tm 10/97

ModellgestützteautomatischeSichtprüfunganRiefentexturenHerrn Prof. Dr.-Ing. FranzMesch zum65.Geburtstag gewidmet

FernandoPuenteLeónundDoris Krahe

Schlagwörter: Automatische Sichtprüfung, Bildver-arbeitung, Texturanalyse, Riefentextur, Schußwaf-fenprojektile, gehonteOberflächen

Ein wesentliches Problem in der automatischenSichtprüfung texturierter Oberflächen besteht in derselektivenReduktionder Bilddatenzur GewinnungvonMerkmalen,welche die interessierendenInformationenenthalten.Anhandvon Riefentexturenwird gezeigt,wiedie Verfügbarkeit einessignaltheoretischenModellsderOberfläche verwendetwerden kann, um gleichzeitigdie Nutzinformationzu konzentrieren und Störungenzu unterdrücken, und daraus robuste, aussagekräftigeMerkmalezuextrahieren.Mittels zweierpraxisrelevan-ter Beispiele, demVergleich vonSchußwaffenprojektilenfür die Kriminaltechnik sowie der Detektion vonRestdrehriefen an gehonten Oberflächen, wird dievorgestellteMethodik erläutert. Exemplarisch werdenMöglichkeitenzur AusführungderSignalverarbeitungs-schritte diskutiert.

Model basedautomatedvisual inspectionof groovesurfaces

Anessentialproblemwithin automatedvisualinspec-tion of texturedsurfacesdealswith theselectivereduc-tion of the image data to obtain featureswhich containtheinterestinginformation.Basedon groovetextures,itis shownhow the availability of a signal modelof thesurfacecan be usedto concentrate the signal of inter-estandsuppressnoisesimultaneously, and thenextractrobust, meaningfulfeatures.By meansof two relevantexamples,the forensiccomparisonof firearmbulletsaswell as the detectionof turning groovesin honedsur-faces,thepresentedmethodology is explained,andpos-sibilities of accomplishingthe signal processingstepsareexemplarilydiscussed.

1 Einleitung

Die Wahl geeigneterMerkmalespielt eineentschei-dendeRolle in der automatischenSichtprüfungtextu-rierterOberflächen.In manchenFällenkanndieseWahlvon derExistenzeinessignaltheoretischenModellsderbetrachtetenTextur profitieren,weil dieseseineeffizien-

te Beschreibungder interessierendenTextureigenschaf-ten ermöglicht. ModellgestützteVerfahrenhabendenwichtigen Vorteil, daß sie auf anschaulichere,proble-mangepaßteMerkmaleführen;ihr Einsatzwird dadurchaberin der Regel auf einebestimmteTexturklassebe-schränkt.Am Beispielvon Riefentexturenwird gezeigt,wie dasModellwissensinnvoll in derSignalverarbeitungausgenutztwerdenkann.Die Vorteiledermodellbasier-ten Vorgehensweisewerdenhier anhandzweierpraxis-relevanterBeispieleerläutert.

Als erstesBespielfür die vorgeschlagenemodellge-stützteMethodik wird eine kriminaltechnischeAufga-benstellungpräsentiert:der automatischeVergleich re-levanterSpurenan Projektilenzur Schußwaffenerken-nung.Hierbeisindvor allemdieFeinstrukturenaufPro-jektilmänteln von Interesse,da sie als eine Art „Fin-gerabdruck“ der verfeuerndenWaffe angesehenwer-denkönnen;sieheBild 1. Die bisherigeVorgehenswei-se ist weitgehendmanuell und visuell: Ein Kriminal-techniker prägtsichmikroskopischbeobachteteSpurenin seinGedächtnisein, durchsuchtdannein unterUm-ständensehrumfangreichesArchiv vonMunitionsteilenundvergleichtesmit seinerErinnerung.Da die ausdie-sem umständlichenund aufwendigenArchivvergleichentstehendenWartezeitenfür dieBearbeitungeinesFal-lesmehrereMonatebetragenkann,ist eineweitgehendeAutomatisierungdes Spurenvergleichserwünscht.DieAnforderungenfür einebrauchbaretechnischeLösungumfasseneineautomatischeBilderfassung,dieExtrakti-on relevanterIndividualmerkmale,die VerwaltungeinerBilddatenbankfür dieTatmunitionssammlung,denauto-matischenSpurenvergleichvon Munitionsteilenmit der

Bild 1: VerfeuerungsspurenaneinemProjektil.

tm – TechnischesMessen64(1997)10 c�

R. Oldenbourg Verlag 387

tm 10/97

..........

x

yηi

ξi

αi

i-teRiefenschar

ηQ

η1

ξQ

ξ1

sQ � ξ̄Q �

s1 � ξ̄1 �

�

�c1

cQ

rQ � ξ̄Q �

r1 � ξ̄1 �

tQ � ξ̄Q �

t1 � ξ̄1 �Tiefpaß

� �

n � x̄�

µ

g � x̄�

Bild 3: Signalmodellfür Riefentexturen.

Bild 2: Hontextur mit Restdrehriefen.

Datenbankunddie Erstellungeiner„Hitliste“ vonmög-lichen Spurenzusammenhängen.Im letztenSchritt sol-len durch einenSachbearbeiterdie wahrscheinlichstenKandidatendieserHitliste mit denvorliegendenMuniti-onsteilenvisuell verglichenwerden.

Die zweiteAufgabenstellungbeschäftigtsichmit derTextur von Zylinderlaufflächenin Verbrennungsmoto-ren, die einen entscheidendenEinfluß auf Emissions-verhalten,Lebensdauer, ÛlverbrauchundNotlaufeigen-schaftenhat.Bei Graugußmotorblöckenwird die Ober-flächenachdemAusdrehenauf Maßgehont.DurchdenHonprozeßwird eineTextur erzeugt,die auszwei Rie-fenscharenbesteht,die in einembestimmtenWinkel zu-einanderstehen.Die Existenzvon Drehriefenresteninder Hontextur (vgl. Bild 2) deutet auf eine unzurei-chendeBearbeitunghin, weil sowohl die MaßhaltigkeitdesZylinders als auchdie Funktionalitätder Oberflä-chenicht gewährleistetsind.Diesführt beidenaufwen-digen,bisherdurch ExpertendurchgeführtenvisuellenQualitätskontrollenje nachFirmennormoderExperten-meinungzu einer starken Abwertungbis hin zur Aus-musterung[8]. Da der Fehlerdurch Nachhonenleichtbehobenwerdenkannist, ist einesichere,schnelleundautomatischeProduktionsüberwachungerstrebenswert.

Im folgendenKapitel wird ein Signalmodellange-geben,das die wesentlichenEigenschaftenvon Rie-fentexturen mit wenigenParameternbeschreibt.Kapi-tel 3 stellt ein Schemazur Verarbeitungder Bilddatenunter AusnutzungdesverfügbarenModellwissensvor.Schließlichwird in denKapiteln4 und5 die präsentier-teVorgehensweiseanjeweilseinemBeispielausführlicherläutert.

2 Signalmodell

Zunächstseiangenommen,daßdie TexturenderhierbetrachtetenOberflächenausschließlichgeradeRiefenenthalten.Diesekönnenentwederperiodisch(beispiels-weisebeiDrehriefen)oderstochastisch(wie beiHonrie-fen undProjektilriefen)plaziertsein.In [2] wird ein Si-gnalmodellfür Riefentexturenvorgestellt,dasu.a.dieseRiefentypenbeschreibt,sieheBild 3.

JedeRiefe einer Textur kann als Antwort einesδ-Impulsesauf ein zweidimensionaleslinearesFilter mitder Impulsantwort r i � ξ̄i � betrachtetwerden,wobei ξ̄i �� ξi � ηi � T. Der Impuls bestimmtdabeiLageund Ampli-tudederRiefe,währenddasFilter die in RiefenrichtungkonstantenmittlerenProfilwertebzw. Grauwertintensi-tätenderRiefemodelliert.

Eine Schari von geradenRiefen,die untergleichemWinkel αi auftreten,wird durcheinenauseinerImpuls-folge bestehendenSpeiseprozeßsi � ξ̄i � erzeugt.Dabeiwird für jedeRiefenscharein angepaßtesKoordinaten-system � ηi � ξi � benutzt.EineDrehtextur wird beispiels-weise durch äquidistanteImpulse gleicher Amplitudeerzeugt;die Speiseprozesseder beidenRiefenschareneiner Hontextur sowie von ProjektilriefenentsprechendagegenstochastischplaziertenImpulsenunterschiedli-cherAmplitude.

Bei Texturen,die ausmehrerenRiefenscharenbeste-hen,werdennachderFilterungmit r i � ξ̄i � dieresultieren-denTeiltexturenti � ξ̄i � additiv überlagert,wobeidie Ge-wichtungsfaktorenci ihrerelativeAusprägungmodellie-ren.Insbesonderebestehtdie interessierendeTextur aufProjektilmäntelnauseinereinzigenSchargerader, sto-chastischplazierterRiefenmit unterschiedlichenAmpli-tuden.Hontexturen lassensich durchzwei solcheRie-fenscharenmodellieren,die densogenanntenHonwin-kel αHW einschließen.Bei VorhandenseinvonRestdreh-riefen wird eine dritte ScharperiodischerRiefen kon-stanterAmplitudehinzugefügt.

Schließlichwird nochein tiefpaßgefiltertesRauschenaddiert,mit demStörungen,Abweichungenvommittle-renRiefenprofilundvomidealen,linearenTexturmodellpauschalbeschriebenwerden,undein Mittelwert µ, derdemmittlerenGrauwertdesresultierendenGrauwertbil-desg � x̄� mit x̄ � � x � y � T entspricht.

388

tm 10/97F. PuenteLeónu.a.:ModellgestützteautomatischeSichtprüfunganRiefentexturen

Bild 4: Vorgehensweisebei der Bildauswertung:Vergleich von Spurenauf Projektilen(oben),Detektionvon Restdrehriefenin gehontenOberflächen(unten).

3 Vorgehensweise

Bild 4 zeigt die allgemeine VorgehensweisezurDurchführungder Sichtprüfungsaufgabe.In der oberenHälfte ist dasVerarbeitungsschemazum Vergleich vonSpurenaufProjektilengezeigt;dieuntereHälftebeziehtsich auf die Detektionvon Restdrehriefenin gehontenOberflächen.

Grundsätzlichkönnenzur InspektionsaufgabesowohlProfildatenals auchGrauwertbilderverwendetwerden.Für die hier vorgestelltenAufgabenstellungenwurdedie Erfassungvon Grauwertbildernbevorzugt, da siedenVorteil dereinfacherenvisuellenInterpretationundder damit verbundenenhöherengerichtlichenAkzep-tanz bietet – was bei der SchußwaffenerkennungvongrundlegenderBedeutungist. Im Falle der DetektionvonRestdrehriefensindvor allemdieKostenausschlag-gebend,die für eine Erfassungsstationvon Profildatenerheblichhöher wären.Die präsentiertenSignalverar-beitungsverfahreneignensich jedochauchfür die Ver-arbeitungvonTiefendaten.

Die Qualitätsanforderungenan die Datenakquisitionsind: hoheBildqualität (d.h. hoherKontrast,hoheAuf-lösung und hohesSignal/Rausch-Verhältnis),reprodu-zierbareAufnahmesituationund automatisierteBilder-fassung.Oftmals lassensich all dieseAnforderungenmit der ErfassungeineseinzigenBildes aufgrundderBeschränkungenoptischerSystemenicht erfüllen [10].TeillösungendiesesProblemsbasierenauf der Erfas-sungvon Bildserienunter Variation der Aufnahmepa-rameterund– falls dasbei der zu untersuchendenTex-tur überhauptsinnvoll ist – einerFusiondieserSeriezueinemhochwertigenFusionsresultat[10]. InsbesonderemüssenTexturen,die auseinerScharparallelerRiefenbestehen,mit parallelemLicht senkrechtzu denRiefenbeleuchtetwerden,um sie mit maximalemKontrastzuerfassen[9]. BestehteineTextur ausmehrerenRiefen-scharen,wie z.B. bei Hontexturen,somußfür jedeRie-fenschareineigenesBild aufgenommenwerden.

Im Vorverarbeitungsschrittwerdenbeleuchtungsbe-dingte Texturinhomogenitätenunterdrückt,die im Si-gnalmodellnichtberücksichtigtwordensind.DieseHo-

mogenisierungführt zueinerVerbesserungderBildqua-lität undeinerVereinfachungdernachfolgendenSchritte[3].

Die Abstraktiondient zur DatenreduktionunterEin-beziehungvon A-priori-Wissenüber die Signalentste-hung. Bei den hier behandeltenRiefentexturen stel-len sämtlicheGrauwertfluktuationenentlangvon Rie-fen Störungendar;vgl. Kapitel 2. DurchProjektionderGrauwerteentlangdesRiefenverlaufs lassensich die-seStörungenweitgehendunterdrücken,wasjedocheinegenaueKenntnisdesRiefenverlaufsvoraussetzt.

Aus den Projektionsdatenwerden anschließendMerkmaleextrahiert,welchedie für dieBildauswertungrelevantenInformationenenthaltensollen.Bei der kri-minaltechnischenAufgabenstellungresultiertdarausei-nekompakteBeschreibungdesNutzsignals,die die fürden späterenVergleich erforderlichenIndividualmerk-maleenthält.Der somit gewonneneMerkmalssatzmußmit denin FragekommendenDatensätzenausder Da-tenbankmit Hilfe einergeeignetenMerkmalsmetrikver-glichenwerden.DasdarausresultierendeAbstandsmaßdientalsGrundlagezurErstellungderHitliste.

Bei der Detektion von Restdrehriefenerhält manim Merkmalsextraktionsschritt dagegen ein skalaresMerkmal,dasalsquantitativesMaßfür die Ausprägungdes unerwünschten Prozeßzustandesdient. DurchdessenVergleichmit einemSchwellwert kannsomitdieTextur direktbeurteiltbzw. einerGüteklassezugeordnetwerden.

4 Vergleich von Projektilen

4.1 Beschreibung desVerfahrensDie Anforderungen,die der kriminaltechnischeVer-

gleichvonSpurenaufProjektilenandieBildakquisitionstellt, sind besondershoch:Es gilt, möglichstjede In-dividualität der Oberflächereproduzierbarund mit gu-temKontrastzuerfassen.Um diesenAnsprüchenzuge-nügen,werdenBildserienuntersystematischerVariati-onderBeleuchtungsrichtung,GegenstandsweiteundderObjektposemit Hilfe einesMakroskopesaufgenommen,

389

tm 10/97

digitalisiert und anschließendzu einem hochwertigenResultatfusioniert.Die genaueVorgehensweisekannin[10] nachgelesenwerden.

Die Vorverarbeitungdient zur UnterdrückungvonaufnahmebedingtenInhomogenitäten.Da die individu-elle Ausprägungder Riefen dabeimöglichstunverän-dert bleibensoll, wird lediglich eineHomogenisierung1.Ordnungdurchgeführt,diezueinemBild mit konstan-temmittlerenlokalenGrauwertführt [3]. Die Homoge-nisierungwird anhandeinerHochpaßfilterungrealisiert.

Beim anschließendenAbstraktionsschrittwird dasverfügbareModellwissenausgenutzt,um die über dasBild verteilte Information über den Speiseprozeßzukonzentrieren.Aufgrund der Kinematik des Verfeue-rungsprozesseswerdenalleindividuellenAusprägungenim Lauf der Waffe notwendigerweisein Riefen abge-bildet. DaherstellensämtlicheGrauwertschwankungenentlangder RiefenStörungendar, die im Modell durchden tiefpaßgefiltertenRauschprozeßn � x̄� pauschalbe-rücksichtigtwordensind, und die durchdie Projektionp � ξ � in Riefenrichtungwirksamunterdrücktwerden:

p � ξ � �g � x̄� dη

�g � ξcosα ηsinα

ξsinα � ηcosα � dη � (1)

Die dadurcherzielteKonzentrationder wesentlichenInformationenführt aberauchzu einererheblichenDa-tenreduktion,waszu einereffizientenRealisierungdesspäterenVergleichesbeiträgt.

Um die Projektionin Riefenrichtungdurchzuführen,wird die KenntnisdesRiefenwinkels α benötigt.Die-serkannz.B. ausder radialenProjektiondesPeriodo-grammeshinreichendgenaubestimmtwerden[2]. Al-lerdingshatmanesin derKriminaltechnikoftmalsmitProjektilenzu tun,die infolge desAufprallsstarkdefor-miert sind.In solchenFällendarf nicht weiterhindavonausgegangenwerden,daßdie Riefengeradesind; viel-mehrmüssenhiergekrümmteRiefenangenommenwer-den.Um in solchenFälleneine Riefenverfolgungvor-nehmenzukönnen,kommenVerfahrenzur lokalenOri-entierungsanalyseund Riefenbegradigungzum Einsatz[2, 6, 7].

Die Projektionp � ξ � eignetsichnichtzumunmittelba-renVergleichzweierProjektile,dasienicht nur die In-dividualspurenausdemLauf derWaffe enthält,sondernebenfallsInformationenüberSystemparameter, wie z.B.Anzahl und Breite der Zügeim Lauf der Waffe. Dahermußausder Projektiondie für denVergleich relevanteInformationüberdie LageausgeprägterRiefengewon-nenwerden.Die selektiveExtraktionhellerbzw. dunklerMuster erfolgt anhandder morphologischenTop-Hat-Transformation[5]:

h � ξ � p � ξ �� p � ξ ��� er � ξ � (2)d � ξ � p � ξ ��� er � ξ �� p � ξ ��� (3)

wobei � denOpening-Operator, � denClosing-Operatorund er � ξ � ein ebenesStrukturelementder Größer be-zeichnen.Die DurchführungeinesOpeningsbzw. Clo-singsdurchsolchein Strukturelementstellt einenicht-

lineareGlättungdar, die anschaulichdurcheineAbta-stungdesProjektionsverlaufsvon untenbzw. obenmiteinerstumpfenNadelder Breite r beschriebenwerdenkann.In denresultierendenSignalenh � ξ � bzw. d � ξ � sindausschließlichhelle bzw. dunkle Peaksenthalten,dieRiefenlageund-ausprägungindizieren.Bildet mannundieDifferenzzwischenh � ξ � undd � ξ � , soerhältmaneinSignal,in demlediglichfeinePeaksenthaltensind,wäh-rendgröbereStrukturen,dievorwiegendsystemrelevan-tenSpurenentsprechen,weitgehendunterdrücktsind:

q � ξ �� h � ξ �� d � ξ ��� (4)

DasSignalq � ξ � stellt einekompakteDarstellungderfür den Vergleich wichtigen Informationendar. Im ei-gentlichenVergleich werden zwei Signale q1 � ξ � undq2 � ξ � , welchedie Projektile 1 und 2 beschreiben,aufÄhnlichkeit überprüft. Dies erfolgt durch Kreuzkor-relation der Signale q1 � ξ � und q2 � ξ � . Die Lage desMaximums der Kreuzkorrelationsfunktionk12 � τ � gibtAuskunft über diejenigeVerschiebung τ0, die zu derbestmöglichenÜbereinstimmungzwischendenBildernzweierProjektilenführt. Die KenntnisdieserVerschie-bung kanneinemSachbearbeiterbehilflich sein,da siezu einererheblichenReduktionder zur visuellenAus-wertungvon möglichenSpurenzusammenhängenbenö-tigtenZeit beitragenkann.

Fernersoll ein Vergleich einesProjektilsmit der alsBilddatenbankabgelegtenTatmunitionssammlungerfol-gen. Das Ergebnisder Recherchesoll in Form einerHitliste von möglichenSpurenzusammenhängendarge-stellt werden.Zur FestlegungderReihenfolgederHitli-stewird ein Merkmalm12 verwendet,mit demdie rela-tive AusprägungdesMaximumsderKreuzkorrelations-funktiongemessenwerdenkann:

m12 � maxτ � k12 � τ ���� µ̂k ��� σ̂k � (5)

wobei µ̂k denempirischenMittelwert und σ̂k die empi-rischeStandardabweichungdesSignalsk12 � τ � bezeich-nen.

4.2 ExperimentelleErgebnisseZur UntersuchungdesvorgestelltenVerfahrenswur-

denBilder von Projektilen,die teils mit gleichen,teilsmit unterschiedlichenWaffen verfeuertwordenwaren,mit denin [10] beschriebenenVerfahrengewonnen.AlsErgebnislagenmit 8 Bit quantisierteGrauwertbilderderGröße4096� 512 vor. Bild 5 obenzeigt exemplarischeinenBildausschnitt.Nach eindimensionalerFilterungmit Hilfe einesGauß-Hochpassesquerzur Riefenrich-tungwurdedie Projektionin Riefenrichtungberechnet;sieheBild 5 Mitte. Zur Peakdetektionwurde ein ebe-nesStrukturelementder Breite r 15 verwendet.DasErgebnisq � x̄� wird anschließendin der DatenbankderTatmunitionssammlungabgelegt; vgl. Bild 5 unten.

In Bild 6 sind zwei typischeKreuzkorrelationsfunk-tionenk12 � τ � dargestellt.Die oberestammtvon Projek-tilen, die von dergleichenWaffe verfeuertwurden,undweistein ausgeprägtesMaximumauf (m12 10� 46). Inder unteren,die von ProjektilenunterschiedlicherWaf-fen stammt,ist kein ausgeprägtesMaximum erkennbar

390

tm 10/97F. PuenteLeónu.a.:ModellgestützteautomatischeSichtprüfunganRiefentexturen

Bild 5: ZwischenergebnissedesVerfahrenszumVergleichvon Pro-jektilen;oben:Grauwertbild,Mitte: Projektionp ξ ! , unten:Top-Hat-Transformierteq ξ ! .(m12 " 2 # 85). Bei dendurchgeführtenUntersuchungenführtenProjektilegleicherWaffen zu Merkmalswertenm12 $ 5, währendbei unterschiedlichenWaffen stetsWerte m12 % 5 erhaltenwurden. Dadurchkonnte dieEignung des Merkmalsm12 als quantitatives Maß fürdie Ähnlichkeit zweierProjektile,unddadurchauchzurFestlegungderReihenfolgederHitliste, verifiziert wer-den.

Ein wichtigerVorteil derMethodebestehtin demge-ringen Rechenaufwand für einenEinzelvergleich: AufeinemmarktüblichenPCbeträgtdie Rechenzeitfür denVergleichzweierSignaleq & x̄' ungefähr100ms.FürdenVergleicheinesProjektilsmit denmaximal1000in Fra-gekommendenProjektilenausderTatmunitionssamm-lung wärendaherwenigerals 2 Minuten erforderlich,was sich mit Zusatzhardware entsprechendreduzierenließe.

Dennochmußnochdaraufhingewiesenwerden,daßder Erfolg desvorgestelltenVerfahrensvon mehrerenFaktorenentscheidendabhängt.Erstensspielt die Qua-lität der Bilder eine essentielleRolle, was einen sehrhohenAufwandbeiderDatenakquisitionerfordert.Fer-ner hat manes in der Kriminaltechnikoftmalsmit de-formiertenbzw. unvollständigenProjektilenzu tun, beidenenÄhnlichkeiten selbstvon Expertenoftmals nurschwerfestzustellensind.Um solcheObjekterobustver-gleichenzu können,sindErweiterungendespräsentier-ten Verfahrensnotwendig.Schließlichsei noch ange-merkt, daßmit einemeinzigenSignalverarbeitungsver-fahrennichtjedeArt vonÄhnlichkeit festgestelltwerden

Bild 6: Kreuzkorrelationsfunktionenk12 τ ! ; oben:Projektile glei-cherWaffe, unten:ProjektileunterschiedlicherWaffen.

kann– die kognitivenFähigkeitendesMenschenlassenweitauskomplexere Vergleichezu. Daherwäre es fürdenpraktischenEinsatzdenkbar, zurErstellungderHit-listeweitereMerkmaleheranzuziehen,wobeisolche,diegroßeÄhnlichkeit indizieren,stärker gewichtet werdensollten.

5 Detektion von Restdrehriefen

5.1 Beschreibung desVerfahrensDrehriefenrestein der Oberflächentextur der Zylin-

derlaufbahnvon Graugußmotorenindizieren einen zufrüh beendetenHonprozeßundunterbrechendie für op-timaleÛlverteilungund -verbrauchausgelegteHontex-tur. Eine Teilaufgabebei der automatischenSichtprü-fung von Hontexturenist deshalbdie sichereDetektionvonRestdrehriefen,selbstwenndiesenurnochalsFrag-menteim untersuchtenTexturausschnittsichtbarsind.

Von einem Prüffleck werden drei Grauwertbildergi & x̄ ' erfaßt,wobei die Beleuchtungbeim i-ten Bild sogewählt wird, daßdie i-te Riefenscharmit hohemKon-trastsichtbarwird; sieheBild 7. Die Wahl derBeleuch-tungsrichtungerfolgt unter Ausnutzungder A-priori-InformationausdenEntstehungsprozessen,wonachdieDrehriefennäherungsweisesenkrechtzur Zylinderach-seliegen,d.h.α3 ( 0) , unddie Honriefenscharensym-metrischdazuunterdenWinkeln α1 * 2 ( + αHW , 2. DiesenkrechteBeleuchtungverursachtan den Riefenrän-dernderHonriefenscharendeutlicheReflexionen,sodaßin g1 & x̄' nahezuausschließlichdie von links untennachrechtsobenverlaufendeRiefenscharzusehenist undimg2 & x̄' entsprechenddievonrechtsuntennachlinks obengerichteteSchar. Bei g3 & x̄' zeigt sich,daßdie Drehrie-fenränderschwächerausgeprägtsindundschwächerre-flektieren.DiesläßtsichdurchdenHonprozeßerklären,in dessenVerlauf die Drehtextur von Honriefenüber-lagertwird. Bei deutlicherAusprägungverursachendieHonriefenauchbei der drehriefenoptimiertenBeleuch-tungvergleichsweisestarkeReflexionen.

Im Vorverarbeitungsschrittwird völlig analog zuAbschnitt 4 lediglich eine Hochpaßfilterungzur Un-terdrückungvon langwelligen Inhomogenitätenange-wandt.

Auch der Abstraktionsschrittist dem aus dem vor-angegangenenKapitel sehr ähnlich. Der Speisepro-

391

tm 10/97

Bild 7: GerichtetbeleuchteteBilder einesTexturausschnittes;links:1. Honriefenscharg1 - x̄. , Mitte: 2. Honriefenscharg2 - x̄ . , rechts:Drehriefenresteg3 - x̄ . .zeßjederHonriefenscharmodelliertdie VerteilungderSchneidkörneraufdenHonsteinen,diedurchdieBewe-gung desHonwerkzeugsauf geradeRiefen abgebildetwerden.Der SpeiseprozeßderDrehriefenwird dagegendurchdieParameterdesDrehprozessesbestimmt.Grau-wertveränderungenentlangderRiefenstellenStörungendar, die durchdie Berechnungder Projektion pi / ξi 0 inRiefenrichtungηi unterdrücktwerden:

pi / ξi 021 3 gi / x̄0 dηi 4 (6)

Die Nutzinformationfür jede Riefenscharliegt nunkomprimiertin Form einerProjektionsfunktionvor. DiegenauenProjektionswinkel αi werdenebenfalls mit derMethodeder radialenProjektiondesPeriodogrammesbestimmt[2].

Um ein Merkmal m für die relative AusprägungvonRestdrehriefenzu gewinnen,wird der DrehriefenanteilderTextur mit demderHonriefenverglichen.DazuwirdjedeProjektionsfunktionpi / ξi 0 quadriertund integriert.Durch die Quadrierungder Projektionenwerden ausdenIntegrationswertenLeistungsanteileLi [2, 4]. Inte-griert manzusätzlichübereinenkleinenWinkelbereich5αi 6 ∆α 7 αi 8 ∆α 9 , sowird dieLeistungsmessungrobustgegenüberkleinenSchwankungender Winkellageein-zelnerRiefeninnerhalbeinerSchar:

Li 1 αi : ∆α3αi ; ∆α

3 / pi / ξi 0<0 2dξi dαi 4 (7)

Anschließendwird dasVerhältnisgebildetausdemIntegrationswertder Drehriefenscharund der SummederIntegrationswertederHonriefenscharen1 und2:

m 1 L3

L1 8 L24 (8)

Somit läßt sichm alsder relative LeistungsanteilderDrehriefenin deruntersuchtenHontextur deuten.

Die Bewertung der Hontextur erfolgt schließlichdurchZuordnungderberechnetenWertedesMerkmalsm zu verschiedenenKlassen.Im Falle einer Prozeß-überwachungwird zwischengutenundnachzubessern-denOberflächenunterschieden,wobeidie beidenKlas-senmittelseinesSchwellwertesγ unterschiedenwerden.DerSchwellwertkannmit Hilfe einerLernstichprobeer-mittelt werden.

5.2 ExperimentelleErgebnisseDie hier beschriebeneVorgehensweisezur Detekti-

on von Restdrehriefenwurdeexperimentellanhandei-nesspeziellpräpariertenZylindersuntersucht.Der Zy-linder wurde auf konischeForm vorgedrehtund dannso gehont,daßdie Zylinderoberflächevon einemBe-reichnahezuvollständigerDrehtextur langsamübergehtin einevollständigeHontextur. Auf dieseWeisekonn-tendiejeweilsdreinotwendigenGrauwertbilderaneinerFolgevon 18 Prüfstellenmit kontinuierlichsteigendemHonriefenanteilaufgenommenwerden.Die ErgebnissederAuswertungmit demin Abschnitt5.1beschriebenenVerfahrensindin Bild 8 veranschaulicht,wobeistattderrelativen Leistungsanteilem die sich darausergebendeReihenfolgegegendie Prüfstellennummeraufgetragenist.

DasBild zeigt auch,daßder Trend im Rahmenderdurch Prüfstellenwahl und Varianz des stochastischenSpeiseprozessesverursachtenUnsicherheitnachvollzo-genwerdenkann.Dieseist insbesonderefür die Vertau-schungenim mittlerenBereichderFolgezuständig.EinvisuellerVergleichderErgebnissemit denGrauwertbil-dernbestätigtdies.Da die Prüfstellen13 bis 18 keiner-lei Drehriefenspurenmehraufweisen,mußderSchwell-wert γ überdemgrößtenan diesenStellenberechnetenMerkmalswertm 1 0 7 26 liegen.Alle Leistungsanteile,die kleiner alsdieserWert sind, führenzur Einordnungin dieKlasseder„guten“ bzw. drehriefenfreienOberflä-chen.Bild 8 zeigt, daßbei PrüfstelleNr. 9 eine Fehl-klassifizierungvorliegt: Die Textur wurdealsgutbewer-tet, obwohl sie Drehriefenspurenenthält.Der betroffe-neTexturausschnittweisteinenaußergewöhnlichausge-prägtenTeil der erstenHonriefenscharauf, wasbei derVerhältnisbildungdirekt in dasErgebniseingeht.Dieser

Bild 8: ReihenfolgedesberechnetenDrehriefenanteilsim VergleichzurPrüfstellennummer.

392

tm 10/97F. PuenteLeónu.a.:ModellgestützteautomatischeSichtprüfunganRiefentexturen

Detektionsfehlerverdeutlichtdie Problematikder LageundGrößedesgeprüftenTexturausschnitts.Die Prüfnor-men zur BeurteilunggehonterZylinderlaufflächenfor-dern deshalbin der Regel mehrerePrüfstellenin un-terschiedlicherHöheundanverschiedenenPunktendesZylinderumfangs[8].

6 Zusammenfassung

Am BeispielriefentexturierterOberflächenwurdege-zeigt, wie die Verfügbarkeit einessignaltheoretischenModells verwendetwerdenkann, um gleichzeitig dasNutzsignalzu konzentrierenund Störungenzu unter-drücken, und darausaussagekräftigeMerkmalezu ex-trahieren.

AnhandzweierpraxisrelevanterBeispiele,demVer-gleich von Schußwaffenprojektilen für die Kriminal-techniksowie der Detektionvon Restdrehriefenan ge-hontenOberflächen,wurdedievorgestellteMethodiker-läutert.SchließlichwurdenexemplarischMöglichkeitenzur Ausführungder Signalverarbeitungsschrittevorge-stellt.In beidenAnwendungsfällenkonntediekompakteBeschreibung der Nutzinformationausgenutztwerden,um den im praktischenEinsatzwichtigenAnforderun-genhinsichtlichRobustheitundEffizienzzugenügen.

Literatur[1] Beyerer, J.: Suppressionof stochasticallyplaced,straighttool-

marksto enhanceobjectsanddefects.TechnischesMessen59(1992),S.389–397.

[2] Beyerer, J.: AnalysevonRiefentexturen.VDI Fortschrittberich-te,Reihe8, Nr. 390,VDI-Verlag,Düsseldorf(1994).

[3] Beyerer, J. undPuenteLeón,F.: Suppressionof inhomogeneitiesin imagesof texturedsurfaces.OpticalEngineering36 (1997),S.85–93.

[4] Bracewell, R. N.: TheFourierTransformandits Applications.McGraw-Hill, Tokyo (1978).

[5] Haralick, R.M. undShapiro, L. G.: Computerandrobotvision.Addison-Wesley, Reading(1992).

[6] Hellstern, T.: Lokale Orientierungsanalyseund Riefenbegra-digung für den automatischenVergleich von Projektilen. Di-plomarbeit,Institut für Meß-undRegelungstechnik,UniversitätKarlsruhe(1996).

[7] Kass,M. undWitkin, A.: AnalyzingOrientedPatterns.Compu-ter Vision, GraphicsandImageProcessing37 (1987),S. 362–385.

[8] Krahe, D.: Zwischenberichtzum DFG-Projekt„Zerstörungs-freie Prüfungder Textur spanendbearbeiteterOberflächenan-

handvon 2D- bzw. 212

D-DatenderOberfläche“ . InternerFor-schungsberichtAV 8/95, Institut für Meß- und Regelungstech-nik, UniversitätKarlsruhe(1995).

[9] PuenteLeón,F.: Enhancedimagingby fusion of illuminationseries. In: Sensors,SensorSystems,andSensorDataProces-sing,Proc.SPIE3100(1997).

[10] PuenteLeón,F. und Beyerer, J.: Datenfusionzur GewinnunghochwertigerBilder in derautomatischenSichtprüfung.Einge-reichtbeiAutomatisierungstechnik(1997).

Die Autorendanken HerrnDr.-Ing. J. BeyererundHerrnDipl.-Ing.T. Engelberg für viele anregendeDiskussionenund wertvolle Hin-weise.

Dipl.-Ing . Fernando Puente León und Dipl.-Ing . Doris Krahe,Universität(TH) Karlsruhe,Institut für Meß-undRegelungstechnik,D-76131Karlsruhe.

http://www-mrt.mach.uni-karlsruhe.de/= puentehttp://www-mrt.mach.uni-karlsruhe.de/= krahe

393