Kontextbezogene Verarbeitung und Erfassung von 3D-Daten

Ein serviceorientiertes System im Rahmen von I4.0-Anwendungen

  • Faraz Bhatti
  • Grischan Engel Hochschule Pforzheim
  • Maximilian Engelsberger Hochschule Pforzheim
  • Mathias Ziebert Karlsruhe Institute of Technology
  • Niclas Zeller Karlsruhe Institute of Applied Sciences
  • Jürgen Beyerer Karlsruhe Institute of Technology
  • Thomas Greiner Hochschule Pforzheim
  • Michael Heizmann Karlsruhe Institute of Technology
  • Franz Quint Karlsruhe Institute of Applied Sciences

Abstract

3D-Bildverarbeitungssysteme benötigen erhebliche Konfigurations- und Ausführungszeiten. Vor diesem Hintergrund wird in diesem Beitrag ein intelligentes kamerabasiertes modulares Sensorsystem zur kontextbezogenen optischen Erfassung und Verarbeitung von 3D-Daten für Industrie-4.0-Anwendungen vorgeschlagen. Das System basiert auf einer modularen, serviceorientierten Architektur, welche die gesamte
Funktionalität des Systems kapselt. Zusätzlich werden die Funktionalitäten und Merkmale der modularen Architektur auf Grundlage des GenICam-Standards semantisch beschrieben. Darüber hinaus definiert das vorgestellte System ein Kontextmodell, welches sowohl intrinsische als auch extrinsische Einflüsse berücksichtigt. Dazu werden entsprechende Reaktionen auf Umwelteinflüsse, wie beispielsweise Fremdlicht,
definiert. Darüber hinaus wird eine neuartige FPGA-basierte Architektur eingesetzt, um die Performanz von 3D-Bildverarbeitungsalgorithmen in Bezug auf die Ausführungszeit durch die Nutzung von Pipelining und Parallelisierung zu verbessern. Die im Rahmen einer Fallstudie und auf Basis eines deflektometrischen Sensorsystems erzielten Ergebnisse zeigen, dass das System dynamisch an Fremdlicht anpassbar ist. Weiterhin kann die Ausführungszeit des Deflektometrie-Algorithmus mittels der FPGA-basierten Architektur erheblich reduziert werden.

References

  1. VDI/VDE 2632. (2010). Machine vision – Basics, terms and definitions. VDI/VDE: www.beuth.de
  2. Zeller, N., Quint, F., & Stilla, U. (2015, October). Establishing a probabilistic depth map from focused plenoptic cameras. In 3D Vision (3DV), 2015 International Conference on (pp. 91-99). IEEE.
  3. Höfer, S., Roschani, M., & Werling, S. (2013, May). Pattern coding strategies for deflectometric measurement systems. In Videometrics, Range Imaging, and Applications XII; and Automated Visual Inspection (Vol. 8791, p. 87911O). International Society for Optics and Photonics.
  4. Focken, D., & Stiefelhagen, R. (2002). Towards vision-based 3-d people tracking in a smart room. In Proceedings. Fourth IEEE International Conference on Multimodal Interfaces (pp. 400-405). IEEE.
  5. Fleck, S., & Straßer, W. (2008). Smart camera based monitoring system and its application to assisted living. Proceedings of the IEEE, 96(10), 1698-1714.
  6. Choi, J., Shin, H., & Sohn, K. (2012, June). Smart stereo camera system based on visual fatigue factors. In Broadband Multimedia Systems and Broadcasting (BMSB), 2012 IEEE International Symposium on (pp. 1-5). IEEE.
  7. Xu, Y., John, V., Mita, S., Tehrani, H., Ishimaru, K., & Nishino, S. (2017, June). 3D point cloud map based vehicle localization using stereo camera. In Intelligent Vehicles Symposium (IV), 2017 IEEE (pp. 487-492). IEEE.
  8. Xu, Y., Long, Q., Mita, S., Tehrani, H., Ishimaru, K., & Shirai, N. (2016, June). Real-time stereo vision system at nighttime with noise reduction using simplified non-local matching cost. In Intelligent Vehicles Symposium (IV), 2016 IEEE (pp. 998-1003). IEEE.
  9. Banz, C., Hesselbarth, S., Flatt, H., Blume, H., & Pirsch, P. (2010, July). Real-time stereo vision system using semi-global matching disparity estimation: Architecture and FPGA-implementation. In Embedded Computer Systems (SAMOS), 2010 International Conference on (pp. 93-101). IEEE.
  10. Sweeney, R. (2010). Achieving service-oriented architecture: applying an enterprise architecture approach. John Wiley & Sons.
  11. Webber, J., Parastatidis, S., & Robinson, I. (2010). REST in practice: Hypermedia and systems architecture. " O'Reilly Media, Inc.".
  12. European Machine Vision Association. (2017). GenICam GenTL Standard Features Naming Convention, EMVA Version 1.1.1. Abgerufen von: https://www.emva.org/wp-content/uploads/GenICam_GenTL_SFNC_1_1_1.pdf
  13. Dey, A. K. (2001). Understanding and using context. Personal and ubiquitous computing, 5(1), 4-7.
  14. Curiel, P., & Lago, A. B. (2013). An Infrastructure to Enable Lightweight Context-Awareness for Mobile Users. Sensors, 13(8), 9635-9652.
  15. Strang, T., & Linnhoff-Popien, C. (2004, September). A context modeling survey. In Workshop on advanced context modelling, reasoning and management, UbiComp (Vol. 4, pp. 34-41).
  16. Ligeza, A. (2006). Logical foundations for rule-based systems (Vol. 11). Heidelberg: Springer.
  17. Ziebarth, M., Zeller, N., Heizmann, M., & Quint, F. (2018). Modeling the unified measurement uncertainty of deflectometric and plenoptic 3-D sensors. Journal of Sensors and Sensor Systems, 7(2), 517-533.
Veröffentlicht
2019-03-19
Zitieren
BHATTI, Faraz et al. Kontextbezogene Verarbeitung und Erfassung von 3D-Daten. atp magazin, [S.l.], v. 61, n. 3, p. 76-86, märz 2019. ISSN 2364-3137. Verfügbar unter: <http://ojs.di-verlag.de/index.php/atp_edition/article/view/2378>. Date accessed: 23 apr. 2019. doi: https://doi.org/10.17560/atp.v61i3.2378.
Rubrik
Hauptbeitrag / Peer-Review