Automatische Sichtprüfung und Bildverarbeitung für die Bewertung der Qualität beschichteter Oberflächen

Transkript

1 Automatische Sichtprüfung und Bildverarbeitung für die Bewertung der Qualität beschichteter Oberflächen Prof. Dr.-Ing. Michael Heizmann Dr.-Ing. Stefan Werling DFO Karlsruhe, 21. Oktober 2014 Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB Fraunhoferstraße IOSB Karlsruhe

2 Übersicht Aufgabenstellung Deflektometrie und Photometrisches Stereo Auswertung der Messdaten Möglichkeiten für ein künftiges kommerzielles Bewertungssystem

3 Aufgabenstellungen Inspektion lackierter Oberflächen Unterschiedliche Defektarten: Filiform-Korrosion, Steinschlag, Blasen, Orangenhaut etc. Charakteristika der Defekte: Geometrische Eigenschaften: Topografie Optische Eigenschaften: Reflektanzdaten, Farbbilder Wunsch: Automatische Inspektion zur Sicherstellung objektiver und reproduzierbarer Ergebnisse

4 Vorgehensweise Probe Erfassung der Oberflächengeometrie und von Bilddaten Geometriedaten und Farbbild Auswertung der Messdaten Bewertungsergebnis Deflektometrie Photometrisches Stereo Autofokus-Prinzip Konfokale Mikroskopie Weißlicht-Interferometrie Streifenprojektion Laser-Lichtschnitt Günstige und bewährte Methoden der automatischen Sichtprüfung Klassifikation nach Farbe Geometrie Texturanalyse

5 Prinzip der Deflektometrie (1) Beobachtung der Spiegelung einer strukturierten Umgebung Bevorzugte Methode für endlackierte Oberflächen Kamerabild Monitorbild

6 Prinzip der Deflektometrie (2) Schirm mit Musteranzeige Kamera betrachtet Spiegelung des Schirms Hohe Empfindlichkeit bezüglich lokaler Oberflächenneigung

7 Erzielbare Auflösung Laterale Auflösung (abhängig von Brennweite und Arbeitsabstand): Beispiel: δx 1, 0 mm Neigungsauflösung: δl 1Pixel 0,3mm d LS LCD 1000mm 1 δl δα arctan 0,0085Grad 2 d LS Höhenauflösung: δh δx tan δα 0,15μm (!) δh δα δ x

8 Voraussetzung der Deflektometrie Zumindest teilweise spiegelnde Reflexion Bei klarlackierten Objekten wird Oberfläche der Klarlack-Schicht erfasst Für Inspektion im sichtbaren Licht schlecht geeignet: vorwiegend diffus reflektierende, raue Oberflächen (z.b. unlackierte Bleche, Grundierung (KTL)) Abhilfe: Thermische Deflektometrie (aktuelle Forschung) Photometrisches Stereo

9 Messeinrichtungen für kleine Proben Sensorkopf: Monitor + Kamera Intrinsisch kalibriert Erweiterungen für große Objekte: Industrieroboter Deflektometrie-CAVE

10 Gewinnung deflektometrischer Messdaten Kodierung der Schirmpixel mittels Serie von Streifenmustern:»Deflektometrische Registrierung«Bilderfassung ca. 1s

11 Lokale Rekonstruktion der Oberflächengeometrie Beispiele

12 Prinzip des Photometrischen Stereos (1) Gerichtete homogene Beleuchtung aus verschiedenen Richtungen Erfassung einer Bildserie (mind. 3 Bilder, besser mehr) Geneigte Oberflächenbereiche erscheinen unterschiedlich hell

13 Prinzip des Photometrischen Stereos (2) Ergebnisse: Oberflächenneigung (räumliches Normalenfeld) und Reflektanz + Bildserie Oberflächenneigung (Farbe: Azimut, Intensität: Polwinkel) Reflektanz Erzielbare Auflösung: vergleichbar zu Deflektometrie

14 Voraussetzungen des Photometrischen Stereos (Näherungsweise) bekannte Reflexionseigenschaften (z.b. diffus, gemessen) Schlecht geeignet: Stark spiegelnde Oberflächen (z.b. Spiegel, poliertes Metall) Tiefschwarze Oberflächen Oberflächen mit lokal variierender Reflektanz (z.b. Metalleffekt-Lacke) Bei klarlackierten Oberflächen wird in der Regel die Reflexion an der Farbschicht erfasst

15 Messeinrichtung des Photometrischen Stereos Sensorkopf aus Kamera und schaltbaren Beleuchtungen Höhere geometrische Auflösung

16 Gewinnung photometrischer Messdaten Bildserie Ergebnis: Farbton Richtung der Neigung, Intensität Betrag

17 Defekterkennung aus Reflektanz-Daten ( Farbbilder ) (1) Beispiel: Bewertung von Steinschlag-Schäden: Abfolge von Bildverarbeitungs-Schritten, angepasst an den vorliegenden Lack (v.a. bei Metallic-Lacken) Einfarbige Lackierung (weiß) rot: Füller, blau: Substrat

18 Defekterkennung aus Reflektanz-Daten ( Farbbilder ) (2) Herausforderungen: (v.a. dunkle) Metallic-Lackierungen Metallic-Lack (silber) rot: Füller, blau: Substrat

19 Defekterkennung aus Geometrie-Daten (1) Beispiel: Bewertung von erkannten Defekten (in Deflektometrie-Daten) 1. Zahl: Fehlerschwere 2. Zahl: Fläche in Bildpunkten

20 Defekterkennung aus Geometrie-Daten (2) Beispiele: Lackpickel und Delle (aus Deflektometrie-Daten)

21 Defekterkennung aus Geometrie-Daten (3) Beispiel: Beulen auf rohem Blech (aus Photometrischem Stereo)

22 Vergleich rekonstruierter Oberflächen mit CAD-Daten Beispiel: Verformungen eines ebenen Karosserieteils

23 Texturanalyse auf geometrische Messdaten Beispiel: Deflektometrische Messdaten Detektion von Schleifriefen Oberflächenkrümmung Betrag der Oberflächenkrümmung Fourier- Transformierte

24 Was bringt s? Neuheiten: Verwendung geometrischer Messdaten Erfassung geometrischer Messdaten mit günstigen Verfahren Anwendung bisher nicht verwendeter Bild- und Signalverarbeitungsverfahren (z.b. Texturanalyse) Nutzen: Objektive, reproduzierbare und dokumentierbare Bewertung Bessere Detektierbarkeit von Defekten Bessere Charakterisierung von Defekten (z.b. anhand der Höhe/Tiefe/Ausdehnung) Bessere Trennschärfe zwischen verschiedenen Defekten

25 Zusammenfassung Datenerfassung zur Bewertung lackierter Oberflächen: Reflektanzdaten ( Farbbilder ) Geometrische Messdaten Gewinnung geometrischer Messdaten: Deflektometrie Photometrisches Stereo Auswertung der erfassten Daten: Merkmalsgestützte Defekterkennung Vergleich mit CAD Texturanalyse Vielen Dank für Ihr Interesse!

26 Kontakt Fraunhofer IOSB Prof. Dr.-Ing. Michael Heizmann Tel.: Dr.-Ing. Stefan Werling Tel.: