir.

4.4.      Edge Detection

Nokta ve çizgi tespit tekniklerinin de kullanılıyor olmasına  rağmen, belirginleştirdiği kısımlar işlemler açısından daha anlamlı ve daha yararlı oldukları için bölümlemede en çok kullanılan teknik kenar tespit tekniğidir. Kenar tespitinin mantığı farklı gri ton özellikleri gösteren iki ilişkili piksel arasında bir geçiş var olmasıdır. Kenar tespitinin altında yatan teknik ise lokal olarak uygulanan türev operatörleridir.

Şekil 4.18’de .Yatay bir satırdan gri ton değerleri, resmin birinci türevi ve ikinci türevi görülmektedir.Şekil 4.18. (a) ya bakılırsa siyah bir zemin üzerinde beyaz bir şeridin olduğu görülür. Siyahtan beyaza geçiş bölgesindeki geçişe bakılırsa türev eğrisinde bu geçişi ifade eden bölgenin dik olduğu görülür. Birinci türevde siyahtan beyaza geçen kısımların pozitif beyazdan siyaha geçen kısımların ise negatif olduğu göze çarpmaktadır. (b) de ise bunun tam tersi vardır. İkinci türevde ise (a) için sıfırdan tepe değere kadar pozitiftir ve bu  bölge kenarın karanlık kısmını gösterir. Tepe değerden tekrar sıfıra doğru olan kısımda ise negatiftir ve bu  bölge kenarın aydınlık kısmını gösterir. Çünkü türev iki ardışıl piksel arasındaki farktır. (b) de ise bu durum yine tam tersidir. Birinci türev ile bir resimde bir kenarın olup olmadığının,  ikinci türevin işaretiyle de pikselin kenarın karanlık mı yoksa aydınlık kısımda mı olduğunun tespiti yapılır.

4.4.1.      Gradyent Operatörler

Gradyent vektör (x,y) noktasındaki f ‘in maksimum değerinin yönündedir. Bu vektörün uzunluğu

                   ‘dir.

Bu değer yönündeki ’nin birim uzaklıktaki artışının maksimum değerinin yönündedir. Yaklaşık olarak şu şekilde verilebilir.

Gradyent vektörünün yönünün bulunmasında önemli bir husustur. (x,y) noktasındaki  vektörünün yön açısı  olmak üzere

      ‘dir.

Bir resmin gradyentinin hesaplanması her pikselin ve kısmi türevlerinin hesaplanmasına bağlıdır.

Türevi birkaç şekilde hesaplamak mümkündür. Ancak Sobel operatörün hem fark alma hem de düzgünleştirme konusunda daha avantaj sağlamaktadır. Türev alma işlemi gürültüyü artırdığı için düzgünleştirme özelliği Sobel operatörünü kullanmayı daha cazip hale getirmektedir.

Şekil 4.19. deki Sobel Opeatör maskelerine bağlı türevler şunlardır:

z1 z2 z3 z4 z5 z6 z7 z8 z9

-1 -2 -1 0 0 0  1 2 1

-1 0 1 -2  0 2 -1  0 1

Şekil 4.19.(a)-resimden alınan 3x3 lük bir bölge(b)-3x3lük bölgenin merkez pikselindeki değerin G_x değerini hesaplayan maske (c)- -3x3lük bölgenin merkez pikselindeki değerin G_y değerini hesaplayan maske.Bu maskeler sobel operatörü olarak bilinir.

Örneğin:Şekil 4.20. (a) da orijinal resim , (b) de Şekil 4.19. de gösterilen maske ile hesaplanan  değeri görülmektedir.  değerinin hesaplanması ile x eksenindeki kenarlar vurgulanmış oldu. (c) de ise (b) dekinin tersine y ekseni vurgulandı. (b) ve (c) resimlerinin gradyent’i (d) de görülmektedir

4.4.2    Laplace Operatörü

2-D bir fonksiyonun laplacian’ı ikinci dereceden türevdir ve

 

ile hesaplanır.Bu ifade resme birkaç yoldan uygulanabilir.3x3 lük bir bölge için en çok kullanılan metot           ‘dir. Laplace operatöründe merkez pikselin ağırlığı pozitif diğer komşu piksellerin ağırlıkları ise negatif olmalıdır.

Laplace türev operatörü olduğu için ağırlıkların bazıları sıfır olmalıdır. Eğer ağırlıklarla çarpıldıktan sonraki sonuç değeri sıfır ise komşularla aynı değere sahip demektir. Laplace operatörü olarak şu maske kullanılabilir

Laplace operatörü gri ton geçişlerini vurguladığı halde birkaç nedenden olayı nadir olarak kullanılır. Bir ikinci türev operatörü olarak laplace operatörü gürültüye karşı çok hassas olmaktadır. Dahası Laplace iki tane kenar  üretmektedir ve bundan dolayı kenar belirlenememektedir. Bunlardan dolayı laplace bir pikselin kenarın karanlık mı yoksa aydınlık mı tarafta olduğunu belirlemekte ikinci dereceden rol oynamaktadır. 

4.5. Çember Uydurma (Circle Fitting)

Çember uydurma algoritması görüntüdeki tüm noktaları göz önünde bulundurarak, belirtilen noktalar için en az hatayı verecek çemberi uydurur.

 

Burada x ve y dizileri çember uydurulacak noktaların x-y koordinatları; n, x ve y dizilerinin eleman sayısı; w, üç bilinmeyenli A ve B denklemlerinin çözümü olan üç elemanlı bir vektör; Xc ve Yc, uydurulan çemberin merkezinin koordinatları; r ise çemberin yarıçapıdır.

Şekil 4.21. Düzlemdeki x-y nokta kümesine uydurulmuş çember.

 

5. UYGULAMA

5.1. Giriş

Bölüm 4’te verilen teorik bilgiler ışığında yapılmak istenen sistem modellenmiştir ve tasarımı yapılmıştır. Daha önce değinildiği gibi sistem, mobilya parçaları üzerindeki hatalı kısımları bulacaktır. Panel mobilyalar, son ürünlerin oluşturulmasında kullanılan ara ürünlerdir. Örneğin bir oturma grubunun yapılması için farklı farklı ara ürünlerin üretilip, bunların bir birine monte edilmek suretiyle birleştirilmesi gerekmektedir. Endüstride üretilen ürünlerin kalitesi, müşteri memnuniyeti açısından çok önemlidir. Üretilen ürünlerdeki deliklerin yerlerinin olması gereken yerde olmaması, morfolojik bozuklukları kaliteyi düşüren başlıca etmenlerdir.

Bu projenin amacı, mobilya üretiminde kullanılan ara ürünlerin bilgisayar/makine görme ve görüntü işleme teknikleriyle kalite kontrolünün yapılması ve ürün üzerindeki hataların saptanmasıdır.

5.2. Önerilen metot

Yaklaşım, bilgisayar görme ve görüntü işleme üzerine bina edilmiştir. Kullanılan teknikler bölüm 4’de detaylı açıklanmıştır. Önerilen sistem iki ana modülden oluşmaktadır: a) Eğitim b) Kontrol.

Öncelikle kaliteli ve hatasız olan referans ürün sisteme tanıtılır yani sistem eğitilir. Şekil 5.1’de yeni ürün girişi akış diyagramı görülmektedir. Kaydedilecek ürüne ilk olarak bir ürün kodu verilir ardından, görüntü alma masasına yerleştirilen ürünün görüntüsü CCD kamera ve frame grabber ile alınır ve bilgisayara kaydedilir. Alınan renkli resim gri ton resme çevrildikten sonra kullanıcı tarafından bir threshold değeri belirlenir ve bu değere göre resim ikili (binary) hale getirilip, kenar bulma (edge dedection) algoritmasıyla ürünün kenarları belirlenir. Threshold değeri uygunsa resimin yolu ve threshold değeri veritabanına kaydedilir.

Şekil 5.1. Eğitme aşaması: sisteme yeni ürün girişi.

Kontrol kısmı, Şekilsel/Boyutsal Kalite Kontrolü ve Delik Kontrolü olmak üzere iki alt modülden oluşmaktadır.

Boyutsal kalite kontrolü aşamasında öncelikle kullanıcıdan kalitesini belirlemek istediği ürünün kodunu girmesi istenir ve veritabanından ilgili ürünün resmi ve o ürün için seçilen threshold değerleri yüklenir. İncelenecek ürün görüntü alma masasına yerleştirilir. İncelenecek ürünün resmi alınır ve referans resimle birlikte binarizasyon işlemine tabi tutulur. Referans resim ile yeni alınan incelenecek ürünün görüntüsü çıkarma işleminden geçirilerek fark resim elde edilir. Gürültüyü elimine etmek için fark resimdeki her bir pikselin tüm komşulukları incelenir. Her bir pikselin komşu piksellerinin tümünün siyah olmaması durumunda gürültü farkı oluşur. Tümü siyahsa hatalı piksel sayısı hesaplanır. Hatalı piksel sayısı öngörülen toleransın altındaysa ürün hatasız olarak işaretlenir ve hata oranıyla fark resim (hataların görülebileceği) kullanıcıya gösterilir. Eğer hatalı piksel sayısı toleranstan büyükse incelenen ürünün hatalı olduğu belirlenir. Şekil 5.2.’de boyutsal kalite kontrolü modülünün akış diyagramı verilmiştir.

Şekil 5.2. Şekilsel/Boyutsal kalite kontrolü modülü akış diyagramı.

Delik kontrolü aşamasında, görüntü alma düzeneği incelenecek olan deliğe elle zoom’lanır ve deliğin görüntüsü alınır. Resim gri ton yapılıp, binarizasyon ve kenar tespiti işlemlerinden geçirilir. Bölüm 4’de değinilen çember uydurma algoritmasıyla elde edilen deliğin üzerine en uygun çember uydurulur. Uydurulan çemberin deliğe göre mutlak yüzde hatası hesaplanır ve sonuçlar kullanıcıya gösterilir. Delik kontrolü modülünün akış diyagramı Şekil 5.3.’de verilmiştir.

Şekil 5.3. Delik kontrolü modülünün akış diyagramı.

5.3. Geliştirilen Yazılım

Önerilen yaklaşımın pratikte ve teorikte davranışını incelemek amacıyla Windows tabanlı bir yazılım oluşturulmuştur. Programlama platformu olarak Win32 tabanlı Borland Delphi 6, veritabanı yönetim sistemi olarak Microsoft Access kullanılmıştır. Görüntü almak için VideoCap yazılım bileşeni kullanılmıştır.

Yazılımın ilişkisel veritabanı şeması Şekil 5.4.’de verilmiştir.

Şekil 5.4. Veritabanı ER diyagramı.

Yazılımın ana ekranı Şekil 5.5.’de görüldüğü gibidir. Yeni mobilya girişi mönüsünde sistemin eğitim kısmı yapılmaktadır. Delik ve Boyutsal kontroller Kontrol mönüsü altındadır.

Şekil 5.5. Mobilya Kontrol yazılımının ana ekranı.

Yeni mobilya girişi modülü Şekil 5.6.’da görüldüğü gibidir. Öncelikle kullanıcı mobilya kodunu girer ardından görüntü alma masasına yerleştirdiği referans mobilyanın görüntülerini sisteme kaydetmek için parçanın büyüklüğüne göre Bölge düğmelerine tıklar.

Şekil 5.6. Yeni mobilya giriş modülü.

Threshold seviyesini elle belirleyerek alınan görüntü üzerinde deneyerek, referans mobilya için en uygun değeri seçer. Threshold değeri parlaklığa ve ortamdaki ışığa bağlı olmak şartıyla 0 ile 255 değerleri arasındadır. Bir değer girildikten sonra Threshold Uygula düğmesi yardımıyla resim üzerindeki etkisini görebilir. Eğer seçilen değer uygun değilse, bu değer değiştirilip tekrar denenir. En iyi sonuç elde edilinceye kadar bu işlem tekrarlanır. İşlem bittikten sonra Kaydet düğmesi ile bu modülden çıkılır. Threshold ve ardından kenar bulma (edge dedection) uygulanmış referans mobilya Şekil 5.7.’de görülmektedir.

Şekil 5.7. Uygun threshold değeri belirlenmiş ve uygulanmış mobilya örneği.

Kontrol aşaması iki alt modülden meydana gelmektedir. Boyutsal kalite kontrol modülünde kullanıcı inceleyeceği ürünü görüntü alma masasına yerleştirdikten sonra ürün kodunu seçerek Kontrol Et düğmesine tıklar ve Bölüm 5.2.’de detaylı bir şekilde anlatılan önerilen algoritmayla ürünün kalite kontrolü gerçekleştirilir. Hatalı olan piksel sayısı hesaplanır ve seçilen tolerans değerinden büyükse ürün hatalı olarak işaretlenir, küçükse ürünün hatasız olduğu belirlenmiş olur. Şekil 5.8.’de mobilya parçasının kenarında ve ortasındaki delikte oluşan hatalar görülmektedir. Kenarında öngörülen üründen farklı olarak bir çıkıntı mevcuttur aynı zamanda mobilya parçasının orta kısmında bulunan delik bir şekilde bozulmuştur veya delinmemiştir. Şekil 5.9.’da ise mobilya parçasının ortasında bulunması gereken delikler olmadığı için mobilya parçası hatalı olarak işaretlenmiştir. Şekillerde görülen kırmızı çizgiler mobilyanın referans resminde bulunan yani hatasız parçanın kenarlarıdır. Yeşil çizgiler ise hatalı üründe bulunan kenarlardır. Şekil 5.9.’da yine kenar ve deliklerinde hata olan bir ürün, Şekil 5.10.’da ise hatasız bir ürün görülmektedir.

Şekil 5.8. Boyutsal kontrol modülü : kenarı ve deliği hatalı mobilya parçası.

Şekil 5.9. Boyutsal kalite kontrolü : üzerinde olması gereken delikler bulunmayan hatalı mobilya parçası.

Şekil 5.10. Boyutsal kalite kontrol : kenar ve deliklerinde hata olan mobilya parçası.

Şekil 5.11. Boyutsal kalite kontrol : hatasız mobilya parçası.

Deliklerin kontrolü aşamasında görüntü alma masasında bulunan kamera sistemi, incelenmek istenen deliğin üzerine zoom’lanır. Şekil 5.11.’de incelenmek istenen bir delik görülmektedir. Kullanıcı delik kontrolü mönüsüne girdikten sonra uygun bir Threshold değerini belirleyerek Kontrol düğmesine tıklayarak uygun algoritmayı çalıştırır. Bu aşama bölüm 5.2.’de detaylı olarak anlatılmıştır.

Şekil 5.12. Delik kontrolü : incelenmek istenen delik.

Şekil 5.12.’de kameradan alınan delik resmi üzerinde kalite kontrol işlemi sonucu görülmektedir. Resimde bulunan daire şeklinde bulunan delik öncelikle kenar bulma algoritması ile çember haline getirilmiştir. Sonra bu çemberi oluşturan noktalar göz önünde bulundurularak çember uydurma (circle fitting) algoritmasıyla resim için en uygun çember oluşturulmuş ve görüntüdeki çember ile uydurulan çember arasındaki mutlak yüzde hata hesaplanmıştır. Yüzde hata belli bir toleransın altındaysa delik tam çember olarak kabul edilmiş bir başka deyişle hatasız olarak kabul edilmiştir.

Şekil 5.13. Delik kontrolü : hatasız delik.

Şekil 5.14. Delik kontrolü : hatalı delik.

5.4. Kullanılan Donanım

Sistemin gerçekleştirilmesinde kullanılan görüntü alma masası Şekil 5.14.’de görülmektedir. Masa alttan floransan ışıkla aydınlatmalı olup, üzerindeki hareketli düzenekte bir renkli CCD kamera bulunmaktadır. Düzenekteki kamera, frame grabber kartı aracılığıyla bilgisayara görüntüleri aktarabilmektedir.

Şekil 5.15. Görüntü alma masası.

6. SONUÇ

Geliştirilen yazılım sistemiyle mobilya parçalarının kalite kontrolünde kullanılabilecek bir ürün ortaya çıkarılmıştır ancak yazılım şekilsel/boyutsal kalite kontrol (kenar) ve deliklerin tam çember olup olmadığına ilişkin hesaplamalar yapılabilmektedir. Bunların yanında bir mobilya parçasının kalitesini belirleyen; eğimli kısımların radüsleri, deliklerin ve yarıkların derinlikleri gibi kontroller yapılmamıştır.

Karşılaşılan problemlerden birisi, sistemin bilgisayar görme tabanlı olmasından dolayı kaynaklanan ışık değişimi problemidir. Çünkü çalışılan çevre, sürekli değişken bir ışıklandırmaya sahiptir. Sabit bir ışıklandırma kullanılması ve karanlık odada çalışılması bu sorunu ortadan kaldırabilir. Değişken ışık ortamında, histogram eşitleme ve kontrast genişletme gibi görüntü işleme teknikleri, sorunu gidermek için denenmiş olsa bile iyi sonuçlar elde edilememiştir.

İkinci bir sorun ise kamera lensinin doğası gereği, lensin optik merkezinin tam altındaki görüntüler düzgün olurken, alınan görüntünün kenarlarına doğru bozulmalar meydana gelmektedir. Bu deformasyonlar merkezden kenarlara doğru gidildikçe nonlineer olarak artmaktadır. Bu sorunu çözmek için kamera kalibrasyonu yapılması gereklidir. Ancak bu işlem ayrı bir çalışma konusu olabilir ve üzerinde detaylı olarak çalışmalar yapılabilir. Kamera kalibrasyonu yapılmadığı için mutlak suretle referans resme ihtiyaç duyulmaktadır. Oysa alınan görüntülerde bozulmalar olmasaydı, harici kaynaklardan alınan özel çizim formatlarındaki (AutoCAD) mobilya resimleri referans resim olarak kabul edilir ve daha hatasız bir çalışma yapılabilirdi. Bu sorunu çözmek için diğer bir yol ise geniş-açılı (wide-angle) kamera lensi kullanmaktır. Bu tip lenslerde deformasyon minimum düzeyde olmaktadır. Diğer bir husus da, referans resim kullanılmasından kaynaklanan öteleme, dönme ve zoom’lama hatalarıdır. Referans resim ile incelenecek yeni ürün mutlaka aynı oryantasyonda ve pozisyonda olmalıdır. Bilgisayar grafik ve görüntü işleme teknikleri ile bazı nirengi noktaları belirlenerek bu sorun giderilmeye çalışılsa bile istenilen başarı elde edilememiştir.

Bir diğer vurgulanması gereken konu ise sistemin pasif yapılar üzerine kurulu olduğudur. Kamera yerine derinlik ölçebilen laser range sensörler, 3 boyutlu modelleme yapabilen 3D tarayıcılar kullanılarak yukarda bahsedilen değişken ışık ve lens deformasyonu problemleri tamamen ortadan kaldırılabilir. Fakat bu sistemlerin en büyük dezavantajı, maliyetlerinin çok yüksek oluşudur.

Bu aşamada geliştirilen sistem, kabul edilebilir ölçülerde mobilya parçaları için sınırlı olarak kalite kontrol ve hata tespiti işlemleri yapabilmektedir. İleriki çalışmalarda farklı teknolojiler kullanarak sistemin performansının ve hassasiyetinin artırılması ve sadece mobilya sektörü için değil daha geniş bir alana hizmet edebilecek bir kalite kontrol ve hata tespit prototipi üretilebilir.

Rifat Kurban
Ahmet Boyraz
Mesut Gürbüz

Erciyes Üniversitesi Bilgisayar Mühendisliği Bölümü

Tezin MS Word halini ve yazılımın kaynak kodlarını indirmek için tıklayın...

Kaynaklar

[1] Besl PJ (1988) Active, optical range imaging sensors. Mach Vision Appl 1(2):127–152.

[2] Bhanu B(1987) CAD-based robot vision. IEEE Comput 20:13– 16

[3] Dickinson SJ (1997) The role of model-based segmentation in the recovery of volumetric parts from range data. IEEE Trans Patt Anal Mach Intell 19(3):259–267

[4] El-Hakim SF, Beraldin JA, Blais F (1995) A comparative evaluation of the performance of passive and active 3D vision systems. In: Proceedings of the SPIE Volume 2646, Conference on digital photogrammetry, St. Petersburg, Russia, June 1995, pp 14–25

[5] Kececi F, NagelHH(2001) Machine-vision-based estimation of pose and size parameters from a generic workpiece description. In: Proceedings of the IEEE international conference on robotics and automation, Seoul, 21–26 May 2001, 2159–2164

[6] LevoyM(2000) The digital michelangelo project: 3D scanning of large statues. In: Proceedings of the SIGGRAPH international conference of computer graphics and interactive techniques,New  Orleans, July 2000, pp 131–144

[7] LoweD(1991) Fitting parameterized three-dimensional models toimages. IEEE Trans Patt Anal Mach Intell 13(5):441–450

[8] Newman TS, Jain AK (1995) A survey of automated visual inspection. Comput Vision Image Understand 61(2):231–262

[9] WorrallAD, Sullivan GD, BakerKD(1993)Advances in modelbased traffic vision. In: Proceedings of the British machine vision conference, Surrey, September 1993, pp 559–568

[10] Mason SO, Grun A (1995) Automatic sensor placement for accurate dimensional inspection. Comput Vis Image Understand 61(3):454–467

[11] Maver J (1995) Collecting visual information using an active sensor system. Ph.D. dissertation, Department of Computer and Information Science, University of Ljubljana, Ljubljana, Slovenia

[12] Papadopoulos-OrfanosD(1997) Num´erisation g´eom´etrique automatique `a l’aide d’un capteur de pr´esicion `a profondeur de champ r´eduite. Ph.D. dissertation, Ecole Nationale Sup´erieure des T´el´ecomunications de Paris (ENST)

[13] Pito R (1997) Automated surface acquisition using range cameras. Ph.D. dissertation, Computer and Information Science, GRASP Laboratory, University of Pennsylvania, Philadelphia

[14] Tarabanis KA, Allen PK, Tsai RY (1995a) A survey of sensor planning in computer vision. IEEE  Trans Robot Automat 11(1):86–104

[15] Tarabanis KA, Tsai RY, Allen PK (1995b) TheMVPsensor planning system for robotic vision tasks. IEEE Trans Robot Automat 11(1):72–85

[16] Tarabanis KA,TsaiRY,AnilK(1996) Computing occlusion-free viewpoints. IEEE Trans Patt Analysis Mach Intell 18(3):279–292

[17] Tarbox GH, Gottschlich SN (1995a) IVIS: An integrated volumetric inspection system. Comput Vis Image Understand 61(3):430–444

[18] Tarbox GH, Gottschlich SN (1995b) Planning for complete sensor coverage in inspection. ComputVis Image Understand 61(1):84–111

[19] Trucco E, Umasuthan M,WallaceAM, RobertoV(1997) Modelbased planning of optimal sensor placements for inspection. IEEE Trans Robot Automat 13(2):182–194

[20] Whaite P, Ferrie F (1997) Autonomous exploration: driven by uncertainty. IEEE Trans Patt Analysis Mach Intell 19(3):193–205

[21] Zha H, Morooka K, Hasegawa T, Nagata T (1997) Active modeling of 3-D objects: planning on the next best pose (NBP) for acquiring range images. In: Proceedings of the international conference on recent advances in 3-D digital imaging and modeling, Ottawa, Canada, 12–15 May 1997, pp 68–75

[22] Nayar, S.K. and Nakagawa, Y. Shape from Focus: An Effective Approach for Rough Surfaces, IEEE Computer Society International Conference on Robotics and Automation, Cincinnati, Ohio, p. 218-225, 1990

[23] Horn, B.K.P. Focusing, Technical Report 160, MIT Artificial Intelligence Lab, Cambridge, Massachusetts, 1968

[24] Krotkov, E.P. Focusing, International Journal of Computer Vision, Vol.1, No.3, p.223-237, 1987

[25] Subbarao, M., Choi, T. and Nikzat, A. Focusing Techniques, Optical Engineering, Vol.32, No.11, p 2824-2836, 1993

[26] Aslantaş, V. Criterion Functions for Automatic Focusing, p.301-311, The Tenth Turkish Symposium on Artifical İntelligence and Neural Networks, June 21-22, 2001, Gazimagusa.

[27] Pentland, A.P. A New Sense for Depth of Field, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.9, No.4, p.523-531, 1987

[28] Aslantaş, V. New Techiniques For Determining Depth From Defocusing, Ph.D Thesis, University of Wales, United Kingdom, 1997.

[29] Subbarao, M. and Gurumoorthy, N. Depth Recovery from Blurred Edges, IEEE Com. Soc. Conf. on Computer Vision and Pattern Recognition, Ann Arbor, Michigan, p.498-503, 1998

[30] Aslantas, V. Depth from automatic defocusing, Technical Report, Systems Engineering Division, University of Wales, Cardiff UK. (2000)

[31] A. Adler, R. Guardo, A neural network image reconstruction technique for electrical impedance tomography, IEEE Trans. Med. Imaging 13 (4) (1994) 594–600.

[32] V. Srinivasan, Y.K. Han, S.H. Ong, Image reconstruction by a Hop1eld neural network, Image Vision Comput. 11 (5) (1993) 278–282.

[33] R.R. Meyer, E. Heindl, Reconstruction of oI-axis electron holograms using a neural net, J. Microsc. 191 (1) (1998) 52–59

[34] M.A.T. Figueiredo, J.M.N. Leitao, Sequential and parallel image restoration: neural network implementations, IEEE Trans. Image Process. 3 (6) (1994) 789–801.

[35] D. Greenhil, E.R. Davies, Relative eIectiveness of neural networks for image noise suppression, Proceedings of the Pattern Recognition in Practice IV, Vlieland, 1994, pp. 367–378.

[36] L. Guan, J.A. Anderson, J.P. Sutton, A network of networks processing model for image regularization, IEEE Trans. Neural Networks 8 (1) (1997) 169–174

[37] W. Chua, L. Yang, Cellular networks: theory, IEEE Trans. Circuits Systems 35 (10) (1988) 1257–1272.

[38] W. Chua, L. Yang, Cellular networks: applications, IEEE Trans. Circuits Systems 35 (10) (1988) 1273–1290.

[39] C.C. Lee, J.P. Degyvez, Color image processing in a cellular neural-network environment, IEEE Trans. Neural Networks 7 (5) (1996) 1086–1098.

[40] J.A. Nossek, T. Roska, Special issue on Cellular Neural Networks, IEEE Trans. Circuits Systems 40 (3) (1993).

[41] V.V. Phoha, W.J.B. Oldham, Image recovery and segmentation using competitive learning in a layered network, IEEE Trans. on Neural Networks 7 (4) (1996) 843–856.

[42] W. Qian, M. Kallergi, L.P. Clarke, Order statistic-neural network hybrid 1lters for gamma-camera-bremsstrahlung image restoration, IEEE Trans. Med. Imaging 12 (1) (1993) 58–64.

[43] S. Lu, A. Szeto, Hierarchical arti1cial neural networks for edge enhancement, Pattern Recognition 26 (8) (1993) 1149–1163.

[44] J. Moh, F.Y. Shih, A general purpose model for image operations based on multilayer perceptrons, Pattern Recognition 28 (7) (1995) 1083–1090.

[45] D.T. Pham, E.J. Bayro-Corrochano, Neural computing for noise 1ltering, edge detection and signature extraction, J. Systems Eng. 2 (2) (1992) 111–222.

[46] R.H. Pugmire, R.M. Hodgson, R.I. Chaplin, The properties and training of a neural network based universal window 1lter developed for image processing tasks, in: S. Amari, N. Kasabov (Eds.), Brain-like computing and intelligent information systems, Springer-Verlag, Singapore, 1998, pp. 49–77.

[47] V. Srinivasan, P. Bhatia, S.H. Ong, Edge detection using a neural network, Pattern Recognition 27 (12) (1994) 1653–1662.

[48] A.M. Waxman, M.C. Seibert, A. Gove et al., Neural processing of targets in visible multispectral IR and SAR imagery, Neural Networks 8 (7–8) (1995) 1029–1051

[49] L.O. Hall, A.M. Bensaid, L.P. Clarke et al., A comparison of neural network and fuzzy clustering techniques in segmenting magnetic resonance images of the brain, IEEE Trans. Neural Networks 3 (5) (1992) 672–682.

[50] D.X. Le, G.R. Thoma, H. Wechsler, Classi1cation of binary document images into textual or nontextual data blocks using neural network models, Mach. Vision Appl. 8 (5) (1995) 289–304.

[51] S.B. Serpico, L. Bruzzone, F. Roli, An experimental comparison of neural and statistical non-parametric algorithms for supervised classi1cation of remote-sensing images, Pattern Recognition Lett. 17 (13) (1996) 1331– 1341.

[52] R.H. Silverman, Segmentation of ultrasonic images with neural networks, Int. J. Pattern Recognition Arti1c. Intell. 5 (1991) 619–628.

[53] S.C. Ngan, X. Hu, Analysis of functional magnetic resonance imaging data using self-organizing mapping with spatial connectivity, Magn. Resonance Med. 41 (5) (1999) 939–946

[54] J. Waldemark, An automated procedure for cluster analysis of multivariate satellite data, Int. J. Neural Systems 8 (1) (1997) 3–15.

[55] A. Ghosh, N.R. Pal, S.K. Pal, Image segmentation using a neural network, Biol. Cybernet. 66 (2) (1991) 151–158.

[56] B.S. Manjunath, T. Simchony, R. Chellappa, Stochastic and deterministic networks for texture segmentation, IEEE Trans. Acoustics, Speech Signal Process. 38 (6) (1990) 1039–1049.

[57] S. Rout, S.P. Srivastava, J. Majumdar, Multi-modal image segmentation using a modi1ed Hop1eld neural network, Pattern Recognition 31 (6) (1998) 743–750.

[58] Y. Wang, T. Adali, S.Y. Kung et al., Quanti1cation and segmentation of brain tissues from MR images— a probabilistic neural network approach, IEEE Trans. Image Process. 7 (8) (1998) 1165–1181.

[59] D.L. Vilarino, V.M. Brea, D. Cabello et al., Discrete-time CNN for image segmentation by active contours, Pattern Recognition Lett. 19 (8) (1998) 721–734.

[60] M.N. Ahmed, A.A. Farag, Two-stage neural network for volume segmentation of medical images, Pattern Recognition Lett. 18 (11–13) (1997) 1143–1151.

[61] M. Ozkan, B.M. Dawant, R.J. Maciunas, Neuralnetwork- based segmentation of multi-modal medical images—a comparative and prospective study, IEEE Trans. Med. Imaging 12 (3) (1993) 534–544.

[62] T.N. Pappas, An adaptive clustering algorithm for image segmentation, IEEE Trans. Signal Process. 40 (4) (1992) 901–914.

[63] C. Chong, J. Jia, Assessments of neural network classi1er output codings using variability of Hamming distance, Pattern Recognition Lett. 17 (8) (1996) 811–818.

[64] L.O. Hall, A.M. Bensaid, L.P. Clarke et al., A comparison of neural network and fuzzy clustering techniques in segmenting magnetic resonance images of the brain, IEEE Trans. Neural Networks 3 (5) (1992) 672–682.

[65] W.-C. Lin, E.C.-K. Tsao, C.-T. Chen, Constraint satisfaction neural networks for image segmentation, Pattern Recognition 25 (7) (1992) 679–693.

[66] M. Egmont-Petersen, E. Pelikan, Detection of bone tumours in radiographic images using neural networks, Pattern Anal. Appl. 2 (2) (1999) 172–183.

[67] S.Y. Kung, J.S. Taur, Decision based neural networks with signal image classi1cation applications, IEEE Trans. Neural Networks 6 (1) (1995) 170–181.

[68] A. Laine, J. Fan, Texture classi1cation by wavelet packet signatures, IEEE Trans. Pattern Anal. Mach. Intell.15 (11) (1993) 1186–1191.

[69] R.J. Machado, V.C. Barbosa, P.A. Neves, Learning in the combinatorial neural model, IEEE Trans. Neural Networks 9 (5) (1998) 831–847.

[70] D. DeKruger, B.R. Hunt, Image processing and neural networks for recognition of cartographic area features, Pattern Recognition 27 (4) (1994) 461–483.

[71] S. Haring, M.A. Viergever, J.N. Kok, Kohonen networks for multiscale image segmentation, Image Vision Comput. 12 (6) (1994) 339–344.

[72] M.F. McNittgray, H.K. Huang, J.W. Sayre, Feature selection in the pattern classi1cation problem of digital chest radiograph segmentation, IEEE Trans. Med. Imaging 14 (3) (1995) 537–547.

[73] P.N. Suganthan, H. Yan, Recognition of handprinted Chinese characters by constrained graph matching, Image Vision Comput. 16 (3) (1998) 191–201.

[74] E. Bertin, H. Bischof, P. Bertolino, Voronoi pyramids controlled by Hop1eld neural networks, Comput. Vision Image Understand. 63 (3) (1996) 462–475.

[75] T.W. Chen, W.C. Lin, A neural network approach to CSG-based 3-D object recognition, IEEE Trans. Pattern Anal. Mach. Intell. 16 (7) (1994) 719–726.

[76] P.C. Chung, C.T. Tsai, E.L. Chen et al., Polygonal approximation using a competitive Hop1eld neural network, Pattern Recognition 27 (11) (1994) 1505–1512.

[77] N.M. Nasrabadi, C.Y. Choo, Hop1eld network for stereo correspondence, IEEE Trans. Neural Networks 3 (1) (1992) 5–13.

[78] http://www.hecht-electronic.de

[79] http://www.cniinformatica.it

[80] M. Egmont-Petersena; , D. de Ridder, H. Handels, “Image processing with neural networks—a review”, Pattern Recognition 27 35 (2002) 2279–2301

[81] E.R. Davies, Automated Visual Inspection, Machine Vision, Seconded., Academic Press, New York, 1998, Chapter 19, pp. 471–502.

[82] J.L.C. Sanz, D. Petkovic, Machine vision algorithm for automated inspection of thin-film disk heads, IEEE Transactions on PAMI 10(1988) 830–848.

[83] C. Bahlmann, G. Heidemann, H. Ritter, Artificial neural networks for automated quality control of textile seams, Pattern Recognition 32 (1999) 1049–1060.

[84] J.W. Tucker, Inside beverage can inspection: an application from start to finish, Proceecings of the Vision’89 Conference (1989).

[85] A.R. Novini, Fundamentals of machine vision inspection in metal container glass manufacturing, Vision’90 Conference (1990).

[86] J. Ker, K. Kengskool, An efficient method for inspecting machine parts by a fixtureless machine vision system, Vision’90 Conference(1990).

[87] T. Torres, J.M. Sebastian, R. Aracil, L.M. Jimenez, O. Reinoso,Automated real-time visual inspection system for high-resolution superimposed printings, Image and Vision Computing 16 (1998) 947–958.

[88] L. Shafarenko, M. Petrou, J. Kittler, Automatic watershed segmentation of randomly textured color images, IEEE Transactions on Image Processing 6 (1997) 1530–1543.

[89] H. Li, J.C. Lin, Using fuzzy logic to detect dimple defects of polisted wafer surfaces, IEEE Transactions on Industry Applications 30 (1994) 1530–1543.

[90] A. Mital, M. Govindaraju, B. Subramani, A comparison between manual and hybrid methods in parts inspection, Integrated Manufacturing Systems 9 (1998) 344–349.

[91] P. Kopardekar, A. Mital, S. Anand, Manual, hybrid and automated inspection literature and current research, Integrated Manufacturing Systems 4 (1993) 18–29.

[92] O. Oyeleye, E.A. Lehtihet, A classification algorithm and optimal feature selection methodology for automated solder joint inspection, Journal of Manufacturing Systems 17 (1998) 251–262.

[93] C. Taylor, J. Graham, D. Cooper, System architectures for interactive knowledge-based image interpretation, Philosophical Transactions of the Royal Society of London (A) Mathematical and Physical Sciences 324 (1988) 457–465.

[94] P. Baglietto, M. Maresca, M. Migliardi, N. Zingirian, Image processing on high-performance RISC systems, Proceedings of the IEEE 84 (1996) 917–930.

[95] M. Magee, S. Seida, An industrial model-based computer vision system, Journal of Manufacturing Systems 14 (1995) 169–186.

[96] M. Moganti, F. Ercal, C.H. Dagli, S. Tsunekawa, Automatic PCB inspection algorithms: a survey, Computer Vision and Image Understanding 63 (1996) 287–313.

[97] S.M. Bhandarkar, T.D. Faust, M. Tang, CATALOG: a system for detection and rendering of internal log defects using computer tomography, Machine Vision and Applications 11 (1999) 171–190.

[98] A.R. Jimenez, A.K. Jain, R. Ceres, J.L. Pons, Automatic fruit recognition: a survey and new results using range/attenuation images, Pattern Recognition 32 (1999) 1719–1736.

[99] R.T. Chin, C.A. Harlow, Automated visual inspection: a survey, IEEE Transactions on Pattern Analysis and Machine Intelligence 6 (1982) 557–573.

[100] R.T. Chin, Automated visual inspection: 1981 to 1987, Computer Vision Graphics Image Processing 41 (1988) 346–381.

[101] T.S. Newman, A.K. Jain, A survey of automated visual inspection, Computer Vision and Image Understanding 61 (1995) 231–262.

[102] B.C. Eduardo, Review of automated visual inspection 1983 to 1993— part I: conventional approaches, SPIE—Intelligent Robots and Computer Vision XII 2055 (1993) 128–158.

[103] B.C. Eduardo, Review of automated visual inspection 1983–1993— part II: approaches to intelligent systems, SPIE—Intelligent Robots and Computer Vision XII 2055 (1993) 159–172.

[104] J.M.R. Sanches, M.S. Piedade, An automatic visual inspection system of the quality of painting of metal film mini resistors, International Conference on Signal Processing Applications and Technology (ICSPAT’97) (1997).

[105] W. Miller, J. Jaskot, B. McCoy, E. Schiller, A distributed system for 100% inspection of aluminum sheet products, International Conference on Signal Processing Applications and Technology (ICSPAT’96) (1996).

[106] I. Khandogin, A. Kummert, D. Maiwald, Automatic damage detection for railroad tracks by the analysis of video images, International Conference on Signal Processing Applications and Technology (ICSPAT’97) (1997).

[107] B.C. Jiang, S.J. Jiang, Machine vision based inspection of oil seals, Journal of Manufacturing Systems 17 (1998) 159–166.

[108] M. Barni, V. Cappellini, A. Mecocci, Colour-based detection of defects on chicken meat, Image and Vision Computing 15 (1997) 549–556.

[109] A.J. Lacey, N.A. Thacker, S. Crossley, R.B. Yates, A multistage approach to the dense estimation of disparity from stereo SEM images, Image and Vision Computing 16 (1998) 373–383.

[110] D.M. Tsai, C.Y. Hsieh, Automated surface inspection for directional textures, Image and Vision Computing 18 (1999) 49–62.

[111] D.M. Tsai, J.J. Chen, J.F. Chen, A vision system for surface roughness assessment using neural networks, International Journal of Advanced Manufacturing Technology 14 (1998) 412–422.

[112] M.L. Smith, G. Smith, T. Hill, Gradient space analysis of surface defects using a photometric stereo derived bump map, Image and Vision Computing 17 (1999) 321–332.

[113] P.R. Drake, M.S. Packianather, A decision tree of neural networks for classifying images of wood veneer, International Journal of Advanced Manufacturing Technology 14 (1998) 280–285.

[114] M.S. Packianathe, P.R. Park, Neural networks for classifying images of wood veneer, part II, International Journal of Advanced Manufacturing Technology 16 (2000) 424–433.

[115] K.L. Boyer, T. Ozguner, Robust online detection of pipeline corrosion from range data, Machine Vision and Applications 12 (2001) 291–304.

[116] T.H. Hou, M.D. Pern, A computer vision-based shape-classification system using image projection and a neural network, International Journal of Advanced Manufacturing Technology 15 (1999) 843–850.

[117] T.H. Kim, T.H. Cho, Y.S. Moon, S.H. Park, Visual inspection system for the classification of solder joints, Pattern Recognition 32 (1999) 565–575.

[118] S. Janannathan, Automatic inspection of wave soldered joints using neural networks, Journal of Manufacturing Systems 16 (1997) 389–398.

[119] R.J. Hunsicker, J. Patten, A. Ledford, C. Ferman, M. Allen, Automatic vision inspection and measurement system for external screw threads, Journal of manufacturing Systems 13 (1994) 370–383.

[120] P. Andrey, Selexionist relaxation: genetic algorithms applied to image segmentation, Image and Vision Computing 17 (1999) 175–187.

[121] R. Cucchiara, Genetic algorithms for clustering in machine vision, Machine Vision and Applications 11 (1998) 1–6.

[122] J.Y. Goulermas, P. Liatsis, Genetically fine-tuning the Hough transform feature space, for the detection of circular objects, Image and Vision Computing 16 (1998) 615–625.

[123] D.M. Tsai, A. Machine, Vision approach for detecting and inspecting circular parts, International Journal of Advanced Manufacturing Technology 15 (1999) 217–221.

[124] M. Kavoussanos, A. Pouliezzos, An intelligent robotic system for depalletizing and emptying polyethylene sacks, International Journal of Advanced Manufacturing Technology 14 (1998) 358–362.

[125] Y.R. Shiau, B.C. Jiang, Study of a measurement algorithm and the measurement loss in machine metrology, Journal of Manufacturing Systems 8 (1999) 22–34.

[126] A.R. Jimenez, R. Ceres, J.L. Pons, A vision system based on a laser range-finder applied to robotic fruit harvesting, Machine Vision and Applications 11 (2000) 321–329.

[127] S. Anard, C. McCord, R. Sharma, An integrated machine vision based system for solving the nonconvex cutting stock problem using genetic algorithms, Journal of Manufacturing Systems 18 (1999) 396–414.

[128] H.K. Tonshoff, C. Soehner, G. Isensee, Vision-guided tripod material transport system for the packaging industry, Robotics and Computer- Integrated Manufacturing 13 (1997) 1–7.

[129] J.J. Hunter, J. Graham, C.J. Taylor, User programmable visual inspection, Image and Vision Computing 13 (1995) 623–628.

[130] D. Tretter, C.A. Bouman, K.W. Khawaja, A.A. Maciejewski, A multiscale stochastic image model for automated inspection, IEEE Transactions on Image Processing 4 (1995) 1641–1654.

[131] I. Khandogin, A. Kummert, D. Maiwald, DSP algorithms for the automatic inspection of fixing devices of railroad lines, International Conference on Signal Processing Applications and Technology (ICSPAT’98) (1998).

[132] J. Velten, A. Kummert, D. Maiwald, Real time railroad tie inspection implemented on DSP and FPGA boards, International Conference on Signal Processing Applications and Technology (ICSPAT’99) (1999).

[133] K.H. Kim, Y.W. Kim, S.W. Suh, Automatic visual inspection system to detect wrongly attached components, International Conference on Signal Processing Applications and Technology (ICSPAT’98) (1998).

[134] Y.K. Chung, K.H. Kim, H.B. Kim, Extracting of line features for automatic inspection of vehicle doors, International Conference on Signal Processing Applications and Technology (ICSPAT) (1997).

[135] T.F. Cootes, G.J. Page, C.B. Jackson, C.J. Taylor, Statistical greylevel models for object location and identification, Image and Video Computing 14 (1996) 533–540.

[136] J.Y. Jeng, T.F. Mau, S.M. Leu, Gap inspection and alignment using a vision technique for laser butt joint welding, International Journal of Advanced Manufacturing Technology 16 (2000) 212–216.

[137] M. Moreira, E. Fiesler, G. Pante, Image classification for the quality control of watches, Journal of Intelligent and Fuzzy Systems 7 (1999) 151–158.

[138] S. Jagannathan, D. Seebaluck, J.D. Jenness, Intelligent inspection of wave soldered joints, Journal of Manufacturing Systems 11 (1992) 137–143.

[139] S. Haykin, Neural Networks, Prentice-Hall, Englewood Cliffs, NJ,1999.

[140] N.K. Bose, P. Liang, Neural Network Fundamentals with Graphs, Algorithms, and Applications, McGraw-Hill, New York, 1996. E.N. Malamas et al. / Image and Vision Computing 21 (2003) 171–188 187

[141] J. Chang, G. Han, J.M. Valverde, N.C. Griswold, J.F. Duque-Carrillo,S.E. Cork, Quality classification system using a unified image processing and fuzzy-neural network methodology, IEEE Transactions on Neural Networks 8 (1997) 964–973.

[142] T. Sarkodie-Gyan, C.W. Lam, D. Hong, A.W. Campbell, An efficient object recognition scheme for a prototype component inspection, Mechatronics 7 (1997) 185–197.

[143] Y.H. Chen, Computer vision for general purpose visual inspection: a fuzzy logic approach, Optics and Lasers in Engineering 22 (1995) 181–192.

[144] J.C. Bezdek, J. Keller, R. Krisnapuram, N.R. Pal, Fuzzy Models and Algorithms for Pattern Recognition and Image Processing, Kluwer,New York, 1999.

[145] S.K. Pal, S. Mitra, Neuro-Fuzzy Pattern Recognition: Methods in Soft Computing, Wiley, New York, 1999.

[146] G.A. Carpenter, S. Crossberg, N. Markuzon, J.H. Reynolds, D.B. Rosen, Fuzzy ARTMAP: a neural network architecture for incremental supervised learning of analog multidimensional maps, IEEE Transactions on Neural Networks 3 (1992).

[147] U.H. Kuo, J.P. Hsu, C.I. Kao, MCFC: a fuzzy neural network model for speech recognition, Journal of Intelligent and Fuzzy Systems 4 (1996) 257–268.

[148] K.C. Zikidis, A.V. Vasilakos, ASAFES2: a novel neuro-fuzzy architecture for fuzzy computing based on functional reasoning, Fuzzy Sets and Systems 83 (1996) 63–84.

[149] J.S. Jang, ANFIS: adaptive-network-based fuzzy inference systems, IEEE Transactions on Systems, Man and Cybernetics 23 (1993) 63–84.

[150] C.T. Lin, C.S.G. Lee, Neural Fuzzy Systems, A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice-Hall, Englewood Cliffs, NJ, 1996.

[151] D.E. Golberg, Genetic Algorithms in Search, Optimization and Machine Learning, Addsion-Wesley, Reading, MA, 1999.

[152] S.M. Bhandarkar, H.R. Arabnia, Parallel computer vision on a reconfigurable multiprocessor network, IEEE Transactions on Parallel and Distributed Systems 8 (1997) 292–309.

[153] T. Komuro, I. Ishii, M. Ishikawa, General-purpose vision chip architecture for real-time machine vision, Advanced Robotics 12 (1999) 619–627.

[154] D.W. Hammerstrom, D.P. Lulich, Image processing using onedimensional processor arrays, Proceedings of the IEEE 84 (1996) 1005–1018.

[155] C.L. Wang, P.B. Bhat, K. Prasanna, High-performance computing for vision, Proceedings of the IEEE 84 (1996) 931–946.

[156] S. Fathnam, G. Slavenburg, Processing the new world of interactive media: the trimedia VLIW CPU architecture, IEEE Signal Processing Magazine 15 (1998) 108–117.

[157] S. Purcell, The impact of Mpact 2: the Mpact 2 VLIW media processor improves multimedia performance in PCs, IEEE Signal Processing Magazine 15 (1998) 102–107.

[158] J. McKrory, M. Daniels, The impact of new technology in machine vision, Sensor Review 15 (1995) 8–11.

[159] E.J. Delp, Image-processing software and hardware, IEEE Signal Processing Magazine 15 (1997) 8–11.

[160] D.L. Dechow, Fundamentals of machine vision systems integration, The Vision Show (1997).

[161] D. Braggins, Recent developments in image capture for machine vision, Sensor Review 15 (1995) 11–14.

[162] M. Loinaz, B. Ackland, Video cameras: CMOS technology provides on-chip processing, Sensor Review 19 (1999) 19–26.

[163] M. Schanz, W. Brockherde, R. Hauschild, B.J. Hosticka, A. Teuner, CMOS photosensor arrays with on-chip signal processing, Proceedings of the European Solid State Circuits Conference (ESSCIRC’97), Southampton, UK (1997).

[164] E.R. Fossum, CMOS image sensors: electronic camera-on-a-chip, IEEE Transactions on Electron Devices 44 (1997) 1689–1698.

[165] K. Yamada, T. Nakano, S. Yamamoto, Robot vision robust to changes of lighting conditions using a wide-dynamic range visual sensor, Electrical Engineering in Japan 120 (1997) 34–40.

[166] K. Yamada, T. Nakano, T. Yamamoto, A vision sensor having an expanded dynamic range for autonomous vehicles, IEEE Transactions on Vehicular Technology 47 (1998) 332–341.

[167] D. Braggins, Creating the right image, Sensor Review 16 (1996) 16–21.

[168] MotionVision Cameras-CA-D8: 1O/P, 25 MHz, Dalsa Specification Datasheet, 2000.

[169] RACIC810/811 Random Access Charge Injection Device Imaging Sensors, CIDTEC Specification Datasheet, 2000.

[170] VV5500/6500 Multi Format Digital Output Sensor, VLSI Vision Inc. Specification Datasheet, 2000.

[171] D. Litwiller, CMOS: Facts and Fiction, Laurin Publishing, 2001.

[172] C. Seibold, Comparison of CMOS and CCD Image Sensor Technologies, ECE 442 Senior Design, 2002.

[173] CMOS vs. CCD and the Future of Imaging, 2001.

[174] R. Hauschild, M. Hillebrand, B.J. Hosticka, J. Huppertz, T. Kneip, M.Schwarz, ACMOS image sensor with local brightness adaptation and high intrascene dynamic range, European Solid State CircuitsConference (ESSCIRC’97), The Hague, The Netherlands (1999).