Automatische Objekterkennung in supraleitenden Cavities

Transkript

1 Automatische Objekterkennung in supraleitenden Cavities Wie bringe ich dem PC das sehen bei? Motivation Optische Inspektion Bildbearbeitung Bildsegmentierung 2D & 3D Zusammenfassung Marc Wenskat Diplomanden und Doktorandenseminar Hamburg,

2 Motivation > Hohe Gradienten für Linearbeschleuniger XFEL: 23.5 MV/m ILC: 31.5 MV/m > Supraleitende Cavites für geringere Verluste und Strahlqualität XFEL: ~ 800 Cavities Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 2

3 Was die Feldstärke begrenzt - I > Details: BCS-Theorie... > Supraleitung wird begrenzt durch Oberflächenstromdichte Magnetfeld (Limit) Temperatur > Bei gegebenem Material (Niob) und Geometrie (Tesla-Shape) erreicht man maximal ~ 55 MV/m Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 3

4 Was die Feldstärke begrenzt- II > Feldemission Anlegen einer Spannung an eine metallische Oberfläche führt zur Emission von Elektronen. Bevorzugt an geometrischen Veränderungen oder Verunreinigungen. Elektronen werden beschleunigt und treffen auf die Oberfläche Dies führt zur Energiedeposition, sprich Erwärmung Verhindert werden kann dies durch Oberflächenbehandlung Aus: Thomas Habermann, Dissertation Universität Wuppertal, WUB-DIS Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 4

5 Was die Feldstärke begrenzt- III > Quench Übergang von Supraleitung zu Normalleitung Lokaler Effekt an 'Defekten' mit höherem Oberflächenwiderstand > Geometrische Defekte (Schweißnaht, Verformung) > Verunreinigung (Fremdeinschlüsse, Niob-Verbindungen) Erhöhte Energieumwandlung des Beschleunigungfeldes in Wärme führt zu überschreiten der kritischen Temperatur Bei mangelnder Wärmeabfuhr breitet sich die Normalleitung aus und das Beschleunigungsfeld bricht zusammen. Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 5

6 Optische Inspektion I > Kamera fotografiert über Spiegel die Innenseite einer Cavity > Beleuchtung findet über 9 LED Streifen statt > Details des Aufbaus: S. Aderhold, Diplomanden- und Doktorandenseminar > Aktuelle Ergebnisse: S. Aderhold, Proceedings of IPAC 2010, Kyoto, WEPEC005 Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 6

7 Optische Inspektion II > Bilder decken Winkel von ca. 4 Grad ab 90 Fotos pro Äquator > ca. 810 Bilder pro Cavity > 2616x3488 Pixel > Effektive Auflösung: 3,5 µm/pixel > Datenformat: Bitmap > ~ 26 MB pro Datei > Wie hängen 'Defekte' mit Problemen der Supraleitung zusammen? > Wie finde ich Defekte in diesem Datenberg? Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 7

8 Objekterkennung Schritt für Schritt > Es gibt keinen goldenen Weg!!! Keine einheitliche Theorie, nicht mal objektive Kriterien > Je nach Bildart / Aufgabenstellung neue Ansätze Biologie/Medizin: Krebsforschung, MRT Militär: Satellitenbilder / Wärmebilder Sicherheitsysteme: Fingerabdruck / Gesichtserkennung Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 8

9 Objekterkennung Schritt für Schritt > Image Formatting / Creating > Image Processing (low level / high level, bottom up oder top down) > Image Segmentation > Segmentation Analysis / Segment Description > Pattern Recognition Welcher Schritt kommt wann? Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 9

10 Beispiel Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 10

11 Beleuchtung ausgleichen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 11

12 Beleuchtung ausgleichen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 12

13 Intensitätsvariationen hervorheben Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 13

14 Intensitätsvariationen hervorheben Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 14

15 Rauschen filtern Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 15

16 Bild Segmentieren > Aufteilen in Hintergrund Regionen (komplementäre Menge Bild \ Hintergrund) Das Bild ist die Vereinigung aller Regionen plus Hintergrund > Ein Pixel ist immer nur Element einer Region > Regionen können noch zusammengeführt werden (merging) > Am Ende des Algorithmus ist ein Bild in Segmente unterteilt > Diese müssen identifiziert / erkannt werden Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 16

17 Image Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 17

18 Image Processing / Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 18

19 Image Processing / neuer Algorithmus Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 19

20 Image Processing / neuer Algorithmus Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 20

21 Image Segmentation Histogram Based (Otsu's Methode) > Trennen der Pixel nach Background und Regions Watershed Transformation > Bild wird als Gebirge interpretiert. Topographische Ebenen werden als Layer ausgeschnitten. Quadtree-Segmentation > Bild wird in 2^n mal 2^n Bloecke unterteilt. Wenn Kriterium (z.b. Homogenität) erfüllt ist, bleibt der Block erhalten. Wenn nicht wird der Block wieder unterteilt. Region-Growing > Vergleich Iij zu <I> der Region. Wenn die Differenz unter Threshold dann gehört Pixel dazu (brauch Startpixel) Pulsed Coupeld Neural Network (PCNN) Cat Vision > Für jedes Pixel gibt es ein Neuron welche mit Nächsten-Nachbarn verbunden ist. Externe und interne Stimuli werden kombiniert und genutzt. Iterative Berechnung erzeugt pulsartigen Output PDE-Basiert > Kontur vorgeben. Originale Kontur hat den Funktionswert null. Dadurch entsteht ein Fluss (active contours, snake ) K-Mean Segmentierung > K-fache Iteration, Pixel wird Cluster nach Kriterien zugeordnet. Cluster ist Region im beliebigen Parameterraum, in welchem auch das Kriterium festgelegt wird und auf das maximiert wird Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 21

22 Watershed-Transformation Aus: M. Sonka, V. Hlavac, R. Boyle, Image Processing, Analysis and Machine Vision, Chapman & Hall Computing, 1993 Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 22

23 Watershed-Transformation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 23

24 Quadtree-Segmentation Aus: M. Sonka, V. Hlavac, R. Boyle, Image Processing, Analysis and Machine Vision, Chapman & Hall Computing, 1993 Example taken from Mathworks Homepage: box/images/ref/qtdecomp.html Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 24

25 Quadtree-Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 25

26 Colorbased-Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 26

27 Segment Analyse > Parameter Fläche Pixel Connectivity Halbachsen + Exzentrizität Perimeter ~ Umfang Solidity = [Pixel des Segmentes] / [Pixel der konvexen Hülle] Centroid = Punkt, um den die Intensität der Region gleichmässig verteilt ist Compactness = (Länge des Umfangs)^2/Fläche Curvature Descriptor = [Pixel in denen sich die Richtung ändert] / [Summe aller Pixel des Segmentes] Bending Energy = die Energie, welche notwendig ist ein Stab auf die gewünschte Form zu bringen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 27

28 Andere Parameter Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 28

29 Objekterkennung Oder: Was sagen mir die Parameter? > Was ist Defekt, was Korngrenze, was Reflektion > Welche Klassen von Unregelmässigkeiten > Welchen Classifier nutze ich? Neuronale Netze Decision Tree Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 29

30 Von 2D nach 3D >Extended Focus Externes Programm basiert auf Complex wavelet-based method B. Forster, D. Van De Ville, J. Berent, D. Sage, M. Unser, " Complex Wavelets for Extended Depth-of-Field: A New Method for the Fusion of Multichannel Microscopy Images," Microsc. Res. Tech., 65(1-2), pp , September Marc Wenskat Biomedical Imaging Ecole Polytechnique Federale de Automatische Objekterkennung in supraleitenden Cavities Page 30 Lausanne

31 Von 2D nach 3D Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 31

32 Von 2D nach 3D Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 32

33 Von 2D nach 3D Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 33

34 Zukunft Bildbearbeitung nach Segmentation? Segmentation in Abhängigkeit von Beleuchtung / Defekten? Andere Segmentierungsmöglichkeiten testen Finde Satz an Parameter welcher erlaubt Zusammenhang zwischen Defekt und Feldemission / Quench herzustellen Simulationen zum Gegencheck? Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 34

35 Zusammenfassung Zwecks Qualitätssicherung müssen Defekte auf Oberflächen gefunden werden Zum besseren Verstehen müssen Zusammenhänge der Defekte mit Effekten gefunden werden Basierend auf der optischen Inspektion entwickelt von Kyoto / DESY werden Fotos ausgewertet Auswertung soll automatisch und in Echtzeit erfolgen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 35