Utilizzo delle librerie MVTec Halcon per sistemi di visione in robotica

L’obiettivo di questo elaborato è l’analisi delle librerie MVTec Halcon, uno dei principali software per l’elaborazione industriale delle immagini (sistemi di visione) in tutto il mondo. Halcon è sviluppato da MVTec Software GmbH, un produttore leader di software per l’elaborazione industriale delle immagini, con sede a Monaco di Baviera, in Germania. I prodotti MVTec sono utilizzati in un’ampia varietà di applicazioni e settori, tra cui semiconduttori, componenti elettrici, intralogistica, alimenti e bevande, apparecchiature di prova, prodotti farmaceutici e ricerca. Halcon è noto per la sua flessibilità e facilità di sviluppo di applicazioni per l’elaborazione e l’analisi delle immagini industriali e medicali, il che lo rende uno strumento molto completo e versatile. Essendo uno dei software per sistemi di visione più completi al mondo, Halcon riduce i costi e garantisce un migliore time-to-market. L’elaborato propone una valutazione dettagliata di diverse tecniche di riconoscimento oggetti utilizzando Halcon, tra cui Shape-Based Matching, Blob Analysis, Instance Segmentation e Classification. La tesi si articola in quattro parti principali. Inizialmente viene presentata una panoramica generale sul software Halcon, focalizzando l’attenzione sull’interfaccia e la strumentazione utilizzata per eseguire le varie prove. Nel secondo capitolo sono state confrontate le tecniche di Shape-Based Matching e Blob Analysis per il riconoscimento di figure geometriche, in particolare si è calcolato il loro centroide e l’angolo di inclinazione. Si sono analizzati i tempi di esecuzione, la robustezza a variazioni di illuminazione e la facilità di implementazione. Nel capitolo successivo, sono state testate le librerie di deep learning di Halcon, in particolare la tecnica di Instance Segmentation, sempre con lo scopo di riconoscere e classificare figure geometriche, analizzando i tempi di training e la capacità di rilevare le caratteristiche degli oggetti, come centroide e angolo di inclinazione. Nel capitolo conclusivo si è testato il Deep Learning Tool, un tool di Halcon dedicato al deep learning che è stato utilizzato per riconoscere delle mani nelle immagini utilizzando la tecnica di Classification, in modo da segnalare l’eventuale presenza di un operatore. Per fare ciò, si è importato un dataset di immagini comprensivo sia di mani umane che di altri oggetti di sfondo, così da poter fare una distinzione tra i due. In questa fase di test, si è utilizzata una rete neurale convoluzionale (CNN) pre-addestrata ed in particolare, si è analizzata la sensibilità della CNN alle variazioni di illuminazione e alle diverse posizioni delle mani nel piano. La tecnica di Classification è utile per distinguere gli oggetti, ma non permette di localizzarli. Per questo motivo si è deciso di implementare la tecnica di Instance Segmentation anche per il riconoscimento delle mani, in modo analogo a quanto fatto per gli oggetti geometrici. In combinazione a questa tecnica si è deciso di implementare anche lo Shape-Based Matching, in modo da riconoscere nello stesso momento sia le mani che gli oggetti presenti nella zona di lavoro. Per quest’ultima prova le immagini sono state acquisite da una videocamera in tempo reale.