Über einen Schwellwert gebrochene hell/dunkel Filme
werden als Sequenz gespeichert, große Substratflächen
können in kleinen KB großen Filmen gespeichert werden.
Runde Lotball-Formen können durch seitliche Beleuchtung
über das Dunkelfeld in Ihrer Höhe bestimmt werden.
ScheitelpunktDunkelfeldAnalyse (SPDA)
PatControl verfügt über Pixelsensoren, die über die integrierte Skriptsprache Lua gestartet werden. Jeder Sensor ist mit einem Prüfplan verbunden, der sich über die Prozesssteuerung laden lässt, zum Beispiel ein Rotationsprüfplan. Jeder Kameratrigger löst Ereignisse im zugehörigen Skript aus und startet die benötigten Pixelsensoren. Der Prüfplan kann Lua benutzerdefinierte Parameter als Ereignisse übergeben. So lassen sich Position und Art der Sensoren auch während des Maschinenbetriebs anpassen. Lua kann diese Parameter beispielsweise anhand von Messwerttrends oder des Stichprobenumfangs aktualisieren (dynamische statistische Prozesskontrolle, SPC).
Die Sensorergebnisse (PatResults) können auf der PatControl-Oberfläche als Rechtecke, Kreise, Dreiecke oder Texte dargestellt werden. Außerdem können sie Datenübertragungen und Schaltzustände auslösen.
Schärfe-, Schwellwert- und Farbsensoren werten Pixel innerhalb einer Fläche aus und liefern statistische Informationen über deren Verteilung und Helligkeit. Kantendetektoren reagieren auf Helligkeitsübergänge und bestimmen deren statistische Mitte. Die Zusammenhangsanalyse fasst Pixel innerhalb eines Bereichs zu numerischen Objekten zusammen. Kantenverfolger folgen dem Konturverlauf und erzeugen eine numerische Vektorisierung des Objekts. Die Dunkelfeldanalyse kann anhand des Beleuchtungswinkels die Höhe eines Objekts bewerten.
Bei strukturierten Substraten liefert der Schärfensensor einen Wert zwischen 0,0 und über 100,0. Dieser beschreibt die Schärfe des Bildausschnitts. Da die Kennlinie je nach Objektiv nicht linear verläuft, muss sie für die verwendete Apertur angenähert werden. Ist eine Referenzhöhe bekannt, kann daraus mithilfe der Lua-Prüfplanung eine präzise Höhenmessung erstellt werden.
Bei der Bild-in-Bild-Erkennung werden Helligkeitsübergänge und Konturen eines Bildes als Merkmale erfasst. Ein nachfolgender Prozess reduziert die Merkmalsmenge und ordnet die Ergebnisse in einem skalierten Merkmalsraum. Die Daten liegen anschließend in Gruppen vor, beispielsweise nach Gewichtung oder Fließrichtung.
Über Lua lässt sich die Funktion ImageRecognition aufrufen. Sie kann einen Bildausschnitt, zum Beispiel mit 1024 × 768 Pixeln, mit bis zu 65 Hz auswerten und eine Liste der erkannten Merkmale zurückgeben. Ähnliche Merkmalsgruppen ermöglichen die Erkennung vergleichbarer Objekte. Anhand der Konturen kann außerdem die Lage von Kanten und Übergängen bestimmt werden.
LiDAR-Systeme liefern detaillierte Informationen über die Umgebung autonomer Systeme. Ein Multicore-Edge-Detektor kann Informationen jedoch direkt aus laufenden Kamerabildern gewinnen und dadurch eine kostengünstigere und weniger störanfällige Lösung ermöglichen.
Neuronal Edge Detector with 10 CPU-Cores
Jede Linie der Image -Vektorisierung hat Merkmale die mit der Fluss Richtung auch farblich dargestellt werden kann. Beim Labeling werden zusammenhängende Bildpunkte als einzelne Objekte erfasst. Dazu dient der integrierte Labeldetektor. Auf aktuellen Rechnern kann er bis zu eine Million Rechtecke in zehn Sekunden erzeugen. Der Detektor ist seit Langem im Einsatz und hat sich beispielsweise bei der Masseninspektion von Wafern bewährt.
PatControl fragt Farbinformationen innerhalb eines zuvor durch andere Sensoren eingegrenzten Bereichs ab. Die Lua-Funktion ColorImage liefert die RGB-Anteile sowie den Farbnamen auf Deutsch und Englisch. Unterstützt werden 142 vordefinierte Farbnamen.
Die Abbildung zeigt, wie der Pledge-Pixelsensor versucht, aus einer labyrinthähnlichen Struktur herauszufinden. Der Suchkopf erfasst Daten entlang von Kollisionsgrenzen, die anhand von Helligkeitsübergängen erkannt werden. Daraus entstehen Vektorinformationen, die zur Ermittlung weiterer Objektmerkmale dienen.
Die Echtzeit-Videovektorisierung ist seit den Anfängen der Computergrafik ein wichtiges Entwicklungsfeld. Für autonome Systeme, die ihre Umgebung erfassen müssen, werden schnelle Algorithmen benötigt. Sie sollen nicht nur Bildinformationen gewinnen, sondern daraus auch einen konkreten Handlungsbedarf ableiten.
