Spektrale Bandselektion für das Filterdesign optischer Inspektionssysteme

Zusammenfassung Die automatische Inspektion mit Methoden der Bildverarbeitung wird in vielen Bereichen — beispielsweise in der Nahrungsmittelindustrie — eingesetzt, um die gewünschte Qualität eines Produkts zu gewährleisten. Für besonders anspruchsvolle Inspektionsaufgaben reicht das Signal einer einzelnen Graustufen- oder RGB-Farbkamera nicht aus, um ein zufriedenstellendes Ergebnis zu erreichen. Durch Hinzunahme von Spektralbereichen außerhalb des sichtbaren Wellenlängenbereichs kann eine Klassifikation verbessert werden. Eine wichtige Rolle spielt hierbei der Nahinfrarotbereich, welcher in der Spektroskopie seit vielen Jahren zur Qualitätskontrolle und Analytik genutzt wird. Hyperspektrale Bildaufnahmen liefern zu jedem Bildpunkt ein hoch aufgelöstes Spektrum, finden jedoch in industriellen Inspektionsanlagen aufgrund der hohen Kosten, der aufwändigen Signalverarbeitung und der begrenzten Geschwindigkeit weniger Anwendung. Durch Reduktion der Messung auf diejenigen spektralen Bereiche, mit welchen eine gute Klassifikation möglich ist, kann ein einfacheres und schnelleres Inspektionssystem entworfen werden. An einem Beispiel aus dem Bereich der Schüttgutsortierung wird ein Ansatz zur Auswahl von optischen Filtern mithilfe hyperspektraler Bildaufnahmen vorgestellt und bewertet. Abstract Automated visual inspection is widely used to guarantee the desired quality of a product. However, the signal of a single grayscale or RGB camera might not be sufficient for demanding inspection tasks. By the inclusion of spectral regions outside the visible wavelength range a classification can be improved. Thereby, the near infrared region is of particular significance, which has been used in spectroscopy for quality control and analytics for many years. Hyperspectral image aquisition provides a high resolution spectrum for each pixel, but its use for visual inspection is limited due to high costs, complex signal processing, and low speed. By reducing the measurement to those spectral regions that allow a good classification, a simpler and faster inspection system can be designed. An approach for the selection of optical filters using hyperspectral images is presented and evaluated based on using an example of the field of bulk materials sorting.

[1]  R. Gruna,et al.  Hyperspectral Imaging – From Laboratory to In-line Food Sorting , 2010 .

[2]  Paul Scheunders,et al.  A band selection technique for spectral classification , 2005, IEEE Geoscience and Remote Sensing Letters.

[3]  P. Williams,et al.  Near-Infrared Technology in the Agricultural and Food Industries , 1987 .

[4]  Alexander F. H. Goetz,et al.  Three decades of hyperspectral remote sensing of the Earth: a personal view. , 2009 .

[5]  Moon S. Kim,et al.  Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations , 2004 .

[6]  Emil W. Ciurczak,et al.  Handbook of Near-Infrared Analysis , 1992 .

[7]  Annia García Pereira,et al.  Non-destructive measurement of acidity, soluble solids and firmness of Satsuma mandarin using Vis/NIR-spectroscopy techniques , 2006 .

[8]  Robert P. W. Duin,et al.  A study on design of object sorting algorithms in the industrial application using hyperspectral imaging , 2006, Journal of Real-Time Image Processing.

[9]  Lorenzo Bruzzone,et al.  An extension of the Jeffreys-Matusita distance to multiclass cases for feature selection , 1995, IEEE Trans. Geosci. Remote. Sens..

[10]  Alfred Thelen,et al.  Design of optical interference coatings , 1989 .

[11]  Rainer Storn,et al.  Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces , 1997, J. Glob. Optim..

[12]  Gabriele Moser,et al.  Extraction of Spectral Channels From Hyperspectral Images for Classification Purposes , 2007, IEEE Transactions on Geoscience and Remote Sensing.

[13]  Manuela Zude,et al.  Optical Monitoring of Fresh and Processed Agricultural Crops , 2008 .

[14]  J. Franklin,et al.  The elements of statistical learning: data mining, inference and prediction , 2005 .

[15]  Hans C. van Houwelingen,et al.  The Elements of Statistical Learning, Data Mining, Inference, and Prediction. Trevor Hastie, Robert Tibshirani and Jerome Friedman, Springer, New York, 2001. No. of pages: xvi+533. ISBN 0‐387‐95284‐5 , 2004 .

[16]  Daniel E. Guyer,et al.  Near-infrared hyperspectral reflectance imaging for detection of bruises on pickling cucumbers , 2006, Computers and Electronics in Agriculture.

[17]  Robert Tibshirani,et al.  The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd Edition , 2001, Springer Series in Statistics.