La détection de contours est un élément important pour le traitement d’images 2D. Les bords ainsi que les transitions entre le premier plan et l’arrière-plan sont détectés et un contour est calculé à partir de ces informations. La particularité de la détection de contours, c’est qu’elle fonctionne également de manière fiable en présence d’une lumière parasite, car cette dernière affecte généralement l’ensemble de l’objet. Tandis que la différence relative entre le premier plan et l’arrière-plan change, le contour est toujours détecté de manière fiable. L’inspection d’objets est ensuite effectuée en comparant un contour de référence avec l’objet actuel.
La méthode est principalement utilisée dans la reconnaissance de profils et de formes ainsi que dans la détection d’objets, comme c’est typiquement le cas dans le poinçonnage, le fraisage, le tournage ou l’assemblage. Dans ces domaines, la détection de contours est utilisée pour l’assurance qualité.
L’analyse de blob est une importante méthode de traitement d’image pour sélectionner et analyser les caractéristiques d’une image sur un groupe de pixels voisins similaires.
Dans ce contexte, le terme BLOB (Binary Large Object, un néologisme anglais) signifie objet de données logique binaire, ce qui se traduit approximativement par un ensemble de pixels ayant le même état logique. La sélection des pixels voisins se fait généralement par un seuillage de la valeur de gris. L’analyse permet ensuite de tirer des conclusions sur les diverses caractéristiques. Une fonction bien connue est, par exemple, le compteur de pixels.
Il existe de nombreuses applications différentes. Par exemple, l’analyse de blob peut être utilisée pour contrôler l’intégrité et la présence d’objets, pour détecter des filetages, ou bien compter et trier des objets selon leurs caractéristiques.
Le suivi de position est effectué à l’aide d’un contour d’ancrage. Celui-ci est trouvé une seule fois dans l’image. Grâce à ce contour, les zones de recherche d’autres modèles peuvent être suivies (par exemple, la zone de recherche d’une analyse de blob) tant en position qu’en orientation.
Représentation graphique d’un suivi de position basé sur l’exemple :
La famille O2D5 d’ifm utilise un processeur d’image CMOS de 1,2 MP (1280 x 960 pixels).
Les processeurs d’image CMOS sont plus faciles, plus rapides et moins chers à fabriquer, et sont ainsi les plus répandus sur le marché.
Il est essentiel de choisir le bon éclairage pour maximiser le contraste de chaque pixel. La famille O2D est fournie complète avec des sources lumineuses LED de haute intensité intégrées en RGB-W (rouge, vert, bleu, blanc) et infrarouge.
Notez que le capteur d’images n’est pas un capteur de couleurs !
Toutefois, le choix d’une source lumineuse d’une autre couleur peut avoir un effet dramatique sur le contraste de l’image. L’image ci-dessous montre des crayons de couleur à la lumière du jour et ces mêmes crayons éclairés par les différentes LED du capteur O2D5.
Type de lumière | A noter : |
---|---|
Lumière du jour (référence) |
|
Lumière rouge |
|
Lumière verte |
|
Lumière bleue |
|
Lumière blanche |
|
Lumière infrarouge |
|
En raison des reflets, il peut être difficile d’obtenir des contours ou des zones nettes sur des objets brillants. Les capteurs O2D5 avec sources lumineuses RGB-W contiennent un filtre de polarisation qui peut être activé ou désactivé afin de minimiser l’effet des réflexions.