Die Prüfung und Überwachung von Werkstücken ist ein wichtiger Aspekt der Kontrolle und Sicherstellung ihrer korrekten Funktion und Langlebigkeit in einer Produktionsumgebung. Zu diesem Zweck können Digitalkameras in-situ eingesetzt werden, um Bilderserien des zu untersuchenden Objekts aufzunehmen. Die Bilderserien können anschließend mittels Digital Image Correlation (DIC) analysiert werden. Diese Messtechnik wird von Hexagon Technology Center angewandt und erforscht. Für die Analyse kann Template Matching eingesetzt werden, da es die Verfolgung von Bildausschnitten (Templates) in einer Bildserie eines Werkstücks ermöglicht. Um festzustellen, ob eine höhere Genauigkeit oder Recheneffizienz erzielt werden kann, muss der aktuelle, auf Least Squares Matching (LSM) basierende Algorithmus des Unternehmens (CA) mit modernen Computer-Vision-Verfahren verglichen werden. Diese industrielle Masterarbeit evaluiert und vergleicht verschiedene Template Matching Verfahren, speziell für den Anwendungsfall hochpräziser Werkstück-Messungen. In der Arbeit wird ein breites Spektrum an Computer-Vision-Ansätzen untersucht: der bestehende LSM-basierte CA, traditionelle merkmalsbasierte Methoden wie SIFT und ORB, ein Algorithmus aus der Frequenzdomäne namens "Iterative Phase Correlation" (IPC) sowie der auf Deep Learning basierende Merkmal-Extraktor SuperPoint. Jeder Algorithmus wird anhand bestimmter Kernkriterien wie Subpixel-Genauigkeit, Rotations- und Skalierungsinvarianz sowie Rechengeschwindigkeit bewertet. Die Evaluierung erfolgt anhand eines künstlichen Datensatzes zur Prüfung der Transformationsrobustheit sowie anhand eines empirischen Datensatzes, der 2D DIC Challenge 1.0, zur Messung der Subpixel-Genauigkeit der Translation. Die Ergebnisse zeigen deutliche Leistungsunterschiede hinsichtlich der definierten Kriterien. Der CA und SIFT zeichnen sich durch eine überlegene Genauigkeit bei der Bestimmung von Position, Rotation und Skalierung aus. Der neuere ORB-Algorithmus erzielt die schnellsten Laufzeiten, jedoch ist dessen Präzision im Vergleich zu den anderen Methoden unterdurchschnittlich. Sowohl das auf Deep Learning basierende SuperPoint-Netzwerk als auch der IPC-Algorithmus erweisen sich als die langsamsten der ausgewählten Algorithmen mit unzureichender Subpixel-Genauigkeit in den spezifischen Testfällen. Die Auswertung ergibt, dass die bestehende LSM-basierte Lösung aufgrund ihres ausgewogenen Verhältnisses von Präzision und Laufzeit nach wie vor kompetitiv im Vergleich zu anderen Methoden ist. SIFT stellt jedoch eine praktikable Alternative dar, sofern eine Positionsschätzung des Templates zur Leistungsoptimierung integriert wird.
Manuel Waibel (Sun,) studied this question.