Objekterkennung und Segmentierung in 3D Daten

Abstract

This master thesis describes the development of a segmentation software for surface detection of cuboid objects. The developed segmentation and detection software is used to operate automated palletizers and autonomous single - piece picking systems in the field of intralogistics. The fully automated storage systems include in many cases single stock keeping units for each storage unit (containers and trays). Based on the master data of the articles stored in the warehouse management system the task consists in the segmentation and detection of the individual objects in a random and chaotic scene. In the literature this is called „bin picking“ and means robot - based separation of chaotically provided objects. To solve this task a three - stage segmentation process is designed, which is called segmentation pipeline. As input data the software uses the sensor data of a stereo camera (3D data in form of a point cloud, disparity image and 2D grayscale image). This data is processed in three several stages to segment, classify and detect the object surfaces. Based on experiments this thesis provides a verification and validation of the developed segmentation process and a statistical evaluation of the endurance tests.

Im Rahmen dieser Diplomarbeit erfolgt die Entwicklung einer Segmentierungssoftware zur Detektion von Flächen quaderförmiger (cuboider) Objekte. Die entwickelte Segmentierungs - und Detektionssoftware wird für den Betrieb automatisierter Palettieranlagen und autonomer Einzelstück-Kommissioniersysteme (Single - Piece Picking Systems) in der Intralogistik eingesetzt. Die voll automatisierten Lagersysteme beinhalten in vielen Fällen sortenreine Lagereinheiten (Behälter und Tablare). Auf Basis der im Lagerverwaltungssystem hinterlegten Stammdaten des Artikels je Lagereinheit besteht die Aufgabe in der Segmentierung und Detektion der einzelnen Objekte aus einer zufälligen und chaotischen Szene. In der Literatur wird dies als „Griff in die Kiste“ bezeichnet und bedeutet roboterbasierte Vereinzelung chaotisch bereitgestellter Objekte. Zur Lösung dieser Aufgabe wird ein dreistufiger, zyklisch arbeitender Segmentierungsprozess entworfen, welcher als Segmentierungspipeline bezeichnet wird. Der Software werden die Sensordaten einer Stereokamera (3D Daten in Form einer Punktwolke, Disparitätsbild und 2D Grauwertbild) als Eingangsdaten übergeben. Diese werden in den drei Stufen, welche als 3D -, 2D - und IMG Segmentierungsstufe bezeichnet werden, verarbeitet und daraus die Objektflächen segmentiert, klassifiziert und detektiert. Anhand unterschiedlicher Experimente erfolgt eine Verifizierung und Validierung des entwickelten Segmentierungsprozesses und eine statistische Auswertung der durchgeführten Dauertests.