Anzeige
Anzeige
Anzeige

Smart & günstig

Kostengünstige, intelligente Kamera auf Raspberry-Pi-Basis

Preiswerte Einplatinencomputer haben ihr Bastler-Image längst abgelegt und werden bereits zur Maschinensteuerung eingesetzt. Im Rahmen einer Masterarbeit an der TH Deggendorf wurde nun ein kostengünstiges Smart-Kamera-System auf Basis eines Einplatinencomputers (Raspberry PI 3) als Labormuster entwickelt.

Basis des neuen kostengünstigen Visionssystems ist ein Raspberry Pi 3 Modell B Einplatinencomputer mit zugehörigem Kameramodul, an dem eine LED-Lampe mit USB-Anschluss zur Beleuchtung des Prüfobjekts angeschlossen ist. (Bild: THD-Technische Hochschule Deggendorf)

Basis des neuen kostengünstigen Visionssystems ist ein Raspberry Pi 3 Modell B Einplatinencomputer mit zugehörigem Kameramodul, an dem eine LED-Lampe mit USB-Anschluss zur Beleuchtung des Prüfobjekts angeschlossen ist. (Bild: THD-Technische Hochschule Deggendorf)

Das neue System stellt Bildvorverarbeitungsfunktionen und -aufgaben zur Verfügung, die durch den Anwender zu einem individuellen Prüfprogramm zusammengesetzt und konfiguriert werden können. Als Basis dient ein Raspberry Pi 3 Modell B Einplatinencomputer mit zugehörigem Kamera-Modul, das über die integrierte CSI-Schnittstelle angesteuert wird. Die Kamera verfügt über einen CS-Mount-Objektivgewindeanschluss, der einen Wechsel des Objektivs ermöglicht. Zur Präsentation und Verwendung im Labor wurde das System an eine Haltevorrichtung angebracht. Zur Simulation eines Linienlichts wurde eine handelsübliche preiswerte LED-Lampe mit USB-Anschluss zur Beleuchtung des Prüfobjekts angeschlossen. Die Anbindung an eine industrielle Produktionsanlage, z.B. zur Maschinensteuerung, wurde durch einfache Hardwaremaßnahmen simuliert. Ein Inputsignal zum Starten der Bildaufnahme mit darauffolgender Ausführung der Bildverarbeitungsfunktionen im konfigurierten Prüfprogramm kann durch Betätigung eines Tasters gesendet werden, wohingegen das Ergebnis der Prüfung im Output durch aufleuchtende LEDs verdeutlicht wird. Dies erfolgt im Prototyp über die GPIO-Pin-Leiste des Einplatinencomputers.

Offene Softwarearchitektur

Unter Verwendung quelloffener Bibliotheken wurde eine Software entwickelt, die per grafischer Oberfläche die Steuerung des Systems ermöglicht. Dies kann über die angeschlossene Peripherie oder per Fernzugriff im Netzwerk erfolgen. Das Programm wurde mittels Python implementiert und nutzt OpenCV 3.4.1 als Bildverarbeitungsbibliothek. Im Fokus der Entwicklung stand die einfache Bedienbarkeit und Erweiterbarkeit. Die Softwarearchitektur besteht aus Einzelkomponenten, deren Erweiterung mit geringem Aufwand getrennt voneinander anhand definierter Schnittstellen möglich ist. Dadurch kann das System auf individuelle Bedürfnisse angepasst und um zusätzliche Bildverarbeitungsfunktionen erweitert werden. Aktuell sind folgende konfigurierbare Bildverarbeitungsfunktionen implementiert:

  • • Maßkalibrierung
  • • Maßprüfung eines Objekts
  • • Blob-Analyse
  • • Dekodierung von Barcodes und QR-Codes
  • • Binarisierung
  • • Graufilter
  • • Box-Glättungsfilter
  • • Bildaddition/-subtraktion
  • • Bildspiegelung/-invertierung
  • • Grauwert-Histogramm
  • • Histogramm-Ebnung

Ergebnisse und Daten der Messung, wie beispielsweise Prüfdauer und Maße eines Objekts, werden in der grafischen Oberfläche angezeigt und können für statistische Zwecke mithilfe einer integrierten Logfunktion lokal protokolliert werden. Die Bildauflösung der Kamera kann in den Systemeinstellungen frei gewählt werden. Die maximale Auflösung beträgt 2.592×1.944 Pixel (5MP). Dadurch kann der Anwender wahlweise eine höhere Geschwindigkeit oder eine höhere Genauigkeit forcieren. Neben der Aufnahme von Bildern durch die Kamera und Erstellung von Prüfprogrammen können diese auch in das Programm importiert bzw. exportiert werden. Weiterhin können Arbeitsbereiche im Bild definiert werden, um die zu verarbeitende Datenmenge zu reduzieren, wodurch sich die Messdauer verringert.

100 Euro Hardwarekosten

Der Prototyp kann bereits für Oberflächenprüfungen, Barcode-Dekodierung oder Vollständigkeitsprüfungen eingesetzt werden. Weiterhin ist die Vermessung und Prüfung von Außenabmessungen von Objekten möglich, sofern die zulässige Toleranz mindestens im Bereich von 0,5mm liegt und die Geschwindigkeit zweitrangig ist. Alternativ wäre der Einsatz denkbar, wenn die Toleranzanforderungen niedriger sind, dafür die Geschwindigkeit aber wichtiger ist, wie z.B. bei einer Barcodeerkennung. Durch Erweiterung der Software und Verbesserung der Hardwarekomponenten ist eine Erhöhung des Toleranzbereiches, der Leistungsfähigkeit und eine Erweiterung der Anwendungsmöglichkeiten, z.B. Farbprüfung oder Mustererkennung, denkbar. Auch ist eine Kameraanbindung, sowie die Input- und Output-Funktionen z.B. über Ethernet- oder USB-Schnittstelle möglich. Die Hardwarekosten des Systems (ohne Monitor zur Darstellung und Peripherie) betragen lediglich ca. 100?. In Relation zu den Systemkosten ist die Leistung des entwickelten Prototyps sehr positiv zu bewerten.

Anzeige

Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Moonvision automatisiert dank AI die Oberflächenerkennung unterschiedlichster Materialien. Was bislang über 50 Bilder erfordert hat, gelingt dem Wiener Startup mit nur elf Bildern. ‣ weiterlesen

www.moonvision.io

Anzeige

The Omnitek DPU (Deep Learning Processing Unit) is a configurable IP core built from a suite of FPGA IP comprising the key components needed to construct inference engines suitable for running DNNs used for a wide range of Machine Learning applications, plus an SDK supporting the development of applications which integrate the DPU functionality.‣ weiterlesen

www.omnitek.tv

Anzeige

Der neuromorphe System-on-Chip-Baustein (NSoC) Akida ermöglicht erstmals eine gepulste neuronale Netzwerk-Architektur (SNN: Spiking Neural Network) in Serie.‣ weiterlesen

www.brainchipinc.com

Anzeige

Embedded Deep Learning soll künstliche Intelligenz von der Cloud in das Gerät oder die Maschine bringen. Der erste Schritt zur Verkleinerung einer Serverfarm besteht laut Imago darin, ein leistungsstarkes GPU-Board in einer kompakten VisionBox einzusetzen.‣ weiterlesen

www.imago-technologies.com

Anzeige

Die VisionCam ist eine frei unter Linux programmierbare, intelligente Kamera. Die hohen Datenraten werden durch den mit 1,5GHz getakteten Dual-ARM Cortex-A15-Prozessor verarbeitet.‣ weiterlesen

www.imago-technologies.com

Anzeige

Audi wird zukünftig Deep Learning in der Serienproduktion einsetzen. Die selbst entwickelte Software erkennt und markiert im Presswerk automatisch feinste Risse in Blechteilen in Sekunden.‣ weiterlesen

www.audi.de

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige