Jump to ContentJump to Main Navigation
Show Summary Details
More options …

tm - Technisches Messen

Plattform für Methoden, Systeme und Anwendungen der Messtechnik

[TM - Technical Measurement: A Platform for Methods, Systems, and Applications of Measurement Technology
]

Editor-in-Chief: Puente León, Fernando / Zagar, Bernhard


IMPACT FACTOR 2017: 0.476

CiteScore 2017: 0.46

SCImago Journal Rank (SJR) 2017: 0.239
Source Normalized Impact per Paper (SNIP) 2017: 0.566

Online
ISSN
2196-7113
See all formats and pricing
More options …
Volume 82, Issue 3

Issues

An approach to color-based sorting of bulk materials with automated estimation of system parameters

Ein Ansatz zur farbbasierten Schüttgutsortierung mit automatischer Parameterbestimmung

Matthias Richter
  • Corresponding author
  • Karlsruhe Institute of Technology, Institute for Anthropomatics and Robotics, Karlsruhe
  • Fraunhofer Insitute of Optronics, System Technologies and Image Exploitation (IOSB), Karlsruhe
  • Email
  • Other articles by this author:
  • De Gruyter OnlineGoogle Scholar
/ Thomas Längle / Jürgen Beyerer
  • Karlsruhe Institute of Technology, Institute for Anthropomatics and Robotics, Karlsruhe
  • Fraunhofer Insitute of Optronics, System Technologies and Image Exploitation (IOSB), Karlsruhe
  • Email
  • Other articles by this author:
  • De Gruyter OnlineGoogle Scholar
Published Online: 2015-03-03 | DOI: https://doi.org/10.1515/teme-2014-0042

Abstract

In this paper, we present a flexible method for color-based sorting of bulk materials. It is based on semantically meaningful color features that are constructed from a set of training images. First, estimates of color-occurrence frequencies of different materials are derived from the training images and fused into color classes, which are then used to classify individual pixels. An object descriptor is built as count statistic over the color classes appearing in the object image. This descriptor has many advantages: it is compact and very fast to compute, invariant to scale and rotation, has a very clear, intuitive interpretation, and can be used with simple rule-based classifiers. However, tuning the parameters that govern the feature construction process is laborious and requires a lot of experience on part of the system operator. To overcome this shortcoming, we automatically learn the parameters using genetic algorithms. We apply our method to wine grape sorting problems to show that this approach outperforms a human expert. At the same time, it takes considerably less effort on the human part and frees the expert to attend to other tasks. Furthermore, the system allows non-experts to successfully put a sorting machine in operation.

Zusammenfassung

In diesem Paper stellen wir eine flexible Methode zur farb-basierten Schüttgutsortierung vor. Sie stützt sich auf semantisch bedeutsame Farbmerkmale, welche mit Hilfe von Beispielbildern konstruiert werden. Im ersten Schritt werden Farb-Auftrittshäufigkeiten verschiedener Materialien bestimmt, welche zu Farbklassen zusammengeführt werden. Diese werden anschließend dazu genutzt um einzelne Pixel zu klassifizieren. Objekte werden schließlich durch eine Häufigkeitsstatistik der in den Objekten enthaltenen Farbklassen charakterisiert. Dieser Deskriptor hat viele Vorteile: er ist kompakt und schnell zu berechnen, invariant gegenüber Skalierung und Rotation, klar und intuitiv interpretierbar und kann mit einfachen regelbasierten Klassifikatoren genutzt werden. Allerdings ist die Anpassung der Parameter, die die Merkmalskonstruktion steuern, mitunter zeitaufwändig und setzt viel Erfahrung auf Seiten des Systemoperators voraus. Wir umgehen diesen Nachteil indem wir Genetische Algorithmen einsetzen um die Parameter automatisch zu lernen. Wir validieren diese Vorgehen anhand von Weintraubensortierproblemen und zeigen, dass der Ansatz bessere Ergebnisse liefert als ein menschlicher Experte. Gleichzeitig benötigt der Ansatz deutlich weniger Zeit und benötigt keine Überwachung durch den Experten. Weiterhin erlaubt unser Ansatz auch Nicht-Experten eine Sortiermaschine erfolgreich in Betrieb zu nehmen.

Keywords: Pattern recognition; automated visual inspection; parameter learning; bulk material sorting

Schlagwörter: Mustererkennung; automatische Sichtprüfung; Parameterlernen; Schüttgutsortierung

About the article

Matthias Richter

Matthias Richter is a PhD student at the Vision and Fusion Laboratory (IES), Institute of Anthropomatics and Robotics (IAR), Karlsruhe Institute of Technology. He works in close cooperation with his colleagues at the Fraunhofer Institute of Optronics, System Technologies and Image Exploitation (IOSB). His main research interests are the application of machine learning methods for industrial image processing and automatic visual inspection.

Karlsruher Institut für Technologie (KIT), Institut für Anthropomatik und Robotik (IAR), Adennauerring 4, 76131 Karlsruhe, Germany, Tel.: +49-721-6091-659

Thomas Längle

Thomas Längle is associate professor at the Karlsruhe Institute of Technology (KIT), Karlsruhe and the head of the business unit “Vision Based Inspection Systems” (SPR) at the Fraunhofer IOSB in Karlsruhe, Germany. His research interests include different aspects of image processing and real-time algorithms for inspection systems. He also offers lectures in computer science at the Karlsruhe Institute of Technology and initiates many possibilities for students to work on applied research.

Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB), Fraunhoferstraße 1, 76131 Karlsruhe, Germany, Tel.: +49-721-6091-212

Jürgen Beyerer

Jürgen Beyerer is the director of the Fraunhofer Institute of Optronics, System Technologies and Image Exploitation (IOSB) and the head of the Vision and Fusion Laboratory (IES) at the Faculty of Informatics, Karlsruhe Institute of Technology (KIT). His main fields of research are: Automated visual inspection and image processing, fusion of heterogeneous information sources, information theory, system theory, statistical methods and metrology.

Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB), Fraunhoferstraße 1, 76131 Karlsruhe, Germany, Tel.: +49-721-6091-210


Revised: 2015-02-02

Accepted: 2015-02-02

Received: 2015-01-28

Published Online: 2015-03-03

Published in Print: 2015-03-28


Citation Information: tm - Technisches Messen, Volume 82, Issue 3, Pages 135–144, ISSN (Online) 2196-7113, ISSN (Print) 0171-8096, DOI: https://doi.org/10.1515/teme-2014-0042.

Export Citation

©2015 Walter de Gruyter Berlin/Boston.Get Permission

Comments (0)

Please log in or register to comment.
Log in