Ser du mønsteret?

Hvordan kan gjenkjenning av et mønster føre til at vi får riktig flaskepant, at bare ugress sprøytes på åkeren, og at Hydro Aluminium sparer penger?

Av Åse Dragland

I de nye Tomra 600 panteautomatene er video­kameraer med på å gjenkjenne formen på ulike flasketyper, slik at de styres riktig gjennom maskinen og kunden får riktig pant. Foto: Rune Petter Ness

I de nye Tomra 600 panteautomatene er video­kameraer med på å gjenkjenne formen på ulike flasketyper, slik at de styres riktig gjennom maskinen og kunden får riktig pant.
Foto: Rune Petter Ness

En traktor brummer sakte bortover den gulgrønne åkeren. Foran er det montert en skjerm som soper langs bakken med åpningen ned. Inni sitter videokamera og lamper. Det blir tatt bilder med god belysning uansett værforhold.

Målet er å spore opp fienden – ugresset. I stedet for å sløse sprøytemidler utover hele åkeren, vil bonden bare sprøyte på ugressområdet. Informasjonen fra kamera blir formidlet til sprøyta bakpå traktoren, som sender en dusj når det er påkrevd – og slik kan forbruket av kjemikalier senkes i landbruket.

Men hvordan kan innretningen skille ugresset fra alle planteformene på bakken? Og hvordan snuses ulike typer ugress opp?

– Vi finner fram til egenskaper og informasjon i bildet som kan hjelpe oss å skille objektene fra hverandre og gjenkjenne dem, sier forsker Helene Schulerud på SINTEF.

– Korn har for eksempel lange, slanke former, mens ugress stort sett er rundere i bladformen.

Forskerne lager et dataprogram som først skiller bladene fra jorda på bakken. Deretter beregner de formen på korn og ugressblad og lager regler som klassifiserer og skiller disse fra hverandre. Når videokameraet sender bildene til datamaskinen, kan bildene analyseres fort­løpende, de ulike bladformene kjennes igjen, og ugressmengde og sprøytemengde blir bestemt.

Eget forskningsfelt

Ugressdetektoren er montert foran på traktoren som en skjerm med åpningen ned. Kameraet sender bilder til en datamaskin som analyserer bladformene. Foto: Foto: Hein Stavlund, DAT AS

Ugressdetektoren er montert foran på traktoren som en skjerm med åpningen ned. Kameraet sender bilder til en datamaskin som analyserer bladformene.
Foto: Foto: Hein Stavlund, DAT AS

Prosjektet er et eksempel på hvordan gjenkjenning av et mønster kan gi verdifull hjelp. Mønstergjenkjenning er et eget vidtspennende forskningsfelt i vekst. Metoden benyttes på problemstillinger der datamengden er uhåndterlig, eller oppgavene diffuse og vanskelige å gripe fatt i.

Aktørene på feltet er mange. Foruten SINTEF er Norsk Regnesentral, en rekke universitetsmiljøer og også private selskaper inne i bildet.

Mønstergjenkjenning foretas på alle typer data, men bildedata står i en særstilling. Økt prosesseringskraft og prisfall har gjort digitale kameraer til attraktive sensorer og bildeanalyse til et aktivt forskningsfelt. På avdelingen for Optiske målesystemer og dataanalyse ved SINTEF jobber 15 forskere på ulikt vis med optikk, lys og bildeanalyse. Mønstergjenkjenning er en sentral del av forskningen.

– Vår styrke ligger i at vi ser på hele måleoppgaven, sier forskningssjef Erik Wold. – For hvert enkelt oppdrag må vi sette oss ned og finne fram til målemetode og belysning som gir oss optimale bilder. Etterpå analyserer vi bildene og utvikler de algoritmene vi trenger for å løse oppgaven.

Bilder, beskrivelse, analyse

Første steg for forskerne er å få tatt så informasjonsrike bilder av objektet som mulig. Riktig belysning er et «must» for å gi datamaskinen et best mulig utgangspunkt. Alt etter hva kunden har behov for å måle, vil bildet ikke vise en vanlig avbildning, men framheve temperaturforskjeller, former eller materialegen­skaper. Bildene kan tas av et video­kamera, et webkamera, gjennom mikroskop, eller kan være syntetiske – framstilt fra andre typer måledata.

Dernest kommer beskrivelsen. Det gjelder å trekke ut informasjon som skiller objektene i bildet fra hverandre, eller skille objektet du er ute etter, fra andre figurer i bildet.

Ved hjelp av videokamera, lys, speil og en data­maskin fotograferes fisken fra forskjellige vinkler når den passerer en gjennomsiktig del av røret der fisken suges fra merd til båt. På basis av disse bildene kan volum og vekt beregnes. Slakteriet kan forberede sin del av jobben, og oppdretteren vet eksakt hvor mye han har levert. Illustrasjon: Jan H. Johansen, Grafisk senter - SINTEF

Ved hjelp av videokamera, lys, speil og en data­maskin fotograferes fisken fra forskjellige vinkler når den passerer en gjennomsiktig del av røret der fisken suges fra merd til båt. På basis av disse bildene kan volum og vekt beregnes. Slakteriet kan forberede sin del av jobben, og oppdretteren vet eksakt hvor mye han har levert.
Illustrasjon: Jan H. Johansen, Grafisk senter – SINTEF

Helene Schulerud forklarer det slik: – Skal du lære datamaskinene å gjenkjenne et bilde av bokstaven B, må du beskrive den ved hjelp av karakteristiske egenskaper som for eksempel antall vertikale og horisontale streker og arealet på objektet. På samme måte kan vi greie å skille ugress fra andre planter, eller sortere naturlige bevegelser i et overvåket område fra en tyv som beveger seg inn i kamerabilde.

– Ofte kan det være ganske enkelt få systemet til å gjenkjenne et ønsket objekt i noen bilder, sier Wold. – Men å plukke ut samme objekt i alle nye bilder som tas under skiftende forhold, er en større oppgave som krever et robust system.

Flasker og aluminiumsprofiler

Automatisk mønstergjenkjenning er ikke noe nytt fenomen. Tomra Systems har i mange år benyttet SINTEF-utviklet teknologi i automatene for returflasker.

Den nye generasjonen flaskeautomater som ble introdusert i –97, har videokameraer som brukes til å gjenkjenne de ulike flaskeformene. Robust gjenkjennelse gjør at flaskene sorteres riktig og at kunden får korrekt returbeløp for hver enkel flaske. Kombinasjonen av avansert analyse og billig teknologi har bidratt til at Tomra har en dominerende posisjon i dagens marked for flaskepant.

Også Hydro Aluminium benytter mønstergjenkjenning. Når metall formes til aluminiumsprofiler, presses en varm aluminiumbolt gjennom en dyseform. Riktig temperatur og presskraft er viktig for at den ferdige profilen skal bli vellykket. Operatørene prøver ut ulike prosessparametre (målestørrelser) og gjør sine erfaringer. Endelig sitter resultatet, og de gode innstillingene noteres. Men neste gang er det nye profiler som skal lages. Blir det da på’n igjen, eller kan «gammelprofilene» utnyttes?

– Hydro har et arkiv på titusener av profiler som er i produksjon, så det er uaktuelt å lete etter likheter med det blotte øye, sier Schulerud. – I forskningen vår forsøker vi å beskrive hvilke egenskaper det er som gjør at profilene «ligner på hverandre» og dermed har like parametre. Det kan være tykkelse, antall finner som stikker ut etc. Gjennom mønstergjenkjenning kan vi automatisk finne fram til tidligere profiler som ligner mest på nye som skal produseres. Operatøren får et godt utgangspunkt og kan raskere finne optimale prosessparametre. Erfaringene med de tidligere profilene kan også gi tips til hvordan verktøyet bør utformes. Hydro slipper unna en masse prøving og feiling og oppnår økt produktivitet.

Video-overvåking

Tverrsnitt av former for aluminiumsprofiler for Hydro Aluminium. Mønstergjenkjenning benyttes når nye profiler skal lages. Ved å finne gamle profiler som ligner, får man også lettere tak i gode mål og innstillinger for produksjonen.

Tverrsnitt av former for aluminiumsprofiler for Hydro Aluminium. Mønstergjenkjenning benyttes når nye profiler skal lages. Ved å finne gamle profiler som ligner, får man også lettere tak i gode mål og innstillinger for produksjonen.

Alle former for sikkerhet gjennom videoovervåking er basert på samme prinsipp. Videokameraer kobles til en datamaskin, og man analyserer bildene for å avsløre om «unormale ting» skjer i overvåkingsområdet. Eller sagt med andre ord: om det normale mønsteret brytes.

Hvis alle forandringer i bildet skulle gi utslag, ville alarmen gå uavlatelig. Derfor må alle ikke-alarmerende situasjoner undertrykkes eller holdes tilbake av systemet.

Siden 1992 har SINTEF samarbeidet med Videoweb1 (tidligere Detec) om å utvikle et automatisk intelligent system for video­-overvåking. Her er det lagt vekt på å kjenne igjen hendelser som gir endringer i bildet, men likevel ikke er særlig mistenkelige – som endringer i lysforhold eller trær som beveger seg i vinden. Dette gjøres ved hjelp av mønstergjenkjenning: Man konsentrerer seg om egenskaper i bildet, som ikke forandres under endringene. Slik unngår man å stresse vakten – som i stedet kan følge med på flere kameraer samtidig.

GEMINI fakta:

Mønstergjenkjenning er et forskningsfelt som tar for seg design av systemer for å gjenkjenne mønster i data. Først lages en modell, ofte ved hjelp av kjente data, deretter benyttes denne til å klassifisere nye ukjente data.

Mønstergjenkjenning kan benyttes til:

– å gjenkjenne ansikter i en menneskemengde

– skille eller gjenkjenne ulike fingeravtrykk

– skille mellom kreftceller eller normale celler i en celleprøve

– produktinspeksjon, skille ut produkter med feil

– gjenkjenne bokstaver i et bilde

– gjenkjenne folks handle­mønster i butikker (datavarehus)

– finne mulige olje- og gasslommer fra seismiske data

– avsløre svindlere innen finans

– avsløre terrorister!

Mønstergjenkjenning erstatter ofte manuell kontroll og inngår i system for maskinsyn som egner seg for indus triell inspeksjon. Fordelene er at det måles raskt, det samme måles objektivt hver gang, og

systemet blir aldri slitent.