Spline-Methoden für die modellbasierte 3D-Oberflächeninspektion

Abstract

Die 3D-Oberflächenforminspektion ist insbesondere für komplex geformte und verformbare Bauteile eine anspruchsvolle Aufgabe. Dabei wird die Oberfläche auf kleinste lokale Verformungen wie z. B. Beulen und Dellen untersucht, die im mittleren Mikrometerbereich, und somit unterhalb von Bauteiltoleranzen und -verformungen, aber oberhalb der Oberflächenrauheit liegen. Die vorliegende Arbeit beschreibt ein automatisches, modellbasiertes Oberflächeninspektionssystem, das auf einem photogrammetrischen Messsystem mit Musterprojektion aufbaut. Klassische Inspektionssysteme sind stark ingenieursmäßig motiviert und bedienen sich Methoden aus der Messtechnik und der digitalen Signalverarbeitung. Der Schwerpunkt dieser Arbeit liegt im Einsatz von Methoden aus der Computergrafik, vornehmlich B-Spline-Oberflächenmodellen und maschinellen Lernverfahren, insbesondere autoassoziative künstliche neuronale Netze (Assoziativspeicher). Entlang der gesamten Verarbeitungskette werden neue Verfahren zur Verbesserung des Inspektionssystems vorgeschlagen: Ein hierarchischer Assoziativspeicher sowie ein splinebasierter Assoziativspeicher als Oberflächenmodell, ein spline-basiertes Registrierungsverfahren sowie eine Multi-Schwellen-Segmentierung.

3D surface inspection of manufactured surfaces is a challenging task, especially for complexly shaped, non-rigid parts. Its purpose is the detection of local surface deformation in the medium micro-meter range, e. g. dents or bumps. The surface defects lie within part tolerances and deformation, but well above surface roughness. This thesis presents an automated model-based surface inspection system based on a photogrammetric measurement system using pattern projection. Conventional inspection systems are mostly motivated by electrical engineering disciplines as metrology and digital signal processing. This work focuses on the application of techniques borrowed from computer graphics, namely B-spline surface models, as well as machine learning, particularly auto-associative artificial neural networks (associative memory). Novel methods for improvement of the inspection system are proposed alongside the entire processing chain: A hierarchical associative memory as well as a spline-based associative memory as a surface model, a spline-based registration approach as well as a multithreshold segmentation algorithm.