2D object recognition in manufacturing environment using implicit polynomials and algebraic invariants

Abstract

ÖZET Tezde ele alman araştırma konusu, üretim ortamında iki boyutlu serbest-şekilli cisimlerin yapay görme teknikleri kullanılarak tanınmasıdır. Geliştirilen tanıma sistemine ORECIM ismi verilmiştir. Örtük çokterimliler, güçlü temsil özellikleri ve Euclidean ve ilgin dönüşümlere (afifine transformation) karşı gösterdikleri değişmez özellikler dolayısıyla cisim bilgisini modellemek için kullanılmışlardır. BDT (Bilgisayar Destekli Tasarım) sistemlerinin sıkça kullandıkları parametrik gösterimlerin, BDT ve ORECIM'in tümleşmesi amacıyla, örtük çokterimli gösterimine dönüştürülmesi üzerinde çalışılmış fakat uyumsuz değişmez değerleri sebebiyle, ileride araştırılması uygun görülmüştür. Kullanılan örtük çokterimli uydurma algoritması `Genelleştirilmiş Eigenfit` olarak bilinmektedir. Tekillik probleminin üstesinden gelinmesi için, iki yaklaşım öne sürülmüştür. Her bir örtük çokterimli için üç cebirsel değişmez öznitelik olarak kullanılmıştır. Karşılaştırma ve tanıma için, Mahalanobis uzaklığı değişik cisim sınıflarını ayırmada çok başarılı olmuş ve %100'lük bir tanıma sağlanmıştır.

IV ABSTRACT This study addresses the two-dimensional free-form object recognition in manufacturing environment using machine vision techniques. The recognition system developed is called ORECIM (Object Recognition using Implicit Polynomials). Implicit polynomials are used for modeling the object data because of their robust representation power and invariant characteristics to Euclidean and affine transformations. The conversion of parametric form, frequently used in CAD systems, to implicit form in order to integrate CAD systems with ORECIM is studied, but because of incompatible invariant values, it is left for further research. The implicit polynomial fitting algorithm used is known as `Generalized Eigenfit`. To overcome the singularity problem, two approaches are also proposed. Three algebraic invariants are used as features for every single implicit polynomial. For comparison and identification, Mahalanobis distance measure proved to be very successful in discriminating different classes of objects and %100 recognition is accomplished in the laboratory environment.