Hortumların Yüksek Basınç Altında Genişlemesinin Hassas Ölçümü

Uluslararası bir şirket olan ve çeşitli sektörlerde çözümleri olan EATON, Çerkezköy’de bulunan fabrikasında endüstriyel, pvc, termoplastik, hidrolik hortumlar üretmektedir. Bu hortumların içinden zaman zaman yüzlerce bar basıncında hava ve sıvı geçmektedir.

Epeyce uzun olan hortumların yüksek basınçlara dayanıklı olması olmazsa olmazdır. Çünkü hortumdaki bir çatlak yarık görünmeyen bir hata, geri dönüşü olmayan kazalara sebep verebilir.

eaton hortum

 

 

 

 

 

Bu sebepten dolayı, hortumların bir test basıncında (40-60-80 barlara kadar çıkabilmektedir), çap genişliğinde ve boylamasına uzunluğunda, istenen mikron ölçüsüne kadar genişlemesi ve dayanıklılığı test edilmektedir.

İşte bu enlemesine ve boylamasına uzama ölçümünü Mavis olarak yapmış bulunmaktayız.

  • Hortumların, ilk olarak basınç yokken genişlik ve uzunluk ölçümleri alınır.
  • Sonra basınçlı su verilerek test basıncında iken yeniden ölçüm yapılır.
  • Bu uzama miktarları yüzdesel olarak hesaplanır ve sonuç verilir. Uygun toleranslar içinde ise hortum güvenlidir ve paketlenip gönderilebilir.
  • Her bir hortum için istenilen şablonda rapor çıktısı verilir.

Çok hassas ölçüm yapılması gerektiği için, endüstriyel kameralarımızdan fazlaca kullandık ve özel aydınlatmalar ile yakından baktık.

Ölçüm sisteminin konstrüksiyonu da yine bizim tarafımızdan yapıldı. Bütün sistem darbeye ve suya dayanıklı olarak tasarlandı.

Sistem tek parça olarak bir rayın üzerinde hareket ediyor. Hortumların patlatma testleri yapılacağı zaman, sistemin zarar görmemesi için, ray üzerinden geriye ittirilerek uzaklaştırılıyor. Ölçüm yapılacağı zaman ise tekrar yerine getirilip kilitleniyor.

eaton vyp

Toyota Boshoku’da Klips Varlık-Yokluk Kontrolü

Mavis VYP programı ile, klips varlık-yokluk kameralı kontrol sistemini Toyota Boshoku‘da devreye aldık.

Parça üzerindeki turuncu renkli klipslerin varlığına bakacağız. Test masasında 2 farklı ürün kontrol ettirilmektedir ve klipslerin yerleri farklıdır. Programdan “Ürün Seçimi” yapılarak, modele ait daha önce kaydedilmiş yerler kontrol edilir.

  1. Kullanıcı malzemeyi masaya sabitler. Üzerine klipslerin hepsini takar. Daha sonra bütün klipslerin kontrolü için yanındaki push buton’a basar.
  2. Bu aşamada program, parçanın sabit kalması için klempleri kapatır. Parçanın fotoğrafını çeker ve kontrollerini yapar.
  3. Bütün klipsler takılı ise, OK elektriksel sinyal çıkışı verecektir ve klempler açılacaktır. Eğer bazı klipsler takılı değil ise, NOK verecek ve kullanıcıya eksik klipslerin yerini gösterecek. Bütün klipsler takılana kadar sistem klempleri açmayacak. Böylece eksik ve hatalı ürün gitmemiş olmaktadır.

Mavis VYP yazılımında, birden fazla ürün kontrolü olabilmektedir. Ürün seçimi menüsünden tanıtılmış ürünleri görebilir, kontrolünü yapacağınız ürünü seçebilirsiniz.

toyota boshoku nok1 toyota boshoku ok1
Bu sistemde kullandığımız kameraları merak ediyorsanız, işte aşağıda;

2 adet IDS marka, XS model ( ismi ekstra small’dan geliyor 🙂 ) endüstriyel kamera kullandık.
5mpx çözünürlüklü, renkli ve oto-fokus özellikleri vardır.

Yeni nesil XS kameraueye xs kameralar

 

Hidromek’de Ürün Tanıma Sistemi

Geçtiğimiz sene iş yoğunluğumuzdan dolayı blog’a çok yazı yazamadık. Bu süre içinde birçok proje ve uygulama yaptık. Önümüzdeki günlerde bu uygulamalarımızdan bahsetmeye çalışacağım.

Örneğin, sektöründe lider olan Hidromek firmasının Ankara’daki fabrikasında ürün tanıma sistemini devreye aldık.

Kepçe ve iş makineleri parçalarının boyahaneye gitmeden önce tanınması doğru parça olduğunun kontrolü sağlanıyor. Eğer boyahaneye yanlış parça giderse, boyama kafaları malzemeye çarpmakta ve hem kafa hem malzeme zarar görmektedir. Bu da ziyan olan zamanlar ve yüksek maliyetler anlamına geliyor. Taşıma konveyör sistemi ile gelen parçalar, tipleri (Alt Şase, Üst Şase, Arm, Bom, Kova) ve tonajları ile (14, 20, 22, 30, 37 ton) kombinasyonlu olarak farklı şekillerde gelebiliyor.

Sistem ise şunu yapıyor:

  1. Yazılım, gelen ürünün bilgisini PLC sisteminden alır.
  2. Operatör kontrol yaptırır ve yazılım kameralardan görüntü alır.
  3. Görüntüler işlenerek doğru parça olup olmadığı kontrol edilir.
  4. Doğru ise OK çıkışı, değil ise RET çıkışı PLC sistemine verilir.
  5. Buna göre PLC sistemi, ya hattı durduruyor ya da devam ettirir.

Bununla birlikte otomatik olarak OK ve RET olanların ayrı ayrı fotoğraflarını da kaydetmektedir ve parçaların takibi, incelenmesi, geçiş zamanları ve sayıları takip edilebilmektedir.

Sistem, birçok sektörde bu tarz ürün tanıma, seçme, yönlendirme işlemlerini yapabilmektedir.

program1-

hidromek-alt hidromek-arm

 

 

 

 

 

hidromek-bom hidromek-ust

HALCON 13 ve yeni özellikler

HALCON 13, Kasım 2016’da kullanıma sunuldu. Yeni özellikleri, filtreleri, geliştirmeleri ve paralel işlemler ile hız konusunda yapılan iyileştirmeleri anlatalım.

Geliştiriciler için;

Halcon arayüzünde geliştirme yaparken, artık bütün kontrol ve ikonik değişkenlerine breakpoint konulabiliyor. Bunları Quick Navigation’dan izleyebilirsiniz.

Dokümantasyon’da notlar daha detaylı, düzenli, kısımlara ayrılmış, listeli halde.

Halcon kodu export edilip Visual Studio’da projenize eklendiyse, kullandığınız Halcon değişkenlerini watch edip izleyebiliyorsunuz.

Birkaç ayar ile uzaktaki sisteminizin Halcon üzerinden debug’ını yapabilirsiniz. Halcon’u hDevEngine ile çalıştırıp, projenizden Halcon dosyasını çalıştırarak kullanıyorsanız; uzaktan pc erişimi ile canlı proje üzerinde (sistem uzakta bir fabrikada da olabilir) Halcon arayüzü üzerinden breakpoint koyup debug yapılabiliyor. Sistem çalışırken Halcon dosyasındaki breakpoint koyduğunuz yere düşüyor, böylece siz değişkenleri görüp adım adım devam edebiliyorsunuz.

Görüntü işleme;

Yeni birçok görüntü işleme filtreleri eklendi.

bilateral_filter eklendi. Görüntüdeki geçiş noktalarını değil, yüzey kısımlarında yumuşatma yapmak için kullanılabilir, kenarı yakalamak isteyip yüzeydeki parazitleri gidermek istiyorsanız. Guided_filter da bunun gibi çalışıyor ve az daha hızlı. Bununla birlikte bilateral_filter kullanırken, hızını ve kalitesini parametrelerle ayarlayabilirsiniz.

Yeni bir threshold yöntemi; MSER (Maximally Stable Extremal Regions), yani en stabil olan threshold sonucu.
segment_image_mser komutu ile görüntü üzerinde keskin yada yumuşak geçişlerde de olsa, koyu açık ya da ikisi için de region’ları alabiliyorsunuz.

Texture inspection yöntemleri geliştirildi.

Datacode, QRcode fonksiyonları geliştirildi. Bulanık, yamuk açılı, kontrastı kötü, yazı kalitesi düşük, mürekkebi az-fazla gelse de kodları bulma oranları arttırıldı.

Barcode’lar parazitli olsa da bulabiliyor. Barkodun bir kısmı silinik gelse de, bar çubukları üzerinde okunabilen bir nokta var ise okur, bu şekilde bütün çubukların okunabilen yerlerini alır ve barkodun tamamını tanıyabilir.

OCR (karakter tanıma, yazı okuma) okuma oranları daha arttırıldı.

Dot print (nokta vuruşlu) yazılarda (sanayide döküm malzemeler üzerindeki gibi) okuma oranları geliştirildi.

Find_ncc_models komutu artık çoklu model tanımayı da destekliyor. Ayrıca görüntü üzerinde tanımada iyileştirmeler var.

3 Boyutlu Görme;

Kullanılan bazı komutlarda parametre eklemeleri var. Point Cloud (Nokta Bulutu) çıkarmaları, Kalibrasyonu, Yüzey modelleme komutları, Matching komutları geliştirildi.

HALCON arayüzündeki grafik ekranda da bazı yenilikler var.

set_window_param ile “region_quality” low-good değerleri verilerek, region kenarları daha hassas gösterilebilirsiniz.
set_window_param ile “anti_aliasing” true-false değerleri verilerek, kenarlar daha yumuşak yada keskin gösterilebilir.
dev_set_color’da artık renkler hex kodu olarak da verilebilirsiniz.
Ekranda yazı yazma göstereceğimiz zaman, top-bottom, left-right-center ile hizalanabilir.
Ekranda bir mesaj yazıldığında zoom in – zoom out yapıldığında bile mesajın da ona göre tekrar hizalanması sağlanıyor.

Komutlarda Hızlanma;

Artık neredeyse bütün komutlar fonksiyonlar kendi içinde paralel process ile işleniyor. Yani hepsinde bir hızlanma mevcut, bazıları ise çok daha hızlanmış durumda. Örneğin aşağıdaki komutlarda yüzde kaç hızlanma olmuş görelim;

threshold, %180
dyn_threshold, %400
mean_image, %300
trans_from_rgb, %325
find_shape_model, %300
scale_image, %300
find_text, %300
edges_color, %80

Shape based matching, Deformable shape based matching işlemleri,
OCR (karakter tanıma, yazı okuma) işlemlerinde de hızlandırmalar yapıldı.

 

HALCON 13 artık daha hızlı, daha verimli. Seneler içinde HALCON, biz görüntü işleme geliştiricileri için işimizi epeyce kolaylaştırdı..

 

HALCON 13 çıktı

Evet, görüntü işleme kütüphanesi olarak kullandığımız HALCON’un yeni versiyonu 1 kasım 2016’da çıkıyor.

Lansmanı için Almanya-Münih’e MVTEC’in merkezine gittik ve HALCON 13’ün yeni özelliklerini gördük, bununla ilgili detayları bir sonraki yazımda yazacağım.

halcon13days

 

 

 

 

 

 

Şimdilik aşağıdaki sayfadan inceleyebilirsiniz.

HALCON 13 Release

 

3D Görüntü İşleme

3 boyutlu (3D) görüntü işleme tekniklerine önceki makalelerde detaylı olarak değinmiştim. Bu makalede, gerçek ve pratik bir uygulama üzerinde çalışacağız.

Gerçek (endüstriyel olarak kullanabilecek, her koşulda çalışacak, hassa ve tutarlı) bir 3D uygulaması için ihtiyaçlarımız

  1. Ensenso 3D kamera
  2. HALCON görüntü işleme kütüphanesi

Neden 3D kamera kullanıyoruz? 3D görüntü işlemeye ilişkin pek çok sorunu çözmek için uğraşmak yerine, bizim için hazır olarak bu sorunları çözmüş bir kamera kullanmak daha akıllıca da ondan. (Bu blog sitesinde bahsedilen çoğu makale endüstriyel olduğu için, ürün geliştirmeye yönelik, yaz kış, gece gündüz, her ışık ortamında çalışabilecek gerçek bir uygulama sahibi olmayı düşündüğümüz için. Yoksa 3D görüntü işleme için 3D kamera kullanmak zorunda değiliz)

Neden HALCON görüntü işleme kütüphanesi kullanıyoruz? Yine yukarıdaki sebeplerden.

Özetle burada amaç, iş yapmak, ürün geliştirmek, sorun çözmek.

Gelelim iş yapmaya …

Ensenso kamera tutturulmuş test ortamım

Ensenso kamera tutturulmuş test ortamım

Öncelikle, yukarıdaki resimde görüldüğü gibi 3D kamerayı 70-80 cm. yğkseklikte bir yere sabitledim. Kameranın hemen altına da…

3D ölçeceğim kutu

3D ölçeceğim kutu

Yukarıda gördüğünüz, prizma şeklindeki kutuyu koydum.

Tüm yaptığım bu kadar basit. Şimdi HALCON görüntü işleme kütüphanesi geliştirme ortamı HDevelop’u açıp, kameradan görüntü al dediğimde…

Ensenso 3D Kameradan alınan görüntüler

Ensenso 3D Kameradan alınan görüntüler

Burada basitçe görülebildiği gibi kamera bana

  1. Left Image (Sol gözün görüntüsü. Ensenso içinde 2 kamera olduğundan..)
  2. Right Image (Sağ gözün görüntüsü)
  3. x-Image (mm. cinsinden x mesafeleri)
  4. y-Image (mm.cinsinden y mesafeleri)
  5. z-Image (mm cinsinde z-yükseklikleri)

bilgilerini vermektedir. Artık her bir noktanın mm cinsinden hangi koordinatlarda olduğunu biliyorum. Her bir noktanın yüksekliğini, merkez noktadan uzaklıklarını…

Örneğin bir robot var ise, bu kutunun tam orta noktasının x ve y değerlerini ve z-yükseklik bilgisini ileterek, parçayı almasını sağlayabilirim.

Elbette 3D ile yapabileceklerimiz çok daha fazla.

Burada hızlıca, bir 3D kamera ve HALCON görüntü işleme kütüphanesi ile, ne kadar hızlıca yol alınabileceğini göstermek istedim.

Gerçek hayatta 3D Matching (3 boyutlu eşleştirme), Surface matching (yüzek eşleştirme), 3D Measurement (3 boyutlu ölçüm) gibi daha detaylı uygulamalar geliştirmek de mümkündür.

Bir yerlerden başlamak ve çok hızlı profesyonelce yol almak isteyenler için, bir başlangıç olabilmesi dileğiyle.

İyi Çalışmalar Dilerim..

Mustafa SARI.

Kameralı Hacim Ölçümü – 3

Mavis kamera ile hacim (en-boy-yükseklik) ölçen sistemin 3. versiyonunu geliştirdi.

Herhangi bir yere dayama gerektirmeyen, görüntü alanı içinde herhangi bir yere koyulabilen, 1.5 mt yüksekliğe kadar cisimlerin hacmini ölçen sistemi test kullanımına aldı.

Ölçüm sonuçları

2 adet kamera ile ve tamamen Mavis tarafından geliştirilmiş yeni bir teknoloji ile, görüş alanının herhangi bir yerine koyulan cisimlerin hacmi, hızlı ve doğru bir şekilde ölçülmektedir.
Kantardan gelen ağırlık bilgisi de eklenerek, en-boy-yükseklik (desi) bilgisi de eklenerek barkod oluşturulmakta, veritabanına kaydedilmekte ve ilgili sistemlerle entegrasyon sağlanmaktadır.

Kargo firmaları gibi pek çok yerde kullanılması muhtemel olan sistemin çalışması istenildiği takdirde görülebilir, demo kurulum yapılabilir.

Uygun İşleme Yönteminin Seçimi

Tipik bir yapay görme problemini çözmek için pek çok farklı yaklaşım getirilebilir. İdeal yaklaşımı seçmek çoğu zaman pek kolay olmayabilir.

HALCON Alternatif yöntemler sunar

Görüntü işlemeye yeni başlayanlar genelde “Blob analysis” olarak belirttiğimiz, segmentation işlemleri ile (thresholding, filtering, selection …) işleri çözmeye meyillidirler. Oysa HALCON pek çok farklı alternatif disiplini sunmaktadır.

Uygun Metod?

Bu makalede; basitçe “Dairenin merkezini bulma” uygulamasını, farklı metodolojiler kullanarak nasıl gerçekleştirebiliriz ona değineceğiz.

Her bir metodolojinin farklı avantaj ve dezavantajları olabildiğinde, ideal olanı, projeye en uygun yöntemi seçmektir (ki çoğu zaman pek kolay değildir)

İleride makaleye yukardaki resimde anlatılan yolları tek tek inceleyerek devam edeceğiz. Görüşmek üzere…

Kameralı Hacim Ölçümü – 2

Kargo firmaları v.b. yerler için, hızlı hacim ölçen (en boy yükseklik) çözümümüz 1 aylık test kullanımından sonra, evrimleşerek daha hassas ve daha tutarlı bir hale getirildi.

Sistemin Kurulumu

Sistemin Kurulumu

Sistemin Kurulumu

Sistem, belirli bir açı ile yerleştirilmiş, otofokus, renkli ve yüksek çözünürlüklü 2 kamera ile, 1.5 metreküplük bir yeşil bölge içindeki, 1.2 metreküplük bir hacmi ölçmeye yarar. (Maksimum yükseklik boy genişlik 1.2 m olacak şekilde)

Kameralardan biri, yükseklik ölçmeye, diğeri ise en ve boy bulmaya yarar.
Ölçüm işlemi 1 sn kadar sürer.
Sistemin, kendi aydınlatması olduğundan, ışık değişimi, gece gündüz, yaz-kış farkı gibi dış etkenlerden etkilenmez.
Endüstriyel koşullarda (çok düşük / yüksek sıcaklıklar v.b.) çalışabilir.
Kurulduktan sonra, bakım gerektirmez.

Kameralı Yükseklik En Boy Ölçümü
Sistemin Genel Özellikleri

  • Tüm Sonuçlar Kaydedilir (5 Yıl)
  • Alınan Resimler Saklanır (1 Yıl)
  • Tartım Bilgisi (Ağırlık) Okunabilir
  • Barkod, Fiş, Fatura Çıkartılabilir
  • Web, Intranet, Veritabanı ile diğer sistemlerle entegre olabilir

 

Hacim ölçüm sistemi, sadece koli (kutu, kübik) şekiller için değil, hemen her tür serbest geometriye sahip hacim ölçümlerinde kullanılabilir.

Program Görüntüsü

 

 

 

 

 

 

 

Sistem Tarafından Ölçülen Hacim Tipleri

Slayt51. Kutu, Koli vb. Kübik Ölçümler

En, boy ve yükseklik değerleri ölçülür. Santimetre cinsinden ölçülen bu değerlerden desi hesaplanır.

Eğer koliler fiziksel olarak ayrılabiliyorsa, her birini ayrı ayrı ölçmek daha doğru bir yaklaşım olacaktır. Fiziksel olarak birbirine bağlı ya da ayrılamayan nesneler varsa, en yüksek noktanın yüksekliği baz alınarak ölçüm yapılacaktır. Böyle bir durumda, aralardaki boşluklar, tamamlanarak hacim ölçümü yapılacaktır. (Gerçekte olandan daha büyük hacim bulunabilir)

Slayt5

 

 

 

 

 

 

 

 

 

 

2. Serbest Şekilli Hacimler

Belirli bir geometrik şekle sahip olmayan (gitar, tampon, çuval, saksı bitkisi, araba tekeri v.b.) şekiller için hesaplanan hacim.

Bu tür hacim hesaplamalarında, hem nesnenin gerçek hacmi, hem de bu nesneyi çevreleyen en küçük kutunun hacmi ayrı ayrı hesaplanır. Dilenirse, bu iki ölçüm değerinin ortalaması alınabilir.

Slayt7Slayt6

 

 

 

 

 

 

 

 

Sistemin Kullanımı

Slayt8

Ölçüm; hacmi ölçülecek nesneyi (koli, kutu vs.) tartının üzerine koyulup bir tuşa basılması ile yapılır.

Ölçüm ile tartım işlemi aynı anda olduğundan ilave vakit kaybı getirmemektedir.

Sistemin daha da geliştirilmiş son hali için şu sayfamıza da bakınız…

HALCON ile Gradient Domain

Uzunca bir süredir eni konu bahsetmek istediğim ama bir türlü elimin gitmediği, son yılların en çok araştırılan, üzerinde en çok çalışılan, bir o kadar da bilinmeyen (pek yaygınlaşamayan) görüntü işleme konularından biri olan, Gradient Domain konusuna girmek, bugüne nasip oldu. Başlayalım bakalım…

Ön Bilgi

Resim (Fotoğraf) matematiksel olarak bir çok farklı biçimde modellenebilir / gösterilebilir. Bunlardan en yaygın kullanılanı S-domain sunumu olan spatial domain ismi verilen sunumdur. Bu hepimizin bildiği, her bir pixelin intensity (ışık şiddet / gray value) değerini tuttuğu notasyondur.

Normalde sık sık kullandığımız threshold işlemleri v.b. çoğu fonksiyon, işte bu spatial domain verileri üzerinden işlem yaparlar. Burada, her bir pixel bağımsız olarak ele alınır. Örneğin, tamamen beyaz (gri değeri = 255) olan pixelleri seçmek istiyorsam, bu pixellerin sağına soluna bakmadan, 255 değere sahip olan her bir pixel seçilir.

Tam bu noktada, gradient domain farklı bir yaklaşım sunar. Her bir pixelin tam ve kesin değeriyle ilgilenmek yerine, o pixele komşu olan diğer pixeller ile arasındaki farkı da göz önüne alarak bir matematiksel model bulmaya çalışır. Şimdi her bir pixel değerinin bir öncesi dediğimiz zaman, işi bir seriye dökmeye ihtiyacımız var demektir. Zaten spatial-domain resim dediğimiz, satır ve sütunlardan oluşan bir matris ya da yatay ya da dikey diziler şeklinde düşünülebilir. Elimizdeki bir dizinin elemanlarının değerleri, belirli bir periyotla ya da belirli bir pattern ile tekrarlanıyorsa bu durumda matematiksel olarak frekas domain (frequency domain) den söz edebilirim. (F-domain) f-domain uzayına geçtiğimizde, tıpkı bir dosyanın sıkıştırılması ve geri açılması algoritmalarında olduğu gibi, pixel değerlerinin belirli bir mantığa göre (pattern) tekrarlanması ve bu tekrar mantığını kullanarak, istediğimde orijinal değerlerine ulaşabilmem garanti edilmiş olur. Bunu yapabilmenin en kolay yolu Fourier Transformu’dur. Elimdeki s-doiamn dizisini (satırlar ya da sütunlar), fourier transformuna (hızlı olsun diye fast fourier çoğu kez) tabi tutarsam, resmi bu kez f-domaine almış olurum.

Şimdi elimizde fourier transformu alınmış bir resim var. Durduk yere neden f-domain ile çalışmaya karar verdik? Çünkü artık elimizde matematiksel olarak modellenmiş bir seri var ve her tür spectral işlemleri (lowpass, highpass, bandpass gibi filtleler, konvolüsyon, laplace açılımları v.b. …) yapabileceğimiz tamamen yeni bir matematiksel uzaya geçmiş bulunuyoruz ve bu sonsuz uzayda dilediğimiz gibi at koşturmanın avantajlarından yararlanalım istiyoruz… (elimizde tek bir pixelin gri değeri vardı, nereden nereye geldik.. f-domain ile dur bakalım sonu nereye varacak 🙂 )

Gradient domain resmi iki bileşenden oluşur. Satır dizisinin türevi alınmış hali Dx, Sütun dizisinin türevi alınmış hali Dy. Dx ve Dy resimlerine bakarsanız, sanki daha çok kenar (edge) çizgileri ile ilgilenmiş gibi? Çünkü her bir pixelin ışık değerinin, komşu pixeller ile olan farkı (türevi) ile ilgileniyor. Tam kenarlarda, ışık değişimi çok daha fazla olduğu için, beklentimize uygun bir sonuç.

Tek boyutlu bir fonksiyonda (dizi) bu fonksiyonun gradient domain fonksiyonu, kısaca onun ilk türevi şeklinde düşünülebilir. (Bu yüzden genelde kenar değerleri pik yapmakta, kenar olmayan, yani ışık şiddetinin değişmediği ya da az değiştiği yerlerde türev sıfır olmaktadır) Gradient domain, eğer spatal domain resminin 1. türevi ise, bu durumda bunun integralini alırsam ne olur? Tabii ki orijinal resme yakın bir resmi elde etmiş olurum.

 

 

 

 

Peki bunca matematiği, dön dolaş başa gelmek için mi yaptık? Tabii ki hayır, o aradaki a katsayısını kaybedebilmek için yaptık.

Yani?

Düşünelim ki, bir resim aldık, doğal olarak bu resmin içinde çeşitli gürültüler (noise) var. Ben orijinal resmi bozmadan, sadece bu gürültüleri nasıl eleyebilirim? Eğer orijinal resim f(x), gürültü a ise, ve benim elimdeki resim de haliyle f(x) + a şeklinde bana gelmiş ise, işte tüm mesele bu a değerini ayıklamaktan ibarettir. Özetle Gradient domain de işte bu işe yaramaktadır. Burada iş yine kolay değildir, çünkü gürültü fonksiyonu, integre edilemeyen bir sabit şeklindedir. Bu yüzden iş biraz biz programcılara düşecektir. Uygun parametreleri vererek sonucu gözlemleyerek, ihtiyacımıza en çok uyan değeri seçeceğiz (Gürültü her resim için sabit olmayacaktır. bazen çok az, bazen çok fazla olabilir. Dolayısıyla, her resimden gürültüyü ele gibi bir fonksiyon beklememekle birlikte, bu eleme işlemi, programcının seçtiği kadar yaptırılabilir)

Gerçek bir örnekle gösterelim..

Yukarıdaki sonucu test edebileceğiniz HALCON örneğini buradan indirebilirsiniz.

Gradient Domain, filtreleme dışında pek çok alanda kullanılmaktadır. Cep telefonlarımızda bile yer alan HDR işlemi, seamless stitching dediğimiz, bir görüntüyü diğerinin üzerine akıllı olarak yerleştirme, (wikipedia sayfasındaki el üzerine yerleştirilmiş göz resmi resim hayli bilgi verici) kontrast iyileştirme, medikal görüntüleme (x-ray, MR görüntüleri) 3D, color processing, görüntü bindirme gibi alanlarda gittikçe daha sık kullanılmaktadır.

Yukarıda; Termal kamera görüntüsünün, normal kamera görüntüsü ile üst üstebindirilmesi.

Yukarıda; Image Fusion : Görüntülerin üst üste bindirilip, arka planın ve gürültülerin elenmesi.

Yukarıda; surveillance (trafik) görüntüsünden. Hareket halindeki nesnelerin olduğu bir görüntüde, arka zemini bulabilmek ve ayıklayabilmek oldukça güçtür. Gradient Domain çok iyi sonuç vermiştir.

Özet :

Görüldüğü gibi, hemen her alanda oldukça ilgiçn ve başarılı sonuçlar veren gradient domain üzerine ciddi olarak eğilmek gerekmektedir. Real time processing gerektiren işlemler (Sony TV lerdeki Bravia engine vs.) cep telefonlarındaki kamera uygulamaları (çoğu güncel telefon Sony imx240 sensörünü kullanmaktadır fakat hepsinin son kullanıcıya sunduğu görüntü kalitesi farklıdır, geri planda kullandıkları farklı akıllı algoritmalardan dolayı) fark yaratabilmek için bu ve benzeri teknolojileri kullanmak zorundalar.

Zaman buldukça, kişisel olarak geleceğinin iyi olabileceğini gördüğüm görüntü işleme trendlerine yer vermeyi düşünüyorum.

Görüşmek üzere.