Die Selektierung stellt den ersten Schritt der Methode zur Klassifikation von Ungänzen dar. Dieser hat zum Ziel, einen initialen Datensatz zu generieren. Die Herausforderung dabei besteht darin, dass die Extraktion von Daten sowie die Parametrierung der Bildverarbeitungskette (einschließlich der Schritte Bildauf-nahme, Vorverarbeitung, Segmentierung sowie Merkmalsextraktion) eine Kau-salkette bilden, deren Ereignisse wechselseitig Ursache und Wirkung darstellen.
Dies bedeutet, dass eine Extraktion von Ungänzen nur bei vorheriger Parametrie-rung der Bildverarbeitung valide Daten liefert und gleichzeitig die Aufnahme von Ungänzen die Voraussetzung für die Parametrierung darstellt. Die Selektie-rung stellt daher eine Verkettung von Teilschritten dar, welche alternierend die Parametrierung der Bildverarbeitungskette sowie die Strukturierung der Daten
adressieren. Der Ablauf ist schematisch in Abbildung 29 dargestellt und kann in sechs Teilschritte untergliedert werden:
1. Bei der Bildaufnahme sind zunächst die Beleuchtungsparameter anzupas-sen. Dies umfasst die Intensität, die Belichtungszeit sowie ggf. eine Sig-nalverstärkung, welche bei heutigen Kameras bereits in der Kamera selbst erfolgen kann. Da eine Signalverstärkung auch das Rauschen verstärkt, ist dieser Parameter mit geringster Priorität zu nutzen. Alle Parameter werden so angepasst, dass der Mittelwert des resultierenden Rohsignals dem mitt-leren Grauwert entspricht. Dies ist erforderlich, um eine ausreichende Dy-namik zur Erkennung sowohl dunkler als auch heller Ungänzen zu erhal-ten. Für eine Vorverarbeitung des Signals wird eine Korrekturfunktion aus dem Mittelwert mehrerer Referenzzeilen berechnet, um zufällige Vertei-lungen auszugleichen. Eine inhomogene Beleuchtung kann schließlich mittels der pixelweisen Division der Grauwerte des aufgenommenen Bil-des I (y) durch die Referenzzeile Ir (y) kompensiert werden:
I′(y) = cI ∙ I (y)
Ir(y) (5–1)
Zur Darstellung des normalisierten Bildes I‘ (y) ist zudem die Multiplika-tion mit der Konstante cI erforderlich, die dem mittleren Grauwert, d. h.
bei einer Bildtiefe von 8 Bit einem Grauwert von 128, entspricht. Das re-sultierende vorverarbeitete Signal ist folglich hinsichtlich Beleuchtungs-inhomogenitäten kompensiert. Zur Kompensation der veränderlichen Ma-terialeigenschaften ist ferner eine permanente Signalkorrektur erforder-lich, die durch einen Maximalwert im Bereich von 0,01 % des mittleren Grauwertes begrenzt werden muss. Anhand des vorverarbeiteten Signals kann das Prüfverfahren zur Aufnahme von Ungänzen im betrachteten Ma-terial eingesetzt werden.
2. Im zweiten Teilschritt erfolgt eine vollständige Auflistung auftretender Ungänzen für das betrachtete Material, welche bspw. anhand eines Klas-senschemas analog zu Tabelle 8 dokumentiert werden kann. Abhängig vom vorhandenen Expertenwissen des Anwenders kann sich dies unter-schiedlich gestalten. In vielen Anwendungen ist bereits eine umfassende Kenntnis über den Produktionsprozess – einschließlich der aus Störungen und zufälliger Einflüsse entstehender Ungänzen des Batterieseparators – vorhanden. Ist dieses Prozesswissen nur teilweise vorhanden, müssen de-tektierte Ungänzen zunächst anhand der Bildinformation oder ggf. durch Anwendung von Referenzverfahren, wie bspw. geeigneter Mikroskopie,
charakterisiert werden. Darüber hinaus dient die Referenzanalyse der Ri-sikobewertung der Ungänzen hinsichtlich eines resultierenden internen Kurzschlusses. Dies wird ebenfalls im Klassenschema festgehalten. Als Repräsentationsform kann bspw. eine Einordnung in „hoch“, „mäßig“ so-wie „gering“ erfolgen. Diese Risikobewertung wird im Methodenschritt Evaluierung wieder aufgegriffen.
Abbildung 29: Ablauf der Selektierung
3. Zur Parametrierung der Segmentierung müssen optimierte Schwellwerte gefunden werden. In Teilschritt 3 wird diesbezüglich ein Datensatz er-stellt. Hierzu werden initiale Werte angenommen. Ziel der initialen An-nahme ist es, im Rahmen einer Vor-Segmentierung Ungänzen möglichst lückenlos zu detektieren. Eine korrekte Segmentierung im Sinne einer spä-teren Merkmalsberechnung ist nicht erforderlich, da lediglich die Rohda-ten, d. h. die Grauwertbilder, in den Segmentierungsdatensatz eingehen.
4
3 2
Strukturierung der DatenParametrierung der Bildverarbeitungskette
Klassenschema
Bei der Sammlung von Ungänzen im Datensatz ist zu beachten, dass jede Klasse des Klassenschemas aus Teilschritt 2 etwa gleich oft repräsentiert sein soll. Darüber hinaus sind auch unterschiedliche Ausprägungen der Ungänzen in den Datensatz zu integrieren. Speziell die Aufnahme von Grenzmustern, d. h. Ungänzen, deren Erscheinungsbild nicht idealtypisch zur vorliegenden Klasse ist, ist von besonderer Bedeutung.
4. Auf Basis des Segmentierungsdatensatzes können anschließend optimierte Schwellwerte durch das Verfahren nach Otsu abgeleitet werden. Die Vali-dität dieses Ansatzes wurde bereits in Abschnitt 4.4.3 gezeigt. Zunächst muss der Datensatz in helle und dunkle Objekte unterteilt werden. Dies ist erforderlich, da durch das Prüfverfahren eine Detektion von Ungänzen, die relativ zum Hintergrund eine höhere, sowie von Ungänzen, die relativ zum Hintergrund eine niedrigere Grauwertintensität aufweisen, erfolgen muss. Folglich wird jedes Pixel des vorverarbeiteten Bildes, dessen Grau-wert I‘ den oberen SchwellGrau-wert kH überschreitet, als Teil einer hellen Un-gänze H und jedes Pixel, dessen Grauwert I‘ den unteren Schwellwert kD
unterschreitet, als ein Teil einer dunklen Ungänze D identifiziert:
(x, y) ∈ {
H falls I′(x , y) ≥ kH O falls kH > I′(x, y) > kD
D falls I′(x , y) ≤ kD (5–2) Alle weiteren Pixel O werden verworfen.
Das Verfahren nach Otsu gibt als Ergebnis einen Schwellwert pro Ungän-ze zurück. Zur Ableitung des oberen optimierten Schwellwertes wird schließlich der Mittelwert der Schwellwerte der hellen Ungänzen gebildet.
Analog wird dies ebenfalls für die dunklen Ungänzen bzw. für die weite-ren Beleuchtungskanäle durchgeführt.
5. Die optimierten Schwellwerte werden schließlich in die Bildverarbei-tungskette implementiert. Durch die optimierte Segmentierung werden im Folgenden neben den Grauwertinformationen der einzelnen Pixel auch korrekte geometrische Merkmalswerte der Objekte berechnet. Hierdurch kann schließlich der Trainingsdatensatz für die Klassifikation generiert werden. Darin sollten ebenfalls die im Klassenschema festgehaltenen Klassen etwa in gleicher Zahl vertreten sein und Grenzmuster berücksich-tigt werden.
6. Da es sich bei einer Klassifikation um eine Aufgabe des überwachten Ler-nens handelt, muss hinsichtlich der späteren Modellbildung eine Zuord-nung der Objekte zu einer der vorgegebenen Klassen mittels Expertenwis-sen erfolgen. Der Datensatz wird daher um die KlasExpertenwis-seninformation er-gänzt. Der resultierende Klassifikationsdatensatz bildet schließlich die Ausgangsbasis für den folgenden Schritt der Vorbereitung.