Von 2D-Inspektion zu 3D-Messung: DEPZ priorisiert Stereo-Disparität mit maschinellem Lernen

Im Q1 2024 entschied sich DEPZ, sich auf die Stereo-Disparitätsschätzung mittels maschinellem Lernen zu konzentrieren. Ziel ist es, Inspektion in Messung zu verwandeln — wiederholbare 3D-Bewertung von Defekten und Geometrieabweichungen unter anspruchsvollen industriellen Bedingungen.

Was wir aus frühen Pilotprojekten gelernt haben

Bei den ersten Vision-Piloten wurde eine Schlussfolgerung klar: In vielen Fällen reicht es nicht, einen Defekt zu sehen — wir müssen ihn gegen Toleranzen messen.

Großformatige Produkte können aufweisen:

Langsamer Verzug über breite Oberflächen
Kleine, aber wichtige Abweichungen an Kanten und Verbindungen
Defekte, deren Schwere durch Tiefe/Höhe definiert wird, nicht durch Aussehen

Dies führte DEPZ natürlicherweise zur Stereovision und Tiefenrekonstruktion als Kernfähigkeit.

DEPZ stereo camera prototype — Teil des frühen DEPZ-Stereokamera-Prototyps für die Tiefenschätzungsforschung.

Warum Disparität der technische Engpass ist

Tiefe aus Stereo beginnt mit Disparität: dem Abgleich von Punkten zwischen linkem und rechtem Bild. In kontrollierten Demos funktionieren viele Methoden gut. Unter realen Produktionsbedingungen wird das Problem schwieriger durch:

Texturarme Oberflächen (glatte Kunststoffe)
Reflexionen und spiegelnde Glanzlichter
Beleuchtungsunterschiede über große Flächen
Bewegungs-, Vibrations- und Durchsatzbeschränkungen

Wenn die Disparität instabil ist, wird die Tiefe instabil — und die Messung unzuverlässig.

Rectified stereo image pair with epipolar lines — Rektifiziertes Stereo-Bildpaar mit Epipolarlinien — gewährleistet konsistente horizontale Korrespondenz für Disparitätsabgleich.

Warum maschinelle Lernansätze vielversprechend sind

Im Q1 2024 priorisierte DEPZ die Forschung zur ML-unterstützten Disparitätsschätzung, einschließlich hybrider Ansätze, die klassische Geometrie mit lernbasiertem Matching kombinieren. ML-Methoden können die Robustheit verbessern durch:

Erlernen von Abgleichmustern auf texturarmen Oberflächen
Eleganterer Umgang mit sich wiederholenden Mustern und mehrdeutigen Bereichen
Anpassung an spezifische Industriebereiche durch kuratierte Datensätze
Konsistentere Ergebnisse in Bereichen, die für QA-Entscheidungen relevant sind

Was wir tatsächlich bauen (nicht nur „ein Modell")

Das Disparitätsprogramm von DEPZ wird als vollständiger Engineering-Stack behandelt:

Datenpipeline. Datensatzerfassung über mehrere Oberflächenzustände und Beleuchtungssetups; Defekt- und Geometrieszenarien repräsentativ für die Produktion; Kennzeichnungsstrategie ausgerichtet auf messbare Ergebnisse (nicht nur Visuelles).
Kalibrierungsstabilität. Verfahren zur Kamerakalibrierung und Rekalibrierung; Prüfungen auf Drift und mechanische Stabilität über die Zeit.
Evaluierungsumgebung. Wiederholbare Tests an Referenzobjekten und bekannten Geometrien; Metriken, die industrielle Anforderungen widerspiegeln (Wiederholbarkeit, Fehlermodi, Konfidenz).
Einsatzbeschränkungen. Durchsatz- und Latenzziele; Zuverlässigkeit bei langen Laufzeiten; vorhersagbares Verhalten bei Verschlechterung der Bedingungen.

Erwartetes Ergebnis

Das Ziel ist die Schaffung eines Tiefenkerns, der antreiben kann:

Inline-Inspektion und Metrologie
Robotische Handhabung und Automatisierungsanwendungen
Zukünftige Stereogeräte und -software auf Produktebene

Dies ist eine grundlegende Investition: Sobald Disparität und Tiefe zuverlässig werden, wird eine große Klasse von Automatisierungsproblemen einfacher und skalierbarer.