Mit dem 3D-Drucker zu einer besseren Tiefenwahrnehmung

 

Frontale Ansicht der Stereokamera mit fertig montiertem Ringlicht und Laser zur Verbesserung der Tiefenwahrnehmung.

Im Zuge des Forschungsprojektes MeMoRob verwenden wir eine Stereokamera. Damit erhalten wir nicht nur die Farbinformationen aufgezeichneter Objekte, sondern können auch deren Abstand zur Kamera zu bestimmen.

Beschreibung der Stereokamera

Die Stereokamera zeichnet den gleichen Bereich ähnlich der menschlichen Wahrnehmung mit zwei Kameras gleichzeitig auf. In den beiden Bildern vergleicht der Algorithmus der Kamera dann die Positionen markanter Punkte. Anhand des bekannten Abstandes der beiden Kameras zueinander und der Berechnung des Positionsunterschiedes der Punkte wird dann die Distanz des Objektes zur Kamera zu berechnet.

Um das Finden solcher markanten Punkte zu verbessern, brachten wir ein Ringlicht und einen Laserpointer mit Streuung an der Kamera an. Hierfür konstruierten wir Halterungen, die zu den existierenden Anschraubpunkten der Kamera kompatibel sind. Diese Halterungen konnten wir direkt mit dem 3D-Drucker herstellen, sodass sie zeitnah zum Einsatz bereitstanden. Mit ihrer Hilfe befestigten wir die zusätzliche Hardware präzise an der Kamera.

Versuchsaufbau der Stereokamera für MemoRob von oben

Versuchsaufbau für MeMoRob mit der Stereokamera

Die Problemstellung

Ohne eine konstante Beleuchtung ist die Helligkeit der Aufnahmen stark von den umgebenden Lichtverhältnissen abhängig. Auf einer mobilen Plattform wie bei dem Projekt MeMoRob kann sich die Umgebungsbeleuchtung schnell ändern, was zu Problemen führen kann. Die Helligkeit in einem Bild lässt sich im groben durch die beiden Faktoren Beleuchtung und Belichtungszeit beeinflussen. Da die Bildqualität bei einer automatischen Anpassung der Belichtungszeit stark schwanken kann, setzen wir die Belichtungszeit auf einen festen Wert.

Die Lösung

Durch das Ringlicht bekommen wir in den Versuchen eine konstante Helligkeit in den Bildern, die zur gewählten Belichtungszeit passt. Dadurch verbessert sich die Menge an erkannten Punkten und mit dieser wiederum die Genauigkeit der wahrgenommenen Tiefe. Je mehr markante Stellen im Bild vorhanden sind, desto besser kann der Abstand zur Kamera bestimmt werden. Deshalb modifizierten wir die Halterung des Ringlichtes, sodass ein Laserpointer mit Streuung darin eingespannt werden kann. Dieser wirft nun ein Punkteraster auf den Bereich, der von den Kameras aufgezeichnet wird. Durch die zusätzlichen Punkte des Laserpointers ist es uns möglich, die Tiefe auch an Stellen gut zu bestimmen, an denen die Farbe der aufgezeichneten Objekte sehr einheitlich ist.

Da eine Dauerbelastung des Lichtes und des Lasers vermieden werden soll, ermöglichten wir ein An- beziehungsweise Ausschalten der beiden Lichtquellen über eine Netzwerkschnittstelle. Dies ermöglicht es uns, die Komponenten nur während einer angeforderten Bildaufzeichnung anzuschalten. Um dies beim Ringlicht zu ermöglichen, modifizierten wir den Schalter des Ringlichtes mit einem zusätzlichen Ausgang.

Nahe Ansicht der Halterung für für den Servomotor zum An- und Ausschalten des Lasers

Halterung des Servomotors, um den Laser an- und auszuschalten

Nach einer ersten Bohrung ins Gehäuse unseres Laserpointers war zu erkennen, dass diese Modifikation nicht umsetzbar ist, ohne dafür das Gehäuse größer aufsägen oder sogar gänzlich entfernen zu müssen. Um dies zu vermeiden, modellierten und druckten wir eine weitere Halterung, mit der ein Servomotor so befestigt wurde, dass sich damit der Knopf zum An- und Ausschalten des Laserpointers betätigen lässt.

Mit Hilfe der 3D-gedruckten Teile, können wir schnell Anpassungen vornehmen sowie testen und dadurch eine deutliche Verbesserung der Tiefenwahrnehmung mit der Stereokamera erreichen.

Gallerie

Gutes Holz, schlechtes Holz?

 

Klassifikation der Holzgüte mit künstlicher Intelligenz und Fluoreszenzlebensdauer

 

Hintergrund

Holz ist weltweit einer der wichtigsten nachwachsenden Rohstoffe. Durch Fotosynthese entzieht es der Atmosphäre das Treibhausgas CO2 und leistet einen wichtigen Beitrag zum Klimaschutz. Holz ist wesentlicher und wertvoller Bestandteil unseres Wertstoffreislaufs. In Recycling-Anlagen kann Holz entsprechend seiner Güte als Baustoff weiterverwertet oder falls keine weitere Nutzung sinnvoll erscheint – verbrannt werden.

Die Altholzverordnung kennt dabei vier Güteklassen:
  • AI         Unbehandeltes Holz
  • AII        Geringfügig oberflächlich behandeltes Holz
  • AIII       Oberflächlich behandeltes Holz
  • AIV       Schadstoffversetztes Holz

Stand heute werden die Holzmassen durch visuelle Inspektion erfahrener Mitarbeiter händisch sortiert. Die Sortierung erfolgt dabei konservativ, das heißt im Zweifel ordnen die Mitarbeiter das Holz in eine geringwertigere Klasse ein. Zudem können mit bloßem Auge Verunreinigungen und Kontaminationen im Holzinnern nicht erkannt werden. Weil sie zu divers und nicht eindeutig sind, bleiben dadurch große Massen im Materialstrom gänzlich unsortiert.

Die Idee der Sortierung mit KI und Fluoreszenz

Hier kommt die Fluoreszenzlebensdauer ins Spiel. Fluores…was? Die Fluoreszenslebensdauer wird auch Fluoreszenzabklingzeit genannt. Sie gibt die durchschnittliche Zeit an, die ein Molekül bei der Fluoreszenz im angeregten Zustand bleibt, bevor es in den Grundzustand zurückkehrt. Fluoreszenz bezeichnet dabei die Fähigkeit mancher Moleküle, Licht bei einer bestimmten Wellenlänge zu absorbieren. Fluoreszenzlebensdauern sind sehr kurz. Sie bewegen sich im Bereich vonanosekunden oder wissenschaftlich formuliert: Zwischen 10-9 und 10-7 Sekunden.

Nun wäre es schön, wenn eine Holzgüte immer die gleiche Fluoreszenzabklingzeit hat und man einen Schwellwert einfügt, im Sinne von: Wenn Abklingzeit größer Schwellwert, dann Holzgüte AI sonst nicht. Das ist aber in der Realität nicht der Fall. Ein Stück Holz hat verschiedene Abklingzeiten, die von vielen Parametern abhängen. Zum Beispiel von der Wellenlänge, die für die Anregung genommen wird, und der Stelle am Holz, an der gemessen wird. Außerdem von den verwendeten Filtern und dem Messabstand zum Holzstück. Diese Parameter könnte man nun fixieren, aber: Die Kamera liefert nicht eine Fluoreszenzlebensdauer pro Stück Holz und Messung, sondern über eine Million.

Dies ergibt eine Verteilung von Fluoreszenzlebensdauern, welche mit wissenschaftlichen Methoden und Tools aus der Data Science und künstlicher Intelligenz analysiert und klassifiziert werden kann. Wenn sich die Verteilungen der Fluoreszenzlebensdauern zwischen den Holzgüten unterscheiden, dann kann sie die KI erkennen und klassifizieren. Ob und wie gut das möglich ist, soll im Rahmen des Forschungsprojektes FrIDAh (Fluoreszenz-ID von Altholz) erforscht und erprobt werden.

Wir von ATR Software sind Teil des Forschungsprojektes und unterstützen die Projektpartner hierbei mit unserer Expertise in Software-Engineering, Data Science und Künstlicher Intelligenz. Das Endziel dieses Projekts ist der Bau eines Roboters, der mithilfe unserer KI das gute Holz vom Schlechten unterscheiden kann. Perspektivisch soll damit der Sortiervorgang automatisiert werden.