Template matching techniques for high accuracy workpiece measurements

Abstract

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.

Workpiece testing and monitoring is an important aspect of controlling and ensuring the correct functionality and longevity in a production environment. For this purpose digital cameras can be used in-situ to capture a series of images of the object of interest, which can be analyzed using Digital Image Correlation (DIC). This technique of measurement is used and researched by Hexagon Technology Center. For this process template matching can be used, as it enables the tracking of image sections (templates) across an image series of a workpiece. The current company algorithm (CA), based on Least Squares Matching (LSM), requires evaluation against modern computer vision techniques to determine if superior accuracy or computational efficiency can be achieved. This industrial master’s thesis evaluates and compares various template matching techniques, specifically for the use-case of high-accuracy workpiece measurements. The study considers a broad spectrum of computer-vision approaches: the existing LSM-based CA, traditional feature-based methods such as SIFT and ORB, a frequency-domain based algorithm called ”Iterative Phase Correlation” (IPC) and a deep learning-based feature extractor (SuperPoint). Each algorithm is assessed against key requirements including sub-pixel accuracy, rotation and scale invariance as well as computation speed. The evaluation is performed using an artificial dataset to test transformation robustness and an empirical dataset from the 2D DIC Challenge 1.0 to measure sub-pixel translation precision. The results reveal a clear distinction in performance across the defined performance indicators. The CA and SIFT demonstrate superior matching accuracies for position, rotation and scale determination. The newer ORB method achieves the fastest computation times. However, its precision is subpar in comparison to the other methods. Both the deep learning-based SuperPoint and the IPC algorithm are the slowest of the selected algorithms with inadequate sub-pixel precision in the specific test cases. The evaluation concludes that the existing LSM-based solution remains highly competitive due to its balance of precision and runtime. However, SIFT serves as a viable alternative when integrated with a location estimation step to optimize performance.